基于深度学习的植物病害识别 这个基于django的Web应用程序使用经过训练的卷积神经网络来识别植物叶片上存在的疾病。 它由38种不同的健康和病态植物叶子组成。 38个类是： 苹果->苹果结ab 苹果->黑腐 苹果->雪松苹果锈 苹果->健康 蓝莓->健康 樱桃->白粉病 樱桃->健康 玉米-> Cercospora叶斑（灰色叶斑） 玉米->普通锈 玉米->北方叶枯病 玉米->健康 葡萄->黑腐 葡萄->埃斯卡（黑麻疹） 葡萄->叶枯病（Isariopsis Leaf Spot） 葡萄->健康 橙色->上龙冰（柑橘绿化） 桃->细菌斑 桃子->健康 胡椒，铃铛->细菌斑 胡椒，铃铛->健康 马铃薯->早疫病 马铃薯->晚疫病 土豆->健康 覆盆子->健康 大豆->健康 壁球->白粉病 草莓->叶焦 草莓->健康 番茄->细菌斑 番茄->早疫病 番茄->晚疫病 番茄->叶霉 番茄

开发环境：Python3.6.5、keras2.2.4、tensorflow1.12、django等 系统应用：本部分在训练完植物叶片病害识别的模型参数后，将植物叶片病害识别的模型部署到Web中，前端负责获取用户在页面上传的图像并预处理，再向服务器发出AJAX请求，请求内容为待识别的图像。服务器端程序生成TF会话并加载训练好的模型，调用相应的视图函数将请求数据送入TF会话中计算，最后将识别结果异步回传到前端。

数据集：本实验使用 Plant Village 公开数据集。本实验中的数据集共用 38个类别名称，代表38类病害。 代码：包含resnet50\ATT-ResNet\VGG等多个模型 实现环境：Python3.6.5、keras2.2.4、tensorflow1.12

鸟类养殖的病害防治【炮仗花怎么养炮仗花的病害防治】.docx

实现了对叶片颜色的检测，实现病害检测 包含整个工程，可直接运行

植物病害形状特征提取：首先使用基于颜色的 k-means 进行裁剪 2 分割，然后将图像转换为 BW，然后计算形状特征区域、周长、对象数量、对象质心

2021-2027全球与中国收获后病害控制中的生物杀菌剂市场现状及未来发展趋势.doc

大棚黄瓜、茄果类蔬菜病害的发生原因和防治方法.pdf

市场调研-中国收获后病害控制中的生物杀菌剂市场现状及未来发展趋势.doc

编写了 Matlab 代码以将叶子分类为以下类型之一：'Alternaria Alternata'、'Anthracnose'、'Bacterial Blight'、'Cercospora Leaf Spot' 和 'Healthy Leaves'。 分类由 Multiclass SVM 完成（一对一） 怎么跑？？ 1.将文件夹'Leaf_Disease_Detection_code'放在Matlab路径中，并将所有子文件夹添加到该路径中2. 运行 DetectDisease_GUI.m 3.在GUI中，单击“加载图像”，然后从Manu's Disease数据集中加载图像，单击“增强对比度”。 4. 接下来点击Segment Image，然后输入包含ROI的cluster no，即只有疾病受影响的部分或健康的部分5. 点击分类结果。 然后测量准确性（在这种情况下是健康与所有疾病）。 代码