- 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 - 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： ? 第6行代码忽略警告信息； 第7行代码初始化模型对象，参数nthread设置为4时，利用4线程做模型训练； 第8行代码实例化交叉验证对象，参数n_splits设置为5，表示会做5折交叉验证； 第9行代码调用
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 Time:80 ms 7 Memory:4132 kb 8 ****************************************************************/ 9
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 - 来自专栏智药邦
Drug Discov Today｜基于AI的蛋白质结构数据库有可能加速罕见病研究
因此，罕见疾病可以从基于AI的蛋白结构数据库技术中受益：免费可靠的3D结构和可用的的罕见疾病相关蛋白质(特征不佳)代表了低成本的研究机会。 RLD的结构为7β螺旋，叶片3和4之间有一个无序区域（307 个氨基酸；图1a，黄色、橙色和浅蓝色）。 以上的每个区域解析为Alsin模型的离散颜色编码（图1c）显示，大多数残基都以高可信度解析，但有两个例外：（i）218-524 RLD无序区域（平均 pLDDT 为 35.44)；(ii) 位于RLD叶片 对该区域的检查显示，RMSD值较低（图1g）的7β螺旋结构相同（图1f），其中较高的RMSD区域是叶片或C和N端之间的环。 导致IAHSP病例的Alsin突变 突变蛋白的实验性生产（如通过CRISPR-Cas9方法）可以评估所考虑突变的下游影响，从而阐明如 IAHSP等疾病的病因。
1.1K10编辑于 2022-03-04 - 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。 （deformity）的形态各异，锈蚀（rusty）和污垢（dirt）则可能与叶片表面纹理混淆。 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、9x9
9210编辑于 2026-04-16- 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）
飞哥感言 这篇文章，主要是介绍了抗性数据，如何利用GLMM模型进行的分析，文中，他将9级分类性状变为了二分类性状，进行分析。 分析中用到了加性效应（A矩阵），空间分析（行列信息）。 其实，9分级性状，可以直接使用ASReml进行有序多分类性状分析，用累计Logistic模型分析，也可以考虑系谱数据和空间位置信息。这样效果应该更好。 回头找下数据，测试一下。 ---- 1. 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 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。 9. GLMM模型 「要点：」 Y变量为二分类性状 考虑了加性效应（A矩阵） 用了Logistic模型 ? 10 遗传力的计算方法 「注意，残差的值为pi^2/3 = 3.218，这个值是固定的。」
2.6K30发布于 2020-09-30
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