摘要：苹果高光谱图像数据集是一个面向苹果表面化学物质残留分析与高光谱图像识别研究的数据集，主要用于区分新鲜苹果以及经过不同浓度杀菌剂或杀虫剂处理的苹果，并探索高光谱成像技术在农产品质量检测和化学物质含量评估中的应用。
数据集概述
苹果高光谱图像数据集是一个面向苹果表面化学物质残留分析与高光谱图像识别研究的数据集，主要用于区分新鲜苹果以及经过不同浓度杀菌剂或杀虫剂处理的苹果，并探索高光谱成像技术在农产品质量检测和化学物质含量评估中的应用。数据集中的苹果样本根据处理方式划分为新鲜、低浓度处理和高浓度处理三种状态，其中低浓度通常对应每升水加入约1 g或1 mL药剂，高浓度对应每升水加入约3 g或3 mL药剂。原始高光谱数据通常采用BIL格式保存，本数据集同时提供TIF格式图像，便于进行图像预处理、光谱特征提取和机器学习建模。
数据结构与关键特征
该数据集主要由Apple_Samples、Fungicide_Apple和Insecticide_Apple三个部分组成。Apple_Samples包含Monostar和Nativo两个主要子集，其中Monostar相关数据进一步划分为多个子文件夹，共包含207张图像，Nativo相关数据包含73张图像；Fungicide_Apple部分包含162张苹果高光谱图像，按照新鲜、低浓度杀菌剂处理和高浓度杀菌剂处理划分，本实验使用的杀菌剂为NATIVO；Insecticide_Apple部分包含175张图像，同样分为新鲜、低浓度和高浓度三个类别，所使用的杀虫剂为MONOSTAR。数据通过高光谱成像记录苹果在多个连续波段上的反射信息，相比普通RGB图像能够提供更加丰富的光谱响应特征，从而表征不同化学处理条件下苹果表面及内部成分的差异。
应用价值与研究方向
该数据集可用于农产品无损检测、农药及杀菌剂残留识别、食品安全监测和高光谱图像分类等研究任务。研究人员可以利用主成分分析、连续投影算法、光谱指数及特征波段选择等方法提取关键光谱特征，并结合支持向量机、随机森林、偏最小二乘回归等传统机器学习算法，对苹果处理类别或化学物质浓度进行识别和预测；同时也可以采用一维卷积神经网络、二维或三维CNN、Transformer以及光谱—空间联合建模方法，对高光谱数据进行深度特征学习。进一步研究还可围绕不同药剂类型识别、浓度等级分类、残留量定量预测以及高光谱快速在线检测系统展开，为水果品质控制、农产品安全检测和智能农业监测提供数据支持。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-531
文件大小：761M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)