番茄叶部病害-目标检测数据集（包括VOC格式、YOLO格式）

数据集_深度学习

于 2024-08-27 23:48:48 发布

阅读量490

点赞数 6

文章标签：目标检测 YOLO 人工智能深度学习计算机视觉机器学习

本文链接：https://blog.csdn.net/DL_data_set/article/details/141615117

版权

番茄叶部病害-目标检测数据集（包括VOC格式、YOLO格式）

数据集：
链接：https://pan.baidu.com/s/1hZdoXcYEcJaw9spazrxGZg?pwd=tsaw 
提取码：tsaw

数据集信息介绍：
共有 534 张图像和一一对应的标注文件

标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

标注的对象共有以下几种：

[‘Tomato_leaf_late_blight’, ‘Tomato_leaf_bacterial_spot’, ‘Tomato_leaf_yellow_virus’， ‘Tomato_Early_blight_leaf’，‘Tomato_leaf’,‘Tomato_Septoria_leaf_spot’,‘Tomato_leaf_mosaic_virus’,‘Tomato_mold_leaf’]

标注框的数量信息如下：（标注时一般是用英文标的，括号里提供标注对象的中文作为参考）
Tomato_leaf_late_blight: 199 （番茄叶晚疫病）

Tomato_leaf_bacterial_spot: 266 （番茄叶细菌斑点病）

Tomato_leaf_yellow_virus: 221 （番茄黄叶病毒病）

Tomato_Early_blight_leaf: 126 （番茄叶早疫病）

Tomato_leaf: 647 （健康叶子）

Tomato_Septoria_leaf_spot: 285 （番茄叶斑病）

Tomato_leaf_mosaic_virus: 165（番茄叶花叶病）

Tomato_mold_leaf: 235 （番茄叶霉病）

注：一张图里可能标注了多个对象，所以标注框总数可能会大于图片的总数。

完整的数据集，包括3个文件夹和一个txt文件：

在这里插入图片描述
all_images文件：存储数据集的图片，截图如下：

图片大小信息：

all_txt文件夹和classes.txt: 存储yolo格式的txt标注文件，数量和图像一样，每个标注文件一一对应。

如何详细的看yolo格式的标准文件，请自己百度了解，简单来说，序号0表示的对象是classes.txt中数组0号位置的名称。

all_xml文件：VOC格式的xml标注文件。数量和图像一样，每个标注文件一一对应。
在这里插入图片描述
标注结果：

如何详细的看VOC格式的标准文件，请自己百度了解。
两种格式的标注都是可以使用的，选择其中一种即可。
——————————————————————————————————————

写论文参考

题目：番茄叶部病害目标检测数据集在农业信息化与深度学习中的应用研究
摘要
番茄是全球广泛种植的蔬菜作物，其产量和品质直接影响到农业经济和食品安全。番茄叶部病害是影响番茄生产的重要问题，传统的病害检测方法依赖人工观察，效率低且误差大。随着农业信息化的发展和深度学习技术的进步，基于目标检测的自动化病害识别和分类系统为番茄病害的早期发现和控制提供了新的可能性。本文研究了番茄叶部病害目标检测数据集在农业信息化和深度学习中的应用，旨在提高病害检测的准确性和效率，推动农业智能化和现代化的发展。

关键词
番茄叶部病害、目标检测、农业信息化、深度学习、智能农业

引言
1.1 研究背景
番茄作为全球重要的经济作物，其生产过程中的病害问题一直是影响产量和质量的主要因素之一。番茄叶部病害如早疫病、晚疫病和白粉病等，严重威胁番茄的生长，传统的病害检测方法通常依赖于经验丰富的农业专家进行肉眼识别，不仅耗时且容易产生主观误差。

1.2 研究目的
本文旨在探讨利用番茄叶部病害目标检测数据集，结合农业信息化与深度学习技术，实现病害的高效、准确检测，为番茄病害的智能防治提供技术支持。

1.3 研究意义
农业信息化和深度学习技术的结合，有助于实现番茄病害检测的自动化和智能化，不仅能提高检测效率，还能为病害防治提供科学依据，从而减少农药使用，保障农产品的安全性和可持续性。

文献综述
2.1 农业信息化的现状与发展
农业信息化是通过现代信息技术提升农业生产、管理和服务效率的过程。近年来，农业信息化在作物监测、精准施肥和病虫害防治等领域发挥了重要作用，极大地促进了农业生产的智能化和现代化。

2.2 深度学习在作物病害检测中的应用
深度学习，特别是卷积神经网络（CNN），在图像识别和目标检测领域展现了强大的性能。在农业中，深度学习被广泛应用于作物病害检测，能够从大量农作物图像中自动识别和分类病害，显著提高了检测精度和效率。

2.3 番茄叶部病害检测研究现状
目前，番茄叶部病害检测主要基于传统的图像处理技术和机器学习方法，这些方法在应对复杂病害特征和大规模数据时存在一定的局限性。随着深度学习技术的引入，番茄病害检测的自动化水平得到了显著提升，但仍有进一步优化和应用的空间。

研究方法
3.1 数据集的构建与处理
本研究使用一个包含多种番茄叶部病害图像的数据集，数据集中包括了不同病害类型、不同发展阶段和多种环境条件下的番茄叶部图像。
结果与讨论
4.1 实验结果分析
详细分析实验结果，包括模型在不同番茄叶部病害检测任务中的表现，展示各类病害的检测精度、模型推理时间和资源占用情况。通过对比分析不同模型的优缺点，探讨其在实际生产中的应用潜力。

4.2 结果讨论
基于实验结果，讨论模型在番茄叶部病害检测中的优势和不足，提出可能的改进方向，如多模态数据融合、实时检测系统开发等。同时，探讨该研究在其他作物病害检测中的推广应用价值。