索伊网:用于叶病分类的高分辨率印度大豆图像数据集
Arpan Singh Rajput1, Shailja Shukla2, S S Thakur3
1Department of Electronics and Communication, Jabalpur Engineering College, Jabalpur, M.P., India.
Data in brief
|August 14, 2023
概括
研究人员开发了SoyNet,这是一个高质量的图像数据集,用于识别大豆疾病. 这一全面的数据集有助于培训和验证模型,以准确分类健康和生病的大豆叶.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确识别大豆疾病对于作物管理至关重要.
- 现有的数据集可能缺乏强大的模型培训所需的质量和多样性.
- 高质量的图像数据对于开发有效的大豆疾病分类系统至关重要.
研究的目的:
- 推出SoyNet,这是一个新的,高质量的数据集,用于大豆叶疾病研究.
- 为培训,测试和验证用于大豆疾病分类的机器学习模型提供全面的资源.
- 解决需要从大豆种植田获得多样化和现实的图像数据的需求.
主要方法:
- 策划了9000多张健康和生病的大豆叶子的高质量图像.
- 在农田中从各种角度,照明条件和背景捕捉到的图像.
- 将数据组织成原始和预处理的文件 (256x256,灰度尺寸).
主要成果:
- 索亚网数据集提供了多样化的大豆叶图像集合.
- 包括健康和生病的叶子图像,在现实世界中条件下捕获.
- 为简化模型开发提供预处理版本.
结论:
- 豆网数据集是促进大豆疾病分类研究的宝贵资源.
- 促进开发和验证更准确,更可靠的农业人工智能模型.
- 通过增强的计算分析支持改进的疾病管理策略.
关键词:
人工智能的人工智能是人工智能.深度学习是一种深度学习.疾病的分类疾病的分类.机器学习 机器学习豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆豆更多相关视频
08:14LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
28.5K
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
3.0K
