Skip to content

Changes

View changes from to

On October 25, 2024 at 4:47:03 PM +0800, Gravatar pipilo2_nchu:

  • Updated description of Rice disease hyperspectral image dataset(水稻病害高光譜影像資料集) from

    # 水稻病害高光譜影像資料集 B150U 0034 說明文件 ## 1. 資料集概述 **B150U 0034.zip** 是一個針對水稻病害的高光譜影像資料集，資料集中的主要內容包括高光譜影像 (RAW 檔案) 與標註資料 (XML 檔案)。此資料集的目的是利用高光譜技術，針對波長範圍 **470 nm 至 900 nm** 的多個頻段進行感染水稻葉芽線蟲之種子的影像蒐集，並對病害進行標註。這些影像可用於分析病害發展的特徵，並支援病害預測模型的開發。 ## 2. 資料集內容 資料集包含以下主要檔案類型： - **高光譜影像檔 (RAW 檔案)**： - 每個檔案對應於不同波段下的水稻種子影像，這些影像捕捉了感染葉芽線蟲的種子在特定波長下的反射光譜信息。每個檔案均保存完整的光譜數據，包含可見光與近紅外波段（470 nm 到 900 nm），並依波長區分。 - **高光譜影像檔 (HDR 檔案)**： - 這是儲存raw檔裡面的詳細資料。 - **標註檔 (XML 檔案)**： - XML 檔案包含對影像中病害情況的標註信息，記錄了每個樣本的感染程度。標註的數據包括： - 種子是否被葉芽線蟲感染。 - 感染的嚴重程度，標註為輕度、中度或嚴重感染。 - **Meta數據檔 (metadata.csv)**： - 該檔案列出了每個樣本的詳細信息，包括樣本編號、拍攝時間、影像的波段範圍、影像拍攝條件以及感染標註等。 ## 3. 資料蒐集與處理流程 ### 3.1 影像蒐集 影像是透過高光譜相機在實驗室環境下進行拍攝，波長範圍從 **470 nm 到 900 nm**，涵蓋可見光與近紅外光譜。每張影像捕捉了特定波長下的種子反射光譜特徵，並針對水稻葉芽線蟲感染的不同情況進行蒐集，形成一個多維度的高光譜資料庫。 ### 3.2 標註資料 每個影像樣本根據種子是否受到葉芽線蟲感染，以及感染程度進行詳細標註： - **0**：未感染。 - **1**：有感染。 這些標註資料存放於 XML 檔案中，並以結構化方式儲存相關的標註信息，以便後續分析與模型訓練。 ### 3.3 高光譜數據處理 高光譜影像的每一個波段資料都需要進行校正與處理，以消除噪音與環境因素的影響。通常需要進行正規化與降噪處理，確保影像數據的準確性。後續可針對不同波段範圍的數據進行分析，以找出對於病害診斷最具代表性的波段。 ## 4. 資料應用場景 ### 4.1 病害預測模型訓練 本資料集可應用於機器學習或深度學習模型的訓練，尤其是在病害預測方面。研究人員可以利用高光譜影像的豐富數據，分析不同波段範圍內的光譜特徵，從而預測種子是否受到葉芽線蟲感染，並建立準確的病害預警系統。 ### 4.2 高光譜影像分析 透過分析不同波段範圍內的高光譜影像，可以進行水稻病害的早期診斷，並輔助研究人員深入理解葉芽線蟲感染的機制。這有助於開發病害預警系統，實現作物病害的自動檢測和實時監控。 ![範例圖片](https://i.ibb.co/FDjpxCb/Any-Conv-com-1.jpg) ## 5. 使用方法 ### 5.1 資料使用要求 使用本資料集時，建議使用具備高光譜數據分析功能的工具進行資料處理，例如 Python 的 `spectral` 庫或其他常用的影像處理工具（如 `OpenCV` 和 `scikit-image`）。對於進行深度學習訓練的研究者，可以使用 TensorFlow 或 PyTorch 等框架來進行高光譜數據的預處理與模型訓練。 ### 5.2 資料預處理建議 - 在分析前，建議對高光譜影像進行正規化處理，以確保數據的統一性。 - 根據研究需求，可篩選出對病害診斷較為敏感的波段範圍進行特徵選取與模型訓練。 ## 6. 可能的研究發展方向 - **病害影像檢測模型開發**：可以基於高光譜影像數據開發專門的病害檢測模型，尤其是針對水稻葉芽線蟲感染的早期診斷，從而提高作物產量並減少病害損失。 - **波段範圍篩選與優化**：透過分析不同波段對病害特徵的影響，研究人員可以篩選出對病害檢測最具敏感度的波段，並進一步優化模型的準確性與效率。 ---
    to
    # 水稻病害高光譜影像資料集 ## 1. 資料集概述 **針對水稻病害的高光譜影像資料集，資料集中的主要內容包括高光譜影像 (RAW 檔案) 與標註資料 (XML 檔案)。此資料集的目的是利用高光譜技術，針對波長範圍 **470 nm 至 900 nm** 的多個頻段進行感染水稻葉芽線蟲之有浸泡過種子的影像蒐集，並對病害進行標註。這些影像可用於分析病害發展的特徵，並支援病害預測模型的開發。 **拍攝儀器： imec Snapscan VNIR內置掃描高光譜相機，波段數：>150 bands ## 2. 資料集內容 資料集包含以下主要檔案類型： - **高光譜影像檔 (RAW 檔案)**： - 每個檔案對應於不同波段下的水稻種子影像，這些影像捕捉了感染葉芽線蟲的種子在特定波長下的反射光譜信息。每個檔案均保存完整的光譜數據，包含可見光與近紅外波段（470 nm 到 900 nm），並依波長區分。 - **高光譜影像檔 (HDR 檔案)**： - 這是儲存raw檔裡面的詳細資料。 - **標註檔 (XML 檔案)**： - XML 檔案包含對影像中病害情況的標註信息，記錄了每個樣本的感染程度。標註的數據包括： - 種子是否被葉芽線蟲感染。 - **Meta數據檔 (metadata.csv)**： - 該檔案列出了每個樣本的詳細信息，包括樣本編號、拍攝時間、影像的波段範圍、影像拍攝條件以及感染標註等。 ## 3. 資料蒐集與處理流程 ### 3.1 影像蒐集 影像是透過高光譜相機在實驗室環境下進行拍攝，波長範圍從 **470 nm 到 900 nm**，涵蓋可見光與近紅外光譜。每張影像捕捉了特定波長下的種子反射光譜特徵，並針對水稻葉芽線蟲感染的不同情況進行蒐集，形成一個多維度的高光譜資料庫。 ### 3.2 標註資料 每個影像樣本根據有浸泡過種子是否受到葉芽線蟲感染，以及感染程度進行詳細標註： - **0**：未感染。 - **1**：有感染。 這些標註資料存放於 XML 檔案中，並以結構化方式儲存相關的標註信息，以便後續分析與模型訓練。 ### 3.3 高光譜數據處理 高光譜影像的每一個波段資料都需要進行校正與處理，以消除噪音與環境因素的影響。通常需要進行正規化與降噪處理，確保影像數據的準確性。後續可針對不同波段範圍的數據進行分析，以找出對於病害診斷最具代表性的波段，就資料分析稻種上有線蟲和沒有線蟲的波段 從500-800 都有明顯差異。 ## 4. 資料應用場景 ### 4.1 病害預測模型訓練 本資料集可應用於機器學習或深度學習模型的訓練，尤其是在病害預測方面。研究人員可以利用高光譜影像的豐富數據，分析不同波段範圍內的光譜特徵，從而預測種子是否受到葉芽線蟲感染，並建立準確的病害預警系統。 ### 4.2 高光譜影像分析 透過分析不同波段範圍內的高光譜影像，可以進行水稻病害的早期診斷，並輔助研究人員深入理解葉芽線蟲感染的機制。這有助於開發病害預警系統，實現作物病害的自動檢測和實時監控。 ![範例圖片](https://i.ibb.co/FDjpxCb/Any-Conv-com-1.jpg) ## 5. 使用方法 ### 5.1 資料使用要求 使用本資料集時，建議使用具備高光譜數據分析功能的工具進行資料處理，例如 Python 的 `spectral` 庫或其他常用的影像處理工具（如 `OpenCV` 和 `scikit-image`）。對於進行深度學習訓練的研究者，可以使用 TensorFlow 或 PyTorch 等框架來進行高光譜數據的預處理與模型訓練。 ### 5.2 資料預處理建議 - 在分析前，建議對高光譜影像進行正規化處理，以確保數據的統一性。 - 根據研究需求，可篩選出對病害診斷較為敏感的波段範圍進行特徵選取與模型訓練。 ## 6. 可能的研究發展方向 - **病害影像檢測模型開發**：可以基於高光譜影像數據開發專門的病害檢測模型，尤其是針對水稻葉芽線蟲感染的早期診斷，從而提高作物產量並減少病害損失。 - **波段範圍篩選與優化**：透過分析不同波段對病害特徵的影響，研究人員可以篩選出對病害檢測最具敏感度的波段，並進一步優化模型的準確性與效率。 ---


  • Changed value of field annotationinfos1 to [] in Rice disease hyperspectral image dataset(水稻病害高光譜影像資料集)


  • Changed value of field nchu_texarea_dataset_abstract to 本資料集為收集田間感染水稻葉芽線蟲之有浸泡過種子高光譜儀影像辨識資料。 in Rice disease hyperspectral image dataset(水稻病害高光譜影像資料集)