Advertisement

精选常见植物的叶片病害数据集，已进行数据增强处理

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本数据集包含多种常见植物叶片病害图像，并经过数据增强处理以提高模型训练效果，适用于植物病理学研究与智能监测系统开发。 植物病害数据集精心筛选了26种常见植物，包括玉米、番茄、土豆和柑橘等，并进行了数据增强处理。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 精选常见植物的叶片病害数据集，已进行数据增强处理
    优质
    本数据集包含多种常见植物叶片病害图像，并经过数据增强处理以提高模型训练效果，适用于植物病理学研究与智能监测系统开发。 植物病害数据集精心筛选了26种常见植物，包括玉米、番茄、土豆和柑橘等，并进行了数据增强处理。
     
  • 番茄叶病害数据集-植物病害
    优质
    番茄叶病害数据集专注于收集和分析影响番茄叶片的各种病害图像资料，旨在促进植物病理学研究及智能诊断技术的发展。 番茄叶片病害数据集包含了有关番茄叶片各种病害的详细记录和分析。
     
  • 十种常见水果作物叶片病害的数据集
    优质
    本数据集包含十种常见水果作物叶片病害的详细信息与图像样本，旨在为农业科研人员及机器学习从业者提供宝贵的资源，助力于农作物健康监测和智能诊断技术的发展。 常见10类水果作物叶片病害数据集包含256x256像素的彩色图像。利用Keras图像增强技术随机改变这些原始图片属性以生成更多训练样本，每种类型的水果作物有4到5种不同的疾病类型，每个疾病的图片数量在100至500张之间不等。
     
  • 10种常见水果作物叶片病害的数据集.7z
    优质
    该数据集包含十种常见水果作物叶片病害的图像资料，为研究与识别果园植物疾病提供重要参考。 这个数据集为研究和分析10种常见水果作物叶片病害提供了丰富的资源。每个类别包括256x256的彩色图像，并涵盖每类作物所遭受的4到5种不同疾病。通过该数据集，研究人员与开发者能够深入探讨这些病害的特点、分布情况及防治方法。 为了增强数据集的多样性和可靠性，研究者使用了Keras图像增强技术对原始图片进行随机变换处理，扩大了训练样本的数量和多样性，并增强了模型在实际应用中的泛化能力。每个类别的疾病图像数量从100张到500张不等，为大规模数据分析与实验提供了可能。 这些高分辨率的彩色图像是清晰展示病害细节的关键工具，有助于研究人员更好地理解并诊断不同阶段及类型的植物病害特征。
     
  • 茶叶七种常见病害的数据集
    优质
    本数据集涵盖了茶叶生长过程中常见的七种病害信息，旨在为科研人员和农业专家提供研究资料，助力于病害识别与防治技术的发展。 茶叶7种常见病害数据集包括红叶斑病、藻叶斑病、鸟眼病；灰色枯萎；白色现货；炭疽病；棕色的枯萎。此外，该数据集还包含一类健康茶叶样本。每个类别都含有超过100张图像。
     
  • 关于40种植物叶片病虫害的数据集
    优质
    本数据集收录了40种植物叶片遭受病虫害的图像样本，旨在为研究和识别植物病虫害提供可靠的数据支持。 40种植物叶片病虫害数据集收集了40种植物叶片的病虫害特征图片，用于建立和训练深度学习模型。
     
  • 植物叶片病害的数据集 包含超过4500张图片
    优质
    本数据集收录了超过4500张植物叶片病害图像，旨在为研究和识别各种叶部疾病提供丰富的视觉资料。 植物叶片病害数据集包含4500多张图片。
     
  • 植物叶子病虫害的深度学习数据集
    优质
    本数据集旨在利用深度学习技术识别和分类植物叶片上的病虫害问题，通过大量图像训练模型以提高农业监测效率与准确性。 本数据集包含以下类别：Black gram_healthy、Black gram_leaf spot、Dolicos bean_cercospora leaf spot、Dolicos bean_healthy、Ground nut_healthy、Ground nut_tikka leaf spot、millet_healthy、millet_rust、tomato_early blight和tomato_healthy。该数据集适用于植物病虫害识别，包含大约2700张照片，并以YOLOv5格式存储且已经区分了训练集和验证集。
     
  • 手标葡萄叶片病害数据集
    优质
    手标葡萄叶片病害数据集包含大量标注清晰的葡萄叶图像，旨在为研究与识别葡萄常见的几种主要病害提供全面的数据支持。 我国是世界上最大的葡萄生产国和消费国之一，葡萄产业已经成为许多地区脱贫致富的重要支柱产业。然而，葡萄病害对果实的品质及产量造成严重影响，因此快速且精准地识别不同类型的病害以及评估其严重程度对于增产增收至关重要。 为了应对这一挑战，在plant_village数据集的基础上进行了标注，并使用VOC格式进行扩充，建立了专门用于目标检测的葡萄叶片病害数据集。通过应用数据增强技术对收集到的样本图片进行处理和扩展，进一步丰富了该数据库的内容。 传统的农业生产方式依赖于人工识别、诊断并作出决策，这种方式效率低下且劳动成本高昂。因此迫切需要实现智能化诊断来提高工作效率，并降低人力成本。作为信息技术的重要组成部分之一，人工智能技术为推动农业信息化及智能化提供了有力支持。 随着深度学习等先进技术的迅速发展，在农作物病虫害识别、检测、分割与计数等方面已经取得了一系列研究成果，这有助于精准防控病虫害的发生和发展，减少经济损失并促进生物育种工作的发展。