烟叶病虫害检测数据集 | 烟叶病害 无人机航拍 智慧农业 病害检测 9125期
数据集概述
本数据集专注于无人机航拍视角下的烟叶病虫害检测 ，服务于智慧农业、烟叶健康监测及农田自动巡检。数据涵盖健康与病害两类烟叶，适配病害预警、精准施药及产量评估等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 2 类：健康烟叶、病害烟叶 |
| 数量 | 1964 张图像 |
| 格式 | 图像为 JPG/PNG；标签为 YOLO 格式的 txt 文件（水平边界框），附 mydata.yaml 配置文件 |
| 数据来源 | 大疆无人机航拍，经裁剪、旋转、翻转、亮度调整等增强处理 |
| 应用价值 | 1. 病害预警 ：支撑烟田病虫害的早期自动化筛查，辅助精准施药决策。 2. 健康监测 ：通过健康与病害烟叶的分布统计，评估烟田整体健康状况。 3. 自动巡检 ：为无人机巡检系统提供视觉识别能力，实现大面积烟田快速普查。 4. 算法研发：为农业病害检测、航拍小目标识别等视觉任务提供真实场景的训练与评测数据。 |
完整类别列表（共2类）
| 序号 | 英文名称 | 中文释义 | 说明 |
|---|---|---|---|
| 0 | healthy | 健康烟叶 | 无病害症状的正常烟叶 |
| 1 | diseased | 病害烟叶 | 患有病虫害的烟叶（如花叶病、赤星病、虫蛀等） |
数据三要素解析
类别与病害覆盖
- 数据集定义 2 个核心类别：健康烟叶 与 病害烟叶，聚焦于烟叶健康状况的二元判别。
- 病害类别涵盖多种病虫害类型（花叶病、赤星病、虫蛀等），模型需学习不同病害的共性视觉特征。
- 健康类别的纳入，有助于模型学习正常烟叶的形态与颜色特征，提升病害判别的准确性。
数据规模与采集
- 图像总量约 1964 张，规模适中，适合作为烟叶病害检测任务的基准数据集或快速验证。
- 数据来源于大疆无人机航拍，贴近实际农田监测环境，图像为高清航拍画质。
- 经过裁剪、旋转、数据增强（翻转、亮度调整等）处理，提升了样本多样性与模型泛化能力。
格式与结构
- 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
- 文件结构完整：包含
images/、labels/、mydata.yaml配置文件，可直接放入 YOLO 项目目录中训练，无需转换。
知识普及：烟叶病害航拍检测的技术要点
- 小目标检测：无人机航拍视角下，单株烟叶在图像中尺寸较小，需采用高分辨率输入或多尺度特征融合策略。
- 病害视觉特征：不同病害在叶面表现各异------花叶病呈斑驳黄绿、赤星病呈褐色斑点、虫蛀呈孔洞或边缘缺损。模型需依赖颜色与纹理特征进行判别。
- 背景干扰：烟田土壤、杂草、其他作物等背景可能与烟叶混淆，建议在训练中加入相关数据增强。
- 光照变化：航拍受天气与时段影响，光照条件差异大，建议训练时加入亮度与对比度增强。
- 应用闭环：检测结果可结合GPS信息生成病害分布图，指导精准施药与田间管理，服务于智慧农业。
快速开始（代码示例）
1. 准备配置文件 (mydata.yaml)
yaml
train: ./dataset/images/train
val: ./dataset/images/val
nc: 2
names: ['healthy', 'diseased']2. 启动 YOLOv8 训练
python
from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(
data='mydata.yaml',
epochs=100,
imgsz=640,
batch=16,
device=0
)标签
烟叶病害 无人机航拍 智慧农业 病害检测 自动巡检 目标检测 YOLO格式 深度学习数据集 计算机视觉