基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。 软件架构 1.深度学习技术栈：Python3.7 , Tensorflow 2.1, google colab 2.服务端技术栈：阿里云ECS，Ubuntu-18-04-x64，Docker, Tensorflow Serving, nginx , tomcat 3.web客户端技术栈：Vue2 , Echarts , Tensorflow for js, Opencv for js 教程 -- tensorflow从安装到部署到服务器的保姆级教程 客户端代码 -- Web端，“hc”是jquery的版，“recogpest”是vue版 （上面成果里面的识别系统用的是vue版） 论文 -- 参考论文、最后毕业的论文、性能统计结果等成果 深度模型训练测试代码 -- 训练、测试深度学习模型的代码 基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论

基于深度学习的常见作物病虫害识别系统的设计与实现源代码+论文+教程。 本项目是一个非常完整的深度学习实践项目，内附从安装到部署详细教程。 目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、 算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于 云计算技术与人工智能深度学习的计算机视觉技术，开发了一套开源、跨平 台、易使用的农业害虫识别系统，大幅降低了人工智能技术使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。初步研究结果如下： 1. 收集、筛选、预处理并开源共享了大量的农作物害虫图像数据集。首先 选取了 41 类农作物常见害虫作为研究对象；通过网络检索、数据库收录和实地 拍摄等方法，收集了一万余张害虫图像；基于 GBVS 和 GrubCut 自动分割提取 出了数据量 4:1 的训练和测试数据集，用于算法训练和效果测试。 2. 实现了深度学习算法对农业害虫数据的迁移学习，达到了对已收录害虫 93%高精度识别。