摘要苹果高光谱图像数据集是一个面向苹果表面化学物质残留分析与高光谱图像识别研究的数据集主要用于区分新鲜苹果以及经过不同浓度杀菌剂或杀虫剂处理的苹果并探索高光谱成像技术在农产品质量检测和化学物质含量评估中的应用。数据集概述苹果高光谱图像数据集是一个面向苹果表面化学物质残留分析与高光谱图像识别研究的数据集主要用于区分新鲜苹果以及经过不同浓度杀菌剂或杀虫剂处理的苹果并探索高光谱成像技术在农产品质量检测和化学物质含量评估中的应用。数据集中的苹果样本根据处理方式划分为新鲜、低浓度处理和高浓度处理三种状态其中低浓度通常对应每升水加入约1 g或1 mL药剂高浓度对应每升水加入约3 g或3 mL药剂。原始高光谱数据通常采用BIL格式保存本数据集同时提供TIF格式图像便于进行图像预处理、光谱特征提取和机器学习建模。数据结构与关键特征该数据集主要由Apple_Samples、Fungicide_Apple和Insecticide_Apple三个部分组成。Apple_Samples包含Monostar和Nativo两个主要子集其中Monostar相关数据进一步划分为多个子文件夹共包含207张图像Nativo相关数据包含73张图像Fungicide_Apple部分包含162张苹果高光谱图像按照新鲜、低浓度杀菌剂处理和高浓度杀菌剂处理划分本实验使用的杀菌剂为NATIVOInsecticide_Apple部分包含175张图像同样分为新鲜、低浓度和高浓度三个类别所使用的杀虫剂为MONOSTAR。数据通过高光谱成像记录苹果在多个连续波段上的反射信息相比普通RGB图像能够提供更加丰富的光谱响应特征从而表征不同化学处理条件下苹果表面及内部成分的差异。应用价值与研究方向该数据集可用于农产品无损检测、农药及杀菌剂残留识别、食品安全监测和高光谱图像分类等研究任务。研究人员可以利用主成分分析、连续投影算法、光谱指数及特征波段选择等方法提取关键光谱特征并结合支持向量机、随机森林、偏最小二乘回归等传统机器学习算法对苹果处理类别或化学物质浓度进行识别和预测同时也可以采用一维卷积神经网络、二维或三维CNN、Transformer以及光谱—空间联合建模方法对高光谱数据进行深度特征学习。进一步研究还可围绕不同药剂类型识别、浓度等级分类、残留量定量预测以及高光谱快速在线检测系统展开为水果品质控制、农产品安全检测和智能农业监测提供数据支持。数据集来源由张家梁(Bob)整理并于2026年在7zcode平台公开发布。数据集信息免责声明与引用数据仅用于科研与教学用途。若用于商业场景请自行核验数据许可。如需引用请在论文或报告中注明数据集名称与版本号。作者信息作者Bob (张家梁)项目编号Datasets-531文件大小761M原创声明本数据集为整理作品