本次实验是做一个基于番茄叶数据的植物病虫害AI识别项目，掌握番茄病虫害分类模型的加载、掌握番茄病虫害分类模型、进行推理预测方法握了病虫害智能检测项目的从数据采集到卷积神经网络模型构建，再到使用采集的数据对模型进行训练，最后使用模型进行实际的推理完整的开发流程。 任务1：常见数据采集方法（ kaggle植物病虫害开源数据集的使用番茄病虫害分类数据标注） 任务2：导入数据集（ 病虫害图片导入实验、tensorflow番茄病虫害模型训练前数据预处理） 任务3：模型选择与搭建（深度学习神经网络、keras高级API的使用、keras构建分类卷积神经网络模型） 任务4：模型训练与模型评估（基于预训练模型进行模型微调训练、tensorflow保存模型） 任务5：模型加载与预测（ tensorflow评估番茄病虫害模型、使用tensorflow对番茄病虫害模型进行番茄病虫害情况预测）

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` ├─

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

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