- 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。 DEFORM3D_v10.2_MO3_lab文档下载比如ANSYS/DEFORM等都能对板材和型钢轧制进行方便和较为准确的模拟计算，求得轧辊和轧件在变形过程的所有力能参数以用来指导实践。 但对于本课题所研究的异面轧制，他是属于一种特种轧制，金属的不均匀变形成都十分剧烈，要想利用通过用软件对它进的直接的模拟就需要求软件具有十分强大的网格重划功能，上述的软件目前不能直接满足这种情况的要求，其中DEFORM3D
51040编辑于 2022-06-30 - 来自专栏机器人网
西门子3D打印的燃气涡轮叶片，性能极高
德国西门子公司利用3D打印技术制造出燃气涡轮叶片，并于近日首次进行了满负荷运行测试。试验结果显示，3D打印涡轮叶片完全符合燃气轮机工作要求，这是增材制造技术生产大型部件的新突破。 3D打印制造的燃气涡轮叶片将安装在西门子制造的13兆瓦SGT-400型工业燃气轮机上，新的涡轮叶片采用粉末状的耐高温多晶镍高温合金生产，具有耐高温、高压和强离心力性能。 ? 叶片在汽轮机工作时的最高温度达1250摄氏度。 ? 迄今制造燃气轮机叶片都采用铸造或锻造工艺，这两种方法都费时费力，而且价格较贵。 增材制造燃气轮机叶片则采用激光束对金属粉末进行逐层加热和融化，一层一层生成金属固体，直至整个叶片模型成形。 西门子工程师采用增材制造技术生产一种新的燃气轮机叶片，从设计到生产的整个周期可以从两年缩短至两个月，大大提高了生产效率。
1K70发布于 2018-04-24 - 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 如何使用：1）直接作为注意力使用，加入backboneMDJA加入backbone | mAP50从原始的0.528提升至 0.536，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。 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
29110编辑于 2025-05-27 - 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。 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。 例如，下图表示进行到了第3次测量，且第3次测量的结果值为39.8。
43920编辑于 2023-10-07 涡轮叶片气膜孔制造及检测方法探究 —— 激光频率梳 3D 轮廓检测
激光频率梳 3D 轮廓检测技术为气膜孔全流程质量控制提供了创新解决方案。 加工参数优化为：脉冲宽度 2 - 5μs，峰值电流 1 - 3A，电极损耗补偿率 5%。 某型涡轮叶片 φ0.8mm 气膜孔加工中，该方法实现表面粗糙度 Ra≤0.4μm，但加工效率低（单孔耗时 3 - 5min），且难以加工发散形孔。 相比传统 EDM 工艺，效率提升 3 倍，孔壁粗糙度 Ra≤0.1μm，满足第三代单晶叶片检测需求。 激光频率梳3D光学轮廓测量系统简介：20世纪80年代，飞秒锁模激光器取得重要进展。
42410编辑于 2025-07-16- 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。 YOLO11涨点优化：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,
23510编辑于 2025-07-15 涡轮叶片气膜孔制造及检测方法探究 - 激光频率梳 3D 轮廓测量
本文针对涡轮叶片气膜孔制造与检测难题，探究激光频率梳 3D 轮廓测量技术的应用。 关键词涡轮叶片；气膜孔；制造工艺；激光频率梳；3D 轮廓测量一、引言航空发动机涡轮叶片气膜孔（直径 0.1 - 1mm，深径比≥20:1）是热端部件热防护的关键结构，其制造精度直接影响叶片寿命。 采用激光频率梳测量方案，2.5 分钟完成扫描，测得凹台深度误差 ±3μm，定位倾斜段曲率偏差 ±0.005mm，指导电解加工参数调整后，气膜冷却效率提升 18%，叶片热疲劳寿命延长 35%。 7.2.3 非接触快速检测无需物理接触避免孔壁损伤，2 - 3 分钟完成单孔检测，效率是工业 CT 的 8 倍以上，适配叶片批量生产中的在线质量管控。 八、结语基于激光频率梳 3D 轮廓测量的涡轮叶片气膜孔检测方法，通过微型柔性探头与光频梳技术的深度融合，实现了气膜孔制造精度的跨越式提升。
34510编辑于 2025-06-16图像分割数据集植物图像叶片健康状态分割数据集labelme格式180张3类别
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数)：180 标注数量(json文件个数)：180 标注类别数：3 标注类别名称
18200编辑于 2025-07-22- 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
33200编辑于 2025-07-17 - 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： ? ：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。 3个文件要放到代码文件同级目录下。
2K21发布于 2018-10-09 肺部疾病检测数据集VOC+YOLO格式1400张3类别
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)：1400 标注数量(xml文件个数)：1400 标注数量(txt文件个数)：1400 标注类别数：3
17200编辑于 2025-07-15- 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 Sample Input 6 3 2 0---------第一头牛患0种病 1 1------第二头牛患一种病,为第一种病. 1 2 1 3 2 2 1 2 2 1 Sample Output 5 OUTPUT DETAILS: If FJ milks cows 1, 2, 3, 5, and 6, then the milk will have only two diseases 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 然后就是各种位运算，然后A掉么么哒 1 /************************************************************** 2 Problem: 1688 3
62550发布于 2018-04-11 - 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
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。 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 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
52110编辑于 2024-03-21 - 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 - 来自专栏码洞
程序员的心理疾病
由于程序员工作的性质，他们长期以来受到的所谓“黑客”式的“熏陶”，形成了一种行业性的心理疾病。患了这种病的人对于很多新入行的人，甚至一些外行人士造成了持续的伤害。
87310发布于 2018-08-14
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