DLCPD-25: 一个大规模和多样化的数据集用于作物疾病和害虫识别
Heng-Wei Zhang1, Rui-Feng Wang2,3, Zhengle Wang4
1College of Engineering, China Agricultural University, 17 Qinghua East Road, Haidian, Beijing 100083, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
创建了一个新的大型数据集DLCPD-25,以改进用于识别作物害虫和疾病的深度学习模型. 这种多样化的数据集有助于为全球粮食安全开发准确的农业诊断系统.
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:
- 准确识别农作物害虫和疾病对全球粮食安全至关重要.
- 现有的深度学习数据集缺乏强大的模型开发所需的规模,多样性和现实世界的复杂性.
- 当前的数据集经常使用受控条件,无法代表自然环境.
研究的目的:
- 介绍DLCPD-25,一个新的,大规模和多样化的基准数据集用于训练深度学习模型.
- 通过结合现实的环境条件和类分布来解决现有数据集的局限性.
- 促进可通用的农业诊断系统的发展.
主要方法:
- 通过整合23种作物类型和203种害虫/疾病/健康类别的221,943张图像,构建了DLCPD-25.
- 包括来自各种在线来源和广泛的现场收藏的图像.
- 利用最先进的自我监督学习模型 (MAE,SimCLR v2,MoCo v3) 进行DLCPD-25数据集的预培训.
主要成果:
- 在DLCPD-25上预训练的模型在学习的表示中表现出强的表现.
- 线性探测评估显示,SimCLR v2框架实现了72.1%的最高精度和71.3%的宏观F1得分.
- 数据集的现实复杂性,包括不受控制的现场图像和自然长尾分布,被证明是有效的.
结论:
- DLCPD-25是培训可泛化深度学习模型的有价值和具有挑战性的资源.
- 该数据集支持创建更强大,更准确的农业诊断系统.
- 这项工作促进了人工智能驱动的作物保护和粮食安全解决方案的开发.
