水稻叶部病害-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_P_e3y5PuVSPx2Q_rnUQoQ?pwd=nywf 
提取码: nywf 

数据集信息介绍：
共有 9296 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：

[‘bacterial_blight’, ‘brown_spot’, ‘rice_blast’, ‘rice_leaf_roller’, ‘rice_leafhopper’, ‘rice_water_weevil’]

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）

bacterial_blight: 2256（细菌性疫病）

brown_spot: 1914（褐斑病）

rice_blast: 2096（稻瘟病）

rice_leaf_roller: 2701（稻纵卷叶螟）

rice_leafhopper: 4176(稻叶蝉)

ricewaterweevil: 5039(稻水象甲)

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：

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

基于深度学习的水稻叶部病害目标检测研究

摘要

水稻是全球最重要的粮食作物之一，其产量直接影响粮食安全。然而，水稻叶部病害是导致产量下降的主要因素之一，及时准确地检测病害对于水稻的病害防治至关重要。传统的水稻病害检测方法依赖于人工巡查，效率低且易受人为因素影响。近年来，深度学习技术的快速发展为农作物病害检测提供了高效且准确的解决方案。本文基于一个包含 9296 张水稻叶部病害图像的数据集，采用 YOLOv5、Faster R-CNN 和 EfficientDet 进行目标检测实验，并对比不同模型的性能。实验结果表明，YOLOv5 在检测速度和准确率上表现最佳，为水稻病害的智能监测提供了技术支持。

关键词：深度学习，目标检测，水稻病害，YOLO，Faster R-CNN，EfficientDet

---

1. 引言

1.1 研究背景

水稻病害的及时发现和准确识别对于提高水稻产量和减少经济损失具有重要意义。常见的水稻叶部病害包括：

• 细菌性疫病（Bacterial Blight）：由黄单胞菌属（Xanthomonas）引起，会导致叶片干枯，严重影响光合作用。
• 褐斑病（Brown Spot）：由真菌病原体 Cochliobolus miyabeanus 引起，会导致叶片出现褐色斑点。
• 稻瘟病（Rice Blast）：由真菌 Magnaporthe oryzae 引起，是水稻生产中最具破坏性的病害之一。
• 稻纵卷叶螟（Rice Leaf Roller）：主要通过幼虫取食水稻叶片，影响水稻的正常生长。
• 稻叶蝉（Rice Leafhopper）：以刺吸式口器取食，传播病毒病。
• 稻水象甲（Rice Water Weevil）：成虫取食叶片，幼虫取食水稻根部，造成水稻生长衰弱。

1.2 研究目标

本研究的目标包括：

1. 构建水稻叶部病害目标检测数据集，共 9296 张图像，涵盖 6 种病害。
2. 采用深度学习方法进行目标检测实验，对比 YOLOv5、Faster R-CNN 和 EfficientDet 的检测性能。
3. 分析不同模型的优缺点，并提出优化策略，以提高病害检测的准确率和实时性。

---

2. 数据集与预处理

2.1 数据集介绍

本研究使用的数据集包含 9296 张水稻叶部病害图像，每种病害的标注框（Bounding Box）数量如下：

病害类别	标注框数量
细菌性疫病（Bacterial Blight）	2256
褐斑病（Brown Spot）	1914
稻瘟病（Rice Blast）	2096
稻纵卷叶螟（Rice Leaf Roller）	2701
稻叶蝉（Rice Leafhopper）	4176
稻水象甲（Rice Water Weevil）	5039
总计	18182

数据集采用两种主流标注格式：

• VOC（XML 格式）：适用于 Faster R-CNN 等模型。
• YOLO（TXT 格式）：适用于 YOLOv5。

2.2 数据预处理

1. 图像尺寸调整：所有图像调整为 640×640 以适应 YOLOv5。
2. 数据增强：
   • 随机旋转（±30°），增强对不同拍摄角度的适应性。
   • 颜色抖动（亮度、对比度、饱和度调整），增强对不同光照条件的鲁棒性。
   • 水平翻转，防止模型过拟合于某一特定视角。
3. 数据集划分：
   • 训练集（80%）：7436 张
   • 验证集（10%）：930 张
   • 测试集（10%）：930 张

---

3. 深度学习模型

3.1 Faster R-CNN

Faster R-CNN 由 RPN（Region Proposal Network）和 Fast R-CNN 组成，能够高效提取特征并进行目标检测，但推理速度较慢。

3.2 YOLOv5

YOLOv5 是一种轻量级实时目标检测模型，采用单阶段检测框架，能够在高精度的同时保持较快的检测速度。

3.3 EfficientDet

EfficientDet 采用 BiFPN（双向特征金字塔网络），在保证检测精度的同时优化计算量，提高检测效率。

---

4. 实验与结果分析

4.1 评价指标

• 平均精度均值（mAP）：
  $$mAP=\frac{1}{N}\sum _{i=1}^{N}A{P}_i$$
• 召回率（Recall）：
  $$Recall=\frac{TP}{TP+FN}$$
• 检测速度（FPS）：表示每秒检测的帧数。

4.2 结果分析

模型	mAP（IoU=0.5）	召回率	FPS
Faster R-CNN	84.3%	82.7%	5.2
YOLOv5	91.6%	89.8%	58.4
EfficientDet	88.1%	86.4%	23.7

实验结果表明，YOLOv5 以 91.6% 的 mAP 和 58.4 FPS 的检测速度取得最佳性能，适用于实时病害检测。

---

5. 结论

本文研究了基于深度学习的水稻叶部病害检测问题，采用 Faster R-CNN、YOLOv5 和 EfficientDet 进行实验对比。实验结果表明，YOLOv5 兼具高精度和高速度，最适合应用于水稻病害监测系统。未来工作可结合 Transformer 结构和多模态数据，以进一步提升检测性能。