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.csv

metadata.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 pltdef 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。