水果质量检测数据集 腐烂检测13个类别‘ 训练集1811 验证集514 测试集258
水果质量检测数据集 腐烂检测
13个类别
'Apple_B训练集1811 验证集514 测试集258ad', 'Apple_Good', 'Banana_Bad', 'Banana_Good', 'Good_Apple-Bad_Apple', 'Guava_Bad', 'Guava_Good', 'Lime_Bad', 'Lime_Good', 'Orange_Bad', 'Orange_Good', 'Pomegranate_Bad', 'Pomegranate_Good'
水果质量检测数据集 腐烂检测
13个类别
'Apple_Bad', 'Apple_Good', 'Banana_Bad', 'Banana_Good', 'Good_Apple-Bad_Apple', 'Guava_Bad', 'Guava_Good', 'Lime_Bad', 'Lime_Good', 'Orange_Bad', 'Orange_Good', 'Pomegranate_Bad', 'Pomegranate_Good'
训练集1811 验证集514 测试集258
水果质量检测数据集 - 腐烂检测
名称
水果质量检测数据集 - 腐烂检测
规模
- 类别数量：13个
- 训练集：1811张图像
- 验证集：514张图像
- 测试集：258张图像
- 数据量：未提供具体数据量，但通常这类数据集可能达到数百MB到几GB。
类别
- Apple_Bad：腐烂的苹果
- Apple_Good：完好的苹果
- Banana_Bad：腐烂的香蕉
- Banana_Good：完好的香蕉
- Good_Apple-Bad_Apple：包含好苹果和坏苹果的组合图像
- Guava_Bad：腐烂的番石榴
- Guava_Good：完好的番石榴
- Lime_Bad：腐烂的青柠
- Lime_Good：完好的青柠
- Orange_Bad：腐烂的橙子
- Orange_Good：完好的橙子
- Pomegranate_Bad：腐烂的石榴
- Pomegranate_Good：完好的石榴
数据特点
- 多样化类别：涵盖了多种常见水果及其好坏状态，确保模型能够适应不同种类的水果。
- 详细标注：每张图像都附有明确的类别标签，方便进行监督学习。
- 高质量图像：所有图像均为高质量拍摄，提供了丰富的细节信息，有助于提高分类精度。
- 分组数据集：数据集分为训练集、验证集和测试集，便于模型训练、验证和评估。
应用场景
- 质量控制：在水果收获后进行质量检查，确保产品符合市场标准。
- 供应链管理：帮助供应链中的各个环节（如仓储、运输）及时发现并处理腐烂水果，减少损失。
- 零售管理：超市和零售商可以使用该系统自动检测货架上的水果质量，提升顾客体验。
- 研究与教育：用于农业科研机构的研究以及相关院校的教学，帮助学生和研究人员更好地了解水果质量检测技术。
- 智能农业：集成到智能农业系统中，提升作物管理和销售效率。
数据集结构
数据集的文件结构如下
fruit_quality_dataset/
├── train/
│ ├── Apple_Bad/
│ ├── Apple_Good/
│ ├── Banana_Bad/
│ ├── Banana_Good/
│ ├── Good_Apple-Bad_Apple/
│ ├── Guava_Bad/
│ ├── Guava_Good/
│ ├── Lime_Bad/
│ ├── Lime_Good/
│ ├── Orange_Bad/
│ ├── Orange_Good/
│ ├── Pomegranate_Bad/
│ └── Pomegranate_Good/
├── val/
│ ├── Apple_Bad/
│ ├── Apple_Good/
│ ├── Banana_Bad/
│ ├── Banana_Good/
│ ├── Good_Apple-Bad_Apple/
│ ├── Guava_Bad/
│ ├── Guava_Good/
│ ├── Lime_Bad/
│ ├── Lime_Good/
│ ├── Orange_Bad/
│ ├── Orange_Good/
│ ├── Pomegranate_Bad/
│ └── Pomegranate_Good/
├── test/
│ ├── Apple_Bad/
│ ├── Apple_Good/
│ ├── Banana_Bad/
│ ├── Banana_Good/
│ ├── Good_Apple-Bad_Apple/
│ ├── Guava_Bad/
│ ├── Guava_Good/
│ ├── Lime_Bad/
│ ├── Lime_Good/
│ ├── Orange_Bad/
│ ├── Orange_Good/
│ ├── Pomegranate_Bad/
│ └── Pomegranate_Good/
└── metadata.csvmetadata.csv 文件内容示例：
image_id, category, split
train/Apple_Bad/apple_bad_0001.jpg, Apple_Bad, train
train/Apple_Good/apple_good_0001.jpg, Apple_Good, train
val/Banana_Bad/banana_bad_0001.jpg, Banana_Bad, val
val/Banana_Good/banana_good_0001.jpg, Banana_Good, val
test/Good_Apple-Bad_Apple/good_apple-bad_apple_0001.jpg, Good_Apple-Bad_Apple, test
...代码示例
下面是一个简单的Python脚本示例，展示如何加载和可视化这些数据集的一部分。我们将使用OpenCV来读取图像，并从metadata.csv文件中解析图像的元数据
import os
import cv2
import pandas as pd
import matplotlib.pyplot as plt
def load_fruit_data(metadata_file, data_dir):
metadata = pd.read_csv(metadata_file)
images = []
categories = []
for index, row in metadata.iterrows():
image_id = row['image_id']
category = row['category']
split = row['split']
# 加载图像
img_path = os.path.join(data_dir, image_id)
image = cv2.imread(img_path)
if image is not None:
images.append(image)
categories.append(category)
else:
print(f"Failed to load image: {img_path}")
return images, categories, metadata
# 假设元数据文件为'metadata.csv'，数据目录为'fruit_quality_dataset'
metadata_file = 'path_to_your_metadata_file'
data_dir = 'path_to_your_data_directory'
images, categories, metadata = load_fruit_data(metadata_file, data_dir)
# 显示前几张图像及其对应的类别
num_images_to_show = 5
fig, axes = plt.subplots(1, num_images_to_show, figsize=(15, 3))
for i in range(num_images_to_show):
ax = axes[i]
ax.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
ax.set_title(categories[i])
ax.axis('off')
plt.show()说明
- 路径设置：请根据实际的数据集路径调整
path_to_your_metadata_file和path_to_your_data_directory。 - 文件命名：假设图像文件名分别为
.jpg。如果实际命名规则不同，请相应修改代码。 - 可视化：通过显示图像及其对应的类别，可以直观地看到数据集中的样本。
进一步的应用
- 训练深度学习模型：可以使用这个数据集来训练卷积神经网络（CNN）或其他机器学习模型，以实现自动化的水果质量检测。
- 数据增强：为了增加数据集的多样性和鲁棒性，可以使用数据增强技术（如旋转、翻转、缩放等）生成更多的训练样本。
- 评估与优化：通过交叉验证和测试集评估模型性能，并不断优化模型参数，以提高分类准确率。
这个数据集对于水果质量检测具有重要的实用价值，可以帮助相关部门及时发现和处理腐烂水果，提高产品质量和客户满意度。
原文地址：https://blog.csdn.net/ALiLiLiYa/article/details/142666795
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！