水稻叶片病害数据集介绍

水稻叶片病害数据集介绍

受疾病感染的水稻植株叶片的图像

背景介绍

农作物病虫害AI智能监测预警系统利用机器学习、计算机视觉等技术,采用特定的计算机算法和模型,对摄像机以视频的方式实时监控作物生长状态,并将视频流画面实时推送到云端服务器,我们可以在后台设置抽帧比例,比如每分钟抽帧3次,农作物病虫害AI智能监测预警系统则会在1分钟内抽取的3张图片推送给Al算法模型,AI算法模型会对推送过来的图片进行自动分析,并且通过自主学习不断提高判断能力。
在这里插入图片描述

农作物病虫害AI智能监测预警系统是指利用物联网技术,动态监测田间作物的病虫情、墒情、苗情、及灾情的监测预警系统。用户可以通过移动端和PC端随时随地登陆自己专属的网络客户端,访问田间的实时数据并进行系统管理,对每个监测点的环境、气象、病虫状况、作物生长情况等进行实时监测。农作物病虫害AI智能监测预警系统结合系统预警模型,对作物实时远程监测与诊断,并获得智能化、自动化的解决方案,实现作物生长动态监测和人工远程管理,保证农作物在适宜的环境条件下生长,提高农业生产力,增加农民收入。
在这里插入图片描述

农作物病虫害AI智能监测预警系统主要用于农林病虫的远程诊断、预测、预报、预警、研究和监测控制等工作领域,农作物病虫害AI智能监测预警系统用专用采集卡及软件与计算机配套使用,通过Internet 网络实时传输到相关地区和部门,快速准确预测预报监控区的病虫害发生动态、环境因子,分析种群的空间格局,植保专家远程实时遥控诊断,根据监测到的害虫提出防治方案,以维护生物链的平衡。
在这里插入图片描述
水稻、小麦、玉米的地位:
水稻
在这里插入图片描述
更新换代情况。建国以来,我国水稻播种面积从3.8亿亩增加到4.0亿亩,水稻产量从972.9亿斤提高到 4256.8亿斤,平均亩产从126.2公斤增加到474.2公斤。在此期间,我国水稻育种经历了矮化育种、杂种优势利用以及超级稻育种三次重大飞跃,带动品种更新换代,推动我国水稻单产不断创出新高,产量持续增长。第一次更新换代,1949-1975年,矮秆品种。水稻矮化育种成功,“广场矮”“珍珠矮”等矮秆品种推广应用,解决了高秆水稻品种易倒伏、施肥受限、单产较低等突出问题,单产达到了234.3公斤,比原有高秆品种增加30%左右,实现了我国水稻产量的第一次飞跃。第二次更新换代,1976-2000年,杂交稻品种。“三系”和“两系”杂交水稻育种技术取得突破,南优2号、桂朝2号、汕优63等杂交水稻品种大面积推广应用,带动全国水稻亩产稳定迈上400公斤台阶。第三次更新换代,2001-2012年,超级稻品种。1996年起,我部启动“中国超级稻研究”重大项目,通过籼粳亚种间杂种优势和超级稻育种理论技术的应用,育成推广了一批高产优质、抗逆抗病、适应性广的超级稻品种,代表性品种有两优培九、Ⅱ优838、武运粳3号等,推动全国水稻亩产突破450公斤。

当前发展定位。2013年至今,处于第四次更新换代阶段,产量、品质、抗性、广适性协同改良。水稻育种技术创新,生物育种、分子育种的应用日趋成熟,两系杂交稻品种推广应用面积快速扩大。2013年以来,我国选育推广了一大批高产超级杂交稻、常规稻品种并在生产上大面积推广应用。2019年我国水稻平均亩产首次突破470公斤,代表性品种有绥粳27、龙粳31号、晶两优华占等。这些品种呈现出产量水平更高,稳产丰产性更好,并出现优质食味稻、加工专用稻等更加多样的类型,综合性状的协调性得到明显提升。

小麦**
在这里插入图片描述
更新换代情况。新中国成立以来,我国小麦产量从276.2亿斤提高到 2739.0亿斤,平均亩产从43.0公斤增加至387.4公斤。在此期间,我国小麦育种通过优良地方品种筛选、矮化育种、远缘杂交育种、抗病育种、品质育种等方式持续带动品种更新换代,推动我国小麦单产不断创出新高,产量持续增长。第一次更新换代,1949-1962年,优良地方品种筛选和国外引进品种。优良地方品种、国外引进品种和新育成的抗条锈品种在提高单产中发挥了重要作用,代表性品种为碧玉麦、南大2419、碧蚂4号等。此期间平均亩产从43.0公斤增加至63.0公斤。第二次更新换代,1963-1977年,半矮杆品种。生产条件逐步改善、半矮杆高产品种推广应用,代表性品种为北京8号、石家庄54、济南9号等,此期间单产突破118.0公斤。第三次更新换代,1978-1997年,资源交流育种。小麦育种得到新的发展,形成引进、交换、收集、保存、研究、利用的全国性组织网络,并与世界小麦主产国和相关国际组织建立了小麦品种资源交换的固定联系。开展了全国小麦品种区域试验,代表性品种有小偃6号、冀麦30、扬麦158等,此期间单产突破270.0公斤。第四次更新换代,1998-2007年,综合性状育种。品种选育在丰产性基础上,兼顾节水、优质、抗病等特性,基本结束了我国优质麦过度依靠进口的历史,代表性品种有郑麦9023、烟农19、济南17等,此期间单产突破300.0公斤。

当前发展定位。2008年-至今,处于第五次更新换代阶段,联合攻关育种。在此期间,农业科技投入不断加大,启动国家小麦良种联合攻关。在育种材料创新上,利用野生近缘物种优异基因进行小麦种质创新。在育种技术和手段上,建立了以常规杂交育种技术为基础,染色体工程育种、细胞工程育种、诱变育种、轮回选择育种和分子标记育种技术相融合的小麦育种技术体系。区域性主导品种的推广,使得这一阶段小麦品种增产潜力进一步得到提升。代表性品种有济麦22、矮抗58、百农207等,此期间单产突破380.0公斤

玉米**
在这里插入图片描述

更新换代情况。新中国成立以来,我国玉米产量从248.4亿斤提高到 5451.0亿斤,平均亩产从64.4公斤增加到419.4公斤。在此期间,我国玉米育种经历了品种间杂交种、双交种以及单交种三次重大飞跃,带动品种更新换代,推动我国玉米单产不断创出新高,产量持续增长。第一次更新换代,1949-1959年,品种间杂交种。在整理和评选地方品种基础上,开展了品种间杂交种选育工作,育成和推广了坊杂2号、百杂2号、春杂2号等品种,在此期间,全国玉米平均亩产从64.4公斤提高到90.5公斤。第二次更新换代,1960-1964年,双交种。1960年2月,在山西省太原市召开的“全国玉米研究工作会议”上,原农业部提出《关于多快好省选育自交系间杂交种和四年普及自交系间杂交种的意见》。这一时期,选育推广的代表品种有农大3号、川农7号、双跃3号等,全国玉米平均亩产提高到105.8公斤。第三次更新换代,1965年-至今,单交种。此阶段又经历了6次大规模的品种更新换代。第一次(1965 -1970年),我国玉米育种进入单交种时代。1963年育成新单1号,比当时品种增产30-40%,全国玉米平均亩产从105.8公斤提高到141.4公斤。第二次(1971-1981年),玉米单交种的组配和推广进入相对成熟阶段,代表品种有中单2号、丹玉6号等,全国玉米平均亩产提高到231.6公斤。第三次(1982-1991年),国外兰卡斯特群种质和我国本土种质(黄早四)的有机结合,代表品种有丹玉13、烟单14、掖单2号等,全国玉米平均亩产从231.6公斤提高到318.4公斤。第四次(1992-1998年),PA群种质广泛利用,开创我国紧凑型玉米育种生产的先河。代表品种有掖单13号、掖单12号、沈单7号等,全国玉米平均亩产从318.4公斤提高到330.0公斤。第五次(1999-2004年),PB群种质的应用,选育推广了以农大108、豫玉22、鲁单50等为代表的第五代品种,全国玉米平均亩产徘徊在320.0公斤左右。

当前发展定位。目前处于单交种第六次更新换代,2005年-至今,广泛应用以郑58等为代表的PA种质、昌7-2为代表的四平头种质及跨国公司引入我国的PH6WC等早熟、耐密、脱水快种质。改变了传统的高秆、大穗玉米育种模式,将耐密性作为育种核心目标,育成品种适宜轻简化栽培和机械化作业,代表品种有郑单958、先玉335、浚单20、京科968、登海605等。这一时期,全国玉米平均亩产从331.2公斤提高到419.4公斤,增加了26.62%。

在水稻、小麦和玉米这三种主要作物中,水稻是低收入和中低收入国家人民最重要的粮食作物。尽管在低收入国家,富人和穷人都吃大米,但最贫穷的人消耗的小麦相对较少,因此深受大米成本和可获得性的影响。
在许多亚洲国家,大米是基本的、普遍不可替代的主食,对穷人来说尤其如此。对于那些每天生活费不足1.25美元的亚洲极端贫困人口来说,大米占他们食物支出的近一半和总收入的五分之一。
在这里插入图片描述

数据集介绍
本数据集包含120张水稻染病叶片的jpg图像。
这些图像根据疾病类型分为三类。每节课有40张图片。

主要三类病害如下:
叶弄脏
烟草赤星病
细菌性叶枯病

在这里插入图片描述
数据集文件夹如下图:
在这里插入图片描述
部分图片截图:
在这里插入图片描述
在这里插入图片描述

数据下载地址:
https://download.csdn.net/download/weixin_44906759/86820835

水稻叶片病害分类是一个重要的农业问题,而使用Python神经网络来实现水稻叶片病害分类是一种高效的方法。下面是一个简单的流程,用于解释如何使用Python神经网络来分类水稻叶片病害。 首先,我们需要收集一组具有不同水稻叶片病害的图像样本。这些样本应该包括常见的水稻叶片病害,如稻瘟病、纹枯病、立枯病等。确保样本图像的质量和数量足够,以便提供给神经网络进行训练。 接下来,我们需要导入Python中用于神经网络训练和分类的库,如TensorFlow或PyTorch。通过这些库,我们可以构建一个深度神经网络模型,该模型将接受水稻叶片图像作为输入,并输出对应的病害分类。 在构建模型之前,我们需要对图像数据进行预处理。这包括图像的缩放、归一化和增强等操作,以便提高模型的准确性和鲁棒性。 接着,我们可以开始训练神经网络模型。这需要将样本数据集划分为训练集和验证集,并使用训练集对模型进行训练。训练过程中,模型将学习水稻叶片病害的特征和模式,并不断优化自己的参数,直到达到预定的准确性要求。 在模型训练完成后,我们可以使用验证集对模型进行评估,以了解其在未见过的数据上的表现。评估结果可以帮助我们确定模型的性能,并选择最佳的模型参数。 最后,我们可以使用训练好的神经网络模型对水稻叶片病害进行分类。通过将水稻叶片图像输入到模型中,并将输出与之前定义的病害分类进行比较,我们可以快速而准确地确定水稻叶片病害类型。 总之,通过使用Python神经网络对水稻叶片病害进行分类,我们可以实现高效、准确的病害检测和分类,为农业生产提供技术支持和决策依据。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

地理探险家

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值