基于yolov5的输电线，电缆检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面等。ui界面由pyqt5设计实现。

基于unet的钢铁表面缺陷分割识别系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，GUI界面等。GUI界面由pyqt5设计实现，项目可外接USB摄像头或者直接使用笔记本摄像头。

基于卷积神经网络的桃子叶片病虫害识别与防治系统是在pytorch框架下实现的，项目中有4个模型，前3个为VGG16、ResNet50、SwinTransformer，最后一个为前面3个模型的融合（预测结果的融合，提高系统预测结果的可靠性），各个模型之间可对比分析，工作量充足。界面可实现各个模型的切换，并且可以保存每次识别结果，生成识别报告该系统涉及的技术栈：python + pyqt5 + ope

基于卷积神经网络的农作物病虫害识别与防治系统是在pytorch框架下实现的，项目中有4个模型，前3个为VGG16、ResNet50、SwinTransformer，最后一个为前面3个模型的融合（预测结果的融合，提高系统预测结果的可靠性），各个模型之间可对比分析，工作量充足。界面可实现各个模型的切换，并且可以保存每次识别结果，生成识别报告该系统涉及的技术栈：python + pyqt5 + open

基于卷积神经网络的农作物病虫害识别系统是在pytorch框架下实现的，系统中有两个模型可选resnet50模型和VGG16模型，这两个模型可用于模型效果对比，增加工作量。

基于卷积神经网络的樱桃叶片病虫害识别与防治系统是在pytorch框架下实现的，项目中有4个模型，前3个为VGG16、ResNet50、SwinTransformer，最后一个为前面3个模型的融合（预测结果的融合，提高系统预测结果的可靠性），各个模型之间可对比分析，工作量充足。界面可实现各个模型的切换，并且可以保存每次识别结果，生成识别报告该系统涉及的技术栈：python + pyqt5 + ope

基于卷积神经网络的草莓果实保质期预测系统是在pytorch框架下实现的，项目中有2个模型，resnet50，alexnet，两个模型都在项目中，随便用一个模型即可，也可以两个都用，做模型对比，增加工作量。

基于卷积神经网络的海洋生物识别系统是在pytorch框架下实现的，项目中有2个模型，resnet50，efficentnet，两个模型都在项目中，随便用一个模型即可，也可以两个都用，做模型对比，增加工作量。

基于卷积神经网络的五谷识别是在pytorch框架下实现的，项目中有2个模型，resnet50，efficentnet，两个模型都在项目中，随便用一个模型即可，也可以两个都用，做模型对比，增加工作量。

基于yolov11的水果新鲜度（分级）检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，GUI界面等。GUI界面由pyqt5设计实现，项目可外接USB摄像头或者直接使用笔记本摄像头。