Wheat_detection 这是我的存储库，其中包含的基准模型 使用的主要框架： 要将其用于培训，请执行以下步骤： 下载数据，解压缩并放入某个文件夹中； 在config conf / data / data.yaml中将该文件夹定义为键data.folder_path的值 运行run_hydra.py脚本 没有用于预测的脚本，因为在这种竞争中，我们必须在内核中进行预测。 请参阅我的内核以获取更多信息： :

小麦底肥如何施更科学？ .docx

山东省地标小麦测墒补灌节水高产栽培技术规程

2022-2028全球与中国脱脂小麦胚芽粉市场现状及未来发展趋势

kmeans聚类测试

用非参数统计量分析了 1998～1 999年度湖北省小麦良种区域试验各品种(系)的丰产性、稳定性、适应性和试点的鉴别力。结果表明 :非参数统计分析简单、明确、效果好,尤其试点鉴别力指数( Di )对试点的选取与分布具有重要指导意义;在参试品种中,鄂麦 12、S048、D 402 丰产性、稳定性、适应性较好,在试点选取与分布上,应增加湖北省北部地区试点数。

小麦品质检测仪2 受启发 描述： 我们正在使用此小麦质量检测测试来确定给定小麦籽粒图像的质量。 我们使用的数据集由提供。 小麦品质检测问题分为以下两个子问题： 两类分类，即健康谷物或其他谷物。 五类分类，即健康谷物，损坏的谷物，异物，破碎的谷物和谷物覆盖物。 我们为上述数据集提取的用于训练的数据集（单粒或其他图像）。 要求： 的OpenCVPython的 凯拉斯 张量流 matplotlib 经过python3.5测试 一目了然 对于两类分类： $ python classifier_2_v2.py 68/68 [==============================] - 0s 499us/step - accuracy: 0.9020 - loss: 0.2475 MLP Test loss: 0.247524231672287 MLP Test acc

年度报告年度小麦品种系病虫害抗性鉴定总结.pdf

深度学习用于小麦产量预测 使用深度学习使用图像数据预测小麦作物的产量

Global-Wheat-Detection 比赛简介 比赛描述 为了获得有关全世界麦田的大量准确数据，植物科学家使用“小麦头”（包含谷物的植物上的穗）的图像检测。这些图像用于估计不同品种的小麦头的密度和大小。但是，在室外野外图像中进行准确的小麦头检测可能在视觉上具有挑战性。密集的小麦植株经常重叠，并且风会使照片模糊。两者都使得难以识别单头。此外，外观会因成熟度，颜色，基因型和头部方向而异。最后，由于小麦在世界范围内种植，因此必须考虑不同的品种，种植密度，样式和田间条件。为小麦表型开发的模型需要在不同的生长环境之间进行概括。当前的检测方法涉及一阶段和两阶段的检测器（Yolo-V3和Faster-RCNN），但是即使在使用大型数据集进行训练时，仍然存在对训练区域的偏倚。 The is led by nine research institutes from seven countries: