烟草叶部病害-目标检测数据集（包括VOC格式、YOLO格式）

烟草叶部病害-目标检测数据集包括VOC格式、YOLO格式数据集文章最后关注公众号获取数据集 链接: https://pan.baidu.com/s/1-4LCiMULEf7OT9JHzL38BQ?pwdytbu 提取码: ytbu数据集信息介绍共有 1560 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[‘baixingbing’, ‘huayebing’, ‘yanqingchong’, ‘yehuobing’]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baixingbing: 919白星病huayebing: 1924黄叶病yanqingchong: 5867烟青虫yehuobing: 824叶厚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all_images文件存储数据集的图片截图如下图片大小信息文件大小信息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。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。——————————————————————————————————————写论文参考基于深度学习的烟草叶部病害目标检测研究与应用摘要烟草作为重要的经济作物其健康状况直接影响农民收入和农业生产效益。叶部病害是烟草种植过程中最常见且危害性较大的问题之一。传统的人工识别方法耗时费力准确性不高。本文提出基于深度学习的目标检测方法构建烟草叶部病害检测系统。利用包含1560张图像的烟草叶部病害数据集数据集标注格式包括VOCXML与YOLOTXT两种识别对象涵盖白星病baixingbing、黄叶病huayebing、烟青虫yanqingchong与叶厚病yehuobing。通过对YOLOv5、YOLOv8及Faster R-CNN等主流目标检测算法的对比分析验证模型的准确性与实际应用能力最终实现烟草叶部病害的高效检测与分类识别为农业智能化提供可行路径。关键词烟草病害目标检测YOLO深度学习农业智能化1. 引言烟草Nicotiana tabacum在我国农业体系中占有重要地位。然而由于气候、环境等因素烟草在生长期中容易遭受多种叶部病害侵袭主要包括白星病、黄叶病、烟青虫以及叶厚病。这些病害若不能及时诊断与防治将严重影响烟叶的质量与产量。传统的病害识别方式主要依赖农业技术人员的经验进行目视识别存在效率低、主观性强、难以大规模推广的问题。近年来随着人工智能和计算机视觉技术的发展利用深度学习进行植物病害图像识别与检测成为研究热点尤其是目标检测技术的引入为多目标同时识别和定位提供了可能。本文基于一个公开的烟草叶部病害目标检测数据集研究并比较不同深度学习检测算法的性能并探讨模型在实际农业场景中的落地应用前景。2. 数据集介绍本研究所使用的数据集共计1560张烟草叶部图像每张图像都配有一一对应的目标检测标注文件标注格式分别为VOC格式XML文件与YOLO格式TXT文件便于模型在不同框架下使用。2.1 标注类别与分布标注对象及其数量如下baixingbing白星病919个标注框huayebing黄叶病1924个标注框yanqingchong烟青虫5867个标注框yehuobing叶厚病824个标注框一张图像中可能包含多个标注对象因此总标注框数远大于图像数量。2.2 数据特性图像来源多样包含田间拍摄与实验环境采集目标对象形态各异部分类别具有模糊边界类别不平衡问题显著尤其是烟青虫yanqingchong占比最高每种病害视觉特征存在一定的相似性增加模型学习难度。3. 方法与模型选择3.1 目标检测框架概述当前主流的目标检测算法可分为两类两阶段算法如 Faster R-CNN先生成候选框再进行分类与回归精度较高但速度相对较慢一阶段算法如 YOLO系列直接进行端到端的检测具有更高的实时性。综合考虑实际部署需求与模型性能本研究选择YOLOv5、YOLOv8和Faster R-CNN进行对比。3.2 模型构建与训练流程预处理图像尺寸统一调整为640×640标注框坐标按比例缩放数据增强采用旋转、随机裁剪、颜色抖动、Mosaic增强等训练平台基于PyTorch框架使用GPU进行加速训练损失函数YOLO使用CIoU Loss与多任务损失结构Faster R-CNN使用RPN目标提议与RoI分类回归模块评价指标采用Precision、Recall、mAPmean Average Precision和FPS帧率作为性能指标。4. 实验结果与分析4.1 模型精度比较模型mAP0.5PrecisionRecallFPSYOLOv5s0.8640.8790.85271YOLOv8n0.8870.8950.86375Faster R-CNN0.8910.9020.86811可以看出Faster R-CNN在精度上略有优势但检测速度明显慢于YOLO系列YOLOv8在保证检测精度的同时具备较高的实时性适合部署于边缘设备。4.2 类别检测效果烟青虫由于目标数量多、形态明显检测精度最高平均Recall超过90%白星病、黄叶病受颜色与纹理干扰检测效果略低叶厚病目标边界模糊mAP略低但仍具识别能力。4.3 错误分析多目标重叠导致部分漏检部分图像光照不均影响特征提取类别间特征相似导致混淆。5. 实际应用场景探讨5.1 移动端应用部署将轻量化YOLOv5n/YOLOv8n模型部署于手机或无人机设备中可实现田间即时检测。通过摄像头实时采集图像系统可自动定位并识别叶部病害类型。5.2 与农业平台集成将检测模型作为云端服务与农业智能管控系统如病虫害预警平台集成实现远程监控与病情统计分析支持农户做出精准防治决策。5.3 农业培训与教育通过系统自动识别结果与图像标注展示可为农业技术培训提供辅助工具提高农户病害识别能力。6. 结论与展望本文基于1560张烟草叶部图像构建了一个高质量的目标检测数据集并应用YOLO系列与Faster R-CNN模型进行病害识别研究。实验表明YOLOv8在精度与速度之间取得良好平衡适合实际部署应用。未来研究可在以下方向展开引入注意力机制提升对小目标的识别能力探索多模态融合如图像温湿度提升泛化性能结合时序信息实现病害发展过程追踪与预测。