当前位置：首页 > article >正文

松材线虫无人机数据集——20731个，已人工标注出来的样本【深度学习样本】

article 2024/11/14 17:04:04

项目背景：

松材线虫病是严重危害松树的一种毁灭性疾病，对林业生态造成了巨大的破坏。传统的地面调查方法效率低下且覆盖面有限，而利用无人机进行空中巡检则能大幅提高监测效率和准确性。本数据集旨在为松材线虫病的早期识别和防治提供高质量的数据支持，助力林业保护和科学研究。

数据集概述：

名称：松材线虫无人机数据集
规模：共计20,731个已人工标注的样本
应用场景：适用于深度学习模型训练，特别是松材线虫病的识别与监测。

数据集特点：

全面性：涵盖了多种松树受到松材线虫病影响的图像，确保数据集的多样性和代表性。
高精度标注：所有样本均经过专业人员的人工标注，确保数据的准确性和可靠性。
实用性：适用于多种深度学习框架，方便科研人员和开发者直接使用。

数据集内容：

松材线虫病影响图像：包含受松材线虫病影响的松树图像，包括病状表现的细节。
健康松树图像：用于对比分析，帮助模型区分健康与患病树木。

数据集用途：

病害识别：可用于训练和评估深度学习模型，特别是在松材线虫病的识别方面。
早期预警：帮助实现病害的早期预警，减少病害扩散的风险。
科研与教育：为林业保护领域的研究和教学提供丰富的数据支持。

标注详情：

松材线虫病症状：标注了松树受到松材线虫病影响的具体症状，如枯萎、叶片变色等。
健康状况：标注了正常生长的松树，用于模型训练中的负样本。

使用场景：

无人机巡检：在无人机巡检系统中，利用该数据集训练的模型可以自动识别松材线虫病的症状。
病害监测：在病害监测系统中，利用该数据集可以提高监测的准确性和速度。
林业管理：在林业管理和保护工作中，利用该数据集可以提前发现潜在的病害风险，提高管理效率。

技术指标：

数据量：共计20,731个已人工标注的样本，涵盖多种病害表现形式。
标注精度：所有样本均经过严格的人工标注，确保数据的准确性和可靠性。

注意事项：

数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

下载链接：请访问项目主页获取数据集下载链接。
许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

1import os
2import cv2
3import numpy as np
4from xml.etree import ElementTree as ET
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
9LABELS_DIR = os.path.join(DATASET_PATH, 'labels')
10
11# 加载数据集
12def load_dataset():
13    images = []
14    labels = []
15
16    for img_file in os.listdir(IMAGES_DIR):
17        if img_file.endswith('.jpg'):
18            img_path = os.path.join(IMAGES_DIR, img_file)
19            label_path = os.path.join(LABELS_DIR, img_file.replace('.jpg', '.xml'))
20            
21            image = cv2.imread(img_path)
22            tree = ET.parse(label_path)
23            root = tree.getroot()
24            
25            objects = []
26            for obj in root.findall('object'):
27                name = obj.find('name').text
28                bbox = obj.find('bndbox')
29                xmin = int(bbox.find('xmin').text)
30                ymin = int(bbox.find('ymin').text)
31                xmax = int(bbox.find('xmax').text)
32                ymax = int(bbox.find('ymax').text)
33                
34                objects.append((name, (xmin, ymin, xmax, ymax)))
35            
36            images.append(image)
37            labels.append(objects)
38
39    return images, labels
40
41images, labels = load_dataset()

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='pine_nematode.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_pine_nematode(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_pine_nematode(test_image)
23cv2.imshow('Detected Pine Nematode', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 `pine_nematode.yaml`：

1train: path/to/train/images
2val: path/to/val/images
3
4nc: 2  # Number of classes: healthy and diseased
5names: ['healthy', 'diseased']  # Class names
6
7# Training parameters
8batch_size: 16
9epochs: 100
10img_size: [640, 640]  # Image size