小麦病虫害分类数据集。包健康小麦在内12个不同类型的小麦病害图片作为数据集数据集共由近7000张另有800余张小麦病虫害实例分割数据

标签：Wheat 数据小麦 image mask 病虫害病害 metadata

小麦病虫害分类数据集。包括健康小麦在内的12个不同类型的小麦病害图片作为数据集
数据集共由近7000张较为明显的小麦病害特写图构成，根据不同病害种类划分为包括健康小麦在内的12类国内常见的小麦病害，分别为：根冠腐烂（Crown and Root Rot）、叶锈病（Leaf Rust）、小麦散斑，又名小麦黑穗病（Wheat Loose Smut）、小麦白粉病（Powdery Mildew）、小麦孢囊线虫病（Wheat cyst nematode）、小麦赤霉病（Wheat scab）、小麦红蜘蛛（Wheat Red Spider）、小麦茎基腐（Wheat stalk rot）、小全蚀病（Wheat Take-all）、小麦纹枯病（wheat sharp eyespot）、小麦蚜虫病（Wheat Aphids
另有800余张小麦病虫害实例分割数据

小麦病虫害分类数据集

规模

图像数量：近7000张较为明显的小麦病害特写图
类别数量：12类，包括健康小麦在内的国内常见小麦病害
分割数据：800余张小麦病虫害实例分割数据
数据量：未提供具体数据量，但通常这类数据集可能达到数百MB到几GB。

病害种类

根冠腐烂 (Crown and Root Rot)
叶锈病 (Leaf Rust)
小麦散斑（又名小麦黑穗病）(Wheat Loose Smut)
小麦白粉病 (Powdery Mildew)
小麦孢囊线虫病 (Wheat cyst nematode)
小麦赤霉病 (Wheat scab)
小麦红蜘蛛 (Wheat Red Spider)
小麦茎基腐 (Wheat stalk rot)
小麦全蚀病 (Wheat Take-all)
小麦纹枯病 (Wheat sharp eyespot)
小麦蚜虫病 (Wheat Aphids)
健康小麦 (Healthy Wheat)

数据特点

高分辨率：所有图像均为高质量的特写图，能够提供丰富的细节信息，有助于提高分类精度。
多样化样本：涵盖了多种常见的小麦病害，每种病害都有足够的样本，确保模型能够学习到不同病害的特征。
详细标注：每张图像都附有明确的类别标签，方便进行监督学习。此外，还提供了800余张带有实例分割掩码的数据，进一步增强了数据集的实用性。
实际应用：数据集中的图像采集自实际田间环境，能够真实反映小麦病害的情况，适用于农业监测和管理。

应用场景

病害监测：自动识别和监测小麦植株上的病害，帮助农民及时采取措施防止病害扩散。
智能农业：集成到智能农业系统中，提升作物管理效率，减少人力成本。
研究与教育：用于农业科研机构的研究以及农业院校的教学，帮助学生和研究人员更好地了解小麦病害。
质量控制：在小麦收获后进行质量检查，确保产品符合市场标准。
灾害预警：通过分析病害的发展趋势，提前预警可能发生的严重病害事件。

数据集结构

假设数据集的文件结构如下：

wheat_disease_dataset/
├── images/
│   ├── crown_and_root_rot_0001.jpg
│   ├── leaf_rust_0001.jpg
│   ├── loose_smut_0001.jpg
│   ├── powdery_mildew_0001.jpg
│   ├── ...
├── masks/
│   ├── mask_crown_and_root_rot_0001.png
│   ├── mask_leaf_rust_0001.png
│   ├── ...
└── metadata.csv

metadata.csv 文件内容示例：

image_id, disease_type
crown_and_root_rot_0001, Crown and Root Rot
leaf_rust_0001, Leaf Rust
loose_smut_0001, Wheat Loose Smut
powdery_mildew_0001, Powdery Mildew
...

masks/mask_crown_and_root_rot_0001.png 示例（分割掩码）：

白色像素表示病害区域
黑色像素表示无病害区域

代码示例

下面是一个简单的Python脚本示例，展示如何加载和可视化这些数据集的一部分。我们将使用OpenCV来读取图像，并从metadata.csv文件中解析图像的元数据。

import os
import cv2
import pandas as pd

def load_wheat_data(image_dir, mask_dir, metadata_file):
    images = []
    masks = []
    metadata = pd.read_csv(metadata_file)
    
    for index, row in metadata.iterrows():
        image_id = row['image_id']
        disease_type = row['disease_type']
        
        # 加载图像
        img_path = os.path.join(image_dir, f"{image_id}.jpg")
        image = cv2.imread(img_path)
        
        # 加载对应的分割掩码
        if 'mask_' + image_id in os.listdir(mask_dir):
            mask_filename = f"mask_{image_id}.png"
            mask_path = os.path.join(mask_dir, mask_filename)
            mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)
        else:
            mask = None
        
        if image is not None:
            images.append((image, disease_type))
            masks.append(mask)
        else:
            print(f"Failed to load image: {img_path}")
    
    return images, masks, metadata

# 假设图像存储在'image'目录下，分割掩码存储在'masks'目录下，元数据文件为'metadata.csv'
image_dir = 'path_to_your_image_directory'
mask_dir = 'path_to_your_mask_directory'
metadata_file = 'path_to_your_metadata_file'

images, masks, metadata = load_wheat_data(image_dir, mask_dir, metadata_file)

# 显示第一张图像及其对应的分割掩码
img, disease_type = images[0]
mask = masks[0]

cv2.imshow('Image', img)
if mask is not None:
    cv2.imshow('Mask', mask)
cv2.setWindowTitle('Image', f'Image: {disease_type}')
cv2.waitKey(0)
cv2.destroyAllWindows()

说明

路径设置：请根据实际的数据集路径调整path_to_your_image_directory、path_to_your_mask_directory和path_to_your_metadata_file。
文件命名：假设图像文件名分别为.jpg，分割掩码文件名为mask_*.png。如果实际命名规则不同，请相应修改代码。
可视化：通过显示图像和对应的分割掩码，可以直观地看到小麦病害的区域。

进一步的应用

训练深度学习模型：可以使用这个数据集来训练卷积神经网络（CNN）或其他机器学习模型，以实现自动化的病害分类。
数据增强：为了增加数据集的多样性和鲁棒性，可以使用数据增强技术（如旋转、翻转、缩放等）生成更多的训练样本。
评估与优化：通过交叉验证和测试集评估模型性能，并不断优化模型参数，以提高分类准确率。

这个数据集对于小麦病虫害的监测和管理具有重要的实用价值，可以帮助农民和研究人员更有效地管理和预防小麦病害，从而提高产量和质量。

标签：Wheat,数据,小麦,image,mask,病虫害,病害,metadata
From： https://blog.csdn.net/ALiLiLiYa/article/details/142647716