来自孟加拉国香料田的黄植物叶病智能手机图像数据集
Jubaer Ahmed1, Md Riyad Hossain1, Raiyan Gani1
1Department of Computer Science and Engineering, East West University, Aftabnagar, Dhaka, Bangladesh.
Data in brief
|November 11, 2025
概括
早期发现黄作物疾病对于产量和质量至关重要. 这项研究开发了一个使用深度学习模型的自动化系统,在疾病识别方面达到97%以上的准确性,帮助农民和粮食安全.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 叶病严重影响黄作物的产量和质量.
- 手动检测疾病对农民来说是耗时且不可靠的.
- 需要自动化的疾病识别系统,以便早期和准确的诊断.
研究的目的:
- 开发一套全面的黄叶图像数据集,用于疾病识别.
- 实施和评估深度学习模型,以准确地对黄疾病进行分类.
- 通过智能疾病检测技术提高农业生产率和粮食安全.
主要方法:
- 创建了一个由865个原始和3496个增强的黄叶图像 (健康和生病) 的数据集.
- 四个疾病类别 (虫攻击,斑点,叶子斑,健康) 被包含在高质量,多样化的数据中.
- 深度学习模型,EfficientNetB7和ResNet152,用于图像分类.
主要成果:
- 在疾病分类方面,EfficientNetB7的准确率达到了98.67%.
- 在疾病分类方面,ResNet152实现了97.87%的准确性.
- 开发的系统能够准确有效地识别黄作物疾病.
结论:
- 这项研究表明,深度学习对于自动检测黄病的有效性.
- 使用这项技术早期识别疾病可以显著减少作物损失.
- 这项研究支持可扩展,负担得起的疾病检测,以提高农业可持续性和粮食安全.


