该数据集由17509张图像组成，包含7种不同类别的杂草图像和1个负类图像，使用csv对每一图像的类别进行标注。数据集中的每幅图像统一被缩放为256*256像素大小，该数据集主要应用于基于深度学习或机器学术的杂草分类、检测等方面的研究。

可用于YOLOv5/v6/v7/v8训练的农作物杂草数据集

作物/杂草田地图像数据集(CWFID)伴随着以下出版物:“Sebastian Haug, Jörn Ostermann:用于基于计算机视觉的精确农业任务评估的作物/杂草田地图像数据集，CVPPP 2014研讨会，ECCV 2014” 该数据集包括野外图像、植被分割掩码和作物/杂草植物类型注释。本文详细介绍了现场设置、采集条件、图像和地面真实数据格式等。

用于深度学习的多类杂草物种图像数据集，deep野草数据集包含9类17,509个独特的256x256彩色图像。共有15007张训练图片和2501张测试图片。分类和种标如下0-中国苹果1-大戟2-帕金森亚3-帕特宁4-刺相思5-橡胶藤6-暹罗杂草7-蛇草8-其他。注本文使用的五次交叉验证的具体标签子集(60%)、验证(20%)和测试(20%)也在这里以CSV文件的形式提供，格式与“labels.csv”相同。

杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹， 杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹， 杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹，

茄子杂草的自动检测数据集，共48张高清图片 茄子杂草的自动检测数据集，共48张高清图片 茄子杂草的自动检测数据集，共48张高清图片

甘蔗田里甘蔗和杂草图片数据集，共包含1400多张图片，用于甘蔗与杂草的区分 甘蔗田里甘蔗和杂草图片数据集，共包含1400多张图片，用于甘蔗与杂草的区分 甘蔗田里甘蔗和杂草图片数据集，共包含1400多张图片，用于甘蔗与杂草的区分

稻田慈姑类杂草数据集（426张图片） 稻田慈姑类杂草数据集（426张图片） 稻田慈姑类杂草数据集（426张图片）

根据杂草颜色特征,提出了新的图像分割算法,在RGB空间直接将杂草从土壤背景中分割出来。首先顺序搜索图像中每一个像素点,如果当前像素RGB值中G>R且G>B,则将该像素值置1(杂草),否则为0(背景),从而完成图像分割。然后采用8邻域消除孤立点,并确定杂草区域位置。利用Visual C + +开发了除草机器人杂草识别软件,设计了除草机器人结构模型。试验表明,该分割算法实时性好,可有效识别出杂草,并能够适应户外自然光变化。除草机器人机械臂能够准确定位,完成除草动作。

IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） 入侵杂草优化算法是一种模拟自然界杂草殖民过程的一种新型智能优化方法，具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，目前，入侵杂草优化算法已被成功应用到许多领域。但该算法本身也存在着易陷入局部最优，后期寻优精度不高等缺陷，大大地限制了入侵杂草优化算法的应用范围。针对入侵杂草优化算法存在的寻优精度不高和早熟现象，提出了利用杂草算法的种群多样性进行全局搜索，同时用复合形的反射、延伸、压缩等运算产生一个新解替代当前种群中最差的个体来进行局部搜索，可有效地避免算法早熟现象，同时提高了算法的寻优精度，增加算法的收敛速度。 IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab）