全球电厂数据库 该项目旨在建立。 这是由许多合作伙伴进行大规模合作的结果，该合作由和协调进行。 如果您想参与其中，请或分叉存储库和代码！ 要了解有关如何为该存储库做出贡献的更多信息，请阅读文档。 根据提供CSV格式的最新数据库版本（v1.2.0）。 最新版本位于此存储库的目录中。 所有Python源代码都可以在下。 这项工作由和其他组织支持，并得到了支持。 数据库说明 全球电厂数据库分几个步骤构建。 第一步涉及收集和处理国家/地区级数据。 在某些情况下，这些数据是从官方政府网站上自动读取的； 实现此目的的代码在build_databases目录中。 在其他情况下，我们会手动收集国家/地区级别的数据。 这些数据将保存在raw_source_files/WRI并使用build_database目录中的build_database_WRI.py脚本进行处理。 第二步是整合来自不同来源

《eM-Plant仿真技术教程》是2009年科学出版社出版的图书，作者是施於人、邓易元、蒋维。本书参考了国内外相关领域的研究内容，有针对性地设计了与知识点相关的范例，内容详尽、结构合理，术语和相关名词翻译准确，是目前操作性很强的一本教程。

PDD_demo ResNet可以

基于深度学习的植物病害识别 这个基于django的Web应用程序使用经过训练的卷积神经网络来识别植物叶片上存在的疾病。 它由38种不同的健康和病态植物叶子组成。 38个类是： 苹果->苹果结ab 苹果->黑腐 苹果->雪松苹果锈 苹果->健康 蓝莓->健康 樱桃->白粉病 樱桃->健康 玉米-> Cercospora叶斑（灰色叶斑） 玉米->普通锈 玉米->北方叶枯病 玉米->健康 葡萄->黑腐 葡萄->埃斯卡（黑麻疹） 葡萄->叶枯病（Isariopsis Leaf Spot） 葡萄->健康 橙色->上龙冰（柑橘绿化） 桃->细菌斑 桃子->健康 胡椒，铃铛->细菌斑 胡椒，铃铛->健康 马铃薯->早疫病 马铃薯->晚疫病 土豆->健康 覆盆子->健康 大豆->健康 壁球->白粉病 草莓->叶焦 草莓->健康 番茄->细菌斑 番茄->早疫病 番茄->晚疫病 番茄->叶霉 番茄

基于Kaggle Plant Seedlings Classification竞赛 不利用深度学习 只用特征提取和传统机器学习完成图像分类并达到78%的准确率

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

编写了 Matlab 代码以将叶子分类为以下类型之一：'Alternaria Alternata'、'Anthracnose'、'Bacterial Blight'、'Cercospora Leaf Spot' 和 'Healthy Leaves'。 分类由 Multiclass SVM 完成（一对一） 怎么跑？？ 1.将文件夹'Leaf_Disease_Detection_code'放在Matlab路径中，并将所有子文件夹添加到该路径中2. 运行 DetectDisease_GUI.m 3.在GUI中，单击“加载图像”，然后从Manu's Disease数据集中加载图像，单击“增强对比度”。 4. 接下来点击Segment Image，然后输入包含ROI的cluster no，即只有疾病受影响的部分或健康的部分5. 点击分类结果。 然后测量准确性（在这种情况下是健康与所有疾病）。 代码

该资源中主要是在Siemens Plant Simulation可以打开的SPP格式的一些个人的学习制造的资料信息，可以给初学者提供一定的参考价值，个人使用的版本是Siemens Plant Simulation 15版本来进行设计制作的

植物病害检测仪 由和创建 我在中的 在经过预处理的数据集上训练模型，可以在下载。 本地设置 当地的： 建议在虚拟环境中设置项目，以保持依赖关系分离。 激活您的虚拟环境。 通过运行pip install -r requirements.txt安装依赖项。 通过运行python app/server.py serve启动服务器。 访问进行探索和测试。 码头工人： 确保Docker已安装在您的本地计算机中。 了解如何安装Docker 。 苹果电脑： $ git clone https://github.com/imskr/Plant_Disease_Detection.git $ cd Plant_Disease_Detection $ docker build -t fastai-v3 . $ docker run --rm -it -p 8080:8080 fastai-v3

植物病害分类 植物病害分类的数据集分析和CNN模型优化 如何探索这项工作 阅读或格式的报告。 阅读的代码。 在Kaggle notebook 中运行代码。 扩展摘要 问题 对影响农作物的多种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。 当前基于人类侦察的疾病诊断既耗时又昂贵，尽管基于计算机视觉的模型有望提高效率，但由于受感染组织的年龄、遗传变异和树木内的光照条件而导致的症状差异很大检测精度。 目标 我们参加的植物病理学挑战包括使用训练数据集的图像训练模型以 准确地将测试数据集中的给定图像分类为不同的患病类别或健康的叶子； 准确区分许多疾病，有时在一片叶子上不止一种； 处理罕见的类别和新的症状； 解决深度感知——角度、光线、阴影、叶子的生理年龄； 结合识别、注释、量化方面的专家知识，引导计算机视觉在学习过