100中昆虫的幼虫、成虫图片库，用于机器学习训练或分析。数据已经分好类别。 # 数据表大致如下： 目 科 科代码 属 属代码 有害生物名称 虫害代码 拉丁学名 分布区域 半翅目 C15000000000 蝉科 C15204000000 蚱蝉属 C15204005000 黑蚱蝉 C15204005005 Cryptotympana atrata Fabricius 杨、柳、榆、女贞、竹、苦楝、水杉、悬铃木、桑、三叶橡胶、柚木及多种果树、山楂、樱花、枫杨、苹果 惠山区、滨湖区；赣榆区、连云区；泰兴、靖江；宿迁泗阳、沭阳、宿城区、宿豫区；射阳、盐都、大丰；镇江市；斜桥社区、苏州高新区、吴中区、常熟、昆山、吴江区、太仓；徐州市：云龙区、鼓楼区、泉山区、开发区、丰县、沛县、铜山区、睢宁县、邳州市、新沂市、贾汪区(全市) 、

植物保护-深度学习-YOLOv5-病虫害识别训练数据集是一个精心策划的数据集，旨在为农业科技领域的研究人员提供强大的工具，以改善病虫害的识别和管理工作。数据集包含了10000张高清图像，覆盖了10余种常见的植物病虫害，每一张图像都经过了专业标注，确保了数据的质量和准确性。 为了进一步提升模型的泛化能力和鲁棒性，数据集经过了数据增强处理，包括随机旋转、翻转、缩放和裁剪等多种变换，从而扩大了训练数据的多样性。这种增强处理有助于模型学习到更多的特征，提高其在实际应用中的表现。 此数据集适用于深度学习框架YOLOv5，它是一个高效的目标检测模型，能够实时地识别和定位图像中的病虫害。通过使用这个数据集，研究人员可以训练和优化YOLOv5模型，使其在病虫害的早期检测和防治中发挥关键作用。 植物保护-深度学习-YOLOv5-病虫害识别训练数据集的推出，不仅能够促进农业科技的发展，还能够帮助农业生产者更有效地管理作物健康，减少农药使用，保护环境，实现可持续农业。

客服端部署

Unet图像分割实战代码-以植物病虫害分割为例训练测试【源码分享】。 见博客https://blog.csdn.net/qq_42279468/article/details/129093132

基于Matlab颜色特征和纹理特征的植物叶片病虫害识别系统源码(带GUI界面)+程序使用说明文档.zip 基于Matlab颜色特征和纹理特征的植物叶片病虫害识别系统源码(带GUI界面)+程序使用说明文档.zip 基于Matlab颜色特征和纹理特征的植物叶片病虫害识别系统源码(带GUI界面)+程序使用说明文档.zip 该课题为基于Matlab颜色特征和纹理特征的植物叶片，病虫害侵蚀识别系统。可以判别某一片植物属于什么病。带有一个人机交互界面。

基于机器学习实现的农作物病虫害识别系统源码+数据（python）.zip利用阿里云识农api和机器学习实现的农作物病虫害识别系统。目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于阿里云计算技术与人工智能机器学习的计算机视觉技术，开发了一套跨平 台、易使用的农作物病虫害自动识别系统，大幅降低了人工智能技术的使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。 基于机器学习实现的农作物病虫害识别系统源码+数据（python）.zip利用阿里云识农api和机器学习实现的农作物病虫害识别系统。目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于阿里云计算技术与人工智能机器学习的计算机视觉技术，开发了一套跨平 台、易使用的农作物病虫害自动识别系统，大幅降低了人工智能技术的使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。 基于机器学习实现的农作物病虫害识别系统源码+数据（python）.zip利用阿里云识

基于深度学习的农作物病虫害识别APP源码+项目说明.zip 【APP功能】 “拍照识别病虫害”：用户可以对发病的作物叶片或者果实进行拍照，裁剪对应发病区域，等待2~3秒即可以返回匹配率最高的三个疾病，并将识别率标记到对应的疾病卡片上，显示在照片的上方。用户可以通过拍照识别结构卡片，会显示对应疾病的具体信息、危害病症、传播途径、发病条件和治理方法。帮助用户快速找到解决方法，对症下药。 大数据 农技学习”：该界面罗列了100多种蔬菜、粮棉油、水果、经济作物等几类常见的农作物，并使用TabLayout + Fragment滑动布局加载这些农作物。可以使大量数据流畅的展示给用户。用户通过点击对应疾病的卡片，获取当前病虫害的典型照片以及具体信息，包括：对应症状、病原、传播途径和发病条件、防治方法等等。为解决大多数农民用户不会拼音、难以识字的问题，该界面也配备了多方言的语音朗读，解决南北语言差异问题的同时也构成了良好的交互界面，方便用户使用。

基于Pytorch+resnet50的农作物病虫害识别分类项目源码+病害数据集+项目说明文档.zip 【数据增强】 data_aug.py 用于线下数据增强，支持的增强方式： 高斯噪声 亮度变化 左右翻转 上下翻转 色彩抖动 对比度变化 锐度变化 【使用方法】 第一步：将测试集图片复制到 data/test/ 下 第二步：将训练集合验证集中的图片都复制到 data/temp/images/ 下，将两个 json 文件放到 data/temp/labels/ 下 执行 move.py 文件 执行 main.py 进行训练

基于改进SSD算法(SE+特征融合)的苹果叶病虫害识别系统源码(pytorch框架)+改进前源码+病害数据集+项目说明.zip 主要改进点如下： 1、替换backbone为Resnet/MobileNet 2、添加一种更加轻量高效的特征融合方式 feature fusion module 3、添加注意力机制 (Squeeze-and-Excitation Module 和 Convolutional Block Attention Module) 4、添加一种解决正负样本不平衡的损失函数Focal Loss 附有苹果叶病害数据集，可训练模型

基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。 软件架构 1.深度学习技术栈：Python3.7 , Tensorflow 2.1, google colab 2.服务端技术栈：阿里云ECS，Ubuntu-18-04-x64，Docker, Tensorflow Serving, nginx , tomcat 3.web客户端技术栈：Vue2 , Echarts , Tensorflow for js, Opencv for js 教程 -- tensorflow从安装到部署到服务器的保姆级教程 客户端代码 -- Web端，“hc”是jquery的版，“recogpest”是vue版 （上面成果里面的识别系统用的是vue版） 论文 -- 参考论文、最后毕业的论文、性能统计结果等成果 深度模型训练测试代码 -- 训练、测试深度学习模型的代码 基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论