蚕健康病害二分类检测数据集：4,000张图像 | 二分类检测

源码数据分享

通过网盘分享的文件：蚕健康病害数据集
链接: https://pan.baidu.com/s/1IQ5RgAK7erbtlvT5xkaJpg?pwd=damc
提取码: damc

一、蚕业智能化的时代命题：从经验养蚕到数据驱动的健康管理

中国是蚕丝的故乡，养蚕业拥有五千多年的历史。时至今日，中国仍然是全球最大的蚕丝生产国，蚕茧年产量约占世界总产量的70%以上。蚕丝产业不仅支撑着数百万蚕农的生计，还在纺织、化妆品、医疗器械等高端领域发挥着不可替代的作用。

然而，传统养蚕业长期面临一个核心痛点——蚕病防控。家蚕（Bombyx mori）作为一种高度驯化的经济昆虫，对环境变化极为敏感，极易感染核多角体病毒（BmNPV）、微孢子虫、白僵菌等多种病原体。一旦蚕室内出现病蚕个体，若不及时隔离处置，病原体可在2-3天内扩散至整批蚕群，导致全军覆没。

传统蚕病检测完全依赖蚕农的经验观察——看蚕体颜色是否异常、行动是否迟缓、食欲是否减退、体表是否有病斑等。这种方式存在严重的局限性：

• 早期症状不明显：多数蚕病在感染初期症状微弱，肉眼难以察觉，等到症状明显时往往已经错过了最佳防控窗口
• 蚕农经验差异大：新手蚕农对蚕病的识别能力远低于经验丰富的老蚕农，导致防控效果参差不齐
• 大规模养殖的覆盖瓶颈：一个蚕室可能饲养数万至数十万条蚕，人工逐一检查几乎不可能
• 夜间监控缺失：蚕农通常只在白天巡检，但蚕病的发展并不因夜晚而停滞

基于深度学习的蚕健康视觉检测技术，为解决这一痛点提供了全新的技术路径。通过在蚕室内部署视觉监控系统，AI可以持续、均匀、无疲劳地监测蚕群状态，在病蚕出现的早期阶段自动触发预警，帮助蚕农及时采取隔离与治疗措施，将损失控制在最小范围。

本蚕健康病害检测数据集（4000张高清图像），正是为这一从"经验养蚕"到"数据驱动健康管理"的智能化转型而构建。

二、数据集全景解析：二分类设计的工程哲学

2.1 类别定义与蚕病学语义

数据集采用二分类设计：

健康家蚕（healthy）：外观色泽正常（青白色或略带黄色）、行动活泼、食欲旺盛、体态均匀、体表无异常斑点或分泌物。健康蚕是养蚕业的"正常状态"，也是产量与品质的保障。

染病家蚕（sick）：出现以下一种或多种异常特征——体色异常（发黄、发黑、发褐）、行动迟缓或不动、食欲减退或拒食、体表出现斑点、霉斑或异常分泌物、体型异常（肿胀、萎缩）、蜕皮困难等。

选择二分类而非多分类（如区分不同蚕病类型）的设计，是基于以下工程考量：

检测优先，分类其次：在蚕病防控中，最紧迫的需求是"这条蚕是否生病了"，而非"这条蚕得的是什么病"。前者决定了是否需要立即隔离，后者则可以在隔离后通过专业检测进一步确定。将两个任务解耦，可以让检测模型专注于高召回率——宁可多检不能漏检，避免病蚕遗漏导致的大规模传播。

标注可行性：不同蚕病的早期症状在视觉上极为相似，即使专业蚕病学家有时也难以仅凭外观确定具体病原。要求标注人员区分不同蚕病类型，将大幅降低标注的准确性和一致性。二分类设计则大大降低了标注难度，保证了数据质量。

模型泛化能力：二分类模型天然具备对未知蚕病的检测能力——只要病蚕的外观偏离"健康"模式，模型就能将其识别为sick类别。而多分类模型则可能将未知蚕病误分类为已知类别，导致错误的处置策略。

2.2 数据集基本信息

三、数据构建方法论：蚕类视觉数据的采集挑战与标注策略

3.1 蚕类视觉数据的特殊挑战

与常见的目标检测任务相比，蚕类视觉检测面临独特的挑战：

目标尺寸小：家蚕从蚁蚕（1龄）到熟蚕（5龄）的体长从约3mm增长到约70mm，但在蚕室监控的常规视角下，单条蚕在图像中占比较小（尤其是低龄蚕）。

目标密度极高：一张蚕匾上可能同时饲养数百至上千条蚕，目标密集排列，严重遮挡。在5龄盛食期，蚕体几乎铺满整个蚕座，个体间的边界模糊。

外观变化大：不同龄期的蚕外观差异显著——1龄蚕体色深黑、2龄蚕转淡、3-5龄蚕逐渐变为青白色。同一龄期内，蜕皮前后的外观也有明显变化。

环境复杂：蚕室内光照通常偏弱（蚕对强光敏感）、桑叶残渣与蚕沙覆盖蚕座、温湿度变化影响视觉条件。

3.2 数据采集方案

本数据集覆盖了以下采集维度：

生长阶段覆盖：

• 1-2龄蚕（蚁蚕期）：体小色深，密度极高
• 3-4龄蚕（中蚕期）：体色转白，密度适中
• 5龄蚕（大蚕期）：体型最大，最易观察症状

环境条件覆盖：

• 蚕室环境：受控温湿度，人工照明
• 养殖棚环境：半开放环境，自然光照
• 不同光照条件：正常照明、弱光环境
• 不同拍摄角度：俯视（蚕匾正上方）、斜视（侧面观察）

健康状态覆盖：

• 完全健康个体：色泽正常、行动活泼
• 轻度病态个体：食欲减退、行动稍慢（早期检测的关键样本）
• 明显病态个体：体色异常、不动、体表病变
• 死亡个体：完全不动、体色变黑（需与健康蚕的休息状态区分）

3.3 标注策略

采用YOLO标准标注格式，每张图像对应一个同名的.txt标注文件。

标注过程中的关键决策：

• 标注粒度：以单条蚕为标注单位，每条蚕一个独立边界框
• 密集场景处理：在蚕体紧密排列的5龄盛食期图像中，对每条可见蚕逐一标注，遮挡超过80%的蚕不标注
• 健康/病态判定标准：
  • healthy：体色正常、体态均匀、体表无异常
  • sick：出现体色异常、体表病变、行动异常、食欲减退等任一症状
• 边界样本处理：对于"疑似病态"的模糊样本，按照保守策略标注为sick（宁可多检不可漏检）

3.4 数据集目录结构

database/蚕健康病害数据集/
├── train/
│   └── images/
├── valid/
│   └── images/
└── test/
    └── images/

四、模型训练与优化实战

4.1 数据配置文件

path: /dataset/蚕健康病害数据集
train: train/images
val: valid/images
test: test/images

nc: 2
names:
  - healthy
  - sick

4.2 基准训练

from ultralytics import YOLO

model = YOLO("yolov8s.pt")

model.train(
    data="data.yaml",
    epochs=150,
    imgsz=640,
    batch=16,
    patience=30,
    fliplr=0.5,
    mosaic=1.0,
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4
)

4.3 针对蚕类检测的优化策略

密集小目标检测：蚕类检测的核心挑战是密集小目标。以下策略可以有效提升性能：

• 增大输入分辨率：将imgsz从640提升至1280，使小目标在特征图上占据更多像素
• SAHI切片推理：将大图切分为重叠子图分别检测，显著提升小目标检测性能
• 添加小目标检测层：在YOLOv8的检测头中增加P2层（步长4），专门针对小尺寸蚕体

健康/病态区分增强：两者的外观差异可能非常微妙，尤其是在病变早期。以下策略可以帮助模型学习更精细的区分特征：

• 对比学习：使用SupCon等对比损失函数，拉近同类样本特征距离，推远异类特征距离
• 注意力机制：集成CBAM注意力模块，帮助模型聚焦于病变特征区域（如体色异常区域、体表斑点等）
• 困难样本挖掘：将模型容易混淆的"疑似病态"样本加入训练集，强化边界区分能力

类别不平衡处理：在健康蚕群中，sick类别的样本通常远少于healthy。处理策略包括：

• 类别加权：为sick类别赋予更高的损失权重
• 过采样：对sick类别图像进行重复采样
• Focal Loss：降低易分样本的损失贡献，聚焦于困难样本

4.4 数据增强策略

model.train(
    data="data.yaml",
    epochs=150,
    imgsz=640,
    batch=16,
    fliplr=0.5,
    mosaic=1.0,
    mixup=0.1,
    copy_paste=0.2,
    degrees=5,
    translate=0.05,
    scale=0.3,
    hsv_h=0.01,        # 蚕类颜色变化敏感，色调增强幅度宜小
    hsv_s=0.5,
    hsv_v=0.3
)

五、工程部署与智慧蚕业系统集成

5.1 蚕室监控系统架构

蚕室摄像头 → 视频流汇聚 → YOLO推理引擎 → 目标跟踪 → 健康状态统计 → 异常预警
                                                               ↓
                                                     蚕农手机通知/管理平台告警

目标跟踪模块：将逐帧检测结果关联为轨迹，追踪每条蚕的健康状态变化。当一条蚕从healthy变为sick时，触发预警。

健康状态统计：统计当前蚕室中healthy与sick的占比，生成健康度时间序列曲线。

异常预警逻辑：

• 单条蚕状态变化预警：某条蚕从healthy变为sick
• 群体异常预警：sick占比超过阈值（如5%）
• 区域异常预警：某一区域出现聚集性病蚕

5.2 部署方案

硬件选型：

• 蚕室端：瑞芯微RK3588或NVIDIA Jetson Nano，支持640分辨率下5-10fps的实时检测
• 摄像头：500万像素以上工业相机，配备红外补光灯（用于夜间监控）

网络架构：

• 有线方案：千兆以太网连接摄像头与边缘计算设备
• 无线方案：Wi-Fi 6连接，适合改造蚕室

数据存储：

• 正常数据：仅保存统计结果，不保存原始图像
• 异常数据：保存预警时刻的原始图像与检测结果，供蚕农复核

5.3 扩展功能

环境联动：将视觉监控系统与蚕室温湿度控制系统联动，当检测到群体异常时，自动调整环境参数（如降低温度、增加通风）

投喂优化：基于健康蚕的采食行为分析，优化桑叶投喂量与投喂时间

产量预测：基于蚕群健康度与生长阶段，预测蚕茧产量与品质

六、扩展研究方向

6.1 蚕病类型分类

在二分类检测基础上，增加蚕病的具体类型分类：核多角体病毒病、微粒子病、白僵病、细菌性胃肠病等。这需要更大规模的专业标注数据与蚕病学专家的深度参与。

6.2 多龄期统一检测

当前数据集覆盖了多个龄期的蚕，但不同龄期的外观差异极大。可以探索基于龄期感知的检测框架——先识别龄期，再在龄期特定的特征空间中进行健康/病态分类。

6.3 多模态融合

融合视觉数据与蚕室环境数据（温度、湿度、氨气浓度等），构建多模态健康预警模型。环境数据的异常变化往往先于视觉症状出现，可以为早期预警提供更充裕的时间窗口。

6.4 主动学习

在实际部署中，利用主动学习策略——让模型自动选择最不确定的样本提交给蚕农标注——可以在标注成本有限的情况下，持续提升模型性能。

七、总结

本蚕健康病害检测数据集（4000张高清图像），是一套面向智慧蚕业健康管理场景构建的二分类目标检测数据资源。healthy/sick的二分类设计紧密对接蚕病防控中最紧迫的"早期发现"需求，数据来源于真实养蚕环境，覆盖多个生长阶段与环境条件，标注质量经过严格管控。

对于从事智慧农业、蚕病防控与农业视觉检测的开发者而言，该数据集不仅是一份可直接使用的训练资源，更是一套从数据构建到系统部署的完整技术参考。在蚕业数字化转型的大趋势下，基于视觉AI的蚕健康监测将成为智慧蚕业的核心能力，而高质量数据集将持续推动这一领域的技术创新与产业落地。