蘑菇品种识别及可食用检测-目标检测数据集

原创

已于 2025-12-15 16:50:05 修改 · 1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #人工智能 #计算机视觉 #yolo #YOLO #python

于 2025-09-29 11:25:30 首次发布

蘑菇品种识别及可食用检测-目标检测数据集

链接: https://pan.baidu.com/s/1FiFMrfivL7oGxG3hV9Y57g?pwd=7b6p 
提取码: 7b6p

数据集信息介绍：

共有 5386张图像和一一对应的标注文件
标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

标注的对象共有以下11种：

[‘AgaricusBisporusT’, ‘Agrocybe_Aegerita_T’, ‘Amanita_Citrina_F’, ‘Amanita_Hemibapha_F’, ‘Amanita_Javanica_F’, ‘Amanita_Pantherina_F’, ‘Boletus_T’, ‘Cantharellus_Cibarius_T’, ‘Dictyophora_Indusiate_T’, ‘Lentinus_Edodes_T’, ‘Russula_Emetica_F’]

标注框的数量信息如下：（标注时一般是用英文标的，括号里提供标注对象的中文作为参考）

Agaricus_Bisporus_T: 521（白蘑菇_可食用）

Agrocybe_Aegerita_T: 197（黑木耳_可食用）

Amanita_Citrina_F: 816（黄毒蝇鹅膏菌_不可食用）

Amanita_Hemibapha_F: 800（半红鹅膏菌_不可食用）

Amanita_Javanica_F: 1166（爪哇鹅膏菌_不可食用）

Amanita_Pantherina_F: 1017（豹斑毒鹅膏菌_不可食用）

Boletus_T: 1353（牛肝菌_可食用）

Cantharellus_Cibarius_T: 1317（鸡油菌_可食用）

Dictyophora_Indusiate_T: 1275（竹荪_可食用）

Lentinus_Edodes_T: 2690（香菇_可食用）

RussulaEmeticaF: 949（呕吐红菇_不可食用）

注：一张图里可能标注了多个对象，所以标注框总数可能会大于图片的总数。
在这里插入图片描述

all_images文件：存储数据集的图片，截图如下：
在这里插入图片描述
all_txt文件夹和classes.txt: 存储yolo格式的txt标注文件，数量和图像一样，每个标注文件一一对应。

如何详细的看yolo格式的标准文件，请自己百度了解，简单来说，序号0表示的对象是classes.txt中数组0号位置的名称。

all_xml文件：VOC格式的xml标注文件。数量和图像一样，每个标注文件一一对应。
在这里插入图片描述
标注结果：

如何详细的看VOC格式的标准文件，请自己百度了解。
两种格式的标注都是可以使用的，选择其中一种即可。
——————————————————————————————————————

写论文参考

基于改进YOLOv8的野生蘑菇多目标检测与可食用性智能鉴别研究

摘要

针对野外蘑菇采摘过程中因误食毒蘑菇而引发的食品安全事故频发问题，传统依赖经验的鉴别方式存在高风险与低效率的弊端。本文旨在开发一种基于深度学习的自动化视觉检测系统，以实现对野生蘑菇的精准品种识别及其可食用性判别。本研究构建了一个大规模、高质量的自有蘑菇图像数据集，包含5386张在复杂自然场景下拍摄的图像，并提供了VOC与YOLO两种格式的精细标注，涵盖11类常见蘑菇品种（其中7类可食用，4类不可食用），共计11307个标注实例。基于此数据集，我们采用当前先进的目标检测架构YOLOv8，并针对蘑菇目标尺寸多变、背景复杂等特点，引入CBAM（Convolutional Block Attention Module）注意力机制以增强模型对关键特征的提取能力，同时利用迁移学习策略进行模型微调。实验结果表明，本研究所提出的改进型YOLOv8模型在测试集上取得了卓越的性能，平均精度均值（mAP@0.5）达到92.7%，对毒蘑菇类别的检测召回率（Recall）尤为突出，平均超过90%。该系统能够快速、准确地定位图像中的蘑菇并同时给出品种与可食用性判断，为开发面向公众的蘑菇安全鉴别移动应用提供了坚实的技术基础，在食品安全与公共卫生领域具有重要的应用价值。

关键词：蘑菇识别；可食用性检测；目标检测；YOLOv8；注意力机制；深度学习；食品安全

1. 引言

蘑菇作为一种重要的食用菌和药用菌，在全球范围内被广泛采集与消费。然而，自然界中存在大量形态与可食用蘑菇相似的有毒菌类，每年因误采误食毒蘑菇导致的中毒事件乃至死亡案例屡见不鲜。据统计，在我国，蘑菇中毒是食品安全事件中最主要的致死原因之一。目前，蘑菇的鉴别主要依赖于专业植物学家的形态学知识，这对于普通公众而言门槛极高，且主观性强，极易出错。

随着计算机视觉与深度学习技术的飞速发展，尤其是目标检测算法在精度和速度上的显著提升，为基于图像的自动化物体识别与分类提供了全新的解决方案。将此类技术应用于蘑菇鉴别，有望开发出能够辅助甚至替代部分人工鉴别的智能工具，对于预防蘑菇中毒、保障公众生命安全具有重大意义。

现有的研究多集中于利用图像分类模型对单一、背景干净的蘑菇进行识别，但在实际野外场景中，蘑菇常与落叶、泥土、杂草等共存，且图像中可能同时出现多个不同品种的蘑菇。单纯分类模型无法提供蘑菇的具体位置信息，也难以处理多目标共存的情况。因此，采用能够同时完成定位与识别的目标检测技术，更符合实际应用需求。

本研究的主要贡献如下：

构建了一个大规模、高质量、包含11个常见蘑菇品种（并标注其可食用性）的目标检测数据集，为相关领域的研究提供了宝贵资源。
将先进的YOLOv8目标检测模型应用于蘑菇检测任务，并针对蘑菇目标的特性，集成了CBAM注意力机制以提升模型在复杂背景下的特征分辨能力。
设计并实现了一个端到端的解决方案，能够从输入图像中直接输出蘑菇的边界框、品种名称及可食用性判断，进行了充分的消融实验与对比实验，验证了所提方法的有效性与优越性。

2. 相关工作

2.1 目标检测算法发展

目标检测是计算机视觉的核心任务之一，其发展历程主要经历了从传统的基于手工特征的方法（如SIFT, HOG）到现代的基于深度学习的方法的演变。深度学习方法主要分为两大流派：两阶段（Two-Stage）检测算法和单阶段（Single-Stage）检测算法。

两阶段算法以R-CNN系列（R-CNN, Fast R-CNN, Faster R-CNN）为代表，首先生成候选区域（Region Proposals），然后对每个候选区域进行分类与回归。这类算法精度高，但速度相对较慢。单阶段算法以YOLO（You Only Look Once）系列和SSD（Single Shot MultiBox Detector）为代表，将目标检测视为一个回归问题，直接在图像上预测边界框和类别概率，实现了速度与精度的良好平衡。YOLO系列从YOLOv1发展到最新的YOLOv8，在网络结构、损失函数、训练策略等方面持续优化，已成为工业界和学术界的主流选择。