地黄是我国重要的道地中药材,规模化种植的地黄常受多种害虫侵袭,导致叶片孔洞频现,严重影响地黄的产量与品质。然而,当前基于深度学习的虫害孔洞检测方法面临田间环境复杂、目标尺度小、形态不规则等挑战。本研究构建了面向田间复杂环境的地黄叶片虫害孔洞图像数据集(Rehmannia Pest-induced Hole Dataset, RPHD)。该数据集包含初始采集版本(298张图像,5 059个标注)与精校增强版本(291张图像,2 678个高质量标注)。通过系统化的图像预处理流程,包括基于内容感知的裁剪与分辨率统一(1024×1024)、自适应双边滤波去噪与光照均衡化,并结合精细化人工标注与多轮交叉校验质量控制机制,显著提升了数据集的目标判别性。实验采用YOLOv10n、YOLOv11n和YOLO12n三种主流目标检测模型对数据集进行基准评估,对比两个版本在不同模型上的性能表现。结果表明,在三个模型上,使用精校增强数据集训练均取得显著性能提升:YOLOv10n的mAP@0.5从40.3%提升至87.2%,YOLOv11n从48.9%提升至92.1%,YOLO12n从51.2%提升至93.0%。该数据集为地黄小目标病虫害检测算法研究提供了标准化、高质量的基准数据支持,可供其他农作物相关研究借鉴,有助于推动农业视觉检测技术的实用化与智能化发展。
数据摘要:
| 项目 | 内容 |
| 数据集名称 | 地黄叶片虫害孔洞图像数据集(RPHD) |
| 所属学科 | 计算机科学;农业科学 |
| 研究主题 | 虫害孔洞检测,图像数据集,目标检测,地黄 |
| 数据时间范围 | 2024年6月—2024年9月 |
| 时间分辨率 | 不适用 |
| 数据地理空间覆盖 | 河南省温县核心种植区(东经112.95°-113.15°,北纬34.88°-35.00°) |
| 空间分辨率 | 不适用 |
| 数据类型与技术格式 | 原始田间图像(JPEG格式);预处理后图像(JPEG格式,1024×1024像素);目标检测标注文件(YOLO格式.txt) |
| 数据库(集)组成 | 原始版本(298张图像,5 059个标注);优化版本(291张图像,2 678个标注) |
| 数据量 | 约848 MB |
| 主要数据指标 | 虫害孔洞边界框坐标(x_center, y_center, width, height),类别ID=0 |
| 数据可用性 | DOI:10.57760/sciencedb.29865; https://www.scidb.cn/detail?dataSetId=8954e40ec0eb4f3fb7dad889e982547f CSTR: 31253.11.sciencedb.29865; https://www.scidb.cn/s/RF7J3q |