烟草叶部病害-目标检测数据集（包括VOC格式、YOLO格式）

烟草叶部病害-目标检测数据集（包括VOC格式、YOLO格式）

数据集（文章最后关注公众号获取数据集）： 链接: https://pan.baidu.com/s/1-4LCiMULEf7OT9JHzL38BQ?pwd=ytbu 提取码: ytbu

数据集信息介绍：
共有 1560 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几种：

[‘baixingbing’, ‘huayebing’, ‘yanqingchong’, ‘yehuobing’]

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）

baixingbing: 919（白星病）

huayebing: 1924（黄叶病）

yanqingchong: 5867（烟青虫）

yehuobing: 824（叶厚病）

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。

完整的数据集，包括3个文件夹和一个txt文件：

all_images文件：存储数据集的图片，截图如下：

图片大小信息：

文件大小信息：

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。

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

基于深度学习的烟草叶部病害目标检测研究与应用

摘要

烟草作为重要的经济作物，其健康状况直接影响农民收入和农业生产效益。叶部病害是烟草种植过程中最常见且危害性较大的问题之一。传统的人工识别方法耗时费力，准确性不高。本文提出基于深度学习的目标检测方法，构建烟草叶部病害检测系统。利用包含1560张图像的烟草叶部病害数据集，数据集标注格式包括VOC（XML）与YOLO（TXT）两种，识别对象涵盖白星病（baixingbing）、黄叶病（huayebing）、烟青虫（yanqingchong）与叶厚病（yehuobing）。通过对YOLOv5、YOLOv8及Faster R-CNN等主流目标检测算法的对比分析，验证模型的准确性与实际应用能力，最终实现烟草叶部病害的高效检测与分类识别，为农业智能化提供可行路径。

关键词：烟草病害；目标检测；YOLO；深度学习；农业智能化

1. 引言

烟草（Nicotiana tabacum）在我国农业体系中占有重要地位。然而，由于气候、环境等因素，烟草在生长期中容易遭受多种叶部病害侵袭，主要包括白星病、黄叶病、烟青虫以及叶厚病。这些病害若不能及时诊断与防治，将严重影响烟叶的质量与产量。

传统的病害识别方式主要依赖农业技术人员的经验进行目视识别，存在效率低、主观性强、难以大规模推广的问题。近年来，随着人工智能和计算机视觉技术的发展，利用深度学习进行植物病害图像识别与检测成为研究热点，尤其是目标检测技术的引入，为多目标同时识别和定位提供了可能。

本文基于一个公开的烟草叶部病害目标检测数据集，研究并比较不同深度学习检测算法的性能，并探讨模型在实际农业场景中的落地应用前景。

2. 数据集介绍

本研究所使用的数据集共计1560张烟草叶部图像，每张图像都配有一一对应的目标检测标注文件，标注格式分别为VOC格式（XML文件）与YOLO格式（TXT文件），便于模型在不同框架下使用。

2.1 标注类别与分布

标注对象及其数量如下：

• baixingbing（白星病）：919个标注框
• huayebing（黄叶病）：1924个标注框
• yanqingchong（烟青虫）：5867个标注框
• yehuobing（叶厚病）：824个标注框

一张图像中可能包含多个标注对象，因此总标注框数远大于图像数量。

2.2 数据特性

• 图像来源多样，包含田间拍摄与实验环境采集；
• 目标对象形态各异，部分类别具有模糊边界；
• 类别不平衡问题显著，尤其是烟青虫（yanqingchong）占比最高；
• 每种病害视觉特征存在一定的相似性，增加模型学习难度。

3. 方法与模型选择

3.1 目标检测框架概述

当前主流的目标检测算法可分为两类：

• 两阶段算法（如 Faster R-CNN）：先生成候选框，再进行分类与回归，精度较高但速度相对较慢；
• 一阶段算法（如 YOLO系列）：直接进行端到端的检测，具有更高的实时性。

综合考虑实际部署需求与模型性能，本研究选择YOLOv5、YOLOv8和Faster R-CNN进行对比。

3.2 模型构建与训练流程

• 预处理：图像尺寸统一调整为640×640，标注框坐标按比例缩放；
• 数据增强：采用旋转、随机裁剪、颜色抖动、Mosaic增强等；
• 训练平台：基于PyTorch框架，使用GPU进行加速训练；
• 损失函数：YOLO使用CIoU Loss与多任务损失结构；Faster R-CNN使用RPN目标提议与RoI分类回归模块；
• 评价指标：采用Precision、Recall、mAP（mean Average Precision）和FPS（帧率）作为性能指标。

4. 实验结果与分析

4.1 模型精度比较

可以看出，Faster R-CNN在精度上略有优势，但检测速度明显慢于YOLO系列；YOLOv8在保证检测精度的同时，具备较高的实时性，适合部署于边缘设备。

4.2 类别检测效果

• 烟青虫：由于目标数量多、形态明显，检测精度最高，平均Recall超过90%；
• 白星病、黄叶病：受颜色与纹理干扰，检测效果略低；
• 叶厚病：目标边界模糊，mAP略低，但仍具识别能力。

4.3 错误分析

• 多目标重叠导致部分漏检；
• 部分图像光照不均影响特征提取；
• 类别间特征相似导致混淆。

5. 实际应用场景探讨

5.1 移动端应用部署

将轻量化YOLOv5n/YOLOv8n模型部署于手机或无人机设备中，可实现田间即时检测。通过摄像头实时采集图像，系统可自动定位并识别叶部病害类型。

5.2 与农业平台集成

将检测模型作为云端服务，与农业智能管控系统（如病虫害预警平台）集成，实现远程监控与病情统计分析，支持农户做出精准防治决策。

5.3 农业培训与教育

通过系统自动识别结果与图像标注展示，可为农业技术培训提供辅助工具，提高农户病害识别能力。

6. 结论与展望

本文基于1560张烟草叶部图像，构建了一个高质量的目标检测数据集，并应用YOLO系列与Faster R-CNN模型进行病害识别研究。实验表明，YOLOv8在精度与速度之间取得良好平衡，适合实际部署应用。未来研究可在以下方向展开：

• 引入注意力机制提升对小目标的识别能力；
• 探索多模态融合（如图像+温湿度）提升泛化性能；
• 结合时序信息实现病害发展过程追踪与预测。