一句话总结

Dhan-Shomadhan 数据集包含 1,106 张从达卡专区收集的水稻叶片图像，记录了褐斑病、鳞叶病、稻瘟病、稻黄萎病（Rice Turngo）和隐蔽枯萎病。图像涵盖田间与白色背景，旨在支持用于病害分类与检测的计算机视觉及模式识别方法。

核心贡献

• 本研究推出一个包含 1,106 张水稻叶片图像的数据集，涵盖孟加拉国五种常见病害：褐斑病、鳞叶病、稻瘟病、稻黄萎病（Rice Turngo）和隐蔽枯萎病。所有样本均采集自达卡专区的农田。
• 该数据集包含两种不同的背景变体，即自然田间环境与受控的白色背景，旨在提升田间部署与标准化决策中的分类准确率。
• 该数据集为训练计算机视觉与模式识别模型提供了结构化资源，以执行水稻叶片病害的自动化分类与检测。

引言

提供的摘要仅列出作者姓名，缺乏总结研究背景所需的技术背景、既往局限性及方法细节。请提供摘要或相关正文内容，以便撰写简明摘要，重点突出应用领域、现有挑战以及作者对该领域的推进作用。

数据集

• 数据集构成与来源： 作者汇编了 1,106 张水稻叶片图像，直接来源于孟加拉国达卡专区的农田。该数据集涵盖五种主要水稻病害：褐斑病、叶灼病、稻瘟病、稻黄萎病（Rice Tungro）和鞘枯病。

• 各子集关键细节： 每个病害类别均划分为两种不同的背景变体，以增强模型泛化能力。田间背景子集包含在多变光照与天气条件下于户外拍摄的图像，呈现自然稻田环境。白色背景子集包含在室内使用一致自然光、以纯白纸为背景拍摄的图像。尽管原始图表中引用了各病害的具体图像数量，但该数据集在所有五个类别中均保持一致的双背景结构。

• 论文的数据使用方式： 作者利用该数据集开发并评估用于水稻病害分类与检测的计算机视觉模型。双背景设计旨在弥合受控实验室分析与实际田间部署之间的差距。提供的文档未明确指定用于模型训练的显式训练/验证划分或数据混合比例。

• 处理与元数据细节： 图像使用 Vivo Y15 智能手机摄像头拍摄，分辨率为 1952x4160 像素，固定焦距为 4 毫米。摄影师手动构图，仅隔离并聚焦于叶片病斑，而非拍摄整株植物。收集过程隐式记录了上下文元数据，如病害类型、背景变体以及季节和天气等环境条件，但未描述正式的标注流程或自动裁剪算法。

实验

提供的内容仅包含表格图像占位符，缺乏概述实验设置或验证目标的描述性文本。因此，无法从给定材料中综合出任何定性发现或总体结论。完整的总结需要通常与这些规格表配套的文本分析内容。