LivingOptics/hyperspectral-plant-virus

超级甜菜病毒分类数据集包含了97张高分辨率甜菜植物图像，每张图像都有注释，用于指示特定病毒感染的存在。数据集共有146个注释，涵盖4个类别：甜菜褪绿病毒（BChV）、甜菜轻微黄化病毒（BMYV）、甜菜黄化病毒（BYV）以及未接种的健康植物。数据集中的图像是在不同的接种状态下拍摄的，注释时确保了植物之间有清晰的间隙以保证标注的准确性。部分图像中包含白色参考目标，用于光谱校准。数据集存在一定的类别不平衡问题。

The Super Beet Virus Classification Dataset consists of 97 high-resolution images of sugar beet plants, each annotated to indicate the presence of specific viral infections. The dataset includes a total of 146 annotations across 4 classes: Beet Chlorosis Virus (BChV), Beet Mild Yellowing Virus (BMYV), Beet Yellows Virus (BYV), and Uninoculated (Healthy Plants). The images in the dataset were taken under various inoculation statuses, with annotations performed to ensure clear gaps between plants for accurate labeling. Some images include white reference targets for spectral calibration. The dataset exhibits some class imbalance.

搜集汇总

数据集介绍

构建方式

该数据集名为LivingOptics/hyperspectral-plant-virus，专注于利用高光谱成像技术对甜菜病毒进行检测与分类。数据集构建过程严谨，共采集了97幅高分辨率甜菜植株图像，并在此基础上完成了146个标注实例。标注覆盖四种类别：甜菜黄化病毒（BYV）、甜菜淡黄化病毒（BMYV）、甜菜褪绿病毒（BChV）及健康植株（未接种对照组）。为确保标注准确性，标注过程中严格基于植株间的清晰间隙进行区分，部分图像还引入了白色参考目标以辅助光谱校准。整体而言，该数据集通过高光谱成像与精细人工标注相结合的方式，为植物病毒的非破坏性检测提供了高质量的训练基础。

特点

该数据集的核心特点在于其高光谱成像与分类任务的深度结合，为植物病理学领域提供了独特的非破坏性检测工具。数据集虽规模较小（97幅图像），但标注精细，涵盖三种主要甜菜病毒及健康对照，其中健康植株样本最多（30例），而BMYV样本最少（16例），呈现出一定的类别不平衡性。这一不平衡特性反映了真实田间场景中病毒分布的差异性，有助于训练模型应对实际检测中的挑战。此外，高光谱数据可捕获植物叶片在可见光及近红外波段的细微光谱变化，为区分不同病毒引起的生理响应提供了丰富信息，从而支持高精度的疾病分类。

使用方法

该数据集可通过Living Optics云门户直接访问下载，适用于基于高光谱图像与机器学习的植物病毒分类研究。使用时，用户需将高光谱图像与对应的标注文件配对，加载图像数据后，可提取每个标注区域的光谱特征或采用端到端的深度学习模型（如卷积神经网络）进行训练。考虑到类别不平衡，建议在模型训练中引入加权损失函数或数据增强策略以优化分类性能。数据集中的白色参考目标可用于光谱归一化预处理，提升模型在不同光照条件下的泛化能力。最终，该数据集可应用于开发田间实时病毒检测系统，助力甜菜作物的健康监测与精准农业实践。

背景与挑战

背景概述

甜菜作为全球重要的糖料作物，其健康生长直接关系到制糖产业的稳定与经济效益。然而，病毒性病害如甜菜黄化病毒、甜菜轻型黄化病毒及甜菜褪绿病毒等，常导致叶片黄化、坏死及含糖量下降，严重威胁作物产量与品质。由Living Optics团队构建的超光谱植物病毒数据集，诞生于对非侵入式、高通量病害检测技术的迫切需求之中。该数据集通过高光谱成像技术捕捉甜菜叶片在多个波段的精细光谱信息，旨在为机器学习模型提供区分不同病毒类型与健康植株的关键特征。自发布以来，该数据集为农业遥感与植物病理学的交叉研究提供了标准化基准，推动了基于光谱分析的早期病害诊断系统发展，对精准农业中的实时监测策略具有重要启发意义。

当前挑战

该数据集面临的核心挑战首先在于解决甜菜病毒病的精准分类问题，传统依赖症状观察的方法易受环境因素干扰，而高光谱数据虽能揭示细微光谱差异，却需克服类间光谱特征重叠的难题，尤其是BChV与BMYV引发的相似黄化症状易导致误判。其次，数据集构建过程中遭遇了样本不平衡与标注复杂度双重考验，健康植株与染病样本数量不均（如BMYV仅16例），可能使模型偏向多数类；此外，田间图像中植株间隙、光照变化及白板参考靶的存在，要求标注者精确区分植物区域与背景噪声，以确保光谱信息的纯净性。这些挑战共同制约着模型在真实农场环境中的泛化能力与鲁棒性。

常用场景

经典使用场景

在植物病理学与精准农业的交汇领域，LivingOptics/hyperspectral-plant-virus数据集为基于高光谱成像的甜菜病毒分类研究提供了卓越的基准资源。该数据集收录了97幅高分辨率甜菜植株图像，涵盖甜菜黄化病毒、甜菜轻度黄化病毒、甜菜萎黄病毒及健康植株共计146个精细标注实例。研究者常利用其丰富的光谱维度与空间信息，构建端到端的深度学习分类模型，通过分析叶片反射光谱的细微差异，实现对不同病毒胁迫类型的非破坏性精准判别。这一经典应用场景不仅验证了高光谱技术在早期病害检测中的有效性，更为后续跨作物的光谱病害诊断研究奠定了方法论基础。

衍生相关工作

该数据集催生了一系列影响深远的相关工作，尤其在无监督光谱特征学习与跨域迁移分类领域。研究者基于其光谱连续性特点，开发了结合注意力机制的轻量级卷积网络，在保持95%以上分类精度的同时将模型参数量压缩至百万级，适配边缘计算设备。另一经典工作利用生成对抗网络合成平衡的高光谱样本，有效缓解了原始数据中病毒类别分布不均的问题。此外，该数据集被用作迁移学习源域，成功将甜菜病害诊断知识迁移至番茄、小麦等作物的病毒检测任务，验证了高光谱特征在植物胁迫响应中的跨物种普适性，推动了通用农业病害诊断基座模型的构建。

数据集最近研究

最新研究方向

高光谱成像与机器学习融合的植物病毒早期精准诊断。该数据集聚焦于甜菜黄化病等病毒性病害的快速非破坏性检测，通过捕获叶片反射的细微光谱差异，结合分类算法实现对甜菜黄化病毒、甜菜轻型黄化病毒及甜菜坏死黄化病毒等不同病原体的高效区分。研究前沿正从传统病害识别向多病毒协同诊断与健康植株基线建模演进，尤其针对田间复杂光照环境下的光谱校准与类别不平衡问题，探索轻量化模型与迁移学习策略。该数据集为精准农业中的作物健康监测提供了关键标注资源，推动高光谱遥感技术在病毒流行预警与抗性育种评估中的实际落地，对保障甜菜产量与糖分品质具有重要生态经济意义。