爱尔兰马图像数据集用于检测早期和晚期病
1The Nelson Mandela African Institution of Science and Technology, P O Box 447, Tengeru, Arusha, Tanzania.
Data in brief
|April 25, 2025
概括
一个新的数据集,包括58,709张爱尔兰土豆叶子图像,有助于检测早期和晚期虫病. 本资源支持用于检测作物疾病的机器学习,增强撒哈拉以南非洲的粮食安全.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 马 (Solanum tuberosum) 是全球重要的作物,易患早期病 (Alternaria solani) 和晚期病 (Phytophthora infestans) 等疾病.
- 准确和早期发现疾病对于减轻作物损失和确保粮食安全至关重要,特别是在撒哈拉以南非洲等地区.
- 开发强大的机器学习模型来识别植物疾病需要大量,多样化和注释良好的图像数据集.
研究的目的:
- 创建和发布一个全面的,高质量的数据集注释爱尔兰马叶图像.
- 为了促进机器学习模型的培训和验证,用于自动检测土豆疾病.
- 支持农业技术和可持续农业实践的研究.
主要方法:
- 收集了58,709张爱尔兰土豆叶子在六个月的图像在南部高地,坦桑尼亚,使用智能手机.
- 通过在不同的照明,角度和背景下捕捉图像,确保了数据多样性,并由植物病理学家验证.
- 应用的预处理步骤包括重复删除,过,注释和元数据集成.
主要成果:
- 一个由58,709张注释图像组成的精心策划的数据集,分为健康,早期病和晚期病类别.
- 数据集被组织成不同的文件,并在Zenodo存储库上免费提供.
- 该数据集适用于机器学习应用,包括培训,转移学习和数据增强.
结论:
- 这一数据集是农业技术和植物病理学领域的研究人员和开发人员的宝贵资源.
- 它的可用性促进了早期疾病检测的进步,有助于减少作物损失和改善粮食安全.
- 数据集的区域特异性和强大的设计支持撒哈拉以南非洲可持续农业的创新.
更多相关视频
06:06Author Spotlight: A Streamlined Approach to Studying Cell Death Initiation in Hypersensitive Response
Published on: November 10, 2023
1.3K
07:36Visualizing Early Infection Sites of Rice Blast Disease Magnaporthe oryzae on Barley Hordeum vulgare Using a Basic Microscope and a Smartphone
Published on: March 17, 2023
1.5K
