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。d

其中，第一列为水平方向的振动信号，第二列为竖直方向的振动信号。各个 csv 文件按采样时间先后顺序命名，即 1.csv，2.csv，…该实验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成，试验平台可调节的工况主要包括径向力和转速，其中径向力由液压加载系统产生，作用于测试轴承的轴承座上，转速由交流电机的转速控制器来设置与调节。如果库版本不一样， 一般也可以运行，这里

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

数据集有：Blasst（稻瘟病）、Blight（枯萎病）、Brown Spot（褐斑病）、Dead Heart（枯心病）、Downy（露珠病）、False（假烟病）、Sheath Blight（鞘病）、Streak（叶纹病）、Tungro（东南亚稻田病或。train文件夹（44229张），test文件夹（4741张），valid文件夹（6000张）2.1.train文件夹展示（test和valid

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-spo

Bacterial Blight（细菌性枯萎病）：细菌性枯萎病是由细菌引起的棉花疾病，主要受害部位是棉花的叶子和茎。Fusarium Wilt（枯萎病）：枯萎病是由一种真菌引起的棉花疾病。hf.py是对data文件夹里的原始数据进行分割训练集和测试集，生成的训练集和测试集保存在了piture文件夹（如果运行hf.py,需要重新删除piture文件夹）（为减小视频时长，epoch为30，准确率在85

油中溶解气体的相关数据 包括五种气体数据（H2，CH4,C2H6,C2H4,C2H2）及对应的故障类型 样本总数357组，故障类型7种（含正常）将原始数据、打标签代码、 代码运行后带标签的数据放在了压缩包。对七种类型进行打标签。

文件夹） 文件夹2.3.fresh（） 文件夹）文件夹。

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

油中溶解气体的相关数据 包括五种气体数据（H2，CH4,C2H6,C2H4,C2H2）及对应的故障类型 样本总数357组，故障类型7种（含正常）将原始数据、打标签代码、 代码运行后带标签的数据放在了压缩包。对七种类型进行打标签。