Wheat_detection 这是我的存储库，其中包含的基准模型 使用的主要框架： 要将其用于培训，请执行以下步骤： 下载数据，解压缩并放入某个文件夹中； 在config conf / data / data.yaml中将该文件夹定义为键data.folder_path的值 运行run_hydra.py脚本 没有用于预测的脚本，因为在这种竞争中，我们必须在内核中进行预测。 请参阅我的内核以获取更多信息： :

小麦品质检测仪2 受启发 描述： 我们正在使用此小麦质量检测测试来确定给定小麦籽粒图像的质量。 我们使用的数据集由提供。 小麦品质检测问题分为以下两个子问题： 两类分类，即健康谷物或其他谷物。 五类分类，即健康谷物，损坏的谷物，异物，破碎的谷物和谷物覆盖物。 我们为上述数据集提取的用于训练的数据集（单粒或其他图像）。 要求： 的OpenCVPython的 凯拉斯 张量流 matplotlib 经过python3.5测试 一目了然 对于两类分类： $ python classifier_2_v2.py 68/68 [==============================] - 0s 499us/step - accuracy: 0.9020 - loss: 0.2475 MLP Test loss: 0.247524231672287 MLP Test acc

我自己做的希望与大家共享

Global-Wheat-Detection 比赛简介 比赛描述 为了获得有关全世界麦田的大量准确数据，植物科学家使用“小麦头”（包含谷物的植物上的穗）的图像检测。这些图像用于估计不同品种的小麦头的密度和大小。但是，在室外野外图像中进行准确的小麦头检测可能在视觉上具有挑战性。密集的小麦植株经常重叠，并且风会使照片模糊。两者都使得难以识别单头。此外，外观会因成熟度，颜色，基因型和头部方向而异。最后，由于小麦在世界范围内种植，因此必须考虑不同的品种，种植密度，样式和田间条件。为小麦表型开发的模型需要在不同的生长环境之间进行概括。当前的检测方法涉及一阶段和两阶段的检测器（Yolo-V3和Faster-RCNN），但是即使在使用大型数据集进行训练时，仍然存在对训练区域的偏倚。 The is led by nine research institutes from seven countries:

Global Wheat Detection ：Can you help identify wheat heads using image analysis? 全球小麦检测：您可以使用图像分析帮助识别小麦头吗？ This dataset contains wheat heads from outdoor images of wheat plants, including wheat datasets from around the globe. There are more than 3,000 images from Europe (France, UK, Switzerland) and North America (Canada) for training. The test data includes about 1,000 images from Australia, Japan, and China. 本数据含有室外的小麦植物图像（来自全球的小麦数据集）。其中有来自欧洲（法国，英国，瑞士）和北美（加拿大）的3,000多个图像作为学习数据。测试数据包括来自澳大利亚，日本和中国的约1,000张图像。 Global Wheat Detection.xlsx

Wheat是用于创建动态网站（如博客和门户网站）的语言和环境：每个对象都有URI，虚拟机是Web服务器，开发环境是Wiki！

Wheat rows detection at the early growth stage based on Hough transform and vanishing point