利用QTdesigner+pyqt5设计并制作可视化界面的苹果树叶片病斑检测与分级系统。系统分为检测系统以及病斑分割分级系统，检测系统可实现的功能有：患病叶片及健康叶片检测，对于患病叶片的疾病可作区分，并提出防治建议。病斑分割分级系统可实现的功能有：分割患病叶片的叶片区域以及染病区域，并根据依据计算出患病等级，并提出防治建议。本系统是博主自行研发的系统，有需要的人可以下载并随时欢迎咨询。

1.1.1.2根据裂缝的宽度和长度分级 我国铁路隧道衬砌开裂分级。 AA (极严重) :长度L > 10m ,宽度a > 5mm ,且变形继续发展,拱部开裂呈块状,有可能掉落; A1 (严重) :L 为5～10m ,但a > 5mm;开裂使衬砌呈块状,在外力 作用下有可能崩塌和剥落; B(较重) :L < 5m 且5mm ≥a ≥3mm;裂缝有发展,但速度不快; C (中等) :L < 5m 且a < 3mm; D (轻微) :一般龟裂或无发展状态

黄瓜病虫害数据集

黑斑病171张，溃疡病163张，黄龙病204张，健康58张。数据集扩增（1张变多张），在博客资源里配套有。

自然环境下，4种水稻叶片病虫害数据集 Bacterial blight（白叶枯病）共1548张，Blast（稻瘟病）共1440张，Brown Spot（褐斑病）共1600张，Tungro(水稻東格魯桿狀病毒)共1308张。自然环境下，水稻叶片病虫害数据集。

针对唐墓室壁画泥斑病害问题，提出了泥斑病害自动标定算法。用空间自相关函数分析泥斑病害纹理特征，在YCbCr模型下，分析泥斑病害亮度，色度特征；对图像分块处理，分析其每个图像块的纹理、亮度和色度特征，通过阈值分割得到泥斑的纹理、亮度和色度掩码。为了精确标定又提出将泥斑的纹理、亮度和色度掩码进行与或运算，得到泥斑区域掩码，将泥斑区域掩码与原图进行加运算，实现壁画泥斑病害精确标定。通过壁画虚拟修复实验表明这种标定算法不仅标定准确而且提高了壁画虚拟修复效率。

葡萄叶片病害分类图像数据集（四类）

水稻，原产于中国，是最悠久的粮食种类之一，也是世界主要粮食作物之一。 水稻病害是影响水稻产量的最重要因素之一，其分布广危害大，造成了巨大的经 济损失。因此能有效地快速地在自然状态下识别水稻病害显得相当重要，而现在 对其的识别方法基本上停留在人为主观判断，这种方法对有经验的劳动力需求 大、效率低下、不具有实时性。随着社会的发展，计算机的普及与更新，使得人 工智能领域火热发展,其中应用神经网络对图像进行分类检测也取得了很好的效 果。针对以上问题的分析，本文针对水稻稻曲病和水稻的主要6种主要病害提出 了在自然环境下的识别方法。主要做了以下研究: 1.本文针对水稻稻曲病的识别算法进行研究。稻曲病的识别使用了两种方 法，一是用传统图像特征提取方法，如SVM(Support Vector Machine)结合特征提 取方法HOG(Histogram of Oriented Gradient);二是改进卷积神经网络 (Convolutional Neural Networks,CNN)。对于传统的图像方法，首先将原图片用 图像处理方法进行预处理，得到了一种分割水稻稻穗的方法，再使用HOG提取 图片特

农作物病害分类图像数据集，训练图像总数为32768张，验证图像总数为4992张

本文围绕面向不均匀样本集的惩罚校正 SVN 分类方法、作物病害图像的病变识别预处理、病变模式识别的数值分析特征提取及 SVN 识别、病变图像模式半监督深度学习特征提取及识别、病变图像模式监督深度学习特征提取和一体化识别 5 个方面的内容展开了深入研究。拓展了机器学习理论及其应用范畴，构造了基于机器学习的作物病变图像识别的数据结构和算法范形。最后，将提出的理论和设计方法应用于工厂化果园生产场景采集的苹果病害图像识别并进行算法级别实验验证，为面向深度学习作物病害图像识别的农业智能系统产品开发设计提供了不菲的参考价值。 主要研究成果和创新点如下： 1. 提出了惩罚校正的支持向量分类算法和校正方法。以 SVN 为基础，探讨惩罚支持向量机处理不平衡样本时，在不同目标尤其是样本稀疏目标的学习错误率上呈现的显著性差异，提出惩罚校正的支持向量分类算法和校正方法。 2. 设计了病害图像识别方位亮度多样性仿真方法。同广泛使用的基准数据集相比，农场果园视频感知设备采集环境复杂，充满着多种干扰，定点、移动方式都难以保证在受限条件和有限次数采样下，采集到代表性图像在各状态下分布均匀的样本集。