4类马铃薯品质缺陷检测数据集（瘀伤薯/裂纹薯/发芽薯/正常马铃薯）

4类马铃薯品质缺陷检测数据集（瘀伤薯/裂纹薯/发芽薯/正常马铃薯）

2200张YOLO农产品质检数据集 | 适用于智能分拣、农业质检与目标检测研究

一、数据集概述

本数据集为面向马铃薯外观品质检测与智能分级场景构建的高质量目标检测数据集，共包含 2200张高质量实拍标注图像，专注于马铃薯采后品质检测过程中常见缺陷的自动识别与分类任务。数据集覆盖正常马铃薯及多种典型外观缺陷类别，可广泛应用于智慧农业、农产品质量检测、自动化分拣设备、食品加工企业质检以及农业人工智能算法研发等领域。

随着农业智能化和农产品品质分级需求的不断提升，传统人工检测方式已难以满足大规模、高效率、标准化的品质检测需求。基于深度学习的视觉检测技术能够实现马铃薯缺陷的快速识别与精准分类，为农产品自动化分拣和品质管理提供重要技术支撑。本数据集针对马铃薯品质检测场景进行专项构建，可为YOLO系列、Faster R-CNN、SSD、RT-DETR等主流目标检测模型提供优质训练数据。

数据集下载链接

通过网盘分享的文件：马铃薯外观品质缺陷检测数据集

链接: https://pan.baidu.com/s/1EZDWa6V1PqluuXzReOsYOA?pwd=yhuk

提取码: yhuk

二、数据集基础信息

• 数据集名称：马铃薯外观品质缺陷检测数据集

• 数据总量：2200张高质量实拍图像

• 标注类型：目标检测（Object Detection）

• 类别数量：4类

• 数据质量：人工精细标注

• 图像来源：真实马铃薯采后检测场景

数据集存储路径

database/马铃薯外观品质缺陷检测数据集

数据集划分

train/images # 训练集

valid/images # 验证集

test/images # 测试集

其中：Train用于模型训练与特征学习；Valid用于模型调参与性能验证；Test用于模型最终泛化能力评估。

三、检测类别说明

本数据集共定义 4个目标检测类别（nc=4），覆盖马铃薯品质检测中最常见的正常样本与缺陷样本。

四、数据集特点

1. 聚焦马铃薯品质检测核心缺陷

数据集围绕马铃薯产业链中最重要的品质缺陷进行采集与标注，重点覆盖：机械碰撞瘀伤、表皮裂纹破损、储存发芽现象、正常健康样本，能够满足品质分级与自动化分拣场景需求。

2. 真实农业生产场景采集

所有图像均来源于真实生产环境，包含：收获后检测场景、仓储分选场景、输送带检测场景、人工质检场景，具有较强的工程应用价值。

3. 丰富的样本多样性

数据集覆盖：不同品种马铃薯、不同尺寸规格、不同光照条件、不同缺陷程度、单目标与多目标场景，能够有效提高模型的鲁棒性与泛化能力。

4. 高质量人工精细标注

所有图像均经过专业人工标注与多轮校验：边界框精准贴合目标轮廓、类别定义清晰准确、无明显漏标与错标、数据一致性高，为模型训练提供可靠的数据基础。

5. 标准YOLO格式

数据集严格遵循主流目标检测数据格式规范，可直接应用于：YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLOv11、RT-DETR、SSD、Faster R-CNN、MMDetection、PaddleDetection，无需额外格式转换即可快速投入训练。

五、适用场景

智能农产品分拣系统

实现马铃薯自动分类：合格品筛选、缺陷品剔除、品质等级划分、自动分拣控制，提高分拣效率与一致性。

农产品品质检测

应用于：食品加工企业、农产品检测中心、农贸市场质检、农产品仓储管理，实现标准化品质管理。

智慧农业视觉系统

支持：农产品品质监测、缺陷统计分析、质量追溯管理、农业数字化升级，推动农业智能化发展。

AI视觉算法研发

适用于：缺陷检测算法研究、农业目标检测模型训练、小目标识别研究、深度学习模型优化，为农业AI研究提供数据支撑。

教学与科研应用

适用于：智慧农业课题研究、计算机视觉实验、毕业设计项目、农业人工智能课程实训，具有较高的科研与教学价值。

六、数据集优势总结

数据优势

• 2200张高质量实拍图像

• 4类核心品质类别

• 覆盖典型马铃薯缺陷

• 真实生产环境采集

• 标注精度高

技术优势

• YOLO标准格式

• 开箱即用

• 支持主流检测框架

• 训练部署便捷

• 泛化能力强

应用优势

• 智能分拣设备开发

• 农产品品质检测

• 智慧农业建设

• 农业AI算法研发

• 科研教学实验

本数据集能够有效支撑马铃薯品质缺陷检测模型的训练与优化，为农业智能分拣、农产品质量控制、智慧农业视觉系统建设及相关科研工作提供高质量的数据基础和可靠的算法训练资源。