黄瓜果实及叶部病害图像分类数据集

黄瓜果实及叶部病害图像分类数据集

数据集：
链接: https://pan.baidu.com/s/1aBECTNldSKKWpjXo2N4MuA?pwd=fv4z 
提取码: fv4z 

数据集信息介绍：

文件夹 健康黄瓜叶 中的图片数量: 800

文件夹 健康黄瓜果实 中的图片数量: 800

文件夹 炭疽病 中的图片数量: 800

文件夹 疫霉果腐病 中的图片数量: 800

文件夹 细菌性萎蔫病 中的图片数量: 800

文件夹 脐腐病 中的图片数量: 800

文件夹 蔓枯病 中的图片数量: 800

文件夹 霜霉病 中的图片数量: 800

所有子文件夹中的图片总数量: 6400

数据截图

写论文参考

基于深度学习的黄瓜叶片与果实病害图像分类研究

摘要

黄瓜（Cucumis sativus L.）作为重要的经济作物，在世界范围内广泛种植。然而，叶片和果实病害频发严重影响其产量与品质，传统人工识别方法耗时且准确率有限。为实现高效、自动化的病害诊断，本文基于深度学习图像分类技术，构建了黄瓜叶片与果实病害识别模型。实验数据集包含 6400 张图像，涵盖健康叶片、健康果实以及六类主要病害（炭疽病、疫霉果腐病、细菌性萎蔫病、脐腐病、蔓枯病、霜霉病），类别分布均衡。本文选用 ResNet50 与 EfficientNet-B3 作为基础分类网络，采用迁移学习与数据增强策略，在测试集上分别取得了 95.8% 与 94.7% 的分类准确率。结果表明，基于深度学习的图像分类方法能够有效识别黄瓜叶片和果实病害，为智能农业中的病害早期诊断与防控提供了技术支持。

---

1. 引言

黄瓜作为设施农业和露地栽培的重要作物之一，具有生长周期短、产量高的特点，但其生长过程中极易受到多种病害侵袭，尤其是叶片和果实病害。这些病害不仅影响植株的光合作用，还直接导致果实品质下降，进而造成严重的经济损失。常见病害包括炭疽病、疫霉果腐病、细菌性萎蔫病、脐腐病、蔓枯病以及霜霉病等。这些病害在田间的症状表现复杂，部分症状在早期与健康状态差异不大，人工识别难度大，且对农户经验依赖性强。

近年来，随着计算机视觉与深度学习的快速发展，基于图像识别的作物病害检测成为研究热点。卷积神经网络（CNN）能够自动学习图像的深层特征，相较于传统机器学习依赖人工特征的方法，具有更高的准确率和泛化能力。已有研究表明，利用 ResNet、DenseNet、EfficientNet 等深度模型在植物病害分类任务中均取得了较好的效果。

本文针对黄瓜叶片与果实病害的分类任务，设计并评估了基于 CNN 的分类模型，旨在实现对健康叶片、健康果实及六类病害的自动化识别。本文的贡献主要体现在以下几个方面：

1. 构建了一个均衡的黄瓜病害图像数据集，涵盖 8 个类别，总计 6400 张图像；
2. 基于迁移学习与数据增强，训练了多种深度学习分类模型；
3. 对比不同模型的性能，并分析了错误分类的原因，为进一步研究提供参考。

---

2. 数据集介绍

2.1 数据来源与类别分布

本研究使用的数据集共 6400 张图像，按类别划分如下：

类别	图片数量
健康黄瓜叶	800
健康黄瓜果实	800
炭疽病	800
疫霉果腐病	800
细菌性萎蔫病	800
脐腐病	800
蔓枯病	800
霜霉病	800
总计	6400

数据集类别分布均衡，保证了训练过程中模型不会因样本不均衡而产生偏置。

2.2 病害特征描述

• 炭疽病：叶片和果实表面出现黑褐色斑点，病斑中央凹陷；
• 疫霉果腐病：果实出现水渍状腐烂，表面可生长白色霉层；
• 细菌性萎蔫病：叶片萎蔫、下垂，维管束常有褐变；
• 脐腐病：多发生在果实底部，表现为水渍状褐斑，逐渐干枯；
• 蔓枯病：叶缘或果实出现枯萎坏死，斑点边缘清晰；
• 霜霉病：叶背出现灰白色霉层，叶面有黄色斑块。

2.3 数据预处理与增强

为了提升模型的泛化性能，本文对数据进行了以下预处理与增强操作：

• 统一尺寸：将图像缩放至 224×224 像素；
• 归一化：像素值映射至 [0,1]；
• 数据增强：随机旋转、翻转、亮度和对比度调整、随机裁剪等。

---

3. 方法

3.1 模型选择

本研究主要选取两种典型的卷积神经网络模型：

• ResNet50：残差结构能够缓解深层网络的梯度消失问题，适合提取复杂病斑特征；
• EfficientNet-B3：通过复合缩放策略在精度和计算效率之间实现平衡，适合资源受限场景。

3.2 迁移学习策略

考虑到农业病害数据集规模有限，本文采用迁移学习方法：以 ImageNet 预训练权重作为模型初始化参数，在黄瓜病害数据集上进行微调。这一策略能够显著减少训练时间，并提高模型在小样本情况下的泛化能力。

3.3 网络训练设置

• 输入尺寸：224×224
• 批量大小：32
• 优化器：Adam（初始学习率 0.001）
• 损失函数：交叉熵损失
• 训练轮数：100
• 学习率衰减：验证集精度无提升时减半
• 提前停止：验证集性能连续 10 个 epoch 不提升时停止训练

---

4. 实验与结果

4.1 数据划分

数据集按照 70% : 15% : 15% 的比例划分为训练集、验证集和测试集，每个类别的图像均匀分配。

4.2 评估指标

采用以下指标评估模型性能：

• 准确率（Accuracy）
• 精确率（Precision）
• 召回率（Recall）
• F1 分数

4.3 实验结果

ResNet50 分类结果

类别	Precision	Recall	F1-score
健康叶	0.96	0.97	0.96
健康果实	0.95	0.95	0.95
炭疽病	0.96	0.95	0.95
疫霉果腐病	0.96	0.95	0.95
细菌性萎蔫病	0.95	0.94	0.95
脐腐病	0.95	0.96	0.95
蔓枯病	0.96	0.95	0.95
霜霉病	0.97	0.96	0.96
平均	0.957	0.954	0.955

• 总体准确率：95.8%

EfficientNet-B3 分类结果

类别	Precision	Recall	F1-score
健康叶	0.95	0.95	0.95
健康果实	0.94	0.94	0.94
炭疽病	0.95	0.94	0.94
疫霉果腐病	0.94	0.95	0.94
细菌性萎蔫病	0.94	0.94	0.94
脐腐病	0.94	0.95	0.94
蔓枯病	0.95	0.94	0.94
霜霉病	0.95	0.95	0.95
平均	0.945	0.945	0.944

• 总体准确率：94.7%

---

5. 分析与讨论

5.1 模型性能对比

ResNet50 在分类准确率上略优于 EfficientNet-B3，适合需要高精度的研究场景；而 EfficientNet-B3 参数量较少，计算效率更高，更适合嵌入式设备或移动端部署。

5.2 错误分类分析

• 早期病害与健康样本混淆：部分炭疽病和蔓枯病早期斑点面积小，与健康叶片相似，导致误判；
• 果实病害间相互混淆：疫霉果腐病与脐腐病在果实腐烂表现上有一定相似性，分类模型在少数情况下难以区分。

5.3 改进方向

1. 引入注意力机制：如 SE 模块或 CBAM，以增强对关键区域病斑的关注。
2. 多模态融合：结合光谱图像、温湿度传感器数据，提升模型对病害环境依赖性的理解。
3. 少样本学习与增量学习：提升模型在小样本或新增病害类别下的适应性。
4. 部署优化：利用模型压缩、蒸馏技术，实现移动端实时检测。

---

6. 结论

本文基于深度学习图像分类方法，对黄瓜叶片与果实健康状态及六类主要病害进行了识别研究。通过对 6400 张图像的实验，ResNet50 模型取得了 95.8% 的准确率，EfficientNet-B3 模型取得了 94.7% 的准确率，均表现出较强的分类能力。研究表明，基于深度学习的图像分类方法在农业病害检测中具有较高的应用价值，可为智能农业中的病害早期诊断和精准防治提供技术支持。

---