公开(公告)号：CN118064639A

公开(公告)日：2024-05-24

申请号：CN202410476736.X

申请日：2024-04-19

Applicant: 华南农业大学

Inventor： 张慧 ,  乐运来 ,  安静 ,  陈勇

IPC: C12Q1/6895 ,  C12Q1/6858 ,  C12N15/11

Abstract: 本发明属于植物遗传育种领域，具体公开了用于花生茎秆强度鉴定的分子标记的引物组及应用，利用全基因组关联分析鉴定到一个与茎秆强度显著相关的位点，该分子标记为SNP位点2_31358672，位于花生A02染色体上，位置在31358672 bp处；SNP位点2_31358672前后各100bp的序列如SEQ ID NO.1所示；该SNP位点2_31358672的基因型为C/C时，对应花生茎秆强度高，基因型为A/C时，茎秆强度较差；通过这个分子标记可以在早期鉴定筛选茎秆强度高、适合机械化的花生品种，从而大大节约生产成本和提高生产效率。

公开(公告)号：CN119372351A

公开(公告)日：2025-01-28

申请号：CN202410957705.6

申请日：2024-07-17

Applicant: 华南农业大学

Inventor： 张慧 ,  乐运来 ,  安静 ,  陈勇

IPC: C12Q1/6895 ,  C12Q1/6858 ,  C12N15/11

Abstract: 本发明属于植物遗传育种领域，具体公开了用于花生茎秆强度鉴定的分子标记的引物组及应用，利用全基因组关联分析鉴定到一个与茎秆强度显著相关的位点，该分子标记为SNP位点2_31358672，位于花生A02染色体上，位置在31358672bp处；SNP位点2_31358672前后各100bp的序列如SEQ ID NO.1所示；该SNP位点2_31358672的基因型为C/C时，对应花生茎秆强度高，基因型为A/C时，茎秆强度较差；通过这个分子标记可以在早期鉴定筛选茎秆强度高、适合机械化的花生品种，从而大大节约生产成本和提高生产效率。

公开(公告)号：CN116168223A

公开(公告)日：2023-05-26

申请号：CN202310425596.9

申请日：2023-04-20

Applicant: 华南农业大学

Inventor： 张雷 ,  林泳达 ,  陈婷婷 ,  李鸿 ,  谭江滔 ,  黎曦 ,  乐运来

IPC: G06V10/762 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于多模态的花生叶斑病病害等级检测方法，包括以下步骤：采用K‑means方法构建数据集，对采集的花生叶斑病原始数据进行分组，并训练所需的数据集；对花生叶斑病的RGB图像和光谱数据进行预处理；将预处理后的RGB图像和光谱数据分别输入至花生叶斑病多模态检测模型的Resnet101网络和改进的1D‑CNN网络中进行特征提取，再通过特征融合模块将提取的特征进行融合，并输出花生叶斑病病害等级结果；选择评价指标对花生叶斑病病害等级结果进行评价。本发明融合多种模态的特征信息，使算法在花生叶斑病病害等级任务中检测准确率更高、更具鲁棒性，解决了现存单模态数据下花生叶斑病病害检测效果不佳的问题。

公开(公告)号：CN116555481A

公开(公告)日：2023-08-08

申请号：CN202310758976.4

申请日：2023-06-26

Applicant: 华南农业大学

Inventor： 张慧 ,  乐运来 ,  陈勇

IPC: C12Q1/6895 ,  C12Q1/6858 ,  C12N15/11

Abstract: 本发明公开了一种花生风味相关的分子标记及其应用，所述分子标记为SNP位点AX‑147221247，位于花生A04号染色体上，且位置在120249731bp处；所述SNP位点AX‑147221247前后各100bp的序列如SEQ ID NO.1所示。本发明可以通过位点AX‑147221247以及三个影响花生风味的主要性状：总糖、蔗糖和总生育酚来快速判断花生风味是否优良。

公开(公告)号：CN116168223B

公开(公告)日：2023-07-25

申请号：CN202310425596.9

申请日：2023-04-20

Applicant: 华南农业大学

Inventor： 张雷 ,  林泳达 ,  陈婷婷 ,  李鸿 ,  谭江滔 ,  黎曦 ,  乐运来

IPC: G06V10/762 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于多模态的花生叶斑病病害等级检测方法，包括以下步骤：采用K‑means方法构建数据集，对采集的花生叶斑病原始数据进行分组，并训练所需的数据集；对花生叶斑病的RGB图像和光谱数据进行预处理；将预处理后的RGB图像和光谱数据分别输入至花生叶斑病多模态检测模型的Resnet101网络和改进的1D‑CNN网络中进行特征提取，再通过特征融合模块将提取的特征进行融合，并输出花生叶斑病病害等级结果；选择评价指标对花生叶斑病病害等级结果进行评价。本发明融合多种模态的特征信息，使算法在花生叶斑病病害等级任务中检测准确率更高、更具鲁棒性，解决了现存单模态数据下花生叶斑病病害检测效果不佳的问题。