无人机植物病害目标检测数据集（1500 张已标注）
引言
随着人工智能技术的快速发展，计算机视觉在农业领域的应用越来越广泛。尤其是在精准农业和智慧农业的发展背景下，通过自动化技术对农作物进行实时监测和病害识别，已经成为现代农业管理的重要方向。传统的农业巡检主要依赖人工观察，这种方式不仅效率较低，而且在大面积农田环境中难以做到持续、全面、精准的监测。
近年来，无人机遥感技术与深度学习算法的结合，为农业智能监测提供了全新的解决方案。无人机可以在短时间内对大范围农田进行低空巡检，获取高分辨率农田图像，而基于目标检测模型的视觉算法则能够自动识别作物健康状况、病害区域以及异常生长情况。
为了支持相关算法研究与工程应用，本文整理并发布无人机植物病害目标检测数据集（1500+ 张图像）。该数据集面向农业病害识别、作物健康状态评估以及无人机巡检算法训练等任务构建，适用于 YOLO、Faster R-CNN、SSD 等主流目标检测模型训练。
本文将对该数据集进行详细介绍，包括数据来源、数据结构、标注方式、适用任务以及在智慧农业中的应用价值。
一、数据集概述
本数据集为无人机植物病害检测数据集，共包含 1500+ 张高质量航拍图像。所有图像均来源于无人机低空巡检采集，真实反映农田环境下的作物生长状态。
数据集中包含两类目标：
- healthy：健康植株
- stressed：受胁迫植株
其中，受胁迫植株（stressed）不仅包括传统意义上的植物病害，还包括多种作物异常状态，例如：
- 病害感染（如叶斑病、霉斑等）
- 营养缺失
- 水分不足
- 环境压力导致的叶片异常
数据集中的图像覆盖多种复杂农田场景，包括：
- 杂草背景
- 土壤裸露区域
- 阴影遮挡
- 水渍区域
- 不同光照条件
因此，该数据集具有较强的真实农业应用场景代表性。
在数据结构方面，数据集已经按照深度学习训练标准划分为：
- 训练集（train）
- 验证集（val）
- 测试集（test）
目录结构如下：
dataset
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
└── test
├── images
└── labels
YOLO 数据配置文件如下：
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 2
names: ['healthy', 'stressed']
这种结构可以直接用于 YOLOv5 / YOLOv8 / YOLOv9 / YOLOv10 等目标检测框架训练。
二、背景
在传统农业生产中，农作物健康监测主要依赖人工巡田。这种方式存在几个明显问题：
- 效率低
- 覆盖范围有限
- 主观判断误差较大
- 难以实现长期连续监测
特别是在大规模农田环境下，人工巡检往往难以及时发现早期病害。
植物病害如果不能在早期识别并处理，往往会迅速扩散，造成大面积减产甚至绝收。因此，如何通过技术手段实现快速、准确、自动化的病害检测，成为智慧农业研究的重要方向。
随着无人机遥感技术的发展，无人机逐渐成为农业巡检的重要工具。无人机具有以下优势：
