有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
GPID-22|农业数据集|病虫害识别数据集
收藏arXiv2024-07-20 更新2024-07-24 收录
下载链接：
https://github.com/WASSER2545/GPID-22
下载链接
链接失效反馈资源简介：
GPID-22数据集由中国农业大学智能农业系统重点实验室创建，是一个专注于植物病虫害识别的大型数据集。该数据集包含205,371张图像，涵盖199个类别，涉及22种植物的病害和虫害。数据集的创建过程包括在线图像收集、现场图像采集、初步数据筛选和专家数据标注。GPID-22数据集的应用领域主要集中在农业生产中的病虫害快速、高效和低成本检测，旨在通过提高识别效率和准确性，降低农业生产成本。
提供机构：
中国农业大学智能农业系统重点实验室
创建时间：
2024-07-20
AI搜集汇总
数据集介绍
构建方式
GPID-22数据集的构建经历了数据收集与标注的五个阶段，包括在线图片收集、分类系统建立、田间图片收集、初步数据过滤以及专家数据标注。数据收集涵盖了78.5%的在线图片和21.5%的田间图片，并结合了多个开源数据集，如IP102、PlantVillage和新植物疾病数据集。为了确保数据质量，研究者们清理了收集到的开源数据集，移除了低质量图片和重复图片。此外，数据集还通过邀请农业专家进行标注，以获得准确的分类信息。
特点
GPID-22数据集是迄今为止最大、最多样化的植物病虫害数据集之一，包含了183种不同类型的病虫害和22种植物种类，共205,371张图片，分布在199个不同的类别中。数据集的样本数量和多样性使其在植物病虫害识别领域具有很高的研究价值。此外，GPID-22数据集的构建方式结合了田间摄影和在线收集，进一步增加了数据集的多样性和准确性。
使用方法
GPID-22数据集可用于训练和评估植物病虫害识别模型。为了验证数据集的质量，研究者们在IP102、Plant Village和CCD数据集上进行了实验。实验结果表明，基于GPID-22数据集训练的模型在分类任务中取得了优异的性能，超过了现有的自监督学习方法和其他监督学习方法。此外，研究者们还提出了一种名为CRE的网络架构，该架构结合了对比学习和掩码图像建模（MIM），以进一步提高模型的性能。
背景与挑战
背景概述
在农业领域，病虫害的分类识别是一个具有挑战性的问题。由于训练数据的多样性和数量直接影响深度学习模型的性能，植物病虫害数据集的发展一直滞后。为了解决这一挑战，郑乐和王瑞峰等研究人员构建了一个包含多样植物物种和病虫害类别的数据集，并提出了一个结合对比学习和掩码图像建模（MIM）的先进网络架构。该数据集是目前该领域最大和最多样化的数据集之一，其网络架构在植物病虫害识别任务中显示出有效性，实现了显著的检测精度。这一研究为快速、高效和低成本的植物病虫害检测提供了一个可行的解决方案，从而减少了农业生产成本。该研究的相关代码和数据集已在GitHub上公开，以促进植物病虫害识别领域的研究。
当前挑战
该数据集的研究背景主要涉及病虫害分类的挑战，以及构建过程中遇到的挑战。首先，深度学习模型的表现与训练数据的多样性和数量紧密相关，而植物病虫害数据集的发展相对滞后，导致数据量不足和多样性有限。其次，传统的病虫害识别方法依赖于农业专家的人工检查，成本高、劳动强度大，且易受人为错误的影响，导致分类效率低、结果不可靠。此外，传统的卷积神经网络（CNN）需要大量的训练数据，且重新训练模型耗时且成本高昂。最后，不同病虫害之间的细微差异以及不同疾病之间的重叠特征，导致识别模型的精度下降。为了解决这些问题，该研究构建了一个包含多样植物物种和病虫害类别的数据集，并提出了一个结合对比学习和掩码图像建模（MIM）的先进网络架构，以增强植物病虫害识别的准确性和可靠性，从而降低农业生产成本。
常用场景
经典使用场景
GPID-22数据集在植物病虫害识别领域具有广泛的应用。它包含了丰富的植物种类和病虫害类别，为模型训练提供了大量多样化的数据。数据集的经典使用场景包括但不限于：病虫害识别、病虫害分类、病虫害检测等。通过使用GPID-22数据集，研究者可以训练出具有高准确性和鲁棒性的模型，从而提高农业生产效率，降低农业生产成本。
衍生相关工作
GPID-22数据集的创建促进了相关领域的研究进展。基于GPID-22数据集，研究者可以开展更深入的病虫害识别、分类和检测研究，开发出更先进的模型和算法。此外，GPID-22数据集还可以为其他领域的研究提供借鉴和参考，推动相关技术的创新和发展。
数据集最近研究
最新研究方向
在农业领域，病虫害的分类识别一直是一个挑战。该研究通过构建一个综合数据集并提出一种结合了对比学习和掩码图像建模（MIM）的先进网络架构，解决了这一挑战。该数据集包含了多种植物和病虫害类别，是迄今为止该领域最大和最多样化的数据集之一。所提出的网络架构在植物病虫害识别任务中表现出色，实现了显著的检测精度。这种方法为快速、高效和低成本的植物病虫害检测提供了一个可行的解决方案，从而降低了农业生产成本。该研究为植物病虫害识别研究提供了重要的数据集和模型，推动了该领域的前沿研究方向。
相关研究论文
- 1Self-supervised transformer-based pre-training method with General Plant Infection dataset中国农业大学智能农业系统重点实验室 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
GEO (Gene Expression Omnibus)
GEO (Gene Expression Omnibus) is a public functional genomics data repository supporting MIAME-compliant data submissions. There are also tools provided to help users query and download experiments and curated gene expression profiles.
OPEN DATA NETWORK 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
MeSH
MeSH（医学主题词表）是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念，用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息，广泛应用于医学文献的分类和检索。
www.nlm.nih.gov 收录
中国行政区划数据
本项目为中国行政区划数据，包括省级、地级、县级、乡级和村级五级行政区划数据。数据来源于国家统计局，存储格式为sqlite3 db文件，支持直接使用数据库连接工具打开。
github 收录
diegopdlv5/test_dataset_0049c
该数据集主要包含音频数据，分为训练集，共有135个样本，总大小为51580253字节。下载大小为51573551字节。
hugging_face 收录