-
公开(公告)号：CN118887525A
公开(公告)日：2024-11-01
申请号：CN202410800499.8
申请日：2024-06-20
Applicant: 南京农业大学三亚研究院
Abstract: 本发明涉及槟榔黄化症状分析技术领域，尤其涉及基于3D卷积神经网络的槟榔叶片黄化症状分析方法及系统，采用活体拍摄高光谱图像的方法，使用推扫式高光谱成像系统拍摄槟榔叶片的高光谱图像；采用黑白校正方法得到初步的高光谱图像；对槟榔叶片进行感兴趣区域提取并计算提取出感兴趣区域的平均光谱，对平均光谱进行SG平滑滤波器处理；使用SHAP方法提取出贡献度最高的特征波段；训练3D卷积神经网络模型，判断光谱数据所属的不同类别输出槟榔黄化症状的原因分析结果，高光谱图像和3D卷积神经网络共同提高模型对于光谱的空间特征提取能力，模型对槟榔黄化症状的原因分析能力更强，不局限于区分健康和病害，分析导致病害的不同原因。
-
公开(公告)号：CN118072823A
公开(公告)日：2024-05-24
申请号：CN202410214731.X
申请日：2024-02-27
Applicant: 南京农业大学
IPC: G16B25/00 , G16B40/00 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于植物育种技术领域，具体涉及基于全基因组选择的水稻表型预测方法及系统，包括获取水稻双端测序数据，进行基因组比对和变异检测，得到SNP数据，并进行数据质量控制；利用质控后的SNP数据进行连锁不平衡分析、群体结构分析和亲缘关系分析，筛选SNP；将筛选的SNP集合按比例分为训练集、验证集和测试集，使用基于注意力机制的卷积神经网络模型进行训练和验证；引入注意力机制模块和残差模块，通过五种SNP集合数据，训练五种不同数据的基于注意力机制的卷积神经网络模型，获取最佳输入数据训练的预测模型，进行表型预测。本发明可以充分筛选高质量和代表性的SNP数据，能更好地捕捉与目标表型相关的遗传变异信息，提高模型的效率和预测的准确性。
-
公开(公告)号：CN119478703A
公开(公告)日：2025-02-18
申请号：CN202510013320.9
申请日：2025-01-06
Applicant: 南京农业大学
IPC: G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/44 , G06V10/764 , G06V10/80
Abstract: 本发明公开了水稻光谱胁迫指数构建方法、系统、计算机设备和存储介质，涉及水稻胁迫分类技术领域，包括：定期拍摄不同组别水稻叶片得到原始高光谱图像进行黑白矫正；对不同胁迫下的水稻叶片提取感兴趣区域，计算平均光谱数据并进行SG平滑滤波器处理；使用生成对抗网络提取贡献度最高的50个特征波段；将特征波段对应的平均光谱数据作为模型输入数据输入随机森林分类模型，得到模型分类结果；同时筛选前5的特征波段及对应权重构建光谱指数，得到胁迫指数划分胁迫类别，输出水稻的胁迫原因。本发明更高效地捕捉数据中的非线性关系，提高分类模型性能，计算效率高、适应性强，大幅度减少高光谱数据的维度，有效降低了模型计算复杂度。
-
公开(公告)号：CN118797475A
公开(公告)日：2024-10-18
申请号：CN202410794515.7
申请日：2024-06-19
Applicant: 南京农业大学三亚研究院
IPC: G06F18/2415 , G06F18/213 , G06N3/0464 , G16H50/20 , G16H50/30
Abstract: 本发明涉及槟榔黄化病病情等级评价技术领域，具体是基于光谱指数APYDI的槟榔黄化病病情等级评估方法，包括：利用注意力机制和深度可分离卷积构建光谱特征提取模块，在网络中加入可变形卷积模块和空洞卷积模块来提取特征信息；通过硬阈值策略获取与黄化病相关性较高的光谱波段和波段的权重值；将波段和权重进行加权求和组成用于评估槟榔黄化病病情等级的光谱指数APYDI；结合时序信息，对不同时间节点的槟榔病情等级进行准确评估。本发明利用注意力机制和深度可分离卷积构建的光谱特征提取模块完成敏感波段及权重的获取，采用光谱空洞卷积模块和可变形卷积模块对病情等级评估模型进行优化，有效地提高了槟榔黄化病病情评估的性能。
-
公开(公告)号：CN118761923A
公开(公告)日：2024-10-11
申请号：CN202410853792.0
申请日：2024-06-28
Applicant: 南京农业大学
IPC: G06T5/60 , G06T5/50 , G06T5/40 , G06T5/20 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于Unet与多尺度特征融合的水下图像增强方法，首先对水下失真原图像进行预处理；然后将预处理后的图像分别与原始图像两两结合，再通过图像增强网络进行深层次增强，并对原图像进行深层次增强；利用置信度生成网络生成相应的置信度值，并使用置信度值动态调整不同增强结果对最终图像的贡献比例，实现多尺度特征融合；最后使用拉普拉斯边缘检测对融合后的图像进行边缘增强，提高图像细节的清晰度和对比度。本发明确保了增强效果的全面优化，能够显著提升水下图像的亮度、色彩、纹理和结构等方面的质量，适用于多种水下环境中的高质量图像需求；具有高效、鲁棒的图像增强能力，为水下科学研究和工程应用提供了重要支持。
-
Patent Agency Ranking
公开(公告)号：CN106371318B
公开(公告)日：2018-12-11
申请号：CN201610965089.4
申请日：2016-10-31
Applicant: 南京农业大学
IPC: G05B13/04
Abstract: 一种基于合作博弈的设施环境多目标优化控制方法，它包括以下步骤：S1、建立设施环境的三个控制目标：环境参数‑温湿度控制目标、能耗控制目标以及控制设备物理极限性，即设备损耗控制目标；S2、建立合作博弈模型，采用基于合作博弈模型的多目标模型预测控制方法对前述设施环境的三个控制目标的进行处理，得到每个控制目标的优化函数；S3、求解所得的目标的优化函数，获取各目标函数的最优控制量。本发明借鉴博弈论思想，将各个控制目标看作各个博弈方，通过建立合作竞争模型，使得每个博弈方在考虑个人利益的同时也兼顾他人利益，从而解决多目标冲突问题。
-
公开(公告)号：CN115205832B
公开(公告)日：2025-04-29
申请号：CN202210799123.0
申请日：2022-07-08
Applicant: 南京农业大学
IPC: G06V20/60 , G06V10/764 , G06V10/774 , G06V10/422 , G06V10/82 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/082 , G06N3/096
Abstract: 本发明公开了一种基于VGG16的多任务学习植物表型处理方法及装置，该方法包括：(1)构建植物表型处理与分析模型：以VGG16网络作为多任务学习的硬参数共享网络，除去原VGG16的最后一个最大池化层以及之后所有的全连接层，增加任务相关的全连接层，并将其分别应用于三个特定任务层；(2)训练模型：使用任务依赖不确定性权衡每一个特定任务层的损失函数，以此来平衡回归和分类任务的损失，使用柔性因子连接不同任务，自动优化不同任务的权重，让每个任务都得到最优化训练；(3)基于训练后模型对植物表型进行处理与分析。本发明能同时完成三个有关拟南芥表型处理与分析的任务，大大提升了多任务整体分类及预测效果。
-
公开(公告)号：CN116625976A
公开(公告)日：2023-08-22
申请号：CN202310376137.6
申请日：2023-04-10
Applicant: 南京农业大学
IPC: G01N21/359 , G01N21/31 , G01N21/59 , G01N21/01
Abstract: 本发明公开了一种微生物浓度的监测系统及方法，包括光源驱动模块、光电转换模块、无线传输模块、A/D模数转换模块、MCU芯片、上位机、LED光源、光源波长测算模块，所述LED光源、透镜、待测溶液、光电转换模块构成利用光电转换监测微生物浓度的监测通路，所述待测溶液为用于监测微生物浓度的微生物培养溶液。本发明构建的监测系统将传统以光吸收为定量指标转换为光散射，采用最优波长的LED光源作为光源测定系统光密度ODsys，通过建立偏最小二乘法线性模型及四阶多项式非线性模型进行拟合校准得到OD600nm，提高抗色素干扰能力，以及提高高浓度(OD600nm>2.5)测定准确性。
-
公开(公告)号：CN116416524A
公开(公告)日：2023-07-11
申请号：CN202310330513.8
申请日：2023-03-30
Applicant: 南京农业大学
IPC: G06V20/10 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种水稻白叶枯病早期无症状检测方法，包括以下步骤：利用随机森林算法在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长；将特征敏感波长处的高光谱图像作为用于区分高光谱图像所属叶片类别的敏感图像特征；基于敏感图像特征对3DCNN模型训练得到用于水稻白叶枯病早期无症状检测的3DCNN无症状检测模型；在3DCNN无症状检测模型中引入多尺度光谱空洞卷积模块进行精度优化得到MS‑SDC‑3DCNN模型。本发明利用随机森林算法对高光谱图像进行降维，采用多尺度光谱空洞卷积模块对无症状检测模型进行优化，无症状检测模型利用经提取和融合后多个波长分辨率的特征，更有效地使用重要的波长信息，以提高无症状检测模型的检测性能。
-
公开(公告)号：CN115205832A
公开(公告)日：2022-10-18
申请号：CN202210799123.0
申请日：2022-07-08
Applicant: 南京农业大学
IPC: G06V20/60 , G06V10/764 , G06V10/774 , G06V10/422 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于VGG16的多任务学习植物表型处理方法及装置，该方法包括：(1)构建植物表型处理与分析模型：以VGG16网络作为多任务学习的硬参数共享网络，除去原VGG16的最后一个最大池化层以及之后所有的全连接层，增加任务相关的全连接层，并将其分别应用于三个特定任务层；(2)训练模型：使用任务依赖不确定性权衡每一个特定任务层的损失函数，以此来平衡回归和分类任务的损失，使用柔性因子连接不同任务，自动优化不同任务的权重，让每个任务都得到最优化训练；(3)基于训练后模型对植物表型进行处理与分析。本发明能同时完成三个有关拟南芥表型处理与分析的任务，大大提升了多任务整体分类及预测效果。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
