- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据派THU
农作物地块范围识别（图像分割）
农作物的资产盘点与精准产量预测是实现农业精细化管理的核心环节。 农作物分割 农作物分割分类四个类别，3类农作物和一类背景。使用的是PSPNet的网络。 5. 训练细节 训练使用多分类交叉熵损失函数，不同类别根据数据量添加类别权重。 图3-4 后处理：填充空洞、去小连通域 5. 边缘平滑 边缘平滑想法受Hinton大神关于的知识蒸馏和When does label smoothing help? 图3-5 软标签分类实验特征可视化 图3-5截取自When does label smoothing help?
1.7K20编辑于 2022-06-02 - 来自专栏机器学习AI算法工程
农作物地块范围识别(图像分割)
不同类别的标签统计，背景类最多，人造建筑最少 和普通的语义分割任务相比，本次任务有着以下几个特点， 一是类间差异小，不同种类农作物之间外观差异小， 二是物体尺度相差大，要分割的类别中农作物于人造建筑两个类别的尺度不同 农作物分割 农作物分割分类四个类别，3类农作物和一类背景。 但是注意这里其实这些batch显著大的有一些是一些hard example，比如外观和农作物非常相似的背景或者种植的比较稀疏的农作物，大概在这些batch中hard example和label noise 图3-5 软标签分类实验特征可视化 图3-5截取自When does label smoothing help? 《神经网络与深度学习》最新2018版中英PDF+源码 将机器学习模型部署为REST API FashionAI服装属性标签图像识别Top1-5方案分享 重要开源！
1.7K20编辑于 2022-05-27 - 来自专栏登神长阶
【论文复现】农作物病害叶子图像分割
针对农作物病害图像而言，图像分割的具体应用在于将病害特征与背景环境清晰区分，借此消除背景因素的干扰，进而提升网络模型在病害识别任务中的精确度，这一思路颇为合理且有效。 使用方式 工作流程大概为，首先通过人工利用Labelme数据标注软件对Plant Village数据集中部分样本数据集进行数据标注，这里我在每一个分类下选取了5张叶子图像，因为数据集中有38个分类标签，
33100编辑于 2025-05-22 - 来自专栏数据科学和人工智能
数据集 | 农作物需水量数据集
下载数据集请登录爱数科(www.idatascience.cn) 包含了农作物在不同自然环境，天气条件下的需水量数据集。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4.
78120编辑于 2022-03-30 - 来自专栏登神长阶
【论文复现】农作物病害分类(Web端实现)
农作物病害是国家粮食安全的一个主要威胁，是决定农作物产量和质量的主要因素。 由于传统方法缺乏必要的基础设施，并且极大程度依赖于人工经验，故诸多地区难以迅速高效地防治病害，从而影响农业的发展。 因此，精确诊断农作物病害对于促进农业可持续发展至关重要。针对传统的农作物病害识别方法具有主观性并且极大程度依赖于人工经验的不足，利用卷积神经网络对农作物病害进行识别与分类。 首先，利用数据增强技术扩充农作物病害原始数据集，增加数据的多样性和数量，同时可以提高训练网络的泛化能力和识别精度；然后搭建卷积神经网络对农作物图像进行病虫害的特征提取和分类，实现对农作物病害的准确识别和分类 3: 'Apple___healthy', 4: 'Blueberry___healthy', 5:
25710编辑于 2024-12-25 农作物害虫分类数据集12846张27类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：12846 分类类别数：27 类别名称:["ants","aphids","armyworms","bees","beetle","brown_marmorated_stink_bugs","cabbage_loopers","catterpillar","citrus_canker","colorado_potato_beetles","corn_borers","corn_earworms","earthworms","earwig","fall_armyworms","fruit_flies","grasshopper","killer_bees","moth","slug","snail","spider_mites","thrips","tomato_hornworms","wasp","weevil","western_corn_rootworms"] 中文名称： { "ants":"蚂蚁" "aphids":"蚜虫" "armyworms":"粘虫" "bees":"蜜蜂" "beetle":"甲虫" "brown_marmorated_stink_bugs":"棕色土拨鼠蝽" "cabbage_loopers":"卷心菜活套" "catterpillar":"卡特尔" "citrus_canker":"柑橘溃疡" "colorado_potato_beetles":"科罗拉多马铃薯甲虫" "corn_borers":"玉米螟" "corn_earworms":"玉米耳虫" "earthworms":"蚯蚓" "earwig":"耳环" "fall_armyworms":"秋粘虫" "fruit_flies":"果蝇" "grasshopper":"蝗虫" "killer_bees":"杀人蜂" "moth":"飞蛾" "slug":"鼻涕虫" "snail":"蜗牛" "spider_mites":"叶螨" "thrips":"蓟马" "tomato_hornworms":"番茄角虫" "wasp":"黄蜂" "weevil":"象甲" "western_corn_rootworms":"西部玉米根虫" } 每个类别图片数： ants 图片数：499 aphids 图片数：473 armyworms 图片数：480 bees 图片数：500 beetle 图片数：415 brown_marmorated_stink_bugs 图片数：502 cabbage_loopers 图片数：486 catterpillar 图片数：434 citrus_canker 图片数：498 colorado_potato_beetles 图片数：510 corn_borers 图片数：500 corn_earworms 图片数：497 earthworms 图片数：323 earwig 图片数：465 fall_armyworms 图片数：456 fruit_flies 图片数：483 grasshopper 图片数：485 killer_bees 图片数：495 moth 图片数：497 slug 图片数：391 snail 图片数：500 spider_mites 图片数：492 thrips 图片数：491 tomato_hornworms 图片数：504 wasp 图片数：497 weevil 图片数：482 western_corn_rootworms 图片数：491
38300编辑于 2025-07-20- 来自专栏数据 学术 商业 新闻
数据分享 | 1981-2016年全球主要农作物单产数据集
本期推文，我们继续分享一批优质数据，具体为1981年到2016年全球主要农作物历史单产数据集。 数据具体介绍如下： 全球历史单产数据集（GDHYv1.2 + v1.3）提供了1981-2016年期间全球主要农作物的0.5度网格单产估计值的年度时间序列数据。
1.4K30发布于 2021-02-22 - 来自专栏GPUS开发者
看Jetson TX2如何提高农作物产量
每年，农民都在尽力减少因病害造成的作物损失。仅在2016年，大约有8.17亿蒲式耳的玉米因病害而损失。尽早识别和治疗这些病害会给农民带来很大的帮助，但是专家走遍每个田地是不切实际的。可如果这些病害和其它问题（如营养不良，杂草或昆虫损害）能通过手持设备，农业设备上的硬件或自动机器立即而准确地诊断呢？
1.2K20发布于 2018-08-01 - 来自专栏成套网站
基于yolov8深度学习的农作物识别检测系统
传统农作物识别检测方法，如人工目视判读，不仅耗费大量人力、物力与时间，且易受主观因素影响，导致检测结果准确性和一致性欠佳；基于图像处理的传统算法，虽在一定程度上实现了自动化，但对复杂农田环境、不同生长阶段农作物以及相似品种的区分能力有限 基于YOLOv8深度学习开展农作物识别检测系统研究，旨在利用其强大的特征提取和目标检测能力，实现对农作物种类、生长状况、病虫害情况等的快速、准确识别。 基于YOLOv8深度学习的农作物识别检测系统，能够快速、精准地识别农作物种类、生长状态以及病虫害情况。 国内研究同样蓬勃发展，众多研究团队将YOLOv8应用于不同农作物及病虫害检测场景。 5、系统实现
55310编辑于 2026-01-04 农作物害虫检测数据集VOC+YOLO格式3575张10类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3575 标注数量(xml文件个数)：3575 标注数量(txt文件个数)：3575 标注类别数：10 标注类别名称:["bitichong","feie ","huangchong","huangfeng","jiachong","juying","mangguofenjie","mangguoliaodou","xiangbichong","zuanxinchong"] 每个类别标注的框数： bitichong 框数 = 392 feie 框数 = 495 huangchong 框数 = 490 huangfeng 框数 = 496 jiachong 框数 = 437 juying 框数 = 268 mangguofenjie 框数 = 282 mangguoliaodou 框数 = 185 xiangbichong 框数 = 466 zuanxinchong 框数 = 266 总框数：3777 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：害虫有['甲虫', '蝗虫', '芒果料斗', '芒果粉蚧', '飞蛾', '锯蝇', '鼻涕虫', '钻心虫', '黄蜂', '象鼻虫'] 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
17310编辑于 2025-07-20- 来自专栏镁客网
无人机用于检测农作物健康状况，将帮助农民增产增收
据悉，印度很多咖啡企业表示将利用无人机对当地农作物进行检测，主要用于检测农作物的健康状况。 无人机目前在农业上应用广泛，很多无人机被用于农业的数据收集以及设施精确分析。 印度咖啡种植园所有者Jaisimha Rao表示，现在是农业的新时代，精确地农业带来了新式的农作物管理方式。科技的发展在很多地方将帮助我们提高资源的利用率带来更大的收益。 无人机帮助收集农作物的图像，它会根据农作物的健康状况生成带有颜色与代码的地图，然后将这些信息交给无人机企业进行分析处理。无人机可以将检测的图像上传至云端，再将数据生成地图，将分析结果传达给农民。 这样将帮助农民及时了解农作物的健康状况。这正是无人机真正的价值所在。 镁客网
54430发布于 2018-05-28 - 来自专栏YOLO大作战
基于YOLOv8的农作物水稻病害检测系统，优化SPPF提升检测性能
本文摘要：农作物水稻病害首先进行数据处理到训练模型，最好优化SPPF提升检测精度，map0.5从原始的0.807提升至0.8211.YOLOv8介绍 Ultralytics YOLOv8 具体改进如下：Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；PAN-FPN ：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f 匹配方式框架图提供见链接：Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub2.农作物水稻病害数据集介绍数据集大小一共
1.5K10编辑于 2023-12-13 - 来自专栏DrugOne
Nature | 学者呼吁重新审视基因与农作物产量关系的研究
随着气候的变化和人口的增长，世界越来越需要更高产和更具抗性的农作物。但要改善它们，需要了解在实际田间种植中究竟哪些方法有效。 在过去的二十年里，包括Nature在内的许多期刊已经发表了关于如何修改一个或几个基因可以显著提高农作物产量的论文。报道的增产幅度从10%到68%不等，涵盖的农作物包括水稻、玉米、烟草和大豆等。 很少有研究采用了在真实环境中评估农作物表现所需的实验设计。而且几乎没有任何研究结果能够转化为实际农场的产量增加。尤其在气候变化和不断增长的人口背景下，关于产量的误导性宣称的增长引起了作者的担忧。 育种家和数量遗传学家认为，在单个世代中，作物产量真正的突破意味着产量增加约1-5%。这些经过验证的增长来自于多年的实验，涉及到世界各地的多个地块和地点。
51330编辑于 2023-10-10 智慧农业农作物识别分类数据集829张30类别
sunflower 图片数：24 tea 图片数：23 tobacco-plant 图片数：33 tomato 图片数：26 vigna-radiati 图片数：27 wheat 图片数：31 重要说明：农作物有杏仁
23710编辑于 2025-07-16- 来自专栏一点人工一点智能
基于深度学习的农作物行检测，用于农业机器人的田间导航
粮食生产需求的增加导致了农业任务所需劳动力的增加。在这一背景下，农业机器人成为满足不断增长的劳动力需求的关键。然而，农业技术绩效的不确定性已成为新技术采用者的主要关注点。
1.8K00编辑于 2024-03-09 - 来自专栏AI
基于 YOLOv8 的农作物叶片病害、叶片病斑精准识别项目
基于YOLOv8的农作物叶片病害、叶片病斑精准识别项目[目标检测完整源码]背景与问题定义在农业生产过程中，叶片病害往往是作物减产和品质下降的主要诱因之一。 本文将围绕一个完整的工程化项目，介绍如何基于YOLOv8构建一套可直接使用的农作物叶片病害识别系统，并将模型能力通过PyQt5图形界面封装为普通用户也能操作的应用工具。 总结本文从工程实践角度介绍了一套基于YOLOv8的农作物叶片病害识别系统。通过将高性能目标检测模型与PyQt5图形界面相结合，构建了一个覆盖数据、模型、推理与应用的完整闭环方案。 本文围绕农作物叶片病害智能识别这一典型智慧农业应用场景，系统介绍了一套基于YOLOv8目标检测模型与PyQt5图形化界面的工程化解决方案。 通过将YOLOv8的高性能目标检测能力与PyQt5友好的交互界面深度融合，本文展示了一种面向实际农业生产场景的病害识别系统实现思路。
21810编辑于 2026-02-01 农作物叶子病害检测数据集VOC+YOLO格式5169张29类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
29111编辑于 2025-07-17农作物害虫检测数据集VOC+YOLO格式18975张97类别
small brown plant hopper 框数 = 54 tarnished plant bug 框数 = 365 therioaphis maculata Buckton 框数 = 5
23100编辑于 2025-07-20田间常见农作物幼苗检测数据集VOC+YOLO格式7705张24类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
24500编辑于 2025-07-16基于yolov8的30种农作物检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的30种农作物检测系统是一个集成了先进深度学习技术的智能农业解决方案。该系统利用YOLOv8算法的高效性和准确性，实现了对30种不同农作物的高精度实时检测。 该系统通过训练大量标注好的农作物图像数据集，使模型能够学习到各种农作物的特征，进而在实际应用中准确识别和分类农作物。 无论是通过图片、视频还是摄像头输入，系统都能快速响应，给出农作物的种类、位置以及置信度等信息。 此外，基于YOLOv8的农作物检测系统还具备强大的泛化能力。通过数据增强技术和迁移学习的应用，系统能够很好地适应不同环境和条件下的农作物检测任务，提高了检测的准确性和稳定性。 ) self.label_5.setObjectName("label_5") self.le_res = QtWidgets.QTextEdit(self.centralwidget
31210编辑于 2025-07-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号