- 综合排序
- 最热优先
- 最新优先
- 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
随着深度学习技术的蓬勃发展，其在计算机视觉领域取得了突破性进展，为农作物识别检测带来了新的契机。YOLOv8作为深度学习中目标检测领域的先进算法，具备检测速度快、精度高、模型轻量化等显著优势。 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。 3、研究现状在基于YOLOv8深度学习的农作物识别检测系统研究领域，国内外已取得显著进展。国际上，YOLO系列算法凭借其高效性与准确性，在农业病虫害检测中展现出强大潜力。 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。
55310编辑于 2026-01-04 - 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 YOLOv8是一种尖端的、最先进的（SOTA）模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。 ：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 是的，YOLOv8走向了Decoupled-Head；Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；损失函数：YOLOv8使用VFL Loss ：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。 8. 最终结果 二、冠军整体方案 1. 数据预处理 滑窗裁剪 原始数据为分辨率几万的PNG大图，需对原始数据预处理，本次比赛中我们采取的是滑窗切割的策略，主要从以下三个方面考量： 类别平衡：过滤掉mask无效占比大于7/8的区域，在背景类别比例小于 图3-8 过渡带标签平滑 6. 伪标签 地形泛化问题也是本次赛题数据一个难点，训练集中数据大多为平原，对测试集数据中山地、碎石带、森林等泛化效果较差。我们采用半监督的方式提高模型对新地形泛化能力。
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)
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 1.1 数据预处理 1.1.1 滑窗裁剪 原始数据为分辨率几万的PNG大图，需对原始数据预处理，本次比赛中我们采取的是滑窗切割的策略，主要从以下三个方面考量： 类别平衡：过滤掉mask无效占比大于7/8的区域 本地比赛中我们直接多进程加速opencv，patch为1024时，单张图5~6min可以切完； 最终采取的切割策略如下： 策略一：以1024x1024的窗口大小，步长900滑窗，当窗口中mask无效区域比例大于7/8则跳过 图3-8 过渡带标签平滑 3.6 伪标签 地形泛化问题也是本次赛题数据一个难点，训练集中数据大多为平原，对测试集数据中山地、碎石带、森林等泛化效果较差。
1.7K20编辑于 2022-05-27 - 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。 应用场景与扩展方向该系统可广泛应用于以下场景：农作物田间病害巡检与早期预警农业试验数据的自动化分析农业AI教学与科研实验平台智慧农业系统中的视觉感知模块在此基础上，还可进一步扩展：多病害共存的多标签识别 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。
21810编辑于 2026-02-01 - 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。
33100编辑于 2025-05-22 基于yolov8的农作物叶子病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的农作物叶子病害检测系统是一种先进的农业技术解决方案，该系统利用深度学习技术，特别是YOLOv8算法，实现农作物叶片病害的自动识别和检测。 YOLOv8以其高效、准确和灵活性著称，能够实时处理图像数据，快速定位并分类各种病害。 该系统经过大量图像数据集的训练，涵盖了多种农作物叶片及其病害，包括但不限于Apple Scab Leaf（苹果黑星病叶）、Apple Leaf（健康苹果叶）、Apple Rust Leaf（苹果雪松锈病叶 该系统为农业生产提供了一种高效、准确的病害检测手段，有助于及时采取防治措施，保障农作物的健康生长和提高产量。 ，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码 yolov8m.onnx
34110编辑于 2025-07-17- 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 ) supplement_info = pd.read_csv('static/materials/supplement_info.csv', encoding='utf-8') model = CNN.CNN Powdery_mildew', 7: 'Corn___Cercospora_leaf_spot Gray_leaf_spot', 8:
25710编辑于 2024-12-25 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。 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。 总之，基于YOLOv8的30种农作物检测系统是现代农业生产中不可或缺的智能工具，它将为农业的可持续发展做出重要贡献。 ，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 项目提供文件有： python源码 yolov8n-cls.pt
31210编辑于 2025-07-16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 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。
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 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
框数 = 133 Aleurocanthus spiniferus 框数 = 148 Ampelophaga 框数 = 279 Aphis citricola Vander Goot 框数 = 8
23100编辑于 2025-07-20
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