蚕健康病害二分类检测数据集:4,000张图像 | 二分类检测

简介: 本数据集含4000张真实场景高清图像,专为蚕健康(healthy)与病害(sick)二分类检测构建,支持YOLO等模型训练,助力智慧蚕业实现早期、精准、自动化病蚕识别与防控。(239字)

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

在这里插入图片描述

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:

类别ID 类别名称 类别说明
0 healthy 健康家蚕
1 sick 染病家蚕

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

参数 数值
图像总量 4000张
数据来源 真实养蚕场景
图像类型 高清实拍
标注格式 YOLO标准格式
检测类别 2类(healthy/sick)
数据划分 训练集/验证集/测试集

在这里插入图片描述

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)

在这里插入图片描述

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

在这里插入图片描述

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。

在这里插入图片描述

相关文章
|
3月前
|
Shell API 开发工具
国内如何使用 Claude 模型:四条路径的实测对比与选择依据(2026 年 8 月版)
国内使用 Claude 模型目前有四条可走的路径:官方订阅配合合规网络、国内持证的 API 接入服务、把 Claude Code 接到国产大模型上、来路不明的低价接入点。前三条各有适用场景,第四条不建议。本文逐条拆开四条路径的实际成本、门槛与风险,并给出配置完成后连不上时的三层排查方法。
|
3月前
|
人工智能 自然语言处理 测试技术
别瞎写提示词!10组AI测试指令心法,拿来就能用
本文揭秘测试工程师如何用精准提示词(Prompt)大幅提升AI产出质量:从生成泛泛而谈的通用用例,到挖出弱网、越权、并发死锁等高价值场景。附10组经实战验证的指令模板及4大心法,助你把AI变成懂业务、能挖Bug的高级测试助手。
|
4月前
|
人工智能
Qwen3.8抢先体验!正式版即将发布并开源!
千问Qwen3.8即将开源,参数达2.4T,进化速度以“天”计,实力媲美Fable 5。预览版Qwen3.8-Max已上线阿里Token Plan等平台,限时优惠:日间Credits低至1折,夜间更优,个人/团队版月付仅35元起!
6895 233
|
3月前
|
缓存 人工智能 自然语言处理
阿里云qwen3.7-max模型详解:模型能力、价格、上下文限制及使用注意事项参考
本文介绍阿里云通义千问系列面向智能体时代的旗舰模型Qwen3.7-Max,系统梳理其作为综合能力最强的Max模型的核心特性与适用场景。该模型2026年5月推出基础文本版本,同年6月增强版引入原生图像与视频输入多模态能力,专为复杂智能体任务设计,在编程、办公自动化及长周期自主执行等高阶场景表现卓越。模型在全球五大区域同步部署,功能存在差异化(如批量推理仅限北京区域),支持百万级超长上下文与结构化输出等高级功能,同时提供清晰的梯度定价策略。
|
3月前
|
编解码 缓存 自然语言处理
Wan3.0‑Video模型上线,阿里云万相3.0多模态生成30秒高清视频、限时7折!
阿里云Wan3.0-Video正式上线,支持文/图/音/视频及PDF、PPT等12种文档直转视频,单次原生生成最长30秒、30fps高清内容。现享7折优惠:480P仅0.21元/秒,附赠10秒免费额度。在阿里云百炼官网:https://t.aliyun.com/U/fPVHqY 免费领取千万Tokens
1159 1
|
3月前
|
人工智能 编解码 数据可视化
AI 漫剧本地部署实战|AI 音色克隆集成,漫剧配音素材与工程落地
本文详解AI漫剧本地化量产方案,聚焦语音配音短板,提供1000+克隆必备音色素材合集(含青年/少年/中老年/情绪向等分类),配套预训练音色调用与AI声音克隆双模式Python工程代码,支持ComfyUI集成、显存优化及版权合规指南,实现端到端离线漫剧全自动生产。
|
3月前
|
人工智能 数据挖掘 测试技术
每天都在“点点点”,功能测试的下一步到底在哪?
这是一篇面向功能测试工程师的深度职业指南:剖析“忙而无积累”的困境,指出焦虑根源并非工作量,而是缺乏可沉淀的技术能力与质量思维。文章以真实学员案例切入,倡导从高频重复场景(如登录支付链路)切入自动化,强调“先解决问题再选工具”,并提出用线上数据驱动测试、提升质量工程能力等进阶路径,助力测试人突破职业瓶颈。
|
3月前
|
人工智能 缓存 网络协议
阿里云国际代理商:Kimi K3 部署实录
2026年7月,月之暗面Kimi K3(2.8万亿参数、896专家MoE)开源引发企业私有化部署热潮。本文详解GPU选型避坑指南:MoE不省显存,需全专家权重常驻;40G A100无法承载原生模型;H100/H200集群+RDMA网络为刚需,并提供Q4量化与FP16部署的实测配置建议。(239字)
|
3月前
|
数据采集 供应链 BI
服装鞋帽选品:利用API追踪流行款式与面料价格
本文介绍如何用公开API与轻量代码,自动化采集电商热词(如“方领”“泡泡袖”)和面料价格(棉、涤纶等),构建款式热度+成本双维度选品评估模型,实现数据驱动的科学选品,提升库存周转与利润空间。(239字)
|
3月前
|
人工智能 缓存 自然语言处理
阿里云百炼节省计划与资源包详解:区别与选型指南、常见问题
本文解析了阿里云百炼平台的三大核心计费优化方案:AI通用型节省计划、其他模型节省计划与资源包。文章首先通过选型指南对比了各方案的适用场景与核心差异,指出AI通用型节省计划(承诺月消费换取阶梯折扣,最高5.3折)因其覆盖广、灵活度高,是长期多模型混合调用场景下的首选。随后详细阐述了AI通用型节省计划的抵扣逻辑(免费额度→资源包→其他模型节省计划→AI通用型节省计划→按量付费)、生效规则、折扣计算及生命周期管理。

热门文章

最新文章