番茄作物是市场上的重要主食，并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降； 因此，对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型，例如细菌斑，晚疫病，裁缝叶斑，番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前，智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗？ 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络（CNN）的技术，而卷积神经网络是机器学习的一部分，可以早期发现有关植物状况的信息。 CNN方法取决于从输入图像中提取特征（例如颜色，叶子边缘等），并在此基础上确定分类。 Matlab m文件已用于构建CNN结构。 从植物村获得的数据集已用于训练网络（CNN）。 所建议的神经网络已被用于分类六种类型的番茄叶片情况（一种健康的叶片植物疾病和五种类型的叶片疾病）。 结果表明，卷积神经网络（CNN）已经实现了96.43％的分类精度。 真实图像用于验证建议的CNN技术进行检测和分类的能力，并使用5兆像素相机从真实农场中获得，因为感染该星球的大多数常

玉米叶病(NLB)数据集，创建此数据集的目的是用于无人机检测玉米的疾病，健康的叶子有2567张图片，有病害的叶子有1550张 玉米叶病(NLB)数据集，创建此数据集的目的是用于无人机检测玉米的疾病，健康的叶子有2567张图片，有病害的叶子有1550张

玉米叶片病害数据集，共4000多张图片，0普通锈病- 1306图像1灰色叶斑- 574图像2枯萎病-1146图像3健康- 1162图像 玉米叶片病害数据集，共4000多张图片，0普通锈病- 1306图像1灰色叶斑- 574图像2枯萎病-1146图像3健康- 1162图像

棉花叶病害分类数据集，数据集按照棉花叶片感染的3种类型进行组织，其中一个文件夹包含未感染棉花叶片的数据，共1786张图片 棉花叶病害分类数据集，数据集按照棉花叶片感染的3种类型进行组织，其中一个文件夹包含未感染棉花叶片的数据，共1786张图片

苹果的黑腐、雪松锈病、痂叶病数据集，每类160张图片左右，为单独页面紫色背景拍摄，共480张 苹果的黑腐、雪松锈病、痂叶病数据集，每类160张图片左右，为单独页面紫色背景拍摄，共480张 苹果的黑腐、雪松锈病、痂叶病数据集，每类160张图片左右，为单独页面紫色背景拍摄，共480张

豆叶病害数据集，2种疾病和1种健康的检测数据集，每种340张图片 豆叶病害数据集，2种疾病和1种健康的检测数据集，每种340张图片 豆叶病害数据集，2种疾病和1种健康的检测数据集，每种340张图片

智慧农业_3类柑橘病虫害数据集522张已标注_voc格式+yolo格式标签 一共522张，两种格式标签，多种目标检测算法可以直接用。由于数据太大，上传的是下载链接，可放心下载！ 病害类别为三类{'0': "HLB",'1': "ill",'2': "health"}

MATLAB SIMULINK基于直方图法的简单叶病分析

植物病理学项目 项目描述： 该项目取自植物病理学。对影响农作物的许多疾病的误诊会导致化学药品的滥用，导致耐药菌病原体的出现，投入成本的增加以及更多爆发，造成重大的经济损失和环境影响。在这个项目中，我们将使用苹果叶片的图像来训练可以正确诊断感染和健康叶片的模型。我们将以对模型进行训练的方式来转换图像，以获取用户将提交的真实世界数据（不同的亮度，角度，叶片位置，颜色等）。 我们最初的目标是95％的准确性，使用EfficientNet b5之后，我们能够达到95.9％的准确性。重要说明是，此项目是使用Google Colab创建的，因此必须使用项目中指定的相同目录路径装载和格式化Drive，才能使用个人计算机运行该项目。 该项目的重点： 格式化要在ImageFolder和DataLoader中使用的图像目录。 图像增强可复制真实世界的数据示例。 为未标记的测试数据创建自定义数据集。 实施转移学习

木薯叶病分类Kaggle挑战2020 链接到博客文章： 我的提交分数历史记录：