香蕉叶图像数据集：助力非洲香蕉疾病精准诊断

《Scientific Data》：Banana Leaves Imagery Dataset

为解决非洲香蕉疾病诊断难题，研究人员构建香蕉叶图像数据集，利于早期疾病检测。

　　香蕉作为非洲近 7000 万农民的主食和经济作物，在非洲的农业经济和粮食供应中占据着举足轻重的地位。然而，香蕉在生长过程中却面临着诸多疾病的威胁，其中黑条叶斑病（Black Sigatoka）和尖孢镰刀菌 1 号小种（Fusarium Wilt Race 1）对香蕉的危害尤为严重。这些疾病一旦爆发，会给香蕉产量带来巨大损失，根据香蕉品种以及感染程度的不同，产量损失可达 30% - 100%。如此严重的产量损失，不仅让农民的辛勤劳作付诸东流，收入大幅减少，还对非洲的粮食安全构成了严峻挑战。

目前，在香蕉疾病的诊断方面，主要依靠人工对叶片、茎部等受影响的植物部位进行目视检查。但这种传统方法存在明显的缺陷，比如诊断往往会延迟，等到发现时，病情可能已经发展到难以挽回的地步，这不仅增加了疾病管理和控制的成本，还可能导致大量甚至全部的作物损失。

为了应对这一困境，来自坦桑尼亚纳尔逊?曼德拉非洲科技研究所（Nelson Mandela African Institution of Science and Technology）的研究人员 Neema Mduma 和 Christian Elinisa 开展了一项重要研究。他们收集了大量香蕉叶图像，构建了香蕉叶图像数据集，并将研究成果发表在《Scientific Data》上。该研究成果对于推动香蕉疾病的早期检测和精准诊断，保护香蕉作物，保障非洲的粮食安全具有重要意义。

在研究过程中，研究人员主要运用了以下关键技术方法：
一是随机抽样技术，从坦桑尼亚的伦圭（Rungwe）、姆贝亚（Mbeya）、阿鲁梅鲁（Arumeru）和阿鲁沙（Arusha）四个地区随机选取了 51 个农场，以确保样本的代表性；二是利用三星 SM - A715F/DS 智能手机相机结合 Open Data Kit 工具进行图像采集；三是运用 VisiPics 和 Duplicate Photo Finder 软件检查并去除重复图像，使用 Bulk Rename Utility 软件对图像进行重命名，利用 LabelMe 对图像进行标注等数据预处理操作。

研究结果如下：

• 数据集构建：研究人员收集了 11767 张图像，这些图像被分为健康（3339 张）、感染黑条叶斑病（3496 张）和感染尖孢镰刀菌 1 号小种（4932 张）三类。这些图像是在 2022 年 11 月至 2023 年 1 月期间，通过高分辨率智能手机相机在广泛的地理区域内拍摄的。数据集涵盖了不同状态下的香蕉叶图像，为后续研究提供了丰富的数据基础。
• 数据预处理：对收集到的图像进行了清洗、裁剪、重命名和标注等预处理工作。在裁剪时，手动去除了无关的背景元素，突出了香蕉叶的关键特征；利用 VisiPics 和 Duplicate Photo Finder 软件检查并去除重复图像；使用 Bulk Rename Utility 软件对图像重命名，使其反映类别名称和图像编号；利用 LabelMe 对图像进行标注，为实例和语义分割等计算机视觉任务提供了数据支持。
• 技术验证：该数据集图像清晰、聚焦良好，分辨率达到 3480×3496 像素，采用 jpeg 格式存储。研究人员在 Conda 虚拟环境中使用 Python 脚本进行处理，利用 GoogleDriveDownloader 0.4 库下载数据集，使用 Pandas 1.3.5 进行数据处理和分析。利用 LabelMe 对图像进行标注，为基于 Mask R - CNN 的实例分割和基于 U - Net 的语义分割提供了基础数据。

研究结论表明，该香蕉叶图像数据集涵盖了不同状态下的香蕉叶图像，且经过了严格的数据预处理和技术验证。这一数据集能够为研究人员和开发者构建自动检测香蕉疾病的机器学习解决方案提供有力支持，有助于农业相关人员，包括农民，尽早诊断出尖孢镰刀菌 1 号小种和黑条叶斑病，并及时采取措施，从而减少香蕉作物的损失，对非洲的香蕉种植业和粮食安全保障意义重大。同时，研究人员也指出，未来的数据集可以探索纳入除本文所涉及的两种疾病之外的其他香蕉疾病，进一步完善香蕉疾病研究的数据基础。