BDPapayaLeaf:用于疾病检测,分类和分析的叶数据集

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 番茄种植对孟加拉国农业至关重要,但疾病显著降低了产量和质量,造成经济损失.
• 准确,国家特定的数据集对于开发有效的计算机辅助疾病诊断和机器学习 (ML) 模型至关重要.
• 现有研究强调了ML在检测和分类植物疾病方面的潜力,以提高农业生产率.

研究的目的:

• 为了创建一个全面的,国家特定的数据集的叶图像,用于疾病诊断.
• 为数据科学家开发ML模型用于病检测和分类提供宝贵的资源.
• 促进机器学习模型融入人工智能设备和应用程序,以便在实际农业中使用.

主要方法:

• 收集了来自孟加拉国达卡的2,159张原始叶图像的数据集.
• 数据集包括五个类别:健康,,细菌斑点,卷曲和环斑点.
• 获得了每个类的210个注释图像,包括各种ML应用的整体和注释图像类型.

主要成果:

• 成功编制了一套新的数据集,包括2159张代表健康和四个常见疾病类别的叶图像.
• 数据集包括原始和注释图像,为各种计算机视觉任务提供灵活性,如疾病检测和语义细分.
• 本资源是为使用卷积神经网络 (CNN),你只看一次 (YOLO),U-Net,Mask R-CNN和单击检测 (SSD) 的应用程序量身打造的.

结论:

• 开发的数据集对病研究做出了重大贡献,特别是在与孟加拉国类似气候的地区.
• 它可以开发和验证先进的ML模型,用于自动识别病,提高作物生产率.
• 该数据集支持为农民创建实用的AI驱动工具,帮助及时管理疾病并减少经济损失.