### 使用Python实现病虫害检测 #### 方法概述 为了有效地进行病虫害检测，通常采用机器学习特别是深度学习技术。卷积神经网络(CNN)因其强大的图像特征提取能力而成为首选模型之一[^3]。 #### 所需库 - **TensorFlow/PyTorch**: 这些框架提供了构建和训练CNN所需的工具和支持。 - **OpenCV**: 用于读取、预处理以及显示图像。 - **Matplotlib**: 方便地可视化中间结果或最终预测。 - **scikit-image/skimage**: 提供额外的图像处理功能。 #### 示例代码 下面是一个简单的例子来展示如何利用YOLOv5模型来进行病虫害分类： ```python import torch from PIL import Image import matplotlib.pyplot as plt # 加载预训练好的YOLOv5s权重文件 model = torch.hub.load('ultralytics/yolov5', 'custom', path_or_model='best.pt') def detect_pest_disease(image_path): # 图像加载并转换成RGB模式 image = Image.open(image_path).convert("RGB") # 对输入图片执行推理操作 results = model([image]) # 获取所有目标框及其置信度分数 detections = [] for *box, conf, cls in results.xyxy[0]: label = f'{results.names[int(cls)]} {conf:.2f}' detections.append({ "class": label, "confidence": float(conf), "bbox": tuple(map(float, box)) }) return detections if __name__ == "__main__": test_image = './test.jpg' detected_objects = detect_pest_disease(test_image) # 显示检测到的对象信息 for obj in detected_objects: print(f"Detected class: {obj['class']}, Confidence: {obj['confidence']}") # 将原始图像与标注后的图像一起绘制出来查看效果 fig, ax = plt.subplots(1, figsize=(8, 6)) im = plt.imread(test_image) ax.imshow(im) for det in detected_objects: rect = plt.Rectangle((det["bbox"][0], det["bbox"][1]), det["bbox"][2]-det["bbox"][0], det["bbox"][3]-det["bbox"][1], fill=False, edgecolor="red", linewidth=2) ax.add_patch(rect) ax.text(det["bbox"][0], det["bbox"][1]-5, s=f"{det['class'].split()[0]} ({det['confidence']*100:.1f}%)", color="white", verticalalignment="top", bbox={"color": "red", "pad": 0}) plt.axis('off') plt.show() ``` 此段程序展示了如何通过调用`torch.hub`接口快速获取一个已经过适当配置可用于特定任务（即作物疾病诊断）上的YOLO版本，并完成基本的功能测试[^2]。