- 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 - 来自专栏科研菌
这篇6+分文章教你进阶疾病分型扩展分析！
大家好，今天布丁和大家分享的是一篇6+分的学习笔记；文末阅读原文可获得学习笔记。 此外，还将浸润性肿瘤和非肿瘤组织中存在的任何相关良性乳腺疾病的关键病理学特征记录下来，其中包含从风险降低和乳房缩小形成术标本中采样的特征。 胰岛素途径和α6整合素参与免疫监视和免疫代谢反应。 图6 转录亚型的去卷积分析 7. 代谢亚型表现出不良的预后 从TCGA BRCA数据集中选择了108个匹配的癌旁组织来验证亚型。 (参考https://doi.org/10.6084/m9.fifigshare.12656702中的附表数据集6) ? 图7 Kaplan–Meier图显示代谢亚型和结局之间的关系 ?
1.1K20发布于 2021-01-12 - 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。 效果演示哔哩哔哩视频下方观看：https://www.bilibili.com/video/BV1n1uZzgEK6/包含：完整项目源码预训练模型权重️数据集地址（含标注脚本系统整体方案概述本系统并非单一模型 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 IL-6信号通路：分子机制、生物学功能与疾病关联
4.其他生理病理过程：参与骨代谢（促进破骨细胞活性）、神经功能调节，并与心血管疾病、代谢综合征等密切相关。 四、IL-6信号失调与人类疾病IL-6信号通路的过度或持续激活是多种重要疾病的核心病理环节：1.自身免疫与炎症性疾病：在类风湿关节炎、系统性红斑狼疮等疾病中，升高的IL-6水平驱动局部及全身性炎症，导致组织破坏 3.心血管疾病：参与动脉粥样硬化的发生发展，促进血管炎症；其水平与心肌梗死后的不良预后相关。 3.疾病模型构建：在动物模型中，外源性给予IL-6蛋白可用于模拟或放大炎症状态，研究特定疾病的病理过程。 目前，靶向IL-6通路（如使用IL-6R单克隆抗体）已成为治疗类风湿关节炎等自身免疫病的有效策略，并正在拓展至更多炎症性疾病和部分肿瘤的治疗探索中。
29610编辑于 2026-02-06- 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
23510编辑于 2025-07-15 - 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
xgboost中文叫做极致梯度提升模型，官方文档链接：https://xgboost.readthedocs.io/en/latest/tutorials/model.html 2018年9月6日笔记 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： ? ，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 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 ******** 2 Problem: 1688 3 User: HansBug 4 Language: Pascal 5 Result: Accepted 6
62550发布于 2018-04-11 - 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 - 来自专栏java一日一条
程序员的心理疾病
久而久之我发现了，由于程序员工作的性质，他们受到的“熏陶”，形成了一种行业性的心理疾病。这里我就简单的把我所观察到的一些症状总结一下。 ?
63320发布于 2018-09-18 - 来自专栏单细胞天地
单细胞切病理 ||疾病转归
当我们翻开医学教材，同时被两股相互冲突的力量拉扯着——健康与疾病。人体，这个灵魂的庄严殿堂，瞬间成了正常与非常、自己与非己、先天与后天的擂台。 疾病的转归（prognosis）是指疾病过程中的发展趋向和结局，可以表现为康复和死亡两种形式。它主要取决于致病因素作用于机体之后发生的损伤与对抗损伤的力量对比，正确是及时的治疗可影响疾病的转归。 转归的两个结局又可以分为： 痊愈 复苏 后遗 缠绵 脑死亡 死亡 不同疾病、不同的医疗条件甚至是不同的社会文化环境下，疾病的转归路径往往是不同的，本文不可能全部涉及，这里仅讨论单细胞技术在疾病转归上的一些应用 在这个健康与疾病的擂台上，各式各样的疾病一旦发生，作为防守的那一方，人体就开始了它的转归之路。 以感染类疾病的转归为例，单细胞测序可以为我们绘制感染全程乃至康复之后的人体细胞图谱变化。
56620编辑于 2022-06-13 无人机拍叶片→AI找缺陷：CEA-DETR改进RT-DETR做风电叶片表面缺陷检测，mAP50达89.4%
导读风电叶片长期暴露在高空环境中，裂纹、烧蚀、剥落、锈蚀等表面缺陷不仅影响发电效率，严重时还会导致叶片断裂。无人机巡检替代了人工高空作业，但拍回来的图像仍然需要高效的检测模型来自动识别缺陷。 问题在于：叶片缺陷尺度差异大、边缘信息模糊、背景纹理复杂，通用检测模型往往精度不足。 边缘信息丢失：叶片表面缺陷的边界往往不清晰，多次下采样后边缘细节容易被模糊化，影响定位精度。背景干扰：叶片表面的自然纹理、光照反射等与缺陷特征相似，容易导致误检。 ：多尺度边缘增强特征提取CSME（Cross-Scale Multi-Edge feature Extraction）替换原有的 ResNet18 骨干网络，包含三个子组件：多尺度池化：使用 3x3、6x6 三、实验结果：mAP50达89.4%，参数量和计算量同步下降数据集论文使用自建的风电叶片缺陷数据集，基本信息如下：项目参数图像数量4468 张图像分辨率640×640缺陷类别6类（crack, burning
9210编辑于 2026-04-16
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