草莓病害数据集，2类1565张RGB图像。

辣椒病害数据集。两类2475张RGB图片。

黄龙病(柑橘)数据集，一共5507张RGB图像。

深度学习对作物产量的预测 我们论文的必要代码，《 ，AAAI 2017（计算机可持续性研究最佳学生论文奖）。 我们很高兴也赢得了赛的“最佳大数据解决方案”。 这是每个文件夹的实用程序的简要介绍。 “ / 1下载数据”我们如何将数据从Google Earth Engine下载到Google云端硬盘。 然后，用户需要将数据从Google云端硬盘导出到其本地文件夹（例如集群）。 诀窍在于，我们首先将所有可用年份（例如2003年至2015年）中的所有图像连接在一起，然后立即下载大图像，这可能会快数百倍。 “ / 2干净数据”如何对原始数据进行预处理，包括对巨大图像进行切片以获取单个图像，3-D直方图计算等。 “ / 3模型” CNN / LSTM模型结构，以张量流（v0.9）编写。 用Python编写的高斯过程模型。 “ / 4 model_batch”由于我们每年和每个月都在训练不同的

作物产量毫升 这是使用随机森林回归的作物产量预测指标。

中国是传统的农业大国, 农业不仅是国民经济建设与发展的基础, 也是社会正常稳定有序运行的保障. 然而每年由于农作物病虫害造成的损失巨大, 且传统的农作物病虫害识别方法效果并不理想. 同时近年深度学习飞速发展, 在图像分类与识别的方面取得了巨大进展. 因此本文通过基于深度学习的方法构建农作物病虫害图像识别模型, 并针对样本不平衡问题改进卷积网络损失函数. 实验证明该模型可以对农作物病虫害进行有效识别并且对损失函数进行优化后模型的准确率也进一步得到了提升.

农作物

Salinas 是由 AVIRIS 传感器拍摄，拍摄地点是加州 Salinas Valley。这个数据的空间分辨率是3.7米，大小是512*217。原始数据是224个波段，去除水汽吸收严重的波段后，还剩下204个波段。这个数据包含了16个农作物类别。

植物苗种分类 域背景 图像分类已成为机器学习和深度学习可以解决的最重要问题之一。 在这个项目中，我将使用kaggle竞赛的数据集之一，该数据集包含大约960种独特植物的图像，这些植物在多个生长阶段属于12个物种。它包含带注释的RGB图像，其物理分辨率约为每毫米10像素。 奥尔胡斯大学信号处理小组工程系已上传此数据集，以使其具有更大的曝光范围，从而为社区提供了尝试不同图像识别技术的机会，并提供了一个可以相互授粉的思想场所。 在南丹麦大学和奥尔胡斯大学的合作下，该数据库已在奥尔胡斯大学Flakkebjerg研究站进行了记录。 您可以在此处找到数据集，该数据集具有1.7 G的训练集（无节段的单株植物），这里的问题是杂草幼苗很像农作物幼苗，我们的目标是能够使用机器学习和深度学习技术来区分它们。 你可以找到项目报告 安装 他的项目需要Python 3.5或更高版本，并安装了以下Python库：

基于卷积神经网络的农作物图像识别方法研究.pdf