简述: 慢病管理，医疗机构管理，家庭管理，费用交纳，费用报销，报表统计等等功能。 技术: Jdk1.8、Tomcat8.5、mysql（IDEA,Eclispe,MyEclispe,Sts都支持） Jdbc、Servlert、Jsp、css、JavaScript、JQuery、Ajax、Fileupload等等

简述: 慢病管理，医疗机构管理，家庭管理，费用交纳，费用报销，报表统计等等功能。 技术: Jdk1.8、Tomcat8.5、mysql（IDEA,Eclispe,MyEclispe,Sts都支持） Jdbc、Servlert、Jsp、css、JavaScript、JQuery、Ajax、Fileupload等等

简述: 慢病管理，医疗机构管理，家庭管理，费用交纳，费用报销，报表统计等等功能。 技术: Jdk1.8、Tomcat8.5、mysql（IDEA,Eclispe,MyEclispe,Sts都支持） Jdbc、Servlert、Jsp、css、JavaScript、JQuery、Ajax、Fileupload等等

在这项工作中，我们正在尝试对X射线或CT扫描图像进行分割，以检测颈椎病。 这项工作用于通过机器学习算法实现对X射线图像的颈椎病的检测。 该任务基于对子宫颈图像骨骼中疾病的早期检测，然后使用FCM分类器进行分类以找到准确性参数。 在这里，作为宫颈图像的数据集用于此医学成像相关研究。 这已成为全世界的主要疾病之一。 此处，噪声添加和滤波过程使用中值滤波完成，而分割使用阈值，基于形态学，基于FCM的分割方法完成，特征的提取也使用Kirsch模板和形态学闭合完成。 在这里，FCM方法用于查找更多的群集区域。 在这种情况下，通过自适应方法产生的性能比从宫颈图像检测和分类疾病的准确性高出70％。 同样，该方法提供了更少的执行时间段以准确地识别疾病。

我国作为世界上最大的葡萄生产国和消费国,葡萄产业已经成为很多地方脱贫致富的支柱产业,但是葡萄病害影响葡萄品质和果实产量,因此快速而精准地识别葡萄病害类型及病害程度是增产增收的重要保障。数据集收集自plant_village，在其基础上用voc格式进行标注，葡萄叶片病害数据集，可用于目标检测，使用数据增强技术完成对搜集的病害样本图片进行扩充,建立了葡萄病害叶片的数据集。传统的依靠人工进行病害识别、诊断并进行决策的生产方式效率低下且劳动成本高昂,迫切需要实现病害的智能化诊断。作为信息技术的核心之一,人工智能技术为实现农业信息化和智能化提供了重要支撑,随着深度学习技术的快速发展,农业领域中的农作物病虫害识别、检测、分割与计数等研究均取得了一定的进展,对实现病虫害的精准防治、减少经济损失及生物育种等具有重要意义。

植物病害分类 使用图像数据和神经网络对植物病害进行分类 该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。 使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。 评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├─

根据鸡的图片和鸡的温度判断是否为病j鸡，flask进行可视化展示

[PPT]Python基于改进YOLOv5的烟叶病害检测系统PPT

[YOLOv5烟叶病害识别]完整源码（带安装教程＆数据集＆演示视频）

植物叶片病害数据集 含4500多张