最新的农业相关数据集

原创 已于 2023-12-04 21:14:36 修改
· 2.6k 阅读 · 21 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#目标跟踪 #人工智能 #计算机视觉

于 2023-12-04 21:03:30 首次发布

         发现农业领域的数据集越来越多了，近期有几个超高质量的农业昆虫、杂草相关的数据集，大多数数据集上还没有研究工作，可抓紧占坑！

昆虫目标检测数据集

        昆虫目标检测的数据集（Published December 4, 2022）。由29960张带注释的昆虫图像组成，共有9个类别。10台相机固定角度拍摄。

    训练集和验证集包含9

最低0.47元/天 解锁文章
农业方面数据集汇总（部分，包含Plant Village数据集获取链接）
qq_44942936的博客
10-17 1万+
农作物(crop)和水果(fruit)的图像检测与分割, 目前找到的数据集以及相应说明:(https://www.jianshu.com/p/c6e25e350a2e) 一、ACFR Orchard Fruit Dataset ACFR Orchard Fruit Dataset数据集来自澳大利亚悉尼大学和 Australian Centre for Field Robotics (澳大利亚野外机器人技术中心), 数据集含苹果, 芒果和杏, 标注格式为沿着水果的矩形标注框(芒果和杏)以及圆形标注框(苹果).
农业领域数据集.zip
06-23
农业领域数据集.zip 农业领域数据，支持知识挖掘、知识图谱构建等研究工作使用。
全球首套10米分辨率全球梯田分布图
国科大硕士在读，分享Python/GEE/Matlab/R专业代码实践，涵盖数据分析、算法开发与应用技巧等，以代码会友。
05-02 1316
梯田农业在山区发挥着至关重要的作用，可以防止水土流失，优化土地利用，并支持当地生态系统。然而，由于缺乏统一的自动识别模型，对梯田全球分布的研究有限。尽管近年来深度学习架构发展迅速，但它们在提取梯田地图方面的表现仍需进一步研究。为了解决这一局限性，本研究比较了八种最先进的深度学习模型的性能，包括 UNet、HRNet、DeepLabv3+、TransUNet、Segmenter、PVT v2、Swin-Unet 和 PerSAM。
农作物、农业相关的数据集合
weixin_55694092的博客
02-04 1494
RiceSeedlingDataset：用于水稻目标检测，水稻幼苗分类。
公开数据集合：农作物、农业相关的数据集合
热门推荐
TSINGHUAJOKING
04-03 2万+
01公开数据集合01公开数据集合提取码：woqh链接：提取码：7o03链接：提取码：lpa5。
农业水果蔬菜高光谱数据集
猫脸码客的博客
10-15 1951
高光谱成像技术通过获取目标物体在连续光谱范围内的反射、透射或发射信息，能够提供丰富的物质成分和结构信息，为农产品的品质检测、病虫害诊断、生长监测等提供了强有力的技术支撑。此外，由于WHU-Hi-HanChuan数据集是在下午太阳高度角较低时采集的，因此图像中有很多阴影覆盖区域，这为研究阴影对高光谱成像技术的影响提供了宝贵的数据支持。此外，无人机搭载的高光谱图像空间分辨率约为0.043米，为精细化的农业遥感监测提供了更高的分辨率和更准确的信息。同时，也需要注意到在应用过程中可能面临的挑战和问题。
搜集到的一些农业相关的数据
大头客的专栏
02-19 1429
河北、河南、黑龙江、吉林、辽宁、湖北、湖南、江苏、江   西、内蒙古、山东、四川、安徽等13个粮食主产区     我国粮食主产区主要包括我国东北的辽宁、吉林、黑龙江3省、黄淮海的河北、山东、河南3省及长江中下游流域的江苏、安徽、江西、湖南、湖北5省共三区、11个省 http://www.chinariceinfo.com/news/keyan/20060222/3397.asp...
农业数据集：整理的农作物数据和土壤数据
2301_76444133的博客
03-16 935
覆盖气象、水文、农业、社会经济等多领域丰富数据、工具素材资源，助力开发者快速解决各领域问题，包括温度、降水量、湿度、霜天数、云量和潜在的蒸腾作用等月度数据。提供整合数据库、元数据数据集、土壤资源数据库、土壤肥力数据库、土壤生物数据库、典型地域土壤数据库、重大项目专题数据库等土壤数据。提供中国及世界作物种植数据（2000-2021年），包括小麦、玉米、水稻、油菜籽等作物的种植分布、物候、种植制度、灌溉等数据。提供2020年农田作物种类与产值数据集，包含作物类别、作物名称、播种量、播种面积、单产、产值等信息。
农业数据集.zip农业数据集.zip
04-14
农业数据集通常是指包含各种与农业生产相关的信息和数据的集合。这些数据可以包括作物产量、种植面积、天气情况、土壤类型、灌溉系统、农业机械使用情况、肥料使用量、农业政策、市场价格以及农业劳动力等。通过对...
全球粮食和农业统计数据集
02-18
全球粮食和农业统计数据集 数据说明： 粮农统计数据库提供了超过300万份与粮食和农业有关的时间序列和横截面数据。完整的粮农组织数据可以在大的zip文件中找到，而在顶层的CSv文件中有一个(有点过时的)粮农组织统计...
农业害虫幼虫检测数据集.zip
最新发布
05-08
农业害虫幼虫检测数据集 一、基础信息 数据集名称：农业害虫幼虫检测数据集 数据量分布： - 训练集：5,665张图像 - 验证集：540张图像 - 测试集：270张图像 分类类别： - larvae（害虫幼虫）：农业场景中的幼虫目标...
农业数据可视化数据库sql文件
10-08
农业数据可视化数据库sql文件
agridat:农业数据集
05-09
阿格里达 主页： ： 仓库： : agridat软件包提供了来自农业实验的大量数据集。 数据集来自与农业有关的书籍，论文和网站。 包括示例图形和分析。 数据来自小规模试验，多环境试验，均匀性试验，产量监测仪等。 主要特征： 详尽的文档。 （几乎）每个数据集的示例。 安装 # Install the released version from CRAN: install.packages( " agridat " ) # Install the development version from GitHub: install.packages( " devtools " ) devtools :: install_github( " kwstat/agridat " ) 用法 library( agridat ) ? agridat # list all dataset
2021.5-2022.6农产品价格数据集（肉类、水果、水产品数据集）
05-02
从2020年6月到2022年5月期间，国内农产品的逐月全国平均批发价格数据。 涉及到的农产品包含5种畜禽产品、5种水果、7种水产品 数据文件包含的字段： year_month：月份 product：产品名称 price：价格，单位为元/千克 category：产品品类
农作物分类数据集.zip
02-06
依据开源数据标注、整理所得数据集。辛苦标注的数据希望对你有帮助
Agriculture-Vision:[CVPR 2020和2021]农业视觉数据集，获奖挑战赛和研讨会
05-15
农业视野 农业愿景数据集，挑战和研讨会（CVPR 2020） 与许多伟大的合作者共同努力，将农业和计算机视觉/人工智能社区联合起来，造福人类！ 更新： 第二届“农业视野奖”挑战赛，新的截止日期是2021年6月5日。总奖金：20,000美元。 内容 纸轨 录用论文 接受海报 文件： CVPR关于农业远景的文件ArXiv ， CVPR 2020开放访问 @article { chiu2020agriculture , title = { Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis } , author = { Chiu, Mang Tik and Xu, Xingqian and Wei, Yunchao and Huang, Zilong and Sc
VisDrone-农场中农业机械目标检测数据集-yolo-1.zip
08-12
1000多张YOLO无人机俯视视角下农场中的车辆，农机，行人检测数据集dataset1，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和...
农业领域自建数据集
qq_43732118的博客
02-20 630
农业领域的命名实体识别数据集
智慧农业数据集（一）
qq_42681787的博客
09-15 1001
葡萄叶片病虫害害数据集 茄子果实病虫害数据集 81类水果数据集 小麦叶片病虫害数据集 番茄叶片病害数据集 草莓叶片病虫害数据集 水稻叶片病虫害数据集 菠萝成熟度数据集 10类水果数据集 棉花叶片病虫害数据集 棉花成熟度数据集 柑橘叶片病虫害数据集 苹果新鲜程度数据集 果园内苹果数据集 苹果叶片病虫害数据集 茶叶树叶片病虫害数据集 棉花杂质数据集
参考以下两段代码代码：第一段：# Lab5: Cross-Validation and the Bootstrap # The Validation Set Approach install.packages("ISLR") library(ISLR) set.seed(1) train=sample(392,196) lm.fit=lm(mpg~horsepower,data=Auto,subset=train) attach(Auto) mean((mpg-predict(lm.fit,Auto))[-train]^2) lm.fit2=lm(mpg~poly(horsepower,2),data=Auto,subset=train) mean((mpg-predict(lm.fit2,Auto))[-train]^2) lm.fit3=lm(mpg~poly(horsepower,3),data=Auto,subset=train) mean((mpg-predict(lm.fit3,Auto))[-train]^2) set.seed(2) train=sample(392,196) lm.fit=lm(mpg~horsepower,subset=train) mean((mpg-predict(lm.fit,Auto))[-train]^2) lm.fit2=lm(mpg~poly(horsepower,2),data=Auto,subset=train) mean((mpg-predict(lm.fit2,Auto))[-train]^2) lm.fit3=lm(mpg~poly(horsepower,3),data=Auto,subset=train) mean((mpg-predict(lm.fit3,Auto))[-train]^2) # Leave-One-Out Cross-Validation glm.fit=glm(mpg~horsepower,data=Auto) coef(glm.fit) lm.fit=lm(mpg~horsepower,data=Auto) coef(lm.fit) library(boot) glm.fit=glm(mpg~horsepower,data=Auto) cv.err=cv.glm(Auto,glm.fit) cv.err$delta cv.error=rep(0,5) for (i in 1:5){ glm.fit=glm(mpg~poly(horsepower,i),data=Auto) cv.error[i]=cv.glm(Auto,glm.fit)$delta[1] } cv.error第二段：library(caret) library(klaR) data(iris) splt=0.80 trainIndex <- createDataPartition(iris$Species,p=split,list=FALSE) data_train <- iris[ trainIndex,] data_test <- iris[-trainIndex,] model <- NaiveBayes(Species~.,data=data_train) x_test <- data_test[,1:4] y_test <- data_test[,5] predictions <- predict(model,x_test) confusionMatrix(predictions$class,y_test)。完成以下任务：①建立50×30的随机数据和30个变量；②生成三组不同系数的①线性模型；③（线性回归中）分别计算这三组的CV值；④（岭回归中）分别画出这三组的两张图，两张图均以lambd为横坐标，一张图以CV error为纵坐标，一张图以Prediction error为纵坐标
05-31
很好，下面我来回答你的问题。 第一段代码是关于交叉验证和自助法的实现代码，其中使用了不同的模型和数据集进行了多次计算，最终得出了不同的误差值。第二段代码是关于朴素贝叶斯分类器的实现代码，其中使用了数据集的分割和模型训练，最终得出了预测结果的混淆矩阵。 针对你的任务，我可以给出如下的解答： 1. 建立50×30的随机数据和30个变量： ```R set.seed(123) data <- matrix(rnorm(1500), ncol = 30, nrow = 50) ``` 2. 生成三组不同系数的线性模型： ```R library(glmnet) set.seed(123) x <- data[,1:29] y <- data[,30] fit1 <- cv.glmnet(x, y, alpha = 0.5, lambda = seq(0.01, 0.2, by = 0.01), nfolds = 10) fit2 <- cv.glmnet(x, y, alpha = 0.5, lambda = seq(0.5, 1, by = 0.01), nfolds = 10) fit3 <- cv.glmnet(x, y, alpha = 0.5, lambda = seq(0.9, 1.5, by = 0.01), nfolds = 10) ``` 3. （线性回归中）分别计算这三组的CV值： ```R cv1 <- fit1$cvm[which.min(fit1$cvm)] cv2 <- fit2$cvm[which.min(fit2$cvm)] cv3 <- fit3$cvm[which.min(fit3$cvm)] ``` 4. （岭回归中）分别画出这三组的两张图，两张图均以lambda为横坐标，一张图以CV error为纵坐标，一张图以Prediction error为纵坐标： ```R plot(fit1) plot(fit2) plot(fit3) ``` 其中，第一张图的纵坐标为CV error，第二张图的纵坐标为Prediction error。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值