摘要：CCMT多作物植物病害检测数据集（清理验证版）是一个高质量植物病害检测数据集，包含130,378张经过彻底验证的图像，涵盖4种主要作物（腰果、木薯、玉米、番茄）和22种病害类型（每种作物包含4-7种病害类别）。
数据集概述
CCMT多作物植物病害检测数据集（清理验证版）是一个高质量植物病害检测数据集，包含130,378张经过彻底验证的图像，涵盖4种主要作物（腰果、木薯、玉米、番茄）和22种病害类型（每种作物包含4-7种病害类别）。所有图像均经过程序验证，损坏文件已被完全移除，确保质量达到可用于深度学习应用的生产级标准。数据集分为原始数据（25,126张原始数据集图像）和增强数据（105,252张专业增强处理图像）两部分，所有图像标准化为400×400像素RGB JPEG格式，总大小约8GB。数据集包含22个病害类别：腰果5类（炭疽病、牙龈炎、健康、潜叶蝇、红锈）、木薯5类（细菌性枯萎病、褐斑、绿螨、健康、马赛克）、玉米7类（秋粘虫、蚱蜢、健康、叶甲、叶枯病、叶斑病、条纹病毒）、番茄5类（健康、叶枯病、叶卷、叶斑病、黄萎病）。数据集由Sean Baman清理和验证，采用清晰的文件夹结构（按作物和病害划分），推荐训练策略为使用增强数据100%+原始数据60%作为训练集（约12万张），原始数据40%作为测试集（约1万张），采用CNN/ResNet架构预期准确率93-95%。
数据结构与关键特征
数据集包含130,378张400×400像素的RGB JPEG图像，分为Raw Data（25,126张原始图像）和Augmented Data（105,252张增强图像）两个主目录，每个主目录下按4种作物（Cashew、Cassava、Maize、Tomato）组织，每种作物下再按病害类型细分，共22个类别文件夹。关键特征包括：100%质量验证（每张图片经过程序验证，零损坏文件，所有损坏文件已识别并移除）、标准化格式（一致的400×400 RGB JPEG图像，便于直接输入深度学习模型）、专业数据增强（105,252张增强图像占总量81%，通过旋转、翻转、亮度调整等技术生成）、多作物覆盖（4种重要经济作物，涵盖热带和温带农业）、细粒度病害分类（22类包含真菌病害、细菌病害、虫害和健康状态）、以及可直接用于生产（组织良好的文件夹结构，立即可用于模型训练）。数据集存在中等程度的类别不平衡（比例2-6:1），已通过数据增强、类别权重和分层采样策略解决。推荐的训练-测试划分策略充分利用了原始和增强数据：训练集使用全部增强数据+60%原始数据以最大化样本多样性，测试集使用40%原始数据以确保真实场景评估。
应用价值与研究方向
该数据集在精准农业、植物病害检测、智能农业和计算机视觉研究领域具有重要应用价值，可用于开发多作物病害自动识别系统、智能农业管理平台、病虫害预警工具和移动端农业诊断应用。研究方向包括：基于深度学习的多作物病害分类算法（CNN、ResNet、EfficientNet、Vision Transformer）、跨作物迁移学习、细粒度病害识别、类不平衡学习技术、数据增强策略优化、轻量级模型设计用于移动端部署、多任务学习（同时识别作物和病害）、以及早期病害检测。数据集的多作物设计特别适合研究跨作物的通用病害识别模型、不同作物间的特征迁移、以及如何构建统一的农业AI平台。此外，该数据集还可扩展至产量预测、病害严重程度评估、农药使用优化、气候变化对作物病害的影响分析等应用场景，为推动AI技术在热带和温带农业中的应用、提升病害早期检测能力、降低农药使用、减少作物损失、支持可持续农业发展提供重要的数据支撑和技术基础。数据集的高质量验证（0损坏文件）和生产级标准使其可直接用于商业农业科技产品开发，13万+的规模和专业增强处理确保了充足的训练样本和模型泛化能力，93-95%的预期准确率验证了数据集的实用性。
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-242
文件大小：7.8G
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)