alejandroramirezucb/soybean_image_dataset

Soybean Image Dataset

Conjunto de datos curado de hojas de soya (Glycine max) para (1) clasificación del estado sanitario (sana/enferma), (2) clasificación del patógeno en cinco categorías (bacterianas, fúngicas, roya, virales, plagas/insectos) y (3) segmentación hoja–fondo. Se construyó consolidando varios conjuntos públicos, aplicando filtros de calidad y deduplicación, y seleccionando aleatoriamente entre las imágenes con mejores criterios de visibilidad. Es el dataset usado para entrenar el sistema Glycine Vision.

Fuentes de origen

Este conjunto deriva de datasets públicos de investigación. El crédito corresponde a sus autores originales; se listan aquí todas las fuentes.

Con cita formal:

Fuente	Referencia	Enlace
ASDID (Auburn University)	Bevers et al. (2022)	https://doi.org/10.1016/j.compag.2022.107449
MH-SoyaHealthVision	Shinde & Attar (2024)	https://doi.org/10.17632/hkbgh5s3b7.1
India Soybean Dataset	Kotwal et al. (2023)	https://doi.org/10.2139/ssrn.4644426
SoyNet	Rajput et al. (2023)	https://doi.org/10.1016/j.dib.2023.109447
Cotton & Soybean Leaf Dataset	Bhujade et al. (2025)	https://doi.org/10.1111/jph.70051
SoyCotton (máscaras de segmentación)	Segreto et al. (2026)	https://doi.org/10.1038/s41597-026-07092-8

Fuentes abiertas (Kaggle / Mendeley):

Fuente	Enlace	Licencia / correspondencia
PlantVillage (subconjunto soya sana)	https://www.kaggle.com/datasets/abdallahalidev/plantvillage-dataset	CC BY-NC-SA 4.0 — corresponde a Hughes & Salathé (2015)
Soybean leaf dataset for disease classification	https://www.kaggle.com/datasets/vaishaligbhujade/soybean-leaf-dataset-for-disease-classification	Unknown (Kaggle) — corresponde a Bhujade et al. (2025)
Soybean diseased leaf dataset	https://www.kaggle.com/datasets/sivm205/soybean-diseased-leaf-dataset	Unknown (Kaggle)
Soybean leaf dataset (plagas)	https://www.kaggle.com/datasets/maeloisamignoni/soybeanleafdataset	Unknown (Kaggle) — subconjunto de plagas: Caterpillar + Diabrotica speciosa + sana
Soybean dataset (Mendeley)	https://data.mendeley.com/datasets/w2r855hpx8/2	CC BY 4.0 — corresponde a SoyNet, Rajput et al. (2023)

Proceso de curación

1. Filtros de calidad: apertura válida, formato RGB, resolución mínima 224 × 224 px.
2. Deduplicación: hash exacto (MD5) + hash perceptual (pHash) con registro por tarea, procesando el conjunto de entrenamiento antes que el de prueba para evitar fuga entrenamiento–prueba (variantes visualmente cercanas incluidas).
3. Selección: muestreo aleatorio (semilla fija = 42) entre las imágenes con mejores criterios de visibilidad.
4. Particiones: entrenamiento/validación 80/20 y un test independiente (100 imágenes/clase para estado sanitario, 70/clase para patógeno). Para segmentación: partición 75/25 con 15 % de validación.

Estructura

• clasificacion_binaria/: soya_sana/, soya_enferma/
• clasificacion_patogeno/: bacterianas/, fungicas/, plagas_insectos/, roya/, virales/
• segmentacion/: imágenes + máscaras de hoja (COCO/instancia)

Licencia

Este es un conjunto derivado de varias fuentes públicas con condiciones de licencia mixtas. El subconjunto de soya sana proveniente de PlantVillage (Kaggle abdallahalidev) está bajo CC BY-NC-SA 4.0 (no comercial, compartir igual), una restricción conocida que se aplica a todo el conjunto combinado. Además, dos fuentes (Kaggle sivm205 y maeloisamignoni) tienen licencia no especificada ("Unknown"), por lo que sus condiciones exactas no pueden confirmarse. En conjunto, la licencia combinada no puede determinarse con certeza y, como mínimo, excluye el uso comercial; se declara como unknown en la cabecera. Se comparte únicamente con fines de investigación académica y se solicita atribución a los autores originales. Antes de cualquier reutilización (en especial comercial o redistribución), verifique la licencia de cada fuente en su página de origen.

Cita recomendada

Jaldín Torrico, E., & Ramírez Vallejos, A. (2026). Soybean image dataset [Conjunto de datos]. Hugging Face. https://huggingface.co/datasets/alejandroramirezucb/soybean_image_dataset

Limitaciones

• No incluye imágenes propias de Santa Cruz (Bolivia); la aplicabilidad regional es plausible pero no demostrada.
• La verdad de campo del patógeno proviene de las etiquetas de las fuentes, no de diagnóstico de laboratorio.
• La partición por fuente/lote no está disponible; puede existir dependencia entre imágenes de una misma fuente.
• Los umbrales de calidad y la selección aleatoria pueden introducir sesgos de muestreo.