类马铃薯缺陷检测数据集（瘀伤/裂纹/发芽/正常）

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

本数据集专为马铃薯品质检测场景构建，包含2200张高质量实拍图像，覆盖采后处理中最常见的品质缺陷，可广泛应用于智慧农业、自动化分拣设备及农产品质检领域。

随着农业智能化的推进，传统肉眼分拣方式在效率、标准统一性和人力成本方面已难以满足大规模生产需求。基于深度学习的视觉检测方案可有效解决这一痛点。本数据集直接面向该需求，可无缝对接YOLO系列、Faster R-CNN、SSD、RT-DETR等主流目标检测模型，训练流程简便。

数据集基础信息

关键信息如下：

• 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
• 图像来源：真实马铃薯采后检测场景
• 数据质量：人工精细标注，经多轮校验

数据集存储路径：database/马铃薯外观品质缺陷检测数据集

数据集采用标准划分方式：

• train/images —— 训练集，用于模型学习和特征提取
• valid/images —— 验证集，用于调参与性能验证
• test/images —— 测试集，用于评估最终泛化能力

标准划分可有效防止数据泄漏，确保模型评估结果真实可信。

检测类别说明

数据集定义4个目标检测类别（nc=4），覆盖马铃薯品质检测中的常见情况：

类别ID	类别名称	类别说明
0	瘀伤薯	表皮存在碰撞、挤压、机械损伤形成的瘀伤缺陷
1	裂纹薯	表皮出现开裂、裂缝或破损等缺陷
2	正常马铃薯	外观完整、无明显缺陷的优质马铃薯
3	发芽薯	表皮长出芽体、不符合商品销售标准

这四类构成了马铃薯产线质检的核心判断维度。

数据集特点

1. 聚焦品质检测核心缺陷

数据集围绕产业链中最重要的品质缺陷点构建：机械碰撞造成的瘀伤、表皮裂纹破损、储存不当导致的发芽，以及正常健康样本。前三个是分拣环节的主要问题，解决这几类缺陷即可支撑产线自动化分级的基础需求。

2. 真实场景采集

图像采集自真实生产环境，包括收获后检测线、仓储分选现场、输送带实时抓拍、人工质检台等。模型训练数据直接来源于实战场景，部署后不易出现环境适应性问题。

3. 样本多样性丰富

数据集覆盖不同品种、不同尺寸规格、不同光照条件及缺陷程度差异的样本，包含单目标和多目标场景。充足的多样性可提升模型在实际应用中的鲁棒性和泛化能力。

4. 高质量人工精细标注

所有标注经专业人工操作及多轮校验，边界框贴合度高，类别定义清晰，漏标和错标情况极少。数据质量直接影响模型性能，标注环节投入了充分精力。

5. 标准YOLO格式

数据集直接采用YOLO格式，兼容YOLOv5至YOLOv11、RT-DETR、SSD、Faster R-CNN及MMDetection、PaddleDetection等框架，无需额外格式转换，方便研究者快速开展实验。

适用场景

智能农产品分拣系统 —— 合格品筛选、缺陷品剔除、品质等级划分、自动分拣控制等任务可在本数据集基础上直接开展，有助于提升分拣效率和一致性。

农产品品质检测 —— 食品加工企业、农产品检测中心、农贸市场质检、仓储管理等场景需要标准化品质管理，本数据集可提供基础支撑。

智慧农业视觉系统 —— 品质监测、缺陷统计分析、质量追溯管理，为农业产业数字化转型提供视觉感知层基础能力。

AI视觉算法研发 —— 缺陷检测算法研究、农业目标检测模型训练、小目标识别、模型优化，均为典型落地场景。

教学与科研应用 —— 智慧农业课题、计算机视觉实验、毕业设计、农业AI课程实训等，本数据集在学术和技术探索领域具有实用价值。

数据集优势总结

数据优势：2200张真实场景图像、4类核心品质类别、覆盖典型缺陷类型、标注精度高、生产环境采集。

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、科研教学实验等领域均有明确应用落脚点。

总体而言，本数据集在农业智能分拣、质量控制、视觉系统建设和相关科研工作中提供了扎实的数据基础，适合正在从事农产品自动化检测或目标检测研究方向的人员使用。