黄麻病害数据集，在这项工作中，我们使用一个脚本从谷歌Images和其他来源收集我们感兴趣的所有昆虫的照片，并将它们与实验室处理的照片结合起来。我们的数据集由4个类组成。每个类的平均计数为384，总计1535幅图像。由于Kaggle的限制，我们将每个类的图像限制在220张。本图像数据集中列出了四种重要的黄麻害虫

智慧农业_3类柑橘病虫害数据集522张已标注_voc格式+yolo格式标签 一共522张，两种格式标签，多种目标检测算法可以直接用。由于数据太大，上传的是下载链接，可放心下载！ 病害类别为三类{'0': "HLB",'1': "ill",'2': "health"}

收集了70多篇农作物病害识别方面的论文研究，有关如何编写算法进行实现，都是高引的，希望对需要人士有所帮助

图像分类病害识别数据，水稻数据，包括非叶片未知数据，可直接进行卷积神经网络训练

提供大量数据集，可供智能算法数据集训练

路面裂缝病害数据集，大量图片

铁轨表面病害数据集-铁轨表面剥落掉块

八类患病番茄的叶片图像 八类患病番茄的叶片，每类大约100张左右。 深度学习植物病害识别。

受疾病感染水稻植株叶片图像数据集 本数据集包含120张水稻染病叶片的jpg图像。这些图像根据疾病类型分为三类。每节课有40张图片。

我国作为世界上最大的葡萄生产国和消费国,葡萄产业已经成为很多地方脱贫致富的支柱产业,但是葡萄病害影响葡萄品质和果实产量,因此快速而精准地识别葡萄病害类型及病害程度是增产增收的重要保障。数据集收集自plant_village，在其基础上用voc格式进行标注，葡萄叶片病害数据集，可用于目标检测，使用数据增强技术完成对搜集的病害样本图片进行扩充,建立了葡萄病害叶片的数据集。传统的依靠人工进行病害识别、诊断并进行决策的生产方式效率低下且劳动成本高昂,迫切需要实现病害的智能化诊断。作为信息技术的核心之一,人工智能技术为实现农业信息化和智能化提供了重要支撑,随着深度学习技术的快速发展,农业领域中的农作物病虫害识别、检测、分割与计数等研究均取得了一定的进展,对实现病虫害的精准防治、减少经济损失及生物育种等具有重要意义。