RoseLeafInsight:用于识别叶病的高分辨率图像数据集
Arnob Das Shacha1, Sabbir Hossain Durjoy1, Md Emon Shikder1
1Department of Computer Science and Engineering, Daffodil International University, Daffodil Smart City, Birulia, Dhaka 1216, Bangladesh.
Data in brief
|September 2, 2025
概括
这项研究引入了新的叶病数据集,以帮助农民早期发现和管理,提高作物产量并通过人工智能精确农业减少财务损失.
科学领域:
- 农业科学
- 计算机科学
- 人工智能
背景情况:
- 种植对孟加拉国经济至关重要,
- 农民教育和专家接触的限制阻碍了疾病的早期发现和干预.
- 目前面临的挑战包括农药耐药性和影响生产的自然因素.
研究的目的:
- 提供全面的叶病数据集,以加强疾病追踪,诊断和研究.
- 促进高精度机器学习模型的开发,用于早期发现的疾病.
- 通过人工智能驱动的洞察力支持精准农业,以改善作物管理.
主要方法:
- 从2024年10月到2025年1月进行大规模现场调查,以收集高质量的叶图像.
- 创建了一个由3228张图像组成的数据集:黑点,昆虫洞,黄色马赛克病毒和健康图像.
- 应用图像预处理 (3000x3000大小) 和增强技术 (旋转,翻转等) 提高数据集质量和模型通用性.
主要成果:
- 数据集包括3228张图像:409张黑点,453张昆虫洞,680张黄色马赛克病毒和1686张健康图像.
- 使用MobileNetV2进行的初步测试在分类叶疾病方面取得了96.79%的准确性.
- 这一数据集作为训练深度学习模型自动监控的基准.
结论:
- 开发的叶病数据集对于推进人工智能驱动的农业疾病检测至关重要.
- 这种资源可以创建有效的机器学习模型用于早期诊断,使农民能够及时进行干预.
- 与无人机等农业设备的整合可以提高精准农业的实时监测和决策,从而实现更智能,更高效的农场.


