公开(公告)号：CN116597894A

公开(公告)日：2023-08-15

申请号：CN202310359159.1

申请日：2023-03-31

Applicant: 之江实验室 ,  中国科学院东北地理与农业生态研究所

Inventor： 吴翠玲 ,  章依依 ,  王军 ,  徐晓刚 ,  冯献忠 ,  冷建田

IPC: G16B20/00 ,  G16B20/30 ,  G16B40/00 ,  G06N5/01 ,  G06N20/20 ,  G06N3/0475 ,  G06N3/098

Abstract: 基于XGBoost特征选择与深度学习结合的大豆基因到表型预测方法，首先基于XGBoost方法进行特征选择挑选基因位点，根据XGBoost获得每个基因位点的重要性量度，根据重要性量度排序将重要的基因位点挑选出来，然后将挑选的基因位点进行自监督重构训练得到重构网络参数，最后对挑选的基因位点onehot编码，并利用重要性量度值对编码加权重，将加权重后的编码输入到修改后的重构网络中实现大豆基因到表型的预测。本发明利用XGBoost进行重要基因位点筛选，过滤掉大量冗余的基因位点，并利用生成网络学习基因位点的分布，对基因位点重构，重构网络的参数作为预训练参数指导基因预测表型的训练，提高表型预测的效率和效果。

公开(公告)号：CN115691661A

公开(公告)日：2023-02-03

申请号：CN202211185464.5

申请日：2022-09-26

Applicant: 之江实验室

Inventor： 吕劲松 ,  陈红阳 ,  王浩 ,  冯献忠

IPC: G16B20/20 ,  G16B40/20 ,  G16B40/30 ,  G06F18/214 ,  G06F18/22 ,  G06F18/23 ,  G06F18/24 ,  G06F17/18 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于图聚类的基因编码育种预测方法及装置，本发明基于基因间相关性强弱构建基因图谱；对基因图谱进行聚类求解，得到共同调控基因组个数和每个基因的基因组聚类编号信息；融合基因等位信息和基因组聚类编号信息，得到样本的基因聚类编码；基于基因聚类编码信息和待预测生物表型信息，构建深度卷积神经网络，以优化基因育种预测性能。本发明充分利用基因图谱蕴含的基因间相互作用关系网络，能够有效提取用于控制生物表型输出的调控基因特征，解决经典模型输入编码层对基因图谱间基因相互作用关系编码不足的问题，保障生物表型的基因育种预测精准性，进而提高基因育种的速度、效率和质量，尤其产量的提高。

公开(公告)号：CN117576455A

公开(公告)日：2024-02-20

申请号：CN202311525557.2

申请日：2023-11-15

Applicant: 之江实验室 ,  中国科学院东北地理与农业生态研究所

Inventor： 冯献忠 ,  翁琳 ,  于慧 ,  李在芳 ,  賈昕晔 ,  陈家杰

IPC: G06V10/764 ,  G06V20/17 ,  G06V10/82 ,  G06T7/00 ,  G01S19/42

Abstract: 本发明涉及无人机应用技术领域，具体公开了一种大豆种植区目标检测方法及系统，所述方法包括根据检测高度和待检范围确定检测路径；将所述检测路径向无人机发送，并基于GPS服务实时获取无人机的位置信息；根据所述位置信息确定异常时刻，根据所述异常时刻读取采集图像；对所述采集图像进行识别，定位异常物体，输出异常报告；其中，所述无人机在运动过程中，对采集图像进行预识别，并根据预识别结果实时调节运动参数。本发明通过无人机对大豆进行预识别，通过对无人机进行位置检测，即可快速定位可能存在异常的采集图像，这一过程中，需要读取的采集图像的数量较少，传输压力极小，可以有效提高无人机的检测范围。

公开(公告)号：CN117314755A

公开(公告)日：2023-12-29

申请号：CN202311605122.9

申请日：2023-11-29

Applicant: 之江实验室 ,  中国科学院东北地理与农业生态研究所

Inventor： 孙立剑 ,  徐晓刚 ,  冯献忠 ,  王军 ,  虞舒敏 ,  高金珊 ,  曹卫强

IPC: G06T3/40 ,  G06T5/00 ,  G06T7/00 ,  G06V20/70 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/0895

Abstract: 本发明公开了一种基于跨模态图像生成的多视角植株生成方法和装置，属于农业方面的图像处理领域，包括：采集植株图像并标注文本信息；基于图像和文本对文本图像映射模型进行训练微调并冻结，得到图像和文本的内嵌向量；基于图像和文本的内嵌向量，构建基于扩散模型的包含文本图像先验模块和图像编码器模块的图像生成模型并训练；实际推理阶段根据基因型‑表型预测模型得到的目标植株表型数据，引导图像生成模型生成多视角小图，并输入图像超分辨模块得到高分辨率的目标植株图像。本发明采用扩散模型构建图像生成模型和图像超分辨模块，能够实现生成效率高、可扩展性强且生成图像质量高的植株表型数据可视化图像预测，为可视育种提供支撑。

公开(公告)号：CN117079060A

公开(公告)日：2023-11-17

申请号：CN202311325300.2

申请日：2023-10-13

Applicant: 之江实验室 ,  中国科学院东北地理与农业生态研究所

Inventor： 应志文 ,  章依依 ,  卫思迪 ,  徐晓刚 ,  王军 ,  冯献忠 ,  于慧 ,  李萧缘

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/25 ,  G06V20/40 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045

Abstract: 一种基于光合信号的叶片智能分类方法和系统，其方法包含：叶片光合信号提取、叶片光合信号分类。叶片光合信号提取通过叶片检测模型提取出视频中的叶片，使用分割算法对提取出的叶片进行分割，从而分割出叶片区块，然后以叶片区块内的像素均值记为当前帧的光合信号值，视频的多帧连续光合信号值即组成此叶片的光合信号。叶片光合信号分类使用神经网络对采集到的叶片光合信号进行特征提取训练，来实现叶片的分类。本发明提出一种基于植物叶片的光合信号，确定其提取方法，并针对植物叶片的光合信号变化，采用深度学习训练的方式，提取出植物叶片与其光合信号变化的相关性，从而大大提高叶片分类的精度。