水稻病害近紅外光影像資料集 說明文件

1. 資料集概述

●這是一個針對水稻線蟲病害的高光譜近紅外光影像資料集，資料集中的主要內容包括高光譜影像 (RAR 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 900 nm 至 1700 nm 的多個波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。 ●The product name：N17E-InGaAs The spectral bands：512 The spatial line pixels： 640

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 (HDR 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，包含近紅外與中紅外波段（900 nm 到 1700 nm），並依波長區分。

• 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 900 nm 到 1700 nm，涵蓋近紅外與中紅外光譜。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：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。

3.4 圖片範例

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。

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。