1.随意选牌

2.设置起手牌型

3.全局看

4.防检测防封号

5.可选择起手如（拼三张）：金花,顺金,顺子,三同,对子 顺子牛,同花牛,牛九,牛八（麻酱）起手暗 杠, 控制下张牌,快速自摸,防杠防点炮

6.麻酱,金化,跑得快,红黑大战,捕鱼,十三张,龙虎等等更多玩法均可安装使用

7.苹果,安卓系统通用, 支持首款苹果安卓免越狱(全系列)辅助

本站不再支持您的浏览器，请使用360浏览器8及以上（极速模式）、IE9及以上、Chrome5、Safari6、Firefox 3.6及以上、 Opera 10.5及以上浏览器观看。请升级您的浏览器到 更高的版本！以获得更好的观看效果。

近日，中国农业大学工学院彭彦昆教授团队苏文浩研究员课题组在人工智能领域国际权威期刊《人工智能的工程应用》（Engineering Applications of Artificial Intelligence）（中科院计算机大类一区TOP）发表研究论文《基于改进型金字塔场景解析网络的半监督深度学习框架：用于苹果叶片病害的多标签细粒度分类与智能诊断》（Semi-supervised deep learning framework based on modified pyramid scene parsing network for multi-label fine-grained classification and diagnosis of apple leaf diseases）。该研究首次提出一套完整的基于改进型半监督深度学习框架的苹果叶片病害智能诊断系统，为果树病害高效识别与分级提供了智能化解决方案，显著降低了病害识别的人力成本，并为农业人工智能系统在复杂自然场景中的落地应用提供了范式参考。

我国是世界上最大的苹果生产国之一，苹果种植面积和产量长期位居全球首位。然而，苹果在生长过程中易受多种叶片病害侵袭，造成显著经济损失。目前病害诊断仍主要依赖农技人员目测，不仅效率低、主观性强，而且常存在诊断滞后问题。现有智能识别系统则普遍存在对高质量标注数据依赖程度高、模型体积庞大、诊断种类单一等瓶颈，难以满足多病种、多场景、高实时性的田间需求。

针对上述行业难题，苏文浩研究员课题组基于“低标注、轻量级、多功能”的理念，创新性地构建了一种融合图像分割、多标签分类和病害分级评估于一体的端到端诊断框架。研究在算法、模型训练与系统集成三个维度实现突破：

模型结构优化：在经典PSPNet语义分割网络基础上引入自注意力模块（SA）以增强边缘与细小病斑的提取能力，融合四级金字塔结构提升多尺度信息表达，结合空洞空间金字塔池化模块（ASPP）拓展感受野范围，显著提高了病斑区域的分割精度。

改进的PSPNet-SA模型架构，包含自注意力模块和特征金字塔

渐进式半监督学习策略：在模型训练过程中采用仅1/8标注样本（2857张标注图像+20001张未标注图像），通过伪标签生成与动态更新机制，最大化利用未标注数据的潜在信息，最终取得与全监督模型（MIoU 0.987）近似的性能表现（MIoU 0.965），在大幅降低标注成本的同时确保了诊断精度。

三位一体诊断系统集成：在病害分割的基础上，构建基于Transformer架构的多标签分类模块，支持对褐斑病、灰斑病、锈病等5种常见叶片病害的同步识别（mAP达0.995）；同时引入轻量化分类头，对病害严重程度进行三级分级（轻度、中度、重度），最高F1值达0.921。最终模型体积仅为17.5MB，可在移动设备上实现实时运行。

多标签分类模型框架：展示Transformer编码器和并行分类头的结构设计

实验结果表明，该系统对多种病害的识别准确率达99.21%，病害严重度分级评估表现稳定，展现出极高的实用性与推广价值。研究不仅为苹果树叶病害诊断提供了智能高效的新路径，也为复杂农业图像场景下的深度学习模型设计、低标注数据利用及多任务协同优化提供了理论支撑和技术示范。

病害严重度混淆矩阵：展示五种病害在不同严重程度下的分类准确率

本研究由中国农业大学为第一完成单位，工学院硕士研究生樊柯君为第一作者，苏文浩研究员为通讯作者，合作者包括东北大学博士研究生刘博远、中国农业大学工学院彭彦昆教授。研究得到了国家自然科学基金（项目编号：32101610）等项目资助。