![](https://img-blog.csdnimg.cn/5634485ff08b401fbf1af99b67caf49b.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
生物技术与深度学习结合
文章平均质量分 54
重点介绍介绍基于数字图像的植物及其病害识别方法的研究,抗盐碱性研究等
深度学习的奋斗者
shouhou6668889,做过多个领域的机器学习与深度学习科研项目及落地项目,在优化算法领域、风速/光伏/股票等时序信号预测领域,农业病虫害图片识别领域技术均很熟练。所售代码,均有售后,可私信
展开
-
基于CNN的棉花不同病害叶识别(Python代码,pytorch框架,代码有详细中文注释,准确率在90%以上)
Bacterial Blight(细菌性枯萎病):细菌性枯萎病是由细菌引起的棉花疾病,主要受害部位是棉花的叶子和茎。Fusarium Wilt(枯萎病):枯萎病是由一种真菌引起的棉花疾病。这种病害会导致棉花植株的叶子和茎部出现枯萎、变色和凋落的症状。hf.py是对data文件夹里的原始数据进行分割训练集和测试集,生成的训练集和测试集保存在了piture文件夹(如果运行hf.py,需要重新删除piture文件夹)Curl Virus(卷叶病毒):卷叶病毒是一种病毒性病害,影响棉花植株。原创 2024-04-16 21:07:46 · 456 阅读 · 0 评论 -
基于改进深度网络的农业病害识别,(以番茄叶为例,Python代码,pytorch框架)
效果截图针对传统CNN模型在番茄叶片病虫害分类任务中存在训练时间长、训练成本高、泛化能力较弱等问题,我们特别提出了一种新型卷积神经网络模型,即设计了并行深度卷积网络(PCNN)进行实验。这个模型旨在提高训练效率、降低成本,并增强模型的泛化能力。通过在PlantVillage数据集农作物病虫害数据集上进行实验,我们验证了PCNN模型在番茄叶片病虫害分类任务上的性能。相比于传统神经网络模型,PCNN模型在训练时间、成本和泛化能力方面都表现出更为优越的特性,为农业病害识别领域提供了一种新的有效解决方案。原创 2024-04-04 21:37:15 · 1163 阅读 · 0 评论 -
六种不同模型下实现玉米叶病害识别(Python代码,pytorch框架,GUI界面,可以轻易替换为其它病害数据集)
模型有 MobileNetV3Small, CNN(自己设计的结构),VGG16,AlexNet,ResNet18,GoogLeNet。模型有 MobileNetV3Small, CNN(自己设计的结构),VGG16,AlexNet,ResNet18,GoogLeNet。训练集损失曲线可视化,测试集准确率曲线,测试集的混淆矩阵,测试集的分类报告。3.运行效果,这里以自己搭建CNN为例,epoch 为10下准确率,Gray_Leaf_Spot(灰斑病,574张照片)Healthy(健康,1162张照片)原创 2024-03-29 13:35:32 · 430 阅读 · 0 评论 -
柑橘病害数据集(四类图像分类,没有打yolo标签)
在这个数据集中,有一类是新鲜柑橘,还有另外三种疾病,溃疡病、黑斑病和绿化病。黑斑病) 文件夹溃疡病) 文件夹2.3.fresh() 文件夹)文件夹。原创 2023-11-26 00:22:19 · 1312 阅读 · 0 评论 -
草莓病害图像数据集(YOLO使用,train为655张照片和val为487张照片)
草莓病害图像数据集(YOLO使用,train为655张照片和val为487张照片)原创 2023-10-15 13:25:57 · 1031 阅读 · 0 评论 -
小麦病害数据集(yolo使用)
images文件夹里的train文件夹(631张照片)对数据集感兴趣的,可以关注最后一行。test文件夹(183张照片)val文件夹(91张照片)原创 2023-10-05 22:31:47 · 958 阅读 · 6 评论 -
香蕉叶病害数据集
第一个文件夹为数据增强(旋转平移裁剪等操作)后的数据集。Pestalotiopsis文件夹(173张照片)Pestalotiopsis文件夹(400张照片)sigatoka文件夹(473张照片)sigatoka文件夹(400张照片)Cordana文件夹(162张照片)Cordana文件夹(400张照片)healthy文件夹(129张)healthy文件夹(400张)对数据集感兴趣的,可以关注最后一行。第二个文件夹为原始数据集。原创 2023-10-05 21:05:48 · 265 阅读 · 0 评论 -
棉花叶病害数据集
Bacterial Blight(细菌性枯萎病):细菌性枯萎病是由细菌引起的棉花疾病,主要受害部位是棉花的叶子和茎。Fusarium Wilt(枯萎病):枯萎病是由一种真菌引起的棉花疾病。Curl Virus(卷叶病毒):卷叶病毒是一种病毒性病害,影响棉花植株。Healthy(健康):"Healthy" 表示没有任何上述病害或问题,棉花植株处于正常健康状态。1.Bacterial Blight(细菌性枯萎病)文件夹(448张照片)3. Fusarium Wilt(枯萎病)文件夹(419张照片)原创 2023-10-05 16:04:11 · 718 阅读 · 0 评论 -
用于YOLO目标识别的咖啡叶病害数据集
随机选取几张照片及对应的目标标签。数据集,一共1164张照片。因为健康,所以标签为空。原创 2023-10-02 01:42:21 · 378 阅读 · 0 评论 -
马铃薯甲虫的成虫和幼虫数据集(YOLO检测)
这是一个包含1810张图像的数据集,图像中展示了马铃薯甲虫的成虫和幼虫。为了采集这些图像,使用了Canyon CNS-CWC5网络摄像头,图像的分辨率为1280x720像素。标记文件采用了YOLO标准,并包含了对象边界框的坐标以及它们的类别信息。数据集下载百度网盘链接:链接: https://pan.baidu.com/s/1m5QKUFDovioz8gMPRSLpfw 提取码: qpei 复制这段内容后打开百度网盘手机App,操作更方便哦。annotations文件夹。原创 2023-10-02 01:16:18 · 176 阅读 · 0 评论 -
芒果叶病害数据集(用于图像分类,每类500张照片)
适用于区分健康和患病的叶子(二分类预测),以及区分不同疾病之间的差异(多类分类预测)。对数据集感兴趣的,可以关注最后一行。第一个文件夹(500张照片)第二个文件夹(500张照片)第三个文件夹(500张照片)第四个文件夹(500张照片)第五个文件夹(500张照片)第六个文件夹(500张照片)第七个文件夹(500张照片)第八个文件夹(500张照片)原创 2023-10-02 00:53:14 · 292 阅读 · 0 评论 -
36种水果和蔬菜识别(pytorch框架,深度卷积网络模型,可以实现照片连续识别和视频识别)
对项目感兴趣的可以关注,代码和数据集已经放到压缩包(因为上传内容不能超过100M,所以这里把data数据集放在了百度网盘里,数据下载后,可以按照项目文件夹照片里呈现的样子,跟代码放在同一目录下,然后运行hf.py生成,训练集和测试集。第三个文件夹(piture):装载的是经hf.py对data文件夹处理后,生成的训练集和测试集。第六个文件:GUI_VEDIO.py是呈现GUI界面,包括对图像连续识别和对视频识别。第七个文件:hf.py是对data文件夹进行操作,生成训练集和测试集。原创 2023-08-31 10:50:02 · 886 阅读 · 0 评论 -
水稻叶病害数据集(目标检测,yolo使用,二分类数据集,健康,病害(多类病害类别统一为一个病害类别))
train文件夹(44229张),test文件夹(4741张),valid文件夹(6000张)对数据集感兴趣的可以关注最后一行。data.yaml文件展示。2.train文件夹展示。原创 2023-08-29 23:50:46 · 3609 阅读 · 6 评论 -
葡萄叶病害识别(图像连续识别和视频识别,Python代码,pyTorch框架)
第十一个文件:vedio.mp4,是以一帧一秒的速度,将一个个的图像经vedio_creat.py处理后,生成视频,以模拟无人机采集的的农业视频,做实时检测。第二个文件夹(GUI):装载的是随意选取的图像,供vedio_creat.py处理后生成视频。第三个文件夹(piture):装载的是经hf.py对data文件夹处理后,生成的训练集和测试集。第九个文件:predict.py是对单独的照片(tulip.jpg)进行识别。第七个文件:hf.py是对data文件夹进行操作,生成训练集和测试集。原创 2023-08-28 23:30:31 · 1323 阅读 · 2 评论 -
桃子叶片病害识别(图像连续识别和视频识别,Python代码,pyTorch框架,深度卷积网络模型,很容易替换为其它模型,带有GUI识别界面)
第二个文件夹(piture):装载的是经hf.py对data文件夹处理后,生成的训练集和测试集。第五个文件:GUI_VEDIO.py是呈现GUI界面,包括对图像连续识别和对视频识别。对项目感兴趣的可以关注,代码和数据集已经放到压缩包,解压缩后无需配置路径,可以直接运。第三个文件是class_indices.json是装载的标签和对应类别名称。第八个文件:predict.py是对单独的照片(tulip.jpg)进行识别。第六个文件:hf.py是对data文件夹进行操作,生成训练集和测试集。原创 2023-08-28 21:05:11 · 369 阅读 · 0 评论 -
玉米叶病害识别(图像连续识别和视频识别,python代码,pytorch框架)
第二个文件夹(GUI):装载的是随意选取的图像,供vedio_creat.py处理后生成视频。第三个文件夹(piture):装载的是经hf.py对data文件夹处理后,生成的训练集和测试集。第六个文件:GUI_VEDIO.py是呈现GUI界面,包括对图像连续识别和对视频识别。第四个文件是class_indices.json是装载的标签和对应类别名称。第九个文件:predict.py是对单独的照片(tulip.jpg)进行识别。第七个文件:hf.py是对data文件夹进行操作,生成训练集和测试集。原创 2023-08-28 16:23:46 · 468 阅读 · 0 评论 -
水稻叶病害识别(图像连续识别和视频识别,python代码,pytorch框架)
自然环境下,4种水稻叶片病虫害数据集 Bacterial blight(白叶枯病)共1548张,Blast(稻瘟病)共1440张,Brown Spot(褐斑病)共1600张,Tungro(水稻東格魯桿狀病毒)共1308张。第十一个文件:vedio.mp4,是以一帧一秒的速度,将一个个的图像经vedio_creat.py处理后,生成视频,以模拟无人机采集的的农业视频,做实时检测。第二个文件夹(GUI):装载的是随意选取的图像,供vedio_creat.py处理后生成视频。第八个文件:model.py是模型。原创 2023-08-27 23:57:53 · 1256 阅读 · 12 评论 -
土豆叶病害识别(图像连续识别和视频识别)
第十一个文件:vedio.mp4,是以一帧一秒的速度,将一个个的图像经vedio_creat.py处理后,生成视频,以模拟无人机采集的的农业视频,做实时检测。1..土豆叶数据集主要包好三种类别(Early_Blight(早期枯萎病),Late_Blight(晚期枯萎病)Healthy(正常))第二个文件夹(GUI):装载的是随意选取的图像,供vedio_creat.py处理后生成视频。第三个文件夹(piture):装载的是经hf.py对data文件夹处理后,生成的训练集和测试集。原创 2023-08-27 22:19:25 · 461 阅读 · 0 评论 -
桃子叶片病害识别(Python代码,pyTorch框架,深度卷积网络模型,很容易替换为其它模型,带有GUI识别界面)
已经将代码和数据放在同一文件夹进行压缩,很容易进行运行代码,无需配置繁琐路径,对项目感兴趣的可以关注。2. GUI界面识别效果和predict.py识别效果如视频所示。健康的桃子叶片 ,251张。桃疮痂病一般,857张。桃疮痂病严重,770。原创 2023-08-25 23:44:58 · 1901 阅读 · 0 评论 -
土豆叶病害识别(Python代码,pyTorch框架,深度卷积网络模型,很容易替换为其它模型,带有GUI识别界面)
1..土豆叶数据集主要包好三种类别(Early_Blight(早期枯萎病),Late_Blight(晚期枯萎病)Healthy(正常))已经将代码和数据放在同一文件夹进行压缩,很容易进行运行代码,无需配置繁琐路径,对项目感兴趣的可以关注。picture文件夹存放的是经hf.py对data文件夹处理后,生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本,对单个 照片进行识别。CNN.pth存放的是经train.py训练后的模型参数。Healthy照片(有816张)原创 2023-08-25 22:59:56 · 228 阅读 · 0 评论 -
苹果叶病害识别(Python代码,pyTorch框架,预训练好的VGG16模型,也很容易替换为其它模型,带有GUI识别界面)
已经将代码和数据放在同一文件夹进行压缩,很容易进行运行代码,无需配置繁琐路径,对项目感兴趣的可以关注。picture文件夹存放的是经hf.py对data文件夹处理后,生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本,对单个 照片进行识别。GUI.py可以调用训练好的网络模型参数对多张照片连续进行识别。CNN.pth存放的是经train.py训练后的模型参数。model.py 是存放模型的脚本,可以任意改为其它模型。代码运行要求:Torch>=1.13.1即可。原创 2023-08-23 17:08:25 · 215 阅读 · 0 评论 -
甜椒叶病害识别(Python代码,pyTorch框架,深度卷积网络模型,很容易替换为其它模型,带有GUI识别界面)
4.经过30个epoch训练后,测试集平均准确率达到98.8%的效果(用户如果计算机配置较高,可以增加epoch,效果也会更好),GUI界面识别效果和predict.py识别效果如视频所示。picture文件夹存放的是经hf.py对data文件夹处理后,生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本,对单个 照片进行识别。CNN.pth存放的是经train.py训练后的模型参数。代码运行要求:Torch>=1.13.1即可。第二个文件夹是 健康(4024张)原创 2023-08-22 23:50:25 · 191 阅读 · 0 评论 -
茶叶病害识别(Python代码,pyTorch框架,深度卷积网络模型,很容易替换为其它模型,带有GUI识别界面)
4.经过60个epoch训练后,测试集平均准确率达到86%-90.08%的效果(用户如果计算机配置较高,可以增加epoch,效果也会更好),GUI界面识别效果和predict.py识别效果如视频所示。已经将代码和数据放在同一文件夹进行压缩,很容易进行运行代码,无需配置繁琐路径,对项目感兴趣的可以关注。picture文件夹存放的是经hf.py对data文件夹处理后,生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本,对单个 照片进行识别。茶叶病害数据集还包含一类健康茶叶。原创 2023-08-22 16:40:35 · 740 阅读 · 0 评论 -
番茄(西红柿)叶病害识别(Python代码,pyTorch框架,深度卷积网络模型,很容易替换为其它模型,带有GUI识别界面)
3.经过30个epoch训练后,测试集达到91.06%的效果(用户如果计算机配置较高,可以增加epoch,效果也会更好),GUI界面识别效果和predict.py识别效果如视频所示。已经将代码和数据放在同一文件夹进行压缩,很容易进行运行代码,无需配置繁琐路径,对项目感兴趣的可以关注。picture文件夹存放的是经hf.py对data文件夹处理后,生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本,对单个 照片进行识别。代码运行要求:Torch>=1.13.1即可。原创 2023-08-22 11:14:55 · 813 阅读 · 0 评论 -
葡萄目标检测(yolov8模型,无需修改路径,python代码,解压缩后直接运行)
PinotNoir文件夹存放的是训练集 ,测试集和验证集葡萄照片与标签。models文件夹保存的是yolov8的训练好的模型参数。代码运行要求:TensorFlow>=2.4.0。1.采用yolov8模型。对代码感兴趣可以关注。原创 2023-08-20 13:43:08 · 262 阅读 · 0 评论 -
草莓叶病害数据集
草莓叶焦病害(3327张)1.草莓数据集有两个文件夹。健康文件夹(2819张)数据集可以关注最后一行。原创 2023-08-02 23:17:58 · 658 阅读 · 0 评论 -
葡萄叶病害数据集
Grape Isariopsis Leaf Spot(Isariopsis叶斑)(3228张)Grape Black Measles(葡萄黑麻疹)病害(3783张)Grape Black rot葡萄黑腐病病害数据集(3596张)Grape Healthy 健康葡萄叶(2594张)对数据集感兴趣的可以关注最后一行。测试集每类有3张照片。原创 2023-08-02 22:42:04 · 1043 阅读 · 1 评论 -
甜椒叶病害数据集
第一个文件夹是细菌斑叶(449张)第二个是健康叶子(4014张)1.数据集分为训练集和测试集。原创 2023-08-02 21:26:14 · 406 阅读 · 1 评论 -
樱桃叶病害数据集
樱桃细菌性斑点病(Cherry bacterial canker):由细菌引起的病害,通常在湿润的条件下发生。叶片上出现圆形或不规则形状的斑点,边缘可能带有红色,严重感染的叶片可能会枯死。樱桃晚斑病(Cherry leaf spot):由真菌引起的病害,主要影响叶片。叶片上出现小而圆形的褐色斑点,可能会扩展成较大的斑块,严重感染可能导致叶片凋落。樱桃细菌性叶枯病(Cherry bacterial leaf scorch):由细菌引起的病害,叶片边缘出现焦枯状,逐渐向叶片内部蔓延。健康的樱桃叶 ,598张。原创 2023-07-27 22:50:06 · 239 阅读 · 0 评论 -
桃子叶片病害数据集
健康的桃子叶片 ,251张。桃疮痂病一般,857张。桃疮痂病严重,770。原创 2023-07-27 22:30:20 · 217 阅读 · 0 评论 -
农业害虫数据集(12种类别,每个类别有400-500张左右照片,包括:蚂蚁、蜜蜂、甲虫、毛毛虫、蚯蚓、蠼螋、蝗虫、蛾、蛞蝓、蜗牛、黄蜂和象甲)
农业害虫图像数据集是12种不同类型农业害虫的图像集合,即蚂蚁、蜜蜂、甲虫、毛毛虫、蚯蚓、假发、蝗虫、蛾、蛞蝓、蜗牛、黄蜂和象甲。这些图像是使用爬虫技术从Flickr平台获得的,并调整了大小,使其最大宽度和高度均为300px。12类害虫,提供了涵盖各种形状、颜色和大小的各种图像,适用于训练和测试算法,以在各种场景中检测和分类害虫。第一个文件夹(蚂蚁),498张照片。第二个文件夹(蜜蜂) ,500张照片。第三个文件夹(甲虫) ,421张照片。第四个类别(毛毛虫),454张。剩余文件夹不再繁琐展示。原创 2023-07-21 15:41:36 · 2257 阅读 · 14 评论 -
小麦叶病虫害数据集(9种病害类别,1种正常)
1.数据集介绍(每个文件夹装有一个类别的照片,文件夹名字为病害类别名字)6.Wheat powdery mildew(小麦白粉病),211张。4.Wheat midge(麦红吸浆虫病害) ,177张。8.Wheat sawfly(麦叶蜂病害),215张照片。9.Wheat scab(小麦赤霉病),118张照片。7.Wheat rust(小麦锈病) ,201张照片。2.Wheat aphid(麦蚜虫害),194张。5. Wheat mite(麦蜘蛛病害),192张。1.Healthy(正常)类别,224张。原创 2023-07-21 00:31:55 · 1829 阅读 · 32 评论 -
茶叶病害数据集(7类病害和1种正常)
茶叶病害数据集还包含一类健康茶叶。每个类都包含100多个图像)原创 2023-07-20 20:26:41 · 917 阅读 · 3 评论 -
水稻叶病害数据集(只能用于图像分类,没有打yolo标签)
自然环境下,4种水稻叶片病虫害数据集 Bacterial blight(白叶枯病)共1548张,Blast(稻瘟病)共1440张,Brown Spot(褐斑病)共1600张,Tungro(水稻東格魯桿狀病毒)共1308张。自然环境下,水稻叶片病虫害数据集。2.data文件夹装的是4种水稻叶片病虫害原始数据集。Bacterial blight(白叶枯病)文件夹。Tungro(水稻東格魯桿狀病毒)打开data文件夹后,如下。Blast(稻瘟病)文件夹。对数据集有兴趣的可以关注。原创 2023-07-20 15:42:26 · 1404 阅读 · 1 评论 -
番茄叶病害数据集
每一个文件夹里装有一类病虫害叶子的照片,一共10种类别,每种类别下有1100张照片。从第一类到第十类分别如下图所示。原创 2023-07-20 15:10:54 · 416 阅读 · 0 评论 -
4种玉米叶病虫害数据集,并使用深度卷积网络对其识别,准确率在99.06%以上(python代码,带有数据集,可以直接运行,带有GUI界面,对代码感兴趣可以私信,为本人创作)
2.3.model.py是装载的CNN模型,train.py是调用CNN对训练集训练和对测试集识别(这里展示了30个epoch的训练,训练次数为50以后,将高于99.06%),最后稳定的模型参数保存在CNN.pth。GUI.py文件直接呈现可视化窗口(有两个按钮,第一个按钮是调取图片,第二个按钮是识别图像类别,识别结果呈现在GUI界面:最大概率可能属于哪类)2.4.predict.py是识别程序,调用训练好的模型参数,对未知图片进行识别,展示属于每一类的可能性。Gray_Leaf_Spot(574张照片)原创 2023-05-14 12:03:04 · 2517 阅读 · 0 评论 -
番茄(西红柿)叶病害数据集
这里以第一个子文件夹(Bacterial_spot)为例展示,2.每个子文件夹(即每个类别下有1100张照片)1.数据集的子文件(10类)原创 2023-05-14 11:51:40 · 930 阅读 · 4 评论 -
马铃薯病害数据集
1..马铃薯数据集主要包好三种类别(Early_Blight(早期枯萎病),Late_Blight(晚期枯萎病)Healthy(正常))而且数据集已经分好训练集、验证集和测试集。Early_Blight 照片(训练集有1303张,验证集有163张,测试集有162张)Late_Blight 照片(训练集有1132张,验证集有151张,测试集有141张)Healthy照片(训练集有816张,验证集有102张,测试集有102张)Late_Blight(晚期枯萎病)文件夹。Early_Blight(早期枯萎病)原创 2023-05-14 11:49:37 · 429 阅读 · 0 评论 -
苹果叶病害数据集
1.数据集有四类(每类有3000张照片)4.Cedar Apple Rust文件夹。2.Apple Scab类文件夹图片。3.Black Rot类文件夹图片。5.healthy文件夹。原创 2023-05-14 11:48:04 · 784 阅读 · 0 评论 -
抗盐碱性识别(python代码带有数据集,五折交叉验证,经训练后模型识别准确率达到99.56%以上)
1.数据集介绍(train_f是不抗盐碱的训练集特征,train_z是抗盐碱的训练集特征,train_f是不抗盐碱的测试集特征,train_z是不抗盐碱的测试集特征,不抗盐碱设标签为0,抗盐碱标签为1)3.对于二分类问题,全连接网络(DNN)就非常有效果 ,这里用了五折交叉验证的方法,可以看出,随着模型的不断迭代,识别准确率达到很精准。2.train_f表格展示,即不抗盐碱的训练集特征(一共有63列特征,因为截图没截完,所以一些列没在图中)随机选取三个样本的特征,输入已经训练好的模型,获得识别。原创 2023-05-01 14:09:43 · 332 阅读 · 0 评论