- 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！
46210编辑于 2025-12-14 - 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
Qi等人提供了一种使用近红外高光谱成像和迁移学习技术检测水稻种子活力的开创性方法。他们的发现为优化作物种子质量评估过程提供了宝贵的见解，从而提高水稻产量和质量。 他们的研究结果显示MixStyle迁移策略在提高CNN模型跨不同水稻品种的泛化能力方面的有效性，导致种子活力的快速准确评估。这种方法对提高水稻生产效率具有深远的影响。 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。 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。
70811编辑于 2025-02-10 - 来自专栏文献分享及代码学习
文献解析18 单细胞组学揭示了C3及C4植物中影响光合作用的保守调控元件
这篇文章于2024年11月20日发表于《Nature》杂志，主要探讨了通过单细胞组学技术研究水稻和高粱叶片发育过程中C3和C4途径调控机制。 本研究通过单细胞RNA测序(sc-RNAseq)和单细胞转座酶可及性染色质测序(sc-ATACseq)，揭示了C4叶片中维管束鞘细胞基因表达的变化与C3叶片中已知的顺式调控元件相关。 水稻和高粱的单核图谱通过对不同组织进行观察，发现在这段时间内茎部组织发生了光形态建成，叶片出现，叶绿素在其中积累脱黄化的前12小时。 作者进行水稻和高粱叶片发生光形态建成阶段进行转录组学单核图谱构建。分别得到了来自水稻和高粱的190569个核和265701个核的基因表达图谱。 在同一个亚群中，也鉴定到了已经被证明在成熟水稻叶片的维管束鞘细胞中表达的基因，例如PLASMA MEMBRANE INTRINSIC PROTEIN (PIP1.1) 和SULFITE REDUCTASE
84910编辑于 2024-12-30 - 来自专栏技术汇总专栏
水稻病害检测数据集（7000 张图片已划分）| AI 训练适用于目标检测任务
水稻病害检测数据集（7000张图片已划分）|AI训练适用于目标检测任务在农业智能化快速发展的今天，利用深度学习技术实现作物病害的自动识别与监控，已经成为智慧农业的重要研究方向。 为了支持相关算法模型的训练与评测，本文介绍一套涵盖7000张图像的水稻病害目标检测数据集，数据已完成格式化、标注与训练集划分，可直接用于AI模型训练与部署。 该数据集主要包含三类具有代表性的水稻叶部病害：细菌性叶斑病：叶片出现水状浸润斑点，易进一步扩散；褐斑病：叶片出现褐色枯斑，影响光合作用；叶霉病：叶片出现黑色霉斑，严重时导致叶片干枯。 pwd=96f7提取码:96f7复制这段内容后打开百度网盘手机App，操作更方便哦7000幅图像的水稻病害检测数据集主要分为三类：细菌性叶斑病，主要影响水稻等作物，表现为叶片上出现水状斑点；褐斑病，常见于水稻 ，表现为叶片上出现褐色斑点，影响光合作用；叶霉病，主要影响禾本科植物，表现为叶片上出现黑色霉斑。
75710编辑于 2025-11-07 - 来自专栏技术汇总专栏
基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！ 本项目提供完整可运行源码+完整数据集(已标注)+训练脚本+PyQt5可视化图形界面+推理部署教程，帮助你快速搭建一个可用于农业生产场景的水稻叶片病害识别系统，无需从零开始配置环境或重新整理模型结构，直接开启训练或应用 展开代码语言：TXTAI代码解释检测主要分为三类：细菌性叶斑病，主要影响水稻等作物，表现为叶片上出现水状斑点；褐斑病，常见于水稻，表现为叶片上出现褐色斑点，影响光合作用；叶霉病，主要影响禾本科植物，表现为叶片上出现黑色霉斑 应用场景示例：场景功能说明农田实时病害监控连上摄像头即可边巡田边识别农科论文/毕设项目模型可直接扩容和迁移训练智慧农业系统对接推理模块可直接封装为API可检测三类常见水稻病害：细菌性叶斑病：叶片出现水渍状斑块 ，逐渐扩散褐斑病：叶片产生褐色坏死斑点，对叶绿素合成影响明显叶霉病：叶片背面出现黑绿色霉层，抑制植物光合作用项目摘要本项目集成了YOLOv8病害检测模型与PyQt5图形界面可视化系统，不仅支持离线识别，
39010编辑于 2025-11-20 - 来自专栏生信宝典
韩斌院士团队与合作者在水稻染色体外环状DNA研究中取得重要进展
水稻作为单子叶模式植物和重要粮食作物，开展其eccDNA的系统研究，将有助于从新的角度认识水稻基因组的特性及其环境适应性。 该研究首次系统揭示了染色体外环状DNA(eccDNA)在水稻基因组中的广泛存在，为深入理解水稻遗传多样性提供了全新视角。 有趣的是，不同组织及同一组织内部的eccDNA表现出显著的异质性，其中叶片组织中的eccDNA数量明显高于其他组织。 而叶片组织中eccDNA的富集现象可能与DNA损伤修复途径的选择有关。 总的来说，这项研究系统地揭示了eccDNA作为水稻基因组新成员的基本特征，为深入认识水稻乃至其他植物物种的基因组动态与进化提供了重要参考。
39010编辑于 2024-04-18 - 来自专栏计算机视觉战队
YOLO新模型：助力智慧农业，一种改进的基于注意力机制和特征融合的茶叶病害检测模型
当茶树感染了这种疾病时，有必要在疾病的早期清除患病的枝条或喷洒杀虫剂。鉴定茶叶病害的传统智慧在很大程度上依赖于人类的专业知识和检查（如现场观察和诊断）。 使用Haar和AdaBoost分类器设计了一个水稻叶病图像处理系统进行识别，识别准确率为83.33%。此外，他们还使用K近邻和支持向量机（SVM）对水稻叶病进行分类，准确率分别为91%和93%。 有研究者使用SVM分类器检测葡萄叶片病害。在k-means聚类之后，他们使用SVM进行特征提取和分类，并获得85%的准确率。 然而，传统的机器学习方法需要大量的图像来进行疾病特征提取，并且特征提取依赖于手动设计而不是自动学习。 我们的研究致力于解决一般目标检测模型难以有效识别茶病目标的问题。 Plant Village是一个非常大的植物叶片病害数据集，由54306张植物叶片图像组成，包括14种植物，根据物种和病害分为38类。
1.4K40编辑于 2023-08-23 - 来自专栏阿炜的计算机之旅
一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法
简介：针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题，本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法：1）利用幻象模块代替普通卷积结构，替换主干特征提取网络CSPDarkNet53 水稻是我国主要粮食作物，在我国农业生产中占据重要地位。而水稻病害、虫害将直接影响到水稻的质量和产量，对农业造成巨大的经济损失，关于水稻病虫害的研究不断出现。 ；4）应用图像处理技术对水稻虫害进行识别；5）利用原位法检测方法检测温室条件下出现多叶重叠遮挡现象和复杂背景的胡椒叶片病害图像。 对于从事水稻病虫害研究与防治的用户而言，其设备计算资源、存储能力往往有限，研究轻量化的水稻病虫害目标检测方法十分必要。 ，同时检测9 种水稻病虫害。
1.3K00编辑于 2022-05-29 基于yolov5的水稻叶病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv5的水稻叶病害检测系统是一种利用深度学习技术实现的高效、准确的病害识别工具。该系统采用YOLOv5算法，该算法以其高效的检测速度和良好的识别准确性在目标检测领域广受好评。 该系统能够实时处理水稻叶片的图像数据，快速准确地识别和定位叶片上的病害区域。用户可以通过上传图片、视频或连接实时摄像头来进行病害检测，系统将自动分析并标注出病害的位置和类型。 基于YOLOv5的水稻叶病害检测系统的出现，不仅大大提高了病害检测的效率和准确性，还为农业生产中的病害防控提供了有力的技术支持。 通过及时发现和处理病害，该系统有助于减少病害对水稻产量的影响，保障粮食安全和农业可持续发展。
15710编辑于 2025-07-16- 来自专栏量子位
转入肥胖基因改造RNA，作物增产50%
他们对水稻做了什么 让植物受动物基因指挥，通俗来讲，就是转基因。 转入动物肥胖基因FTO到水稻细胞中，用它来发挥控制基因表达的作用，以此达到提高产量的目的。 FTO基因在水稻细胞中表达的蛋白，可以擦除RNA甲基化修饰m6A，并且影响相关RNA功能表达。 这样转基因过程后的结果就是： 水稻单株产量提高到原来的三倍，大田种植转基因水稻获得1.5倍产量。 单子叶作物水稻，转基因可获得高产效果。双子叶作物马铃薯，做同样的转基因处理，也得到了增产50%的成果。 转基因水稻分蘖数增加，提高了光合作用效率，获得了更多生物量积累。 FTO如何发挥作用 动物肥胖基因FTO在水稻细胞中，如何发挥控制水稻基因表达的作用？ 转入并成功表达的FTO分别使水稻叶片和根系中约11000、7000个基因表达量增加，激活多个生理通路。
1.2K20编辑于 2023-03-10 - 来自专栏计算机视觉战队
作者亲自修改论文 | 水稻检测
一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图块 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。
56020发布于 2021-05-31 - 来自专栏AI科技大本营的专栏
2018未来科学大奖揭晓：袁隆平、马大为、林本坚等7位科学家获奖
▌2018 生命科学奖 获奖评语：奖励他们系统性地研究水稻特定性的分子机制和采用新技术选育高产优质水稻新品种中的开创性贡献。 李家洋，植物分子遗传学家。 他主要从事植物分子遗传学研究，他利用模式植物拟南芥与重要粮食作物水稻探索植物生长发育的调控机理。 袁隆平，中国杂交水稻育种专家，中国研究与发展杂交水稻的开创者，被誉为“世界杂交水稻之父”。 袁隆平是杂交水稻研究领域的开创者和带头人，致力于杂交水稻的研究，先后成功研发出“三系法”杂交水稻、“两系法”杂交水稻、超级杂交稻一期、二期，与此同时，袁隆平提出并实施“种三产四丰产工程”，运用超级杂交稻的技术成果 应用分子标记系统分析了水稻杂种优势与分子标记杂合度的关系，剖析了杂种优势的遗传基础，揭示出大量的上位性遗传效应，提出了上位性是杂种优势的重要遗传基础的学术观点。 制作了高密度分子标记连锁图，定位了 20 余个水稻重要主效基因和大量数量性状基因。应用分子技术培育出抗白叶枯病的优良杂交稻恢复系、米质改良的不育系及延缓叶片衰老、产量潜力显著提高的转基因水稻。
86350发布于 2018-09-28 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球历史水稻产量数据集
全球历史水稻产量自20世纪初以来迅速增长，据联合国粮农组织（FAO）的数据，2019年全球水稻产量为496亿公斤。以下是一些主要水稻产区和其产量：前言 – 人工智能教程 1. 中国：中国是全球最大的水稻生产国，占全球总产量的30%左右，2019年产量为148亿公斤。 2. 印度：印度是世界第二大水稻生产国，占全球总产量的20%左右，2019年产量为117亿公斤。 3. 印度尼西亚：印度尼西亚是全球第三大水稻生产国，占全球总产量的8%左右，2019年产量为40亿公斤。 4. 孟加拉国：孟加拉国是全球第四大水稻生产国，占全球总产量的5%左右，2019年产量为26亿公斤。 5. 越南：越南是全球第五大水稻生产国，占全球总产量的4%左右，2019年产量为21亿公斤。 此外，一些其他的主要水稻生产国包括泰国、巴西、菲律宾、缅甸和日本等。全球水稻主要分布在东南亚、南亚和东亚等地区。
57210编辑于 2024-02-02 - 来自专栏CSDN社区搬运
初入图像处理：水稻剑叶夹角测量
原文地址 三、论文背景 背景及意义介绍 背景 水稻是世界主要粮食作物之一，为世界一半以上人口提供粮食。近代高产育种实践证明改良株型是提高品种产量的关键，水稻剑叶角度是构成水稻株型的主要因素之一。 意义 水稻理想株型的选育主要集中于减小剑叶夹角，高产水稻的剑叶角度应该在13∘～17∘13∘～17∘，另两片功能叶也均保持小角度，使植株呈塔形，有利于提高光合作用效率，实现水稻高产。 因此，实现水稻剑叶夹角快速、准确地在体测量，对水稻高产育种具有重要意义。 四、论文思路 利用图像处理技术实现水稻剑叶夹角的实时、准确测量。 田间采集时，按照论文描述，将背景板平行紧贴于水稻主茎与剑叶所在平面下方，移开其余叶片等干扰物，在平行于背景板上方15 - 20cm位置采集图像。 ，得到水稻的剑叶夹角。
52210编辑于 2024-12-27 - 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。 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。
21410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 - 来自专栏小汪Waud
Annu. Rev. Phytopathol. （全文翻译）| 宿主植物对细菌生长和行为的调控
实际上，PRRs有助于维持健康的称为微生物组的植物相关微生物群落，并帮助防止引起植物疾病的微生物菌群失调（稳态失衡）。因此，植物免疫系统不仅可以对抗病原体，还可以调控共生和有益微生物。 另外，P. syringae通过诱导糖外排转运蛋白来增加毒力，这与细菌病原体Xanthomonas oryza在水稻中所做的类似。 因此，AMPs可以兼具杀菌剂和免疫诱导剂的双重功能，并可以作为控制农田中细菌病原体引起的疾病的有力工具。 对110个水稻种质资源的叶片微生物组的GWAS研究将细菌丰度与水稻基因组中的单核苷酸多态性（SNP）联系起来。 水稻基因OsPAL02合成的4-羟基肉桂酸（4-HCA）是富集假单胞菌目（Pseudomonadales）细菌的关键驱动因素。
1.3K10编辑于 2024-07-12 - 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 - 来自专栏资讯分享
腾讯和科学家们一起「播种」
上世纪六十年代，袁隆平院士团队开创了水稻杂交育种研究的先河；1970年，和团队成员率先发现天然雄性不育野生稻株“野败”，又引领全国水稻人经过三年集智攻关，第一个杂交水稻正式问世。 揭秘老年疾病的奥秘by 琳达·帕特里奇英国医学与科学院、美国艺术与科学院、德国国家科学院院士一枚硬币总有正反两面，同样适用于年龄衰老。 当人类平均寿命持续延长时，也在遭遇“过早衰老综合症”，因年老而引发的疾病越来越多，发病率也越高越高。人类该怎么办？ 科学家们发现了200多种与衰老相关的疾病，同时在长寿人群基因定位中，洞察到一些关键的营养感应分子。 不是去开发抗衰老的新药，而是利用现有药品，发现它们对老年疾病的积极效应。比如，雷帕霉素复合药主要用于肾病移植，科学家们在鼠类实验中发现，它还有促进健康的另一面。
44910编辑于 2023-10-30 - 来自专栏Sentieon
Sentieon | 水稻全基因组（WGS）分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于水稻全基因组测序数据的自动化流程脚本。 测试水稻样本测序深度36.98X，从FASTQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻全基因组WGS分析时间，有效加快水稻的分子育种进程。 脚本应用示例使用上述脚本对水稻全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDOryza_sativa物种名和倍性水稻(二倍体)参考基因组GCF_034140825.1_ASM3414082v1 ASM3414082v1_genomic.fna.gz测试硬件配置CPU为单颗AmpereOne A192-32X内存为512GB DDR5系统为Ubuntu 24.04/Kernel 6.8测试结果使用本文流程对水稻全基因组测序数据进行变异检测分析 从FastQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻的全基因组WGS分析时间，有效加快作物的分子育种进程。
39410编辑于 2025-10-29
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