数据包括 ： 苹果褐斑病 、 苹果黑腐病 、 苹果花叶病 、 苹果正常

5路面主要病害与防治.pptx

隧道病害及处理.1.1.1衬砌开裂的分级 1.1.2渗漏水的分级 1.1.3衬砌剥落、剥离的分级 1.1.4衬砌材料劣化的分级 1.1.5衬砌变形、移动、下沉的分级 1.1.6 其它病害的分级

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

开发环境：Python3.6.5、keras2.2.4、tensorflow1.12、django等 系统应用：本部分在训练完植物叶片病害识别的模型参数后，将植物叶片病害识别的模型部署到Web中，前端负责获取用户在页面上传的图像并预处理，再向服务器发出AJAX请求，请求内容为待识别的图像。服务器端程序生成TF会话并加载训练好的模型，调用相应的视图函数将请求数据送入TF会话中计算，最后将识别结果异步回传到前端。

数据集：本实验使用 Plant Village 公开数据集。本实验中的数据集共用 38个类别名称，代表38类病害。 代码：包含resnet50\ATT-ResNet\VGG等多个模型 实现环境：Python3.6.5、keras2.2.4、tensorflow1.12

鸟类养殖的病害防治【炮仗花怎么养炮仗花的病害防治】.docx

实现了对叶片颜色的检测，实现病害检测 包含整个工程，可直接运行

植物病害形状特征提取：首先使用基于颜色的 k-means 进行裁剪 2 分割，然后将图像转换为 BW，然后计算形状特征区域、周长、对象数量、对象质心