干豆图像特征分析数据集-chanchal24
数据来源：互联网公开数据
标签：干豆,图像,特征,形状,尺寸,农业,机器学习,分类,生物信息学
数据概述：
本数据集包含了7种不同注册干豆的13,611颗豆粒的图像数据，每颗豆粒均由高分辨率相机拍摄。从每颗豆粒中提取了16个特征，包括12个尺寸特征和4个形状特征。这些特征旨在描述豆粒的物理特性，用于后续的分析和建模。
数据字段包括：
面积（Area，A）：豆粒区域的像素数量。
周长（Perimeter，P）：豆粒边界的长度。
主轴长度（Major axis length，L）：豆粒内可绘制的最长线段的长度。
次轴长度（Minor axis length，l）：垂直于主轴且穿过豆粒的线段的最长长度。
长宽比（Aspect ratio，K）：主轴长度与次轴长度的比值。
偏心率（Eccentricity，Ec）：与豆粒区域具有相同矩的椭圆的偏心率。
凸包面积（Convex area，C）：包含豆粒区域的最小凸多边形的像素数量。
等效直径（Equivalent diameter，Ed）：与豆粒面积相等的圆的直径。
延展性（Extent，Ex）：豆粒在边界框中的像素与豆粒面积的比率。
坚固度（Solidity，S）：也称为凸性。豆粒凸包中的像素与豆粒像素的比率。
圆度（Roundness，R）：使用公式 (4πA)/(P^2) 计算。
紧密度（Compactness，CO）：衡量物体的圆度：Ed/L。
ShapeFactor1 (SF1)
ShapeFactor2 (SF2)
ShapeFactor3 (SF3)
ShapeFactor4 (SF4)
类别（Class）：豆粒的种类，包括Seker, Barbunya, Bombay, Cali, Dermosan, Horoz 和 Sira。
数据用途概述：
该数据集可用于多种研究和应用场景，包括：
豆类品种的分类与识别：利用机器学习算法，根据特征对不同品种的豆类进行分类。
农业生产优化：通过分析豆粒的特征，研究影响豆类生长和质量的因素，从而优化农业生产管理。
食品科学研究：分析豆粒的物理特性，了解其对食品加工和口感的影响。
图像处理与计算机视觉：为图像处理算法和计算机视觉模型的开发提供数据集。
