一个全面的图像数据集用于识别叶疾病和计算机视觉应用程序的识别
A K M Fazlul Kobir Siam1, Prayma Bishshash1, Md Asraful Sharker Nirob1
1Department of CSE, Daffodil International University, Bangladesh.
Data in brief
|January 15, 2025
概括
一个新的叶病数据集,包含10,354张图像,有助于农业研究. 在此数据集上训练的机器学习模型实现了早期疾病检测的高准确性,支持可持续的种植.
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:
- 准确的叶病鉴定对于作物产量和质量至关重要.
- 现有的数据集可能缺乏强大的机器学习模型培训的多样性和规模.
- 开发有效的疾病管理策略需要全面的视觉数据.
研究的目的:
- 创建一个庞大,多样化,并对叶疾病进行了充分注释的数据集.
- 为了评估机器学习模型对叶疾病分类的性能.
- 为未来农业疾病检测研究提供基准.
主要方法:
- 收集了1354张叶的原始图像,使用各种技术增加到9000张图像.
- 将所有图像标准化为800x800像素分辨率.
- 使用了DenseNet-121架构,对80%的数据集进行训练,对20%进行验证.
主要成果:
- 数据集包括九个类别:炭菌,细菌病,类病,卷曲病毒,缺陷叶,干叶,健康叶,灰菌和蜘蛛.
- 一个DenseNet-121模型实现了98.56%的精度与数据增强和96.19%没有.
- 该模型在30个时代内训练了32个批量大小的模型.
结论:
- 开发的数据集是培训机器学习模型的宝贵资源,用于早期检测叶病.
- 这些发现证明了数据增强在改善模型性能方面的有效性.
- 这项工作通过改善疾病管理干预措施,为可持续的种植做出了贡献.
