- 博客(82)
- 收藏
- 关注
RSS订阅原创 yolov8草莓及病害检测项目开发（python开发，带有训练模型，可以重新训练，并有Pyqt5界面可视化）
data文件夹的数据集（train文件夹：655张照片和对应的yolo标签，valid文件夹：487张照片和对应的yolo标签；test文件夹：487张照片和对应的yolo标签）如有其它数据集检测需求，可定制项目。train.py文件夹。
2025-01-08 23:17:15
531
原创 YOLOv8草莓（开花&结果）检测系统（可以从图像、视频和摄像头三个途径进行检测）
资源包含可视化的草莓检测系统，检测方式：图片、视频、摄像头。类别草莓，开花、结果、果实成熟等状态。基于最新的YOLO-v8训练的草莓检测模型和完整的python代码以及草莓的训练数据，下载后即可运行，输出检测结果。)，包远程运行起来。配置环境。
2025-01-08 23:15:21
378
原创 YOLOv8草莓生长状态（灰叶病&缺钙&需要肥料）检测系统（python开发，可以从图片、视频和摄像头三种方式检测,带有训练模型，可以重新训练，并有Pyqt5界面可视化）
如有其它数据集检测需求，可定制项目。
2025-01-08 23:12:57
321
原创 YOLOv8绝缘子边缘破损检测系统（可以从图片、视频和摄像头三种方式检测）
predictWindow.py是Pyqt5界面展示主程序，并调用训练好的yolov8模型参数，进行草莓不同类别的检测。insulator_train.py是训练脚本，detect_tools.py是用来读取和展示图像，被predictWindow.py调用,yolov8.pt是训练完成模型保存参数。重要文件介绍：data是数据文件夹。
2025-01-07 17:18:12
394
原创 YOLOv8常见水果识别检测系统（yolov8模型，从图像、视频和摄像头三种路径识别检测）
1.效果视频（资源包含可视化的水果识别检测系统，可识别图片和视频当中出现的六类常见的水果，包括： 苹果、香蕉、葡萄、橘子、菠萝、西瓜等，以及自动开启摄像头，进行水果识别检测。基于最新的YOLO-v8训练的水果检测模型和完整的python代码以及水果检测的训练数据，下载后即可运行。2.文件夹截图。
2025-01-07 17:15:12
464
1
原创 YOLOv8+PyQt5野外火焰检测系统（可以从图像、视频和摄像头三种路径检测）
2.资源包含可视化的野外火焰检测系统，可用于火灾预警或火灾救援，该系统可自动检测和识别图片或视频当中出现的火焰，以及自动开启摄像头，进行火焰检测。基于最新的YOLO-v8训练的火焰检测模型和完整的python代码以及火焰检测的训练数据，下载后即可运行。
2025-01-07 17:09:32
209
原创 YOLOv8+PyQt5玉米病害检测系统（yolov8模型，从图像、视频和摄像头三种路径识别检测）
1.资源包含可视化的玉米病害检测系统，基于最新的YOLOv8训练的玉米病害检测模型，和基于PyQt5制作的可视玉米病害系统，包含登陆页面和检测页面，该系统可自动检测和识别图片或视频当中出现的七类玉米病害：矮花叶病dwarf-mosaic、灰斑病cercospora、严重灰斑病cercospora-serious、锈病puccinia、严重锈病puccinia-serious、叶斑病leaf-spot'、严重叶斑病leaf-spot-serious，以及自动开启摄像头，进行玉米病害检测。
2025-01-07 17:05:30
284
原创 YOLOv8+PyQt5蔬菜识别检测（26种不同蔬菜类型，yolov8模型，从图像、视频和摄像头三种路径识别检测）
1.基于最新的YOLOv8训练的蔬菜检测模型，和基于PyQt5制作的可视蔬菜检测系统，该系统可自动检测和识别图片或视频当中出现的26种蔬菜：'鸡蛋', '姜', '菜椒', '南瓜', '山药', '辣椒', '霉豆', '蘑菇', '香菜', '茼蒿', '油菜', '黄瓜', '角瓜', '莲藕', '西兰花', '菜花', '土豆', '地瓜', '玉米', '洋葱', '西红柿', '胡萝卜', '茄子', '白萝卜', '韭菜', '白菜'，以及自动开启摄像头，进行蔬菜检测。
2025-01-07 17:04:30
307
原创 西红柿叶病害检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
效果视频：西红柿叶病害检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）_哔哩哔哩_bilibili2.效果图片
2025-01-04 21:00:34
290
原创 YOLOv8+PyQt5农作物杂草检测（可以重新训练模型，yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
资源包含可视化的农作物杂草检测系统，基于最新的YOLOv8训练的农作物杂草检测模型，和基于PyQt5制作的可视化农作物杂草检测系统，包含登陆页面、注册页面和检测页面，该系统可自动检测和识别图片或视频当中出现的农作和物杂草，以及自动开启摄像头，进行农作物杂草检测，并在图片上展示农作或物杂草的位置，以及输出检测结果是农作物还是杂草以及它的坐标和置信度。资源包含基于最新的YOLO-v8训练的农作物杂草检测模型和完整的python代码以及农作物杂草检测的训练数据，下载后即可运行。
2025-01-04 19:49:03
226
原创 YOLOv8+PyQt5西红柿成熟度检测（可以重新训练,yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
资源包含基于最新的YOLO-v8训练的西红柿成熟度检测模型和完整的python代码以及西红柿成熟度检测的训练数据，下载后即可运行。
2025-01-03 23:13:35
261
原创 YOLOv8+PyQt5苹果叶病害检测（可以重新训练，yolov8模型，从图像、视频和摄像头三种路径识别检测）
资源包含可视化的苹果叶病害检测系统，基于最新的YOLOv8训练的苹果叶病害检测模型，和基于PyQt5制作的可视苹果叶病害系统，包含登陆页面和检测页面，该系统可自动检测和识别图片或视频当中出现的三类苹果叶病害：苹果黑根病Black Root Disease、苹果瘤虫病Scab Disease、苹果雪松锈病Cedar Apple Rust Disease以及健康苹果叶Healthy Apple Leaf，另外程序具有自动开启摄像头，进行苹果叶病害检测功能。
2025-01-03 23:07:42
184
原创 YOLOv8+注意力机制+PyQt5玉米病害检测系统完整资源集合
资源包含可视化的玉米病害检测系统，基于最新的YOLOv8+注意力机制训练的玉米病害检测模型，和基于PyQt5制作的可视玉米病害系统，包含登陆页面和检测页面，该系统可自动检测和识别图片或视频当中出现的七类玉米病害：矮花叶病dwarf-mosaic、灰斑病cercospora、严重灰斑病cercospora-serious、锈病puccinia、严重锈病puccinia-serious、叶斑病leaf-spot'、严重叶斑病leaf-spot-serious，以及自动开启摄像头，进行玉米病害检测。
2025-01-03 23:06:02
139
原创 独家创作YOLOv8韭菜检测系统（可以重新训练，yolov8模型，从图像、视频和摄像头三种路径识别检测）
2.1.1.以训练集为例，有被标注的图片（992）和labels（992）验证集和测试集分别有：48个样本和19个样本。
2025-01-03 21:11:30
268
原创 机械寿命预测，多步预测，跨设备寿命预测(以一台训练好的模型对另一台直接预测，python代码，压缩包包含数据集，解压缩后直接运行)
通过前k（代码里设定的K=3）个输入状态，预测后t（代码里设置的t=3）个周期的寿命。1.数据包含了两台机械设备采集的输入特征数据和寿命数据。3.2. In_2st作为训练集，In_1st作为测试集。2.模型：CNN_LSTM_ATTENTION。
2025-01-03 21:04:50
469
原创 利用resnet50模型实现车牌识别（Python代码，.ipynb和.py两种文件保存都有，可以使用jupyter或pycharm运行）
预测结果与真实结果对比。
2024-12-27 16:47:09
488
1
原创 汽车牌照目标检测（Python代码）
将划分好的数据集复制到YOLOv8数据集文件夹，并创建相应的标签文件。导入所需的库和模块，包括警告过滤、数据处理、数据可视化等。对数据进行划分，将部分数据用于训练，部分用于验证和测试。提取样本图像的元数据，包括车牌号、边界框信息等。从数据集中加载样本图像并显示在子图中。创建用于显示样本图像的子图。创建自定义数据集的配置文件。绘制训练结果的损失曲线子图。读取训练结果的CSV文件。创建包含元数据的数据框。Testing 模型。
2024-12-27 16:46:05
285
原创 四种不同机器学习方法（线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型）对光伏发电预测
以上就是这段代码的主要流程。它包括了数据加载、数据预处理、特征工程、模型训练和评估等步骤，用于分析太阳能发电数据并建立回归模型进行预测。选择SOURCE_KEY列的1BY6WEcLGh8j5v7 的光伏板进行AC POWER预测。四种方法分别为线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型。这些列包含了太阳能发电数据和气象传感器数据的各个指标和变量。两篇文章用的是同一个数据集，不同的的是本篇多了温度特征。1.数据集介绍（可以看。特征变量之间相关性绘图。
2024-12-27 16:42:37
444
原创 股票智能预测系统（Python代码，可以自主选择预测模型，被预测的为每天的收盘价格，代码有详细注释），很容易替换为其它时序数据集，其它模型也很容易被加进去，已经留了增加其它模型的位置
模型有RNN、LSTM和CNN-LSTM模型，三个均被调整到各自最优结构,其它模型也很容易被加进去，已经留了增加其它模型的位置。2.特征输入为前五天的收盘价格，标签是第六天的收盘价格（很容易替换输入特征为五个或多个的其它数据集）1.数据集（开始时间：2015-05-27点，截止时间：2020-05-22 ）CNN-LSTM模型。
2024-12-27 16:41:46
1055
原创 利用BP网络输电线路故障诊断(Python代码，压缩包带有数据集和代码，解压缩可直接运行)
将故障区分为具体的不同类型：单相短路故障（1130个样本）、两相接地短路故障（1134个样本）、两相相间故障（1004个样本）、三相相间短路故障（1096个样本）。这里随意举出每种类别的两个样本进行展示。用到的库：pandas,sklearn,seaborn,matplotlib(对这些库的版本无要求，可以远程协助运行起来代码)1.数据集介绍 ，每类故障有大约1000个样本左右（训练集预测集比例：4:1）3.效果（平均识别准确率为95.304%）
2024-12-27 16:39:01
314
原创 基于时域特征和频域特征组合的敏感特征集，再利用CNN进行轴承故障诊断(python编程)
2.3.构建评价指标，从时域和频域一共23个指标中选出对故障特征最敏感的前4个特征，这里用的是方差评价指标，也可以选用其它的评价指标。2.4.将每个样本的这4个特征输入CNN模型进行分类（也可以输入给SVM或KNN等分类器）0HP-3HP四个文件夹装载不同工况下的内圈故障、外圈故障、滚动体故障和正常轴承数据。按照1024的长度分割样本，构建内圈故障、外圈故障、滚动体故障和正常轴承样本集。1.文件夹介绍（使用的是CWRU数据集）2.1.计算11种时域特征值。2.2.计算12种频域特征值。
2024-12-27 15:27:58
463
原创 农业害虫数据集（12种类别，每个类别有400-500张左右照片，包括：蚂蚁、蜜蜂、甲虫、毛毛虫、蚯蚓、蠼螋、蝗虫、蛾、蛞蝓、蜗牛、黄蜂和象甲）
农业害虫图像数据集是12种不同类型农业害虫的图像集合，即蚂蚁、蜜蜂、甲虫、毛毛虫、蚯蚓、蠼螋、蝗虫、蛾、蛞蝓、蜗牛、黄蜂和象甲。这些图像是使用爬虫技术从Flickr平台获得的，并调整了大小，使其最大宽度和高度均为300px。12类害虫，提供了涵盖各种形状、颜色和大小的各种图像，适用于训练和测试算法，以在各种场景中检测和分类害虫。第一个文件夹（蚂蚁），498张照片。第二个文件夹（蜜蜂） ，500张照片。第三个文件夹（甲虫） ，421张照片。第四个类别（毛毛虫），454张。剩余文件夹不再繁琐展示。
2024-12-26 13:53:46
755
原创 多通道振动信号经小波变换成多通道信息融合的图像（Python编程）
2.这里以0HP文件夹为例，进行展示，有内圈故障，正常，外圈故障和滚动体故障四个文件夹。1.数据集介绍：凯斯西楚大学轴承数据集（12KHZ采样频率下，四种不同负载数据集）内圈故障文件夹下有三个不同尺寸的.mat数据保存文件。每个.mat文件有DE和FE端两通道数据。外圈故障类别下的图像。滚动体故障类别下的图像。内圈故障类别下的图像。
2024-12-26 13:47:42
420
原创 提取渥太华大学机械故障敏感特征，再利用决策树分类（Python代码）
该数据集是从渥太华大学采集的轴承振动信号，这些信号是在时间变化的转速条件下收集的。数据集包含4个不同引擎的每个引擎的12秒信号数据。采样频率为10000。总体来说，这段代码涉及了时间序列数据的处理、特征提取、模型拟合、分类预测等步骤，并通过可视化展示了各个阶段的结果和评估指标。
2024-12-26 13:39:26
684
原创 二维深度卷积网络模型下的轴承故障诊断
使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。3HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.66%1HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.66%0HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.60%其他库版本无要求（可以远程协助运行）
2024-12-26 13:37:43
266
原创 一维(1D)CNN模型下轴承故障诊断（Python，TensorFlow框架下，很容易改为其它模型，解压缩后可以直接运行，无需修改任何目录）
使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。3HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%0HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.83%1HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.46%2.模型（1DCNN）
2024-12-26 13:34:37
362
原创 葡萄叶病害数据集
Grape Isariopsis Leaf Spot（Isariopsis叶斑）（3228张）Grape Black Measles（葡萄黑麻疹）病害（3783张）Grape Black rot葡萄黑腐病病害数据集（3596张）Grape Healthy 健康葡萄叶（2594张）测试集每类有3张照片。
2024-12-26 13:32:48
541
原创 MSCNN_LSTM_Attention模型下轴承故障诊断（Python，TensorFlow框架下，很容易改为其它模型，解压缩后可以直接运行，无需修改数据目录，代码有详细注释）
使用凯斯西储大学轴承数据集，一共有4种负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。3HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%0HP数据集(训练集与测试集比例为7:3)，测试集准确率为100.00%2HP数据集(训练集与测试集比例为7:3)，测试集准确率为99.86%1HP数据集(训练集与测试集比例为7:3)，测试集准确率为100%其他库版本无要求（可以远程协助运行代码）
2024-12-24 11:00:40
166
原创 MSCNN_LSTM_Attention模型下江南大学数据集轴承故障诊断（Python，TensorFlow框架下，很容易改为其它模型，解压缩后可以直接运行，无需修改数据目录，代码有详细注释）
这篇文章的MSCNN_LSTM_Attention模型一模一样，网络参数也一致。只是轴承数据集不同。800rpm数据集下，总样本数：8000个样本，训练集与测试集比例：7:3。1000rpm数据集下，总样本数：8000个样本，训练集与测试集比例：7:3。600rpm数据集下，总样本数：8000个样本，训练集与测试集比例：7:3。本篇用的MSCNN_LSTM_Attention模型与。采样频率：50khz，采样时间：10s。转速：600 800 1000/rpm。1.江南大学轴承数据集介绍。
2024-12-23 16:49:57
415
原创 变压器故障诊断（python代码，逻辑回归/SVM/KNN三种方法同时使用，有详细中文注释）
读取了两个CSV文件（Overview.csv和CurrentVoltage.csv），将它们转换为DataFrame，并对其中的日期时间列进行了格式转换。3.1.使用sns.relplot函数绘制tf DataFrame中的OTI、ATI和WTI列的关系图，根据MOG_A列进行着色。：导入了所需的数据处理、数据可视化和机器学习相关的库，并进行了matplotlib和seaborn的样式和参数配置。第二个文件打开 （6列特征，最后一列是标签，正常状态为0，故障为1）MOG_A-标签：正常未0，故障为1.
2024-12-23 16:46:46
739
原创 添加注意力机制下的transformer模型，实现轴承故障诊断（Python程序，有非常详细的代码注释，无需修改数据集路径，解压缩后可以直接运行，平均准确率在99.479%以上）
使用凯斯西储大学轴承数据集，一共有4种（0hp/1hp/2hp/3hp）负载下采集的数据，每种负载下有10种 故障状态：三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态。data文件夹装的是原始数据和经process_data.py处理后的数据样本，每个样本长度为1024，并将样本分为训练集、验证集和测试集。4.效果，平均准确率在99.479%以上，这里以0hp和1hp数据集下实验结果为例进行展示。result文件夹装的是每次运行实验保存的结果。
2024-12-23 16:45:40
440
原创 葡萄目标检测（yolov8模型，无需修改路径，python代码，解压缩后直接运行）
PinotNoir文件夹存放的是训练集 ，测试集和验证集葡萄照片与标签。models文件夹保存的是yolov8的训练好的模型参数。代码运行要求：TensorFlow>=2.4.0。1.采用yolov8模型。
2024-12-23 16:42:25
169
原创 番茄（西红柿）叶病害识别（Python代码，pyTorch框架，深度卷积网络模型，很容易替换为其它模型，带有GUI识别界面）
3.经过30个epoch训练后，测试集达到91.06%的效果（用户如果计算机配置较高，可以增加epoch，效果也会更好），GUI界面识别效果和predict.py识别效果如视频所示。picture文件夹存放的是经hf.py对data文件夹处理后，生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本，对单个 照片进行识别。CNN.pth存放的是经train.py训练后的模型参数。代码运行要求：Torch>=1.13.1即可。从第一类到第十类分别如下图所示。
2024-12-23 16:40:34
448
原创 茶叶病害识别(Python代码，pyTorch框架，深度卷积网络模型，很容易替换为其它模型，带有GUI识别界面)
4.经过60个epoch训练后，测试集平均准确率达到86%-90.08%的效果（用户如果计算机配置较高，可以增加epoch，效果也会更好），GUI界面识别效果和predict.py识别效果如视频所示。picture文件夹存放的是经hf.py对data文件夹处理后，生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本，对单个 照片进行识别。CNN.pth存放的是经train.py训练后的模型参数。data文件夹存放的是未被划分训练集和测试集的原始照片。
2024-12-23 16:38:28
381
原创 苹果叶病害识别（Python代码，pyTorch框架，深度卷积网络模型，很容易替换为其它模型，带有GUI识别界面）
picture文件夹存放的是经hf.py对data文件夹处理后，生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本，对单个 照片进行识别。GUI.py可以调用训练好的网络模型参数对多张照片连续进行识别。CNN.pth存放的是经train.py训练后的模型参数。model.py 是存放模型的脚本，可以任意改为其它模型。代码运行要求：Torch>=1.13.1即可。data文件夹存放的是未被划分训练集和。Apple Scab类文件夹图片。Black Rot类文件夹图片。
2024-12-23 16:36:10
195
原创 苹果叶病害识别（Python代码，pyTorch框架，预训练好的VGG16模型，也很容易替换为其它模型，带有GUI识别界面）
picture文件夹存放的是经hf.py对data文件夹处理后，生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本，对单个 照片进行识别。GUI.py可以调用训练好的网络模型参数对多张照片连续进行识别。CNN.pth存放的是经train.py训练后的模型参数。model.py 是存放模型的脚本，可以任意改为其它模型。代码运行要求：Torch>=1.13.1即可。data文件夹存放的是未被划分训练集和。Apple Scab类文件夹图片。Black Rot类文件夹图片。
2024-12-23 16:34:53
330
原创 CEEMDAN-and-LSTM-CNN模型时序数据预测（Python代码，有中文注释，三份不同数据集测试集效果均佳，无需修改数据路径，解压缩直接运行）
使用 GWO 优化 LSTM 模型的参数，从而实现交通流量的预测方法。data是数据文件夹，data.py是数据归一化等数据预处理脚本。images文件夹装的是不同模型结构打印图。GWO-LSTM测试集效果。
2024-12-23 16:33:17
371
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