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` ├─

使用CNN进行植物病害检测 通过叶片图像预测植物的健康状况

AI-Challenger-Plant-Disease-Recognition 农作物病害检测 详情请见 环境配置 python==2.7 tensorflow==1.2.1 使用方法 更改 plot.py 脚本中路径，运行该脚本，可以绘出数据分布的直方图 下载预训练模型 更改 plant_disease.py 中的输入文件路径，输出文件路径，预训练模型文件路径 在 code 路径下直接运行 python plant_disease.py 训练完成后会直接使用训练得到的参数预测 testA 数据集，生成可以用来直接提交的 json 文件 大佬开源分享 框架：pytorch 最终成绩：0.875 框架：keras 最终成绩：0.88658 其他 Label ID Label Name 0 apple healthy（苹果健康） 1 Apple_Scab general（苹果黑星病一般） 2

棉花植株病害预测-深度学习 问题识别 由于主要的棉花疾病，棉花的产量在过去一年中逐渐减少，这严重影响了棉花的生产，从而影响了一些常见的疾病，例如虫害，木炭腐烂等。 如果农民了解生长初期受感染和患病的植物，以便农民可以使用农药和不同的医疗设备在植物上撒药，并使作物免受疾病的侵害，问题将得到解决。生产的早期阶段。 目标自动系统设计为使用卷积神经网络检测棉花植物叶片的病害。 入门 该项目分为以下步骤： 导入库和数据模型的建立和测试 导入库和数据 导入库： Jupyter NoteBook（Google Colab）使用Keras，NumPy和Matplotlib库构建模型。 资料集： 棉花工厂数据集是由加利福尼亚大学欧文分校维护的机器学习存储库。 数据集包含2,310个病棉叶，病棉植物，新鲜棉叶和新鲜棉植物的样本。 它包含训练，验证和测试图像，这些图像用于建立模型来预测棉花植物是新鲜

plant Leaf Disease Detection 植物叶片病害识别