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：

覆盖范围广
成本较低
灵活机动
可获取高分辨率图像

通过无人机低空航拍，可以在短时间内获取大面积农田影像数据。

与此同时，深度学习技术，尤其是目标检测算法（Object Detection），在视觉识别领域取得了突破性进展。基于 CNN 或 Transformer 的检测模型已经能够在复杂场景中实现高精度识别。

将无人机遥感数据 + 目标检测算法结合，可以构建自动化农田监测系统，实现：

作物健康检测
病害预警
农情监测
决策辅助

然而，目前公开的农业病害目标检测数据集仍然相对有限，尤其是无人机视角数据。因此，本数据集的构建对于农业视觉算法研究具有重要意义。

三、数据集详情

1 数据规模

数据集总规模：1500+ 张图像

数据集划分如下：

数据集	数量
Train	训练集
Val	验证集
Test	测试集

所有数据均已完成：

图像清洗
类别确认
人工标注
数据划分

确保可以直接用于模型训练。

2 图像来源

数据来源于无人机低空航拍图像，采集高度一般在 10m – 40m。

航拍视角能够真实反映农田整体状况。

图像特点包括：

高分辨率
多尺度目标
密集植株
复杂背景

这对于目标检测算法来说具有一定挑战性。

3 标注方式

数据集采用 Bounding Box（边界框）标注方式。

每个目标均包含：

目标类别
目标位置
目标尺寸

YOLO 标注格式如下：

class x_center y_center width height

示例：

0 0.512 0.476 0.231 0.198 1 0.713 0.645 0.155 0.164

其中：

0 表示 healthy
1 表示 stressed

所有标注均经过人工校验，以保证标注质量。

4 类别说明

healthy

健康植株具有以下特点：

叶片颜色均匀
叶片结构完整
无明显病斑
无卷曲或变色

在航拍图像中通常呈现为绿色均匀区域。

stressed

受胁迫植株通常表现为：

叶片黄化
叶片卷曲
出现斑点
颜色不均
局部枯萎

这些现象可能由以下因素导致：

病害感染
营养缺失
水分不足
高温或低温压力

因此该类别不仅仅代表'病害'，而是广义的植物健康异常状态。

5 数据难点

该数据集具有一定挑战性：

1 小目标检测

航拍图像中植株目标较小，对模型提出了更高要求。

2 密集目标

农田植株往往密集排列，容易出现目标重叠问题。

3 背景复杂

背景包含：

土壤
杂草
灌溉水
阴影

这会影响模型识别能力。

4 光照变化

不同时间采集的图像存在：

强光
阴影
反光

这些都会增加识别难度。

因此该数据集非常适合用于复杂场景目标检测算法训练。

四、适用场景

本数据集可应用于多个研究和工程领域。

1 智慧农业

在智慧农业系统中，可以通过训练检测模型，实现：

作物健康监测
病害预警
农田健康地图生成

帮助农业管理人员快速定位问题区域。

2 无人机巡检系统

该数据集可以用于开发无人机智能巡检系统。

系统流程：

无人机采集图像
↓
目标检测模型识别
↓
健康状态评估
↓
生成农情报告

实现自动化农业监测。

3 农业遥感研究

在农业遥感领域，该数据集可用于研究：

植被健康指数识别
病害区域检测
农田异常识别

4 深度学习算法研究

研究人员可以使用该数据集测试和改进以下算法：

YOLO 系列
Faster R-CNN
RetinaNet
SSD
Transformer 检测模型

例如：

小目标检测优化
多尺度特征融合
注意力机制研究

5 学术研究与教学

该数据集也非常适合作为：

计算机视觉课程实验数据
深度学习课程项目
农业 AI 研究案例

帮助学生快速上手目标检测任务。

五、心得

在构建农业目标检测数据集的过程中，有一些体会。

首先，真实场景数据比实验室数据更有价值。很多公开数据集背景较为简单，而真实农田环境往往更加复杂，这对算法的泛化能力提出了更高要求。

其次，高质量标注非常关键。即使模型结构再先进，如果标注质量较差，最终训练效果也会受到很大影响。因此在数据制作过程中，人工审核标注是非常必要的一步。

另外，农业视觉任务往往具有以下特点：

目标小
背景复杂
数据分布不均

这意味着模型需要具备更强的鲁棒性与泛化能力。

在实际训练中，可以尝试：

数据增强
多尺度训练
特征融合结构
注意力机制

来进一步提升检测性能。

六、结语

随着人工智能与农业技术的深度融合，智慧农业正逐渐成为未来农业发展的重要方向。通过无人机遥感与深度学习技术，可以实现对农田环境的智能监测，从而提高农业生产效率并降低管理成本。

本文介绍的无人机植物病害目标检测数据集（1500+ 张图像），为农业视觉算法研究提供了一个具有真实应用场景的数据基础。该数据集包含复杂农田背景、多种光照条件以及不同健康状态的植株目标，适用于多种目标检测算法训练与评估。

希望该数据集能够为以下领域提供帮助：

农业病害识别研究
无人机巡检系统开发
智慧农业解决方案设计
深度学习目标检测算法研究