RoseLeafSet:用于基于人工智能的农业解决方案的真实世界叶子图像数据集
Jarin Tasmim Jinia1, Md Sakibur Rahman1, Mayen Uddin Mojumdar1
1Department of Computer Science and Engineering, Daffodil International University, Dhaka 1216, Bangladesh.
Data in brief
|October 27, 2025
概括
这项研究引入了1万张叶图像的新数据集,以对抗植物疾病. 早期检测病,如黑斑,可以防止农业经济的重大损失.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 在全球范围内,在经济上具有重要意义,但容易受到引起大量作物损失的疾病的影响.
- 准确及时检测疾病对于减轻种植对经济影响至关重要.
- 目前用于识别病的现有方法在速度和准确性方面面临挑战.
研究的目的:
- 开发和呈现一个全面的数据集,用于训练机器学习模型,以识别叶病.
- 促进对植物疾病的自动早期检测的研究.
- 为减少农业部门的经济损失作出贡献.
主要方法:
- 收集了1万张来自孟加拉国各个地点的叶高分辨率图像.
- 将图像分为四类:健康的叶子,黑点,叶子洞和干燥的叶子.
- 使用Vivo IQOO Z9x手机进行图像采集,以确保质量和细节.
主要成果:
- 建立了一个由10,000张图像组成的多样化数据集,代表健康和生病的叶.
- 数据集包括特定疾病指标,如黑点,叶洞和干叶.
- 为开发和测试用于检测植物疾病的机器学习算法提供了宝贵的资源.
结论:
- 创建的数据集是推动自动化病检测的重要资源.
- 应用于此数据集的机器学习和图像处理技术可以改善疾病的早期识别.
- 加强疾病检测可以导致更好的作物管理和减少种植者经济损失.
