小麦田间叶片病害目标检测数据集（2000 张已标注）：面向目标检测的农业智能识别

一、背景

小麦作为全球最重要的粮食作物之一，其产量与品质直接关系到粮食安全与农业经济稳定。然而，在实际种植过程中，小麦极易受到多种病害的侵袭，尤其是在气候变化加剧、极端天气频发的背景下，病害的发生时间更早、传播速度更快、影响范围更广。

传统的小麦病害监测方式主要依赖 人工田间巡查，存在以下问题：

• 巡查成本高、周期长
• 覆盖范围有限，难以实现全域监控
• 病害初期症状不明显，极易漏检
• 主观经验依赖强，识别标准不统一

随着 无人机遥感、计算机视觉与深度学习技术 的快速发展，基于目标检测模型的小麦病害智能识别，正逐步成为农业数字化、智能化转型的重要方向。而在这一过程中，高质量、贴近真实田间环境的数据集 是决定模型实用性的关键基础。

数据集下载

链接:https://pan.baidu.com/s/17R-kxYCn03O-5OUtHkqRSQ?pwd=fupm
提取码:fupm 复制这段内容后打开百度网盘手机App，操作更方便哦

数据集简介

本数据集聚焦于小麦田间病害智能识别与监测场景，共包含 2000 张高分辨率图像，由多源无人机巡检与实地采样数据构建。数据涵盖不同气候条件（如春季倒春寒、夏季高温高湿、雨季阴雨、秋季干旱少雨）及多样地貌环境（平原麦田、山地梯田、盐碱地麦田等），具有较强的代表性与应用价值。

该数据集主要用于训练和评估 YOLO 等目标检测模型，以实现对小麦病害的自动识别、定位与程度评估，为农业监管部门提供精准的病害监测和防治数据支持，助力农业数字化与智能化管理。

在小麦种植的田间监管与防治治理工作中，对‘BarleyYellowDwarf（大麦黄矮病）’、‘Healthy（健康叶片）’、‘LeafRust（叶锈病）’、‘PwderyMildew（白粉病）’这四类的精准识别与全面排查，是保障小麦产量稳定、提升小麦品质的核心要素。基于各类复杂麦田环境图像与无人机巡检设备采集的小麦病害相关数据解析并标注构建的小麦病害目标识别数据集，能为 YOLO 等前沿目标检测模型提供贴近实际小麦病害场景的训练样本，助力模型更精准识别不同环境中小麦病害的感染程度与扩散范围 —— 尤其像‘BarleyYellowDwarf（大麦黄矮病初期叶片仅轻微褪绿，与正常叶片差异小易被忽略）’、‘PwderyMildew（白粉病初期病斑呈白色小粉点，常分布于叶片背面或叶鞘处，且易随气流扩散）’，其识别需兼顾复杂天气（如春季倒春寒、夏季高温高湿、雨季连绵阴雨、秋季干旱少雨）与多样场景（如平原连片麦田、山地梯田麦田、盐碱地麦田、不同肥力水平的麦田）的识别精度，为农业管理部门的防治方案制定、施药区域规划提供数据支撑，推动小麦病害监管从地面人工巡查向空中全域监测转变，实现监管维护效率与防治成效的提升。

数据集共2000张病害图像，共4种类别

classes.txt
'BarleyYellowDwarf（大麦黄矮病）'
'Healthy（健康叶片）'
'LeafRust（叶锈病）'
'PwderyMildew（白粉病）'

二、数据集概述

本 小麦田间叶片病害目标检测数据集，围绕真实农业生产场景构建，聚焦于田间复杂环境下的小麦病害智能识别与精准定位任务。

数据集核心特性

• 🌾 数据规模：2000 张高分辨率图像
• 🚁 数据来源：无人机巡检 + 实地采样
• 🌦 环境多样性：多气候、多地貌、多生育期
• 🎯 任务类型：目标检测（Object Detection）
• 🤖 适配模型：YOLO 系列（YOLOv5 / YOLOv8 等）
• 🏷 病害类别：4 类（含健康样本）

该数据集在设计之初即以 “工程可落地” 为目标，覆盖了农业监管与病害防治中最常见、最关键的小麦病害类型。

三、数据集详情

3.1 病害类别定义

数据集共包含 4 种类别，覆盖小麦健康状态与典型高危病害：

0 - BarleyYellowDwarf（大麦黄矮病）
1 - Healthy（健康叶片）
2 - LeafRust（叶锈病）
3 - PwderyMildew（白粉病）

各类别特点说明

• BarleyYellowDwarf（大麦黄矮病）
  初期症状表现为叶片轻微褪绿或泛黄，与健康叶片差异极小，极易被忽略，但一旦扩散将严重影响植株生长与穗粒形成。

• Healthy（健康叶片）
  引入健康样本作为对照类别，有助于模型学习正常叶片形态，降低误检率。

• LeafRust（叶锈病）
  典型特征为叶片表面出现褐色或橙色锈斑，病斑随生育期发展逐步扩大。

• PwderyMildew（白粉病）
  初期病斑呈白色粉点，多分布于叶片背面或叶鞘处，易随气流快速扩散，对检测精度要求极高。

3.2 场景与环境覆盖

数据集充分考虑了 真实农业环境的复杂性，在采集与筛选阶段重点覆盖：

不同气候条件

• 春季倒春寒
• 夏季高温高湿
• 雨季连绵阴雨
• 秋季干旱少雨

不同地貌类型

• 平原连片麦田
• 山地梯田麦田
• 盐碱地麦田
• 不同肥力水平地块

这使模型在训练后具备更强的 跨区域、跨气候泛化能力。

3.3 标注规范

• 标注格式：YOLO 标准格式
• 标注方式：病害区域目标框标注
• 坐标类型：归一化相对坐标

<class_id> <x_center> <y_center> <width> <height>

所有标注均围绕 “病害发生区域” 而非整叶轮廓，有助于模型更精准地判断感染位置与扩散程度。

四、适用场景

4.1 农业监管与病害防控

• 区域级小麦病害普查
• 病害发生热区分析
• 防治方案制定与效果评估

4.2 无人机智能巡检系统

• 实时病害目标检测
• 病害分布自动标注
• 飞行路径与施药区域规划

4.3 精准农业与数字农业平台

• 病害程度量化评估
• 作物健康状态长期监测
• 农业生产决策辅助系统

4.4 AI 教学与科研实验

• 农业视觉目标检测案例
• 小目标、多类别病害识别研究
• 复杂环境下模型鲁棒性评估

五、目标检测实战：YOLO 训练示例

5.1 数据配置（data.yaml）

path: wheat_dataset
train: train/images
val: valid/images

names:
  0: BarleyYellowDwarf
  1: Healthy
  2: LeafRust
  3: PwderyMildew

5.2 模型训练示例

yolo detect train \
  model=yolov8s.pt \
  data=data.yaml \
  epochs=150 \
  imgsz=640 \
  batch=16

对于白粉病与黄矮病等 早期小目标病斑，建议：

• 使用 yolov8s 或 yolov8m
• 提高输入分辨率（如 960）
• 启用 Mosaic / MixUp 数据增强

5.3 工程优化建议

• 单独评估各病害类别的 mAP
• 对初期病害样本进行样本增强
• 结合时间序列巡检数据分析扩散趋势
• 与 GIS 系统联动，实现空间化病害管理

六、结语

在农业 AI 应用中，算法决定下限，数据决定上限。

本 小麦田间叶片病害目标检测数据集：

• 源自真实无人机与田间采样
• 覆盖复杂气候与多样地貌
• 针对病害初期识别深度优化
• 面向工程落地与实际监管需求

它不仅是一个模型训练数据源，更是推动 小麦病害监测从“人工巡查”走向“空中全域智能感知” 的关键基础设施。

如果你正在构建
✅ 农业病害智能识别系统
✅ 无人机农情巡检平台
✅ 农业数字化监管解决方案

这套数据集，将是一个非常扎实、可信、可扩展的起点。