- 博客(6)
- 收藏
- 关注
RSS订阅原创 基于深度学习算法的番茄叶病分类系统01--带数据集-pyqt5UI界面-全套源码
番茄叶病的早期准确识别对于提高番茄产量和保障农业生产具有重要意义。传统的人工识别方法效率低且易受人为因素影响，随着深度学习技术的发展，基于计算机视觉的病害识别方法逐渐成为研究热点。本研究提出了一种基于深度学习算法的番茄叶病分类系统，采用ShuffleNetV2网络结构在Pytorch框架下进行模型构建与训练，数据集包含11类不同的番茄叶病图像，总计32534张样本。通过数据增强、优化器和超参数的选择，最终模型在验证集上取得了0.96的最高准确率，平均分类准确率达到0.98。
2025-02-24 20:10:44
651
原创 基于深度学习CNN算法的蔬菜识别系统01--带数据集-pyqt5UI界面-全套源码
随着人工智能技术的快速发展，深度学习在图像识别领域取得了显著的进步。本文设计并实现了一种基于MobileNet深度学习网络的蔬菜识别系统。该系统通过从网络上采集的15类蔬菜图像数据集（共计21000张）进行训练和验证，利用MobileNet模型在资源受限的环境中实现高效、准确的图像分类。数据集按照8:2的比例划分为训练集和验证集，并通过随机裁剪、水平翻转等数据增强技术提高模型的泛化能力。经过30个训练周期，系统在验证集上的准确率达到了99%，并通过混淆矩阵显示出在各类蔬菜分类任务中的优异表现。
2025-02-21 17:07:15
608
原创 基于深度学习CNN算法的动物识别系统01--带数据集-pyqt5UI界面-全套源码
本项目旨在设计并实现一个基于深度学习的动物识别系统。该系统利用卷积神经网络模型，对图像中的动物种类进行自动识别和分类。通过对不同深度学习模型的比较和优化，本研究最终选择了轻量级的MobileNet模型，旨在平衡识别准确率和计算资源消耗，提供一个高效且易于部署的解决方案。本研究验证了MobileNet模型在动物识别任务中的可行性。MobileNet作为一种轻量级的卷积神经网络，尽管参数量和计算复杂度大幅降低，但在本研究的数据集上依然实现了91.4%的验证集准确率，展示了其在资源受限环境下的优异表现。
2025-02-20 21:50:53
615
原创 基于深度学习CNN算法的花卉分类识别系统01--带数据集-pyqt5UI界面-全套源码
花卉识别是计算机视觉中的一个重要应用，在园艺、农业和植物保护等领域具有广泛的潜在价值。本文的基于深度学习的花卉识别系统，采用MobileNet模型结合PyTorch框架实现。数据集由网络采集的16类花卉图像组成，共计15740张，其中训练集和验证集按8:2的比例划分。为了提高模型的泛化能力，本文对数据进行了多种增强操作，包括随机裁剪、水平翻转及标准化处理。在训练过程中，采用AdamW优化器和交叉熵损失函数，并设置了合适的学习率及超参数，通过100个Epoch进行模型训练和验证。实验结果显示，
2025-02-19 22:13:09
824
原创 基于深度学习CNN算法的手写汉字识别系统01--带数据集-pyqt5UI界面-全套源码
本研究设计并实现了一个基于深度学习的手写汉字识别系统，旨在通过优化模型结构和训练策略，提高对手写汉字的识别精度。系统采用了MobileNet卷积神经网络结构，并使用PyTorch框架进行模型搭建和训练。实验数据来自中科院手写汉字数据集，包含200类汉字，总计59699张图像。数据预处理过程中，使用图像裁剪、翻转和归一化等操作，以提升模型的泛化能力。训练过程中，设定Epoch数为60，采用AdamW优化器和交叉熵损失函数，并以验证集损失值最低点作为模型参数的最佳选择标准。实验结果显示，
2025-02-19 21:42:20
591
原创 基于深度学习CNN算法的植物/中草药分类识别系统01--带数据集-pyqt5UI界面-全套源码
本项目设计并实现一个基于深度学习算法的植物识别系统。该系统采用Mobilenet深度学习模型，利用网络采集的一个包含67类植物、共6877张图像的数据集，结合Pytorch框架进行模型训练和优化，通过准确率、损失值和混淆矩阵三种评价指标，验证了该系统的识别性能，并使用pyqt5库设计了图形用户界面（GUI），实现了便捷的植物识别和结果展示功能。python = 3.8 pytorch pyqt5 opencv matplotlib 等。
2025-02-19 20:33:54
973
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人