【導讀】

在智慧農業的發展浪潮下，AI視覺算法正逐步滲透進作物生長監控、病蟲害檢測、采摘成熟評估等細分任務。相較于工業或城市場景，農業視覺更具挑戰性：自然環境復雜、目標形態多變、時空尺度差異大。

為實現精準農業管理，一批真實采集、場景豐富的農業數據集正成為模型訓練與落地驗證的關鍵基礎。本文精選了多個本土農業數據集，從病蟲害檢測到成熟度識別，全面呈現“AI+農業”在圖像層面的應用潛力！

目錄

農業病蟲害監測數據集精選

土豆病蟲害檢測數據集

辣椒病蟲害檢測數據集

水稻蟲害識別數據集

香蕉成熟識別數據集

黃桃病蟲害檢測數據集

結語

---

農業病蟲害監測數據集精選

• 土豆病蟲害檢測數據集

定位：專為土豆作物健康監控打造的病蟲害識別數據集。

數據量：295張圖片，3種標簽。

覆蓋內容：

• 土豆不同生長階段的常見病害（如晚疫病、黑斑病）

• 害蟲種類標注（急蟲、甲蟲等）

• 圖像中病斑分布與蟲體可見性較強，適合小樣本學習

應用場景：

• 智慧農業管理平臺

• 作物病害預警系統

• 農戶/企業病蟲害圖像診斷工具

• 辣椒病蟲害檢測數據集

數據量：1027張圖像，5類標簽。

標注粒度：覆蓋葉片、莖稈、果實三個部位。

優勢特征：

• 覆蓋辣椒不同發育階段的多種病害表現

• 標簽具體明確，適合多類別檢測任務（如炭疽病、疫病等）

• 病害與健康部位共存，適合目標檢測模型定位識別

典型應用：

• 農藥精準噴灑控制系統

• 農業高校圖像診斷教學

• 辣椒產業病害圖像識別App

• 水稻蟲害識別數據集

數據量：1997張圖像，4種標簽。

覆蓋內容：

• 覆蓋水稻不同成長時期

• 圖像中存在大量真實田間蟲體（如稻飛虱、螟蟲）

• 同一張圖像中可能出現多個蟲害目標

典型應用：

• 智慧田管平臺蟲害預警模塊

• 作物生長決策系統（蟲情識別+動態提示）

• 果蔬成熟度與病害識別數據集

• 香蕉成熟識別數據集

數據量：13478張圖片，4類標簽（生熟度階段劃分）

檢測任務：

• 成熟香蕉識別（判斷是否可采摘）

• 過熟/變質香蕉識別（用于剔除與售賣分級）

• 背景復雜度高，適合實際采摘場景模擬訓練

技術應用點：

• 圖像分類與目標檢測聯合建模

• 適配智能分揀/倉儲機器人系統

• 黃桃病蟲害檢測數據集

數據量：2104張圖像，12種細分類標簽

涵蓋內容：

• 多器官檢測：葉片、果實、莖稈

• 病蟲害種類全：包括瘡痂病、流膠病、蟲蛀、斑點病等

• 多尺度目標（微小葉斑 vs 大面積腐爛）

典型應用：

• 果園病蟲害智能診斷系統

• 無人機/機器人圖像識別采摘輔助系統

數據集獲取方式：點擊鏈接訪問：www.coovally.com，登錄后可直接一鍵調用哦~

---

Coovally平臺訓練實測

上述農業數據集已全部集成至 Coovally AI平臺，平臺上還包含400+開源數據集，涵蓋圖像分類、目標檢測、語義分割等熱門人物場景，一鍵調用即可投入訓練，徹底告別“找模型、配環境、改代碼”的繁瑣流程！。

在平臺上，你可以一鍵調用YOLO、Transformer等熱門模型，快速對農業圖像進行訓練與驗證。平臺支持零代碼配置：

• 免環境配置：直接調用預置框架（PyTorch、TensorFlow等）；

• 免復雜參數調整：內置自動化訓練流程，小白也能輕松上手；

• 高性能算力支持：分布式訓練加速，快速產出可用模型；

• 無縫部署：訓練完成的模型可直接導出，或通過API接入業務系統。

！！點擊下方鏈接，立即體驗Coovally！！

平臺鏈接：https://www.coovally.com

---

結語

農業場景下的視覺識別任務，正在從實驗室走向田間地頭。土豆、辣椒、水稻、黃桃、香蕉等多作物的視覺數據集為AI模型提供了精準“實戰靶場”。