《表1 原始数据数值化表：基于SVM的豆类作物病害识别研究》
提示：宽带有限、当前游客访问压缩模式
基于网络爬虫技术获取了豆类病害样本数据401条，对于豆类病害将其分成斑类病害与非斑类病害两类。病害症状的描述为颜色、斑形状、斑部位等，对原始数据进行数值化见表1。
| 图表编号 | XD0086001000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 彭勤、高士、彭佳红 |
| 绘制单位 | 湖南农业大学信息科学技术学院、湖南农业大学信息科学技术学院、湖南农业大学信息科学技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 数据集分组：基于卷积神经网络的农作物叶片病害诊断》2021.03.15
- 《表3 不同模型训练结果：基于迁移学习的园艺作物叶部病害识别及应用》2021.03.05
- 《表1 实验数据集分类：基于迁移学习的园艺作物叶部病害识别及应用》2021.03.05
- 《表2 模型参数：基于迁移学习的园艺作物叶部病害识别及应用》2021.03.05
- 《表1 原始数据表：基于集成学习的英文语义识别方法研究与实现》2020.12.20
- 《表5 各项指标权重：基于SAR与光学遥感数据相结合的农作物种植类型识别研究》2020.12.01
- 《表2 数据集详情：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表4 各模型准确率对比：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表3 数据扩充详情：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表1 网络结构参数：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表1 观测数据平均质量：基于AR模型与贝叶斯优化的SVM的结构损伤识别研究》2020.12.28
- 《表2 原始数据：基于人脸识别考勤系统并发研究》2020.11.25
- 《表1 精度验证结果：基于SVM的农作物种植结构遥感提取研究》2018.07.10
- 《表2 实地样本数据：基于改进SVM算法的典型作物分类方法研究》2020.07.25
- 《表1 识别结果对比：基于过渡区研究的黄瓜病害识别方法》2019.09.01
- 《表1 农作物病害训练集：基于卷积神经网络的农作物病害识别》2019.06.25
- 《表4 农作物病害模型对每种病害的识别结果》2019.06.25
- 《表2 SVM分类结果：基于SVM的豆类作物病害识别研究》2019.08.01
- 《表2 样本数据表：基于SVM的无人直升机着舰标志识别方法研究》2019.08.01
- 《表1 测试集分类结果：基于迁移学习的小样本农作物病害识别》2019.03.20