- 综合排序
- 最热优先
- 最新优先
- 来自专栏成套网站
基于深度学习的水稻病虫害检测系统
及时准确识别病虫害，能为农民提供科学防治建议，指导合理使用农药，减少农药滥用，降低生产成本，减少环境污染，促进农业可持续发展。因此，开展基于深度学习的水稻病虫害检测系统研究具有重要意义。 水稻病虫害的爆发往往导致大规模减产，严重威胁粮食供应稳定。基于深度学习的水稻病虫害检测系统，能够快速、精准地识别病虫害类型与严重程度。 提升防治效率，降低经济损失传统病虫害检测方法依赖人工巡查，效率低下且易出现漏检、误检情况。而深度学习系统可对大面积稻田进行实时、全面监测，快速定位病虫害发生区域，为农民提供精准防治指导。 此外，研究成果还可为其他农作物病虫害检测提供技术借鉴，推动整个农业领域智能化发展进程，提升我国农业的国际竞争力。3、研究现状算法研究不断深入近年来，众多深度学习算法被应用于水稻病虫害检测。 此外，目标检测算法如 YOLO 系列和 Faster R-CNN 也被用于病虫害的定位与分类，实现了对病虫害的快速精准检测。
25110编辑于 2025-12-31 - 来自专栏数据结构和算法
使用Python实现深度学习模型：智能农业病虫害检测与防治
病虫害检测与防治是农业生产中的关键环节，利用深度学习技术可以实现高效、准确的病虫害检测，从而提高农作物的产量和质量。 本文将详细介绍如何使用Python实现智能农业病虫害检测与防治系统，帮助你快速入门并掌握基本的开发技能。 一、项目概述智能农业病虫害检测与防治系统的主要功能是通过摄像头实时监控农作物，检测病虫害，并提供相应的防治建议。我们将使用深度学习模型进行图像识别，并通过Python进行开发。 四、模型训练我们将使用卷积神经网络（CNN）来训练病虫害检测模型。以下是模型训练的主要步骤：数据预处理：将图像数据转换为模型可接受的格式，并进行归一化处理。 希望这篇教程能帮助你更好地理解和实现智能农业病虫害检测与防治系统。如果你有任何问题或建议，欢迎在评论区留言。祝你在智能农业病虫害检测与防治的开发道路上取得成功！
99911编辑于 2024-08-27 植物病虫害检测数据集VOC+YOLO格式7673张9类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的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)
55510编辑于 2025-07-17- 来自专栏AI科技大本营的专栏
Unet网络实现叶子病虫害图像分割
在传统的病虫害图像分割算法中应用最多的是基于统计模式识别、K-均值聚类、模糊C-均值聚类、Otsu、levelset、EM等算法。 .Chaudhary等人提出了一种基于图像处理技术的植物叶片病斑分割算法，比较了CIELAB、HSI和YCbCr颜色空间在病害检测过程中的效果.Mohammad等人比较了阈值法、分水岭法、边缘检测法、模糊 C-均值聚类法和K-均值聚类法在植物病害检测中的应用，指出它们适合于任务重叠聚类。 而Unet网络作为图像分割的经典深度学习算法，在植物叶片病虫害区域分割中也起着重要作用。故本项目通过使用python语言搭建Unet图像分割技术实现对植物病虫害区域的分割。 其中labelme可以实现对图像进行多边形，矩形，圆形，多段线，线段，点形式的标注（可用于目标检测，图像分割，等任务）。
2.6K21发布于 2021-09-03 智慧农业草莓叶子病虫害检测数据集VOC+YOLO格式4040张9类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的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)：4040 标注数量(xml文件个数)：4040 标注数量(txt文件个数)：4040 标注类别数：9 标注类别名称:["acalcerosis","fertilizer","flower","fruit","greyleaf","health","powdery","ripe","undefined"] 每个类别标注的框数： acalcerosis 框数 = 610 fertilizer 框数 = 1300 flower 框数 = 2388 fruit 框数 = 860 greyleaf 框数 = 759 health 框数 = 1493 powdery 框数 = 845 ripe 框数 = 1926 undefined 框数 = 1617 总框数：11798 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
19600编辑于 2025-07-22- 来自专栏一些有趣的Python案例
互联网+智慧农业：计算机视觉技术在农作物病虫害检测方面的应用
随着计算机科学技术的飞速发展，现已有非常多的 AI 方法手段应用于病虫害目标检测、防治，进而运用现代技术助力赠产脱贫！ 本文将从计算机视觉技术出发，运用Python语言简要分析目标检测在农作物病虫害方面的研究与应用。 ? 前期准备 2 项目分析 2.1 代码详解 2.2 总观代码 2.3 项目运行结果 3 总结展望 ---- 1 项目简介 1.1 项目概述 本项目旨在运用Python语言分析和阐述计算机视觉技术中的目标检测在农作物病虫害方面的应用 首先，寻找检测目标：这里我们针对一片部分遭受病虫害的叶片进行检测处理 ? 同时事先将目标检测叶片同样做画图处理（涂成白色） ?
4.1K32发布于 2021-02-02 - 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 ，构建GhostNet特征提取结构；2）改进YOLOv4网络的加强特征提取部分PANet结构；3）利用迁移学习与YOLOv4网络训练技巧；4）模型对水稻病虫害检测的平均精确度达到89.91%，检测速度可达每秒 基于深度学习的方法往往需要大量的数据作为模型训练基础，而农业病虫害检测数据集构建困难，缺少病虫害公共数据集，实际数据检测精度往往较低。 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 - 来自专栏阿黎逸阳的代码
人工智能在农业领域的五个应用案例
Part3 智能病虫害监测： 人工智能技术可以应用于病虫害的监测和预警。 通过图像识别和深度学习算法，智能监测系统可以自动识别作物叶片上的病虫害，并及时发出预警，帮助农民采取相应的防治措施。 这可以提高病虫害的检测准确率和防治效果，减少农药的使用，降低农业生产成本。 Part4 智能物流管理： 人工智能技术可以应用于农产品的物流管理。 Part5 农产品质量检测： 人工智能技术可以应用于农产品的质量检测。 通过图像识别和机器学习算法，智能检测系统可以自动识别农产品的外观、大小、颜色等特征，并与标准进行比对，判断农产品的质量等级。 这可以提高农产品质量检测的速度和准确性，保证农产品的品质和安全。 人工智能在农业领域的应用正逐渐改变着传统农业的生产方式和管理方式。 智能农机、智能灌溉系统、智能病虫害监测、智能物流管理和农产品质量检测等应用案例的出现，为农业生产提供了更多的智能化解决方案，提高了生产效率和质量，降低了成本和风险。
6.8K30编辑于 2023-09-26 - 来自专栏计算机工具
Coding-Party 基于飞桨的农作物智能识别系统病虫害识别
Coding-Party 基于飞桨的农作物智能识别系统 联合国粮食及农业组织最近的一份报告表明，每年农业生产的自然损失中有三分之一以上是由农业病虫害造成的。 需要考虑的农业病虫害众多，依赖于实验室观察和实验的传统方法很容易导致错误的诊断。 为加快转变农业发展方式，农业部组织开展农作物病虫害专业化统防统治与绿色防控融合推进，逐步实现农作物病虫害全程绿色防控的规模化实施、规范化作业。 ： ①发病初期检测：增加一定的农作物种类与细分粒度 绝大多数能识别出来的病虫害，等能识别出来的时候已经太晚了。 【Paddle打比赛】辣椒病虫害图像识别挑战赛 - 飞桨AI Studio
55510编辑于 2024-12-17 - 来自专栏成套网站
基于yolov8深度学习的农作物识别检测系统
基于YOLOv8深度学习开展农作物识别检测系统研究，旨在利用其强大的特征提取和目标检测能力，实现对农作物种类、生长状况、病虫害情况等的快速、准确识别。 基于YOLOv8深度学习的农作物识别检测系统，能够快速、精准地识别农作物种类、生长状态以及病虫害情况。 该系统可对农作物病虫害进行早期精准识别，及时发出预警，使生产者能够在病虫害大规模爆发前采取有效的防治措施，降低农药使用量，减少农产品中的农药残留。 3、研究现状在基于YOLOv8深度学习的农作物识别检测系统研究领域，国内外已取得显著进展。国际上，YOLO系列算法凭借其高效性与准确性，在农业病虫害检测中展现出强大潜力。 国内研究同样蓬勃发展，众多研究团队将YOLOv8应用于不同农作物及病虫害检测场景。
55110编辑于 2026-01-04 - 来自专栏YOLO大作战
YOLO+OpenClaw农业检测：三道坎与三招破局，Qwen-VL多模态大模型让果园真智慧
今天我就结合智能果园病虫害检测的实战经验，聊聊YOLO+OpenClaw在农业行业的三道坎，以及现在就能做的三件事，特别是如何引入Qwen-VL多模态大模型提升检测精度。 多模态理解能力强：不仅能识别物体，还能理解病害的症状特征、严重程度泛化能力好：对未见过的病虫害类型也有一定的零样本识别能力可解释性强：能输出详细的诊断说明，不只是分类结果YOLO+Qwen-VL协同检测架构 yolo_modelswget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt创建YOLO+Qwen-VL病虫害检测 /usr/bin/env python3"""农业病虫害检测Skill - 基于YOLOv8+Qwen-VL支持：单图检测、批量统计、Qwen-VL多模态二次校验作者：AI小怪兽"""import osimport /data/orchard/ 目录下所有图片，统计病虫害分布，早上7点推送报表OpenClaw：已创建定时任务，每天1:00执行批量检测，7:00推送报表自动推送效果：text 今日虫情统计报告 (2026
44430编辑于 2026-03-20 - 来自专栏全栈程序员必看
四旋翼飞行器图片(4轴飞行器飞行运动中有)
1、未知区域地形的构建 （1）危险环境中地形的探测； （2）陌生环境中危险品的搜寻； 2、农业方面的应用： （1）运用图像识别技术检测果实数量； （2）区域性灌溉，可以水资源用量可以降低25%； （3） 检测作物是否发生病虫害，因为当作物出现病虫害时都会有相应的表现现状。
38130编辑于 2022-07-31 AI大模型农业智能管控平台：给农田装“智慧内核”，种田靠技术
传统农业里，浇水看土干、施肥凭经验、病虫害靠眼辨，不仅累还难控效果。而AI大模型农业智能管控平台的出现，用实打实的技术重构种田逻辑，让“看天吃饭”变成“知天而作”，把农业生产变成精准可控的技术活。 地里遍布的物联网传感器是“感知触角”，能实时捕捉土壤湿度、温度、pH值，还有作物叶片叶绿素、水分含量，数据误差控制在±3%以内，比人工检测精准又高效。 这个AI大脑的技术硬实力体现在三大核心功能：一是AI图像识别+深度学习技术，让病虫害“早发现、准判断”。 AI大模型整合历年产量数据、气象预报、土壤肥力变化趋势，能提前7天预警蚜虫、白粉病等常见病虫害爆发概率，准确率超85%；还能预测作物产量，误差不超过5%，帮农民提前对接市场、规划销售。 比如土壤湿度低于阈值，AI自动启动滴灌系统，比人工浇水节水30%以上；发现病虫害，精准计算用药量和喷洒范围，农药用量减少90%，还能优化农机作业路线，提升25%的耕作效率。更贴心的是技术“接地气”。
40110编辑于 2025-11-16- 来自专栏程序猿DD
智谱Bigmodel GLM系列新升级：极致性能与最强性价比，助力农业智能化转型
病虫害检测： 通过无人机拍摄田间图像，模型迅速检测出玉米叶片上出现的病斑，并标记为高风险区域。 2. 杂草自动识别： 模型识别出田间不同位置的杂草，给出精准的除草建议。 3. 1.1 场景示例：GLM-4-Air在农业生产中的应用 GLM-4-Air 结合图像识别技术和深度学习算法，可以在农业环境中进行精准的作物健康监测、病虫害识别、资源管理等任务。 您可以通过如下的具体流程完成一次农作物病虫害监测过程 1. 作物监测： 利用无人机或传感器拍摄农田图像。 2. 病虫害识别： 模型分析图像，识别作物的健康状况和病虫害类型。 3. 假设农场主提供了一张近期玉米田遭受病虫害的照片。 可以看到，GLM-4-air在几秒钟的时间内帮助我们判断了具体的病虫害类型，并且给出了相应的解决方案，这时我们可以通过更加具体的问题来咨询如何使用药品解决病害。
85300编辑于 2025-02-10 - 来自专栏智慧农业
苗情监测站：用于实时监测作物生长状况
例如，水稻在分蘖期株高增长较快，若监测到株高异常，可能提示水肥管理或病虫害问题。叶面积指数：利用多光谱或高光谱传感器，结合算法模型计算作物叶面积指数，评估作物光合作用能力和群体生长状况。 叶面积指数过大可能导致通风透光不良，引发病虫害。茎粗：采用位移传感器或图像分析方法测量作物茎粗，反映作物养分吸收和运输能力。茎粗变化与作物产量密切相关，可作为施肥和灌溉的参考指标。 作物生理指标叶绿素含量：通过叶绿素荧光传感器或近红外光谱技术，无损检测作物叶片叶绿素含量，评估作物光合作用效率和营养状况。叶绿素含量降低可能预示作物缺素或病害。 灾害预警与防控：利用苗情监测数据，结合气象预报信息，提前预测作物病虫害、干旱、洪涝等灾害发生风险，及时采取防控措施，减少灾害损失。 例如，通过监测作物叶片湿度和温度，结合病虫害发生模型，可提前预测病害发生时间，及时喷洒农药进行防治。
35210编辑于 2025-07-31 - 来自专栏Python项目实战
当AI插上“翅膀”：无人机如何让农业更聪明、更高产
我们可以这么划分它的能力层级：模块 职责 技术实现 数据采集层无人机航拍、红外成像、多光谱传感器高分辨率图像获取 数据分析层AI图像识别、病虫害检测、 三、让AI帮你“看地”：从航拍图像中识别病虫害我们来个实际的小例子。假设无人机每天都会拍摄农田的照片，我们用AI来识别其中的病虫害区域。 cv2import tensorflow as tfimport numpy as npfrom tensorflow.keras.models import load_model# 加载事先训练好的病虫害识别模型 img_resized = cv2.resize(img, (224, 224))img_array = np.expand_dims(img_resized / 255.0, axis=0)# 预测病虫害类型 比如，AI检测出“病害区域”后，可以自动规划路线，精准喷洒农药，而不是“全地乱喷”。
32710编辑于 2025-10-20 - 来自专栏机器人网
机器人会怎样改变农业生产？
自动驾驶机械和无人机将可以自动检测和治疗出现病虫害的农作物，这些工具在那些被称为“精准农业”的农场中将变得司空见惯。 所有这些高科技产品的最终目的是优化农业，无论是从经济角度还是环境角度来看。 他们利用传感技术，包括机械视觉，可检测位置、茎叶大小等信息，然后在作业过程中通知机械。日本已经成为这一领域的领导者。日本农业往往被划分成更小的田块，该国也是机器人技术也处于世界领先水平。 许多侦察任务，比如病虫害，要求人走到很远的地方，获取代表植物的叶片，然后反复查看其是否存在病虫害。研究人员正开发一种技术，可以利用飞行机器人执行这些任务，无需人类参与。 它可被用于研发新的作物品种，或提高作物营养含量、耐抗旱以及抗病虫害的能力。HTPP技术采用多个传感器测量植物的重要物理数据，比如高度、叶片数量、大小、形状、角度、颜色、枯萎程度、茎厚、结果数量等。 如果10年后看到这样一幕，请不必感到惊讶：你沿着高速公路驾车行驶，看到有小型直升机在农田上空飞行，并降落到农作物身上，利用机器钳子采摘叶片、利用照相机和机械视觉查看病虫害，随后重新起飞查看其他农作物。
86080发布于 2018-04-19 - 来自专栏量子位
AI农作物病害检测竞赛火热进行中 | AI Challenger 全球AI挑战赛
今年的AI Challenger竞赛只选择了其中的一个方向：农作物病害检测。 虽然只是其中的一个方向，但影响力不容小觑。 △刘新农 在将AI应用到病虫害检测领域的时候，数据是关键。 本次竞赛，新客科技是数据支持方。据刘新农介绍，新客科技已经积累了近百万张带有标注的图片，涵盖数十个农作物品类的20余种常见农作物病害。 ? “收集农业数据，需要有一定的专业知识，农作物病虫害是有程度的，只有专业的技术人员才能准确地标注出来，”刘新农说。“而且，农作物成长是有规律的，数据收集只能顺应这个过程。” 竞赛的发起方创新工场人工智能工程院执行院长王咏刚表示，目前人工智能在图像识别领域已经非常成熟了，有了相应的数据，将其应用到农业病虫害检测中难度不大。 △王咏刚 关于比赛 农作物病害检测竞赛正处于第一阶段，即模型训练与双周赛。
2.3K10发布于 2018-12-11 - 来自专栏机器之心
一场AI竞赛，怎么就让这群年轻人变化这么大？
三七的生长和培育条件非常严苛，极易遭受各种各样的病虫害。目前的病虫害防治基本都是靠着人工检查、人工喷洒药物，如果一株三七感染了病虫害，还会传染其他植株，严重的可能会导致「全军覆没」。 「也许能用 AI 技术，对三七病虫害进行检测，尽早进行治疗和预防？」徐国秦找到了她想解决的那个「实际问题」。 在解决这个 「实际问题」 之前，徐国秦不得不面对别的问题。 病虫害识别准确率从 60% 跃升至稳定的 94% 左右，她也从初赛进入复赛，直至进入决赛，成为唯一单人成团进入决赛的女生。 她想把「基于 EasyDL 物体检测的三七病虫害检测」展示给学生看，把这段经历讲给他们听。 「很多学生感觉人工智能好难好遥远，不是人人都可以去做的。 梁英豪想，如果利用 AI 来辅助交警对电动自行车驾驶员的头盔佩戴进行检测，一旦项目能落地，应用价值很高。
56820编辑于 2023-03-29 - 来自专栏数据科学与人工智能
【应用】人工智能应用在农业的三个案例
一、土壤、病虫害探测等智能识别系统 人工智能在农业领域可实现土壤探测、病虫害防护、产量预测、畜禽患病预警等功能。 在病虫害防护领域，生物学家戴维·休斯和作物流行病学家马塞尔·萨拉斯将关于作物叶子的5万多张照片导入计算机，并运行相应的深度学习算法开发了一款手机App Plant Village（美国），农户将在合乎标准光线条件及背景下拍摄出来的农作物照片上传 目前，该款App可检测出14种作物的26种疾病，识别准确率高达99.35%。此外，该款App上还有用户和专家交流的社区，农户可咨询专家有关作物所患病虫害的解决方案。
5.5K52发布于 2018-03-27
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