摘要：营养缺乏香蕉树叶片数据集是一个面向香蕉植株营养缺素识别与叶片健康状态分析构建的图像数据集，包含多种香蕉品种在不同营养元素缺乏条件下的叶片图像，同时提供健康叶片样本。
数据集概述
数据集主要由 Nutrient Deficient RAW（营养缺乏香蕉叶片原始图像） 和 Augmented Images of Nutrient Deficient Banana Leaves（营养缺乏香蕉叶片增强图像） 两部分组成。数据涵盖硼（B）、钙（Ca）、铁（Fe）、钾（K）、锰（Mn）、镁（Mg）、硫（S）和锌（Zn）等 8 类营养元素缺乏状态，并包含健康叶片样本。原始图像保留真实采集条件下的叶片视觉特征，增强图像则通过图像变换扩充训练样本，有助于提升模型的鲁棒性和泛化能力。不同缺素状态可表现为叶片黄化、叶缘异常、叶脉变化、斑点和组织坏死等不同视觉症状，使数据集适合开展多类别分类和细粒度缺素识别研究。
数据结构与关键特征
数据集主要由 Nutrient Deficient RAW（营养缺乏香蕉叶片原始图像） 和 Augmented Images of Nutrient Deficient Banana Leaves（营养缺乏香蕉叶片增强图像） 两部分组成。数据涵盖硼（B）、钙（Ca）、铁（Fe）、钾（K）、锰（Mn）、镁（Mg）、硫（S）和锌（Zn）等 8 类营养元素缺乏状态，并包含健康叶片样本。原始图像保留真实采集条件下的叶片视觉特征，增强图像则通过图像变换扩充训练样本，有助于提升模型的鲁棒性和泛化能力。不同缺素状态可表现为叶片黄化、叶缘异常、叶脉变化、斑点和组织坏死等不同视觉症状，使数据集适合开展多类别分类和细粒度缺素识别研究。
应用价值与研究方向
该数据集可用于香蕉叶片营养缺乏分类、植物健康状态识别、缺素症状智能诊断、精准施肥和智慧种植管理等研究。研究人员可采用 ResNet、EfficientNet、MobileNet、DenseNet、ConvNeXt、Vision Transformer 等模型开展多类别图像分类，并进一步探索数据增强效果评估、细粒度症状识别、跨品种泛化、迁移学习、模型可解释性、轻量化网络以及移动端田间诊断等方向，为香蕉营养管理、精准施肥决策和植物生长状态自动监测提供技术支持。
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-545
文件大小：157M
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)