- 综合排序
- 最热优先
- 最新优先
- 来自专栏PyQt+YOLO
【AI加持】基于PyQt5+YOLOv8+DeepSeek的水稻叶片疾病检测系统（详细介绍）
本项目基于PyQt5、YOLOv8与DeepSeek构建水稻叶片疾病检测系统，具有重要的现实意义和应用价值。 6.关于水稻叶片疾病水稻叶片疾病是影响水稻生长和产量的主要病害类型之一，广泛发生于水稻整个生育期，尤其在高温、高湿和通风不良的环境条件下更易暴发。 叶片作为水稻进行光合作用和营养积累的重要器官，一旦受病害侵染，会直接削弱植株的生理功能，导致生长缓慢、结实率下降，严重时甚至造成大面积减产。常见的水稻叶片疾病主要包括稻瘟病、细菌性条斑病和褐斑病等。 由于不同病害在早期症状上存在相似性，单纯依靠人工经验容易出现误判，因此对水稻叶片疾病进行科学、准确的识别和防控具有重要意义。 1.数据准备本系统附带1448张水稻叶片疾病图像和1448个数据标注文件，大家可以根据自己的情况自行训练数据自己的模型！
47210编辑于 2025-12-14 - 来自专栏YOLO大作战
YOLO11叶片病害检测提升 | 多尺度提取能力，一种多维联合注意力模块 | 2025年4月最新发表
叶片病害问题点：特征颜色、纹理及形态的多样性，加之光照条件变化，导致检测难度变大解决方案：引入了一种多维联合注意力模块，该模块利用扩张卷积来捕捉不同尺度的特征信息，从而增强了模型的感受野和多尺度处理能力 原来的数据集包含 1899 个疾病标记，分布在潜叶蝇（540 个）、锈病（621 个）、壳针孢（464 个）和褐斑病（274 个）这几个类别中，未考虑健康叶片的标记。 标记数量的增加反映了在提高受疾病影响区域的代表性方面所做的努力，并确保了更准确的真实情况，从而使得该数据库在训练和评估模型方面更加稳健。 3.如何提升叶片病害检测精度3.1 原始网络性能 实验结果如下：原始mAP50为0.528YOLO11 summary (fused): 238 layers, 2,582,932 parameters /11 [00:11<00:00, 1.08s/it] all 351 1580 0.549 0.521 0.536
29110编辑于 2025-05-27 - 来自专栏YOLO大作战
YOLO11叶片病害检测提升 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM
多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力如何使用：1）直接作为注意力使用，加入backboneMSAM 加入backbone | mAP50从原始的0.528提升至 0.542，该方法使用其他任务的叶片病害检测任务改进结构图如下 ：1.咖啡叶病害检测介绍 原来的数据集包含 1899 个疾病标记，分布在潜叶蝇（540 个）、锈病（621 个）、壳针孢（464 个）和褐斑病（274 个）这几个类别中，未考虑健康叶片的标记 标记数量的增加反映了在提高受疾病影响区域的代表性方面所做的努力，并确保了更准确的真实情况，从而使得该数据库在训练和评估模型方面更加稳健。 ：原创自研 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM_msam yolo-CSDN博客 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显提供多种yaml改进方法3.如何提升叶片病害检测精度 /11 [00:11<00:00, 1.05s/it] all 351 1580 0.503 0.58 0.542
23510编辑于 2025-07-15 - 来自专栏作图丫
深度学习~11+高分疾病相关miRNA研究新视角
导语 数据库中已验证的miRNA-疾病关联严重不足，使用传统的生物学实验方法识别新的miRNA-疾病关联成本高且具有一定的盲目性。 图 2 03 通过RF预测miRNA与疾病的关联 为了避免特征维度和特征质量对miRNA-疾病关联预测的不良影响，本研究选择RF作为分类器。 -疾病的 AUC关联预测 (EKRRMDA)、改进的基于协同过滤的 miRNA-疾病关联预测 (ICFMDA) 和用于 miRNA-疾病关联预测的图自动编码器模型 (GAEMDA) 分别为 0.9208 从数据库中获得的已知 miRNA-疾病关联作为 DFELMDA 的训练集，并根据预测结果对所研究疾病的候选 miRNA 进行优先排序。 首先，应用一种新的特征表示策略来获得相同 miRNA-疾病关联的不同类型的表示（来自 miRNA 和疾病）。然后，构建了两个基于 miRNA 和疾病的深度自编码器来提取低维特征表示。
78720编辑于 2022-06-24 - 来自专栏YOLO大作战
一种基于YOLO11的高精度叶片病害检测算法（原创自研）
叶片病害问题点：特征颜色、纹理及形态的多样性，加之光照条件变化，导致检测难度变大 解决方案：1）引入了一种多维联合注意力模块，该模块利用扩张卷积来捕捉不同尺度的特征信息，从而增强了模型的感受野和多尺度处理能力 mAP50从原始的0.528提升至 0.538MDJA加入backbone | mAP50从原始的0.528提升至 0.536 1.咖啡叶病害检测介绍 原来的数据集包含 1899 个疾病标记 ，分布在潜叶蝇（540 个）、锈病（621 个）、壳针孢（464 个）和褐斑病（274 个）这几个类别中，未考虑健康叶片的标记。 标记数量的增加反映了在提高受疾病影响区域的代表性方面所做的努力，并确保了更准确的真实情况，从而使得该数据库在训练和评估模型方面更加稳健。 3.如何提升叶片病害检测精度3.1 原始网络性能 实验结果如下：原始mAP50为0.528YOLO11 summary (fused): 238 layers, 2,582,932 parameters
35210编辑于 2025-07-07 - 来自专栏YOLO大作战
YOLO11叶片病害检测提升 | 具有切片操作的SimAM注意力结合卷积，助力病害检测
高效和卷积结合，代替原始网络的卷积操作；Conv_SWS | mAP50从原始的0.528提升至 0.538，该方法使用其他任务的叶片病害检测任务1.咖啡叶病害检测介绍 原来的数据集包含 1899 个疾病标记，分布在潜叶蝇（540 个）、锈病（621 个）、壳针孢（464 个）和褐斑病（274 个）这几个类别中，未考虑健康叶片的标记。 标记数量的增加反映了在提高受疾病影响区域的代表性方面所做的努力，并确保了更准确的真实情况，从而使得该数据库在训练和评估模型方面更加稳健。 性能如下： 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显提供多种yaml改进方法3.如何提升叶片病害检测精度3.1 原始网络性能 实验结果如下：原始mAP50为0.528YOLO11 summary /11 [00:11<00:00, 1.09s/it] all 351 1580 0.528 0.554 0.538
33200编辑于 2025-07-17 - 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。 随着深度学习在计算机视觉领域的成熟，利用目标检测模型对叶片病斑进行自动识别，已成为智慧农业的重要技术方向。 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。 YOLOv8在叶片病害识别中的适配优势相较于传统分类模型，病害识别在实际应用中更关注“病斑在什么位置、影响范围多大”。 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 - 来自专栏疯狂学习GIS
基于SPAD-502测量叶片的叶绿素含量
本文介绍基于SPAD-502叶绿素仪测定植被叶片叶绿素含量的方法。 本文就详细介绍基于这一便携式叶绿素仪进行植被叶片叶绿素含量的测定方法。 这里需要注意，由SPAD-502叶绿素仪测定所得的植被叶片叶绿素含量，其度量单位就是SPAD，是由特定波长光被叶片吸收程度所推算出的植被叶片叶绿素含量的相对值，是一个没有量纲的单位。 其中，显示N=1这一字符表示当前已经对第一个叶片的数据完成了测定，其叶绿素含量为41.8。 测定时需要保持好力度。力度过大，可能会使得叶片破碎；力度过小，则可能导致无法测得数据。 随后，不断重复这一测定操作，从而测定同一株植被中不同叶片的叶绿素含量，方便我们后期取多次测量的平均值作为该株植被的叶片叶绿素含量，从而提升结果精度。
43920编辑于 2023-10-07 眼球疾病检测数据集VCO+YOLO格94张11类别
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)：94 标注数量(xml文件个数)：94 标注数量(txt文件个数)：94 标注类别数：11
9200编辑于 2025-07-16- 来自专栏生信宝典
Science |清华大学生命学院陈柱成课题组发表长文阐述RSC复合物重塑染色质的机理
2019年11月1日，清华大学生命学院陈柱成、北京大学生命学院高宁与美国犹他大学Bradley Cairns课题组在《科学》（Science）杂志上在线发表题为 《核小体结合状态的染色质重塑复合物RSC SRM包含三个底物招募叶片:DNA结合叶片（DB-lobe）、组蛋白尾肽结合叶片（HB-lobe）与核小体结合叶片（NB-lobe）。 这些叶片在空间上被安置在它们对应的底物附近，使它们能够协同作用，结合核小体。 这个工作阐明了RSC识别启动子的染色质特征，定向移动核小体，打开启动子的机理。 NB-lobe的Sfh1亚基被发现结合组蛋白H2A-H2B酸性区表面，促进了RSC在体内和体外的染色质重塑活性，这提示Sfh1的同源蛋白INI1/ BAF47/SMARCB1突变造成多种癌症和神经发育疾病的可能机理
66820发布于 2019-11-14 - 来自专栏用户9688532的专栏
3D软件轧制螺旋叶片的辅助作用
由于螺旋叶片异面轧制的原理可知，锥辊的采用异面不对称分布且辊面在不同圆周处线速度不同。用这种锥辊来轧制板料与传统上的板材轧制、棒材轧制和型钢轧制截然不同。前者要比后者复杂的多，且必须次用3D模拟。
51040编辑于 2022-06-30 - 来自专栏简书专栏
基于xgboost的风力发电机叶片结冰分类预测
0.打开jupyter notebook 在桌面新建文件夹风力发电机叶片结冰分类预测，按钮如下图所示： ? image.png 在文件夹风力发电机叶片结冰分类预测中打开PoweShell。 在文件夹中按住Shift键的情况下，点击鼠标右键，出现如下图所示： ? image.png aerogenerator中文叫做风力发电机； vane中文叫做叶片。 代码文件重命名为aerogeneratorVane，重命名文件按钮位置如下图所示： ? 下载文件为zip压缩文件，里面含有3个csv文件：data.csv、failure.csv、normal.csv data.csv文件是带有所有特征字段的数据集； failure.csv文件是风力发电机叶片故障时间段 ，时间段包括2个字段：开始时间startTime、结束时间endTime； normal.csv文件是风力发电机叶片正常时间段，时间段包括2个字段：开始时间startTime、结束时间endTime。
2K21发布于 2018-10-09 - 来自专栏HansBug's Lab
1688: Disease Manangement 疾病管理
1688: [Usaco2005 Open]Disease Manangement 疾病管理 Time Limit: 5 Sec Memory Limit: 64 MB Submit: 413 Solved HINT Source Silver 题解：其实一开始想的很复杂，连树状数组都想过用上，但是后来发现貌似也就15种病，这样子就容易了——直接进行01状态压缩，然后枚举各种状态（HansBug：实际上，对于疾病的状态只需要保留刚刚好 Memory:4132 kb 8 ****************************************************************/ 9 10 var 11
62550发布于 2018-04-11 - 来自专栏数据科学和人工智能
数据集 | 心脏疾病数据集
下载数据集请登录爱数科(www.idatascience.cn) 数据集可用于预测一个人是否患有心脏疾病。 1. 字段描述 2. 数据预览 3.
1.2K20编辑于 2022-03-30 - 来自专栏生信菜鸟团
人工智能、机器学习和深度学习在植物育种中的应用---下篇
迁移学习过程 识别影响农作物的害虫和疾病是一项费力且容易出错的任务，往往导致次优的控制措施和减产。通过准确识别和分类植物疾病，AI技术使育种者能够更有效地选择和开发抗病植物品种。 另一方面，Ullah等人引入了一种新颖的基于DL的架构DeepPlantNet，用于高效准确地预测和分类植物叶片疾病。 DeepPlantNet包含28个学习层，包括卷积层和全连接层，在将各种植物疾病分类为多个类别方面表现出高精度。其研究结果表明，AI在及时疾病识别方面具有显著潜力，展示了其优于现有方法的优越性。 研究开发了一个只有 25 个 ConV 层的 DeepPlantNet 框架，将植物叶片图像分为八类，流程图如图所示。 Front Plant Sci. 2023 Oct 11;14:1212747. doi: 10.3389/fpls.2023.1212747.
70911编辑于 2025-02-10 IEEE Sensors | 湖南大学提出KGP-YOLO：先定位风电叶片再检测缺陷，三数据集mAP均超87%
湖南大学Li等人在IEEE Sensors Journal上提出KGP-YOLO，采用"先过滤再检测"的两阶段架构：第一步用关键点定位网络KGP-Net自适应裁出叶片区域，第二步在YOLOv11中嵌入双层路由交叉注意力 第二阶段——YOLOv11+BRCA检测器：裁剪后的叶片图像块被送入集成了 双层路由交叉注意力（Bi-level Routing Cross-Attention, BRCA）模块的YOLOv11。 简单来说，KGP-Net负责"在哪里看"，YOLOv11+BRCA负责"看到什么"。 值得注意的是，在Blade30数据集上，KGP-YOLO相比YOLOv11基线提升了10.5%。 YOLOv11的深层特征提取能力。
19110编辑于 2026-04-01- 来自专栏最新医学影像技术
OCT_ChestX-Ray2017——OCT眼底疾病分类和X-Ray疾病分类
今天将分享OCT眼底疾病分类和X-Ray疾病分类完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 NORMAL X-Ray分类：NORMAL和PNEUMONIA 三、OCT_ChestX-Ray2017数据集 OCT 2017 数据集包含84484张视网膜光学相干断层扫描(OCT)图像，所有图像均标记为疾病类型 ChestX-Ray2017数据包含5856张X-Ray图像，所有图像均标记为疾病类型-患者ID-该患者的图像编号。 数据下载： https://data.mendeley.com/datasets/rscbjbr9sj/3 四、技术路线 任务一、OCT眼底疾病分类 1、将图像缩放到固定大小512x512，然后采用均值为 3、训练结果和验证结果 4、验证集分类结果 5、测试集分类结果 任务二、x_ray疾病分类 1、将图像缩放到固定大小512x512，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集
52110编辑于 2024-03-21 - 来自专栏育种数据分析之放飞自我
GLMM：广义线性混合模型（遗传参数评估）
自从2010年11月在新西兰首次发现Psa-V病毒后，该病毒的毒力形式现已在新西兰建立（Everett et al。2011年）。 表型数据分类标准 「分类性状，分为有序的9级」 0，无症状 1~3，叶片斑点 4，渗出 5~8 伤害加重~死亡 「这种分级数据，可以很容易转化为二分类性状，比如0~3编码为0,4~8编码为1」 ❝Psa 症状于2010年11月首次在Te Puke的商业猕猴桃果园检测到。 在此基础上，我们定义了一个准序数视觉评估量表（0-8）：0 = 无症状，1，2，3 = 叶片斑点和伤害强度增加，4 = 渗出，并根据涉及的植物部分对分数进行限定：s-芽，d-主要领导和b-芽。 11. 主要结果 ❝表2列出了三对母本和18对父本的估计繁殖值，按Psa发病概率的比例。母本GZ通过向后代传递加性遗传效应而表现出最大的抗性。
2.6K30发布于 2020-09-30 单图53ms推理！浙大提出玉米骨架提取新方法，株高/叶长/叶龄一键精准测量
为此，本研究提出了一种改进的基于YOLOv11-Pose的多目标关键点检测网络用于田间玉米植株的骨架提取。 基于改进YOLOv11-Pose的关键点检测 1.改进YOLOv11-Pose网络框架改进的YOLOv11-Pose整体网络架构如图2所示。 玉米植株骨架提取 1.基于改进YOLOv11-Pose模型的骨架提取性能为验证本研究改进YOLOv11-Pose模型的有效性，对比了其与原始YOLOv11-Pose模型在测试集上的表现。 如表2所示，在关键点检测任务中，除了召回率略有降低外，改进YOLOv11-Pose模型在各项指标上均超过了YOLOv11-Pose模型。 图5展示了改进YOLOv11-Pose模型与原始YOLOv11-Pose模型在关键时期对玉米植株边界框检测的效果。
49900编辑于 2025-07-24- 来自专栏生信修炼手册
lncrnadisease:lncRNA相关疾病数据库
有研究表明，长链非编码RNA和许多的生命活动，疾病相关联，比如癌症，心脑血管病，神经退行性疾病等，为了更好的研究lncRNA的功能，开发者收录整理了已经报道的lncRNA和疾病的关联，并整理成了数据库lncrnadisease , 网址如下 http://www.cuilab.cn/lncrnadisease 最新版的数据库中包含了914个lncRNA, 329种疾病， 将近3000个lncRNA与疾病之间的关联信息，还包含了 对于lncRNA, 会给出名称，染色体位置，物种，转录本编号，序列等基本信息，同时对于相关的疾病，会给出疾病名称，文献等信息。 除了lncRNA相关的疾病，该数据库还提供了lncRNA和其他分子的相互作用信息，通过Interaction可以查看相互作用信息，以HOTAIR为例，结果示意如下 ? 该数据库其实就是一个文献整理工作的总结，通过该数据库，我们可以方便的得到已经报导的lncRNA相关疾病信息。 ·end· —如果喜欢，快分享给你的朋友们吧— 扫描关注微信号，更多精彩内容等着你！
76320发布于 2019-12-19
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