图像分类病害识别数据，水稻数据，包括非叶片未知数据，可直接进行卷积神经网络训练

提供大量数据集，可供智能算法数据集训练

路面裂缝病害数据集，大量图片

铁轨表面病害数据集-铁轨表面剥落掉块

八类患病番茄的叶片图像 八类患病番茄的叶片，每类大约100张左右。 深度学习植物病害识别。

受疾病感染水稻植株叶片图像数据集 本数据集包含120张水稻染病叶片的jpg图像。这些图像根据疾病类型分为三类。每节课有40张图片。

我国作为世界上最大的葡萄生产国和消费国,葡萄产业已经成为很多地方脱贫致富的支柱产业,但是葡萄病害影响葡萄品质和果实产量,因此快速而精准地识别葡萄病害类型及病害程度是增产增收的重要保障。数据集收集自plant_village，在其基础上用voc格式进行标注，葡萄叶片病害数据集，可用于目标检测，使用数据增强技术完成对搜集的病害样本图片进行扩充,建立了葡萄病害叶片的数据集。传统的依靠人工进行病害识别、诊断并进行决策的生产方式效率低下且劳动成本高昂,迫切需要实现病害的智能化诊断。作为信息技术的核心之一,人工智能技术为实现农业信息化和智能化提供了重要支撑,随着深度学习技术的快速发展,农业领域中的农作物病虫害识别、检测、分割与计数等研究均取得了一定的进展,对实现病虫害的精准防治、减少经济损失及生物育种等具有重要意义。

植物病害分类 使用图像数据和神经网络对植物病害进行分类 该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。 使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。 评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├─

[PPT]Python基于改进YOLOv5的烟叶病害检测系统PPT

[YOLOv5烟叶病害识别]完整源码（带安装教程＆数据集＆演示视频）