-
公开(公告)号：CN119132403A
公开(公告)日：2024-12-13
申请号：CN202411587493.3
申请日：2024-11-08
Applicant: 三亚中国农业科学院国家南繁研究院 , 中国农业科学院农业信息研究所
Abstract: 本发明涉及人工智能技术领域，具体提供了一种基于多模型融合的KASP引物智能分型评价方法及系统TAL‑SRX。首先，利用RS、PSO和BO算法优化基础模型和元模型性能，构建Stacking集成学习框架综合XGBoost学习器优势，采用五折交叉验证增强模型稳定性。然后，组合ANN和LSTM构建混合神经网络，捕捉非线性关系并提取复杂特征，同时引入Transformer算法捕捉高维特征空间中的全局依赖关系。最后，通过软投票集成策略融合两种机器学习算法，输出KASP标记分型效果分数。本发明能准确地筛选分型效果优良的KASP标记，具有较高的鲁棒性和良好可靠的评价性能，为分子标记辅助育种等工作提供技术支持。
-
公开(公告)号：CN117351356B
公开(公告)日：2024-05-24
申请号：CN202311364873.6
申请日：2023-10-20
Applicant: 三亚中国农业科学院国家南繁研究院 , 中国农业科学院农业信息研究所
IPC: G06V20/10 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及田间作物病害检测领域，具体为一种无人机视角下田间作物及其近缘种病害检测方法；本发明通过引入通过动态地调整其空间感受野的方式，更好的实现无人机视角下小尺寸病害目标的检测，在特征金字塔中引入了GSConv的混合卷积模块，以减少模型计算量与参数量，更加适合将其搭载在无人机的硬件上运行，通过进一步的引入可旋转的标记方框，配合对标记方框内特征置信度的计算，在实现任意方向病害定位检测的同时，也减少了引入的背景信息过多所造成的干扰，以提高田间无人机视角下作物及其近缘种病害检测的准确性和鲁棒性；解决了现有技术中通过无人机检测田间复杂环境下作物上小目标及密集目标时的准确率较低的问题。
-
公开(公告)号：CN119132403B
公开(公告)日：2025-02-18
申请号：CN202411587493.3
申请日：2024-11-08
Applicant: 三亚中国农业科学院国家南繁研究院 , 中国农业科学院农业信息研究所
Abstract: 本发明涉及人工智能技术领域，具体提供了一种基于多模型融合的KASP引物智能分型评价方法及系统TAL‑SRX。首先，利用RS、PSO和BO算法优化基础模型和元模型性能，构建Stacking集成学习框架综合XGBoost学习器优势，采用五折交叉验证增强模型稳定性。然后，组合ANN和LSTM构建混合神经网络，捕捉非线性关系并提取复杂特征，同时引入Transformer算法捕捉高维特征空间中的全局依赖关系。最后，通过软投票集成策略融合两种机器学习算法，输出KASP标记分型效果分数。本发明能准确地筛选分型效果优良的KASP标记，具有较高的鲁棒性和良好可靠的评价性能，为分子标记辅助育种等工作提供技术支持。
-
公开(公告)号：CN117351356A
公开(公告)日：2024-01-05
申请号：CN202311364873.6
申请日：2023-10-20
Applicant: 三亚中国农业科学院国家南繁研究院 , 中国农业科学院农业信息研究所
IPC: G06V20/10 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及田间作物病害检测领域，具体为一种无人机视角下田间作物及其近缘种病害检测方法；本发明通过引入通过动态地调整其空间感受野的方式，更好的实现无人机视角下小尺寸病害目标的检测，在特征金字塔中引入了GSConv的混合卷积模块，以减少模型计算量与参数量，更加适合将其搭载在无人机的硬件上运行，通过进一步的引入可旋转的标记方框，配合对标记方框内特征置信度的计算，在实现任意方向病害定位检测的同时，也减少了引入的背景信息过多所造成的干扰，以提高田间无人机视角下作物及其近缘种病害检测的准确性和鲁棒性；解决了现有技术中通过无人机检测田间复杂环境下作物上小目标及密集目标时的准确率较低的问题。
-
公开(公告)号：CN115424247A
公开(公告)日：2022-12-02
申请号：CN202210728904.0
申请日：2022-06-24
Applicant: 中国农业科学院农业信息研究所
Abstract: 本发明提供了一种采用CBAM与八度卷积改进YOLOV5的温室番茄识别与检测方法，利用八度卷积提取温室番茄图像的高低频特征信息，压缩低频特征图的空间分辨率减少冗余空间信息，有效扩大2倍感受野，并降低模型的参数与浮点计算量；将注意力机制CBAM融入特征提取网络Backbone中，从复杂的背景颜色中提取更可区分的特征表示；使用天气数据增强技术，克服模型过拟合问题，并增强数据集的多样性与模型的鲁棒性；采用BCEWithLogitLoss损失函数使处理样本不均衡，并由SmoothBCE与QFocalLoss防止模型过拟合。本方法在复杂温室环境下的番茄检测中取得了最佳性能，为番茄采摘机器人的运行提供了稳定可靠的信息。
-
Patent Agency Ranking
公开(公告)号：CN114677561A
公开(公告)日：2022-06-28
申请号：CN202210330373.X
申请日：2022-03-30
Applicant: 中国农业科学院农业信息研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/68 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种马铃薯早晚疫病叶片病害识别方法，该方法开发了一个用于马铃薯叶片病害检测的激活参数压缩深度学习模型。在第一级，使用YOLO v5图像识别技术从马铃薯叶片图像中对马铃薯早疫病和晚疫病进行分类，在第二个层级，将模型压缩技术ActNN与YOLO v5进行结合，开发了一种新的激活参数压缩训练检测模型，用于在设备内存不足时实现对马铃薯病害的分类。提出的九种数据增强技术结合深度学习技术在马铃薯叶片病害数据集上的准确率达到99.75％，引入的模型压缩技术ActNN比其他方法更简单，更有效率，精度损失在0.65％以内，影响训练耗时仅为3％，节省了大量的计算成本和时间。
-
公开(公告)号：CN114677673A
公开(公告)日：2022-06-28
申请号：CN202210329029.9
申请日：2022-03-30
Applicant: 中国农业科学院农业信息研究所
Abstract: 本发明提供了一种基于改进YOLO V5网络结构的马铃薯病害识别方法，该方法使用RA、FocalLoss、SmoothBCE策略改进神经网络架构，同时还提出了模型参数压缩剪枝与知识蒸馏；模型内存激活参数压缩ActNN两条技术路线，用于不同硬件条件下的模型训练与识别，最后利用简化算子与INT8量化进一步优化，并在面向移动端深度学习推理平台NCNN进行部署，形成工业级解决方案。在51,772张马铃薯作物病害图像中达到了94％的mAp，每个样本的推理时间平均为1.5毫秒。因此，本研究可以为解决当前农业图像分类中常见的问题提供坚实的理论与实践基础，同时在精度和计算成本方面优势能满足农业工业化的需求。
-
公开(公告)号：CN104331722B
公开(公告)日：2018-04-03
申请号：CN201410601441.7
申请日：2014-10-31
Applicant: 中国农业科学院农业信息研究所
IPC: G06K17/00
Abstract: 本发明公开了一种果园环境喷药作业信息自动记录装置和方法，涉及自动识别技术领域。该装置包括：安装在作业区入口的第一RFID电子标签、安装在作业区出口的第二RFID电子标签，以及所述自动记录装置在使用过程中，从所述作业区入口向所述作业区出口移动的喷药装置，所述喷药装置上设置有自动记录设备，所述自动记录设备能够收发、读取、解析RFID信号以及根据RFID信号解析内容形成作业信息并记录存储。本发明实现了喷药开始和停止作业信息的自动记录，提高了果园喷药作业信息记录的效率和准确性，为果品质量溯源系统的建立提供了准确的喷药作业过程信息。
-
公开(公告)号：CN104318285A
公开(公告)日：2015-01-28
申请号：CN201410602185.3
申请日：2014-10-31
Applicant: 中国农业科学院农业信息研究所
IPC: G06K17/00
Abstract: 本发明是一种便携式果园人工作业信息自动记录装置及方法，涉及自动识别技术领域。该装置：存储电子标识码的RFID电子标签和作业过程信息自动记录装置；所述RFID电子标签与所述作业过程信息自动记录装置无线通信连接；所述RFID电子标签包括：电子标识码存储芯片和天线Ⅰ。该方法：设定并存储果园工作作业名称；所述信息自动记录装置获取安装在果树RFID电子标签的电子编码；然后将所述电子编码、果园工作作业时间和果园工作的作业名称形成一条电子工作记录并存储。本发明解决了果园作业中所面临的记录信息缺失或不准确和现有的PDA等便携式手持设备使用范围小和成本高的问题。
-
公开(公告)号：CN115424247B
公开(公告)日：2023-04-25
申请号：CN202210728904.0
申请日：2022-06-24
Applicant: 中国农业科学院农业信息研究所
Abstract: 本发明提供了一种采用CBAM与八度卷积改进YOLOV5的温室番茄识别与检测方法，利用八度卷积提取温室番茄图像的高低频特征信息，压缩低频特征图的空间分辨率减少冗余空间信息，有效扩大2倍感受野，并降低模型的参数与浮点计算量；将注意力机制CBAM融入特征提取网络Backbone中，从复杂的背景颜色中提取更可区分的特征表示；使用天气数据增强技术，克服模型过拟合问题，并增强数据集的多样性与模型的鲁棒性；采用BCEWithLogitLoss损失函数使处理样本不均衡，并由SmoothBCE与QFocalLoss防止模型过拟合。本方法在复杂温室环境下的番茄检测中取得了最佳性能，为番茄采摘机器人的运行提供了稳定可靠的信息。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.048 seconds)
