Fruits-360

一个高质量的水果图像数据集，包含81种不同的水果类别，共计55244张图片。数据集分为训练集、测试集和多水果图像集，每张图片大小为100x100像素。

A high-quality fruit image dataset comprising 81 distinct fruit categories, totaling 55,244 images. The dataset is segmented into training, testing, and multi-fruit image sets, with each image sized at 100x100 pixels.

原始信息汇总

数据集概述

数据集名称

Fruits-360

版本

2018.09.07.0

包含的水果种类

数据集包含多种水果，包括但不限于：

• 苹果（不同品种：Golden, Golden-Red, Granny Smith, Red, Red Delicious）
• 杏
• 鳄梨
• 成熟鳄梨
• 香蕉（黄色，红色）
• 仙人掌果
• 甜瓜（2种品种）
• 星果
• 樱桃（不同品种，Rainier）
• 樱桃蜡（黄色，红色，黑色）
• 克莱门汀
• 椰子
• 枣
• 百香果
• 葡萄（粉色，白色，白色2）
• 葡萄柚（粉色，白色）
• 番石榴
• 越橘
• 猕猴桃
• 柿子
• 金橘
• 柠檬（普通，Meyer）
• 酸橙
• 荔枝
• 柑橘
• 芒果
• 百香果
• 飞碟瓜
• 桑椹
• 油桃
• 橙子
• 木瓜
• 百香果
• 桃子
• 黄瓜
• 梨（不同品种，Abate, Monster, Williams）
• 灯笼果（普通，带壳）
• 菠萝（普通，迷你）
• 红心火龙果
• 李子
• 石榴
• 榅桲
• 红毛丹
• 覆盆子
• 蛇果
• 草莓（普通，楔形）
• 树番茄
• 蜜柑
• 番茄（不同品种，Maroon, Cherry Red）
• 核桃

数据集属性

• 总图像数：55244
• 训练集大小：41322图像（每张图像一种水果）
• 测试集大小：13877图像（每张图像一种水果）
• 多水果集大小：45图像（每张图像多于一种水果或水果类别）
• 类别数：81（水果）
• 图像大小：100x100像素

文件命名格式

• 图像索引_100.jpg（例如：32_100.jpg）
• r_图像索引_100.jpg（例如：r_32_100.jpg）
• r2_图像索引_100.jpg
• "r"表示水果旋转，"r2"表示水果沿第三轴旋转，"100"来自图像大小（100x100像素）

数据集结构

• Training 和 Test 文件夹包含用于训练和测试的图像。
• test-multiple_fruits 文件夹包含包含多个水果的图像，部分图像中水果被其他水果部分覆盖，适用于真实世界检测测试。
• src/image_classification 包含用于训练神经网络的Python代码，使用TensorFlow库。
• src/utils 包含用于从背景中提取水果的C++代码。
• papers 包含与该数据集相关的研究论文。

许可证

MIT License

版权信息

Copyright (c) 2017-2018 Mihai Oltean, Horea Muresan

搜集汇总

数据集介绍

构建方式

Fruits-360数据集的构建，是通过将水果放置于低速电机轴上并录制20秒的短视频来完成。使用Logitech C920摄像头进行拍摄，并在水果背后放置白色纸张作为背景。由于光照条件的变化导致背景不均匀，研究者开发了一种专用的算法从背景中提取水果，该算法基于洪泛填充类型，通过标记图像边缘的像素及其邻域内颜色距离小于设定值的像素，从而区分背景与水果。

使用方法

用户可以通过GitHub页面下载该数据集，并根据README文件中的说明使用。数据集的结构包括训练集、测试集文件夹以及包含神经网络训练代码的src文件夹。使用TensorFlow库进行神经网络的训练。此外，用户还可以从Kaggle平台下载数据集，并在使用时遵循MIT许可证的规定。

背景与挑战

背景概述

Fruits-360数据集是由Mihai Oltean和Horea Muresan于2018年创建的高质量水果图像数据集。该数据集包含了55244张图片，涵盖81种水果类别，包括不同品种的苹果、杏、鳄梨等。每种水果均经过分类处理，旨在为深度学习模型提供训练与测试的基础。该数据集的构建旨在促进水果识别研究，并已被用于相关学术论文中，对图像处理和机器学习领域产生了积极影响。

当前挑战

该数据集在构建过程中遇到了多方面的挑战，其中包括：1)水果种类的多样性导致了识别的复杂性；2)图像背景的均匀性问题，需要特定算法进行水果与背景的分离；3)由于光照条件的变化，图像处理算法的泛化能力要求较高。在解决领域问题方面，该数据集的挑战在于如何实现准确率高且鲁棒性强的水果识别模型，特别是在处理多水果图像时，需识别出被遮挡的水果。

常用场景

经典使用场景

在计算机视觉与机器学习领域中，Fruits-360数据集因其图像质量高、种类丰富而成为经典之选。该数据集常被用于训练和测试深度学习模型，进行果实的识别与分类。

解决学术问题

该数据集解决了果实识别中因种类繁多、形态各异、色泽不一带来的分类难题，为学术研究提供了标准化、高质量的数据基础，极大地推动了相关领域的研究进展。

实际应用

实际应用中，Fruits-360数据集被广泛应用于智能农业、无人零售、食品供应链管理等领域，有助于实现果品的自动化识别与分类，提升产业智能化水平。

数据集最近研究

最新研究方向

Fruits-360数据集是水果图像识别领域的重要资源，近期研究主要集中在深度学习模型的应用与优化上，以提升水果种类识别的准确率和鲁棒性。该数据集涵盖了81种不同水果的55244张图像，为研究提供了丰富的样本。目前，研究者通过该数据集探索了果实的自动分类、品种区分以及成熟度判断等前沿方向，其结果对于智能农业、无人化仓储物流以及消费者体验等领域具有显著影响。此外，多果实识别的研究亦成为热点，旨在解决实际场景中果实部分遮挡等问题，从而推动图像识别技术在现实世界中的应用。