-
公开(公告)号：CN117011316B
公开(公告)日：2024-02-06
申请号：CN202311278665.4
申请日：2023-10-07
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/11 , G06T7/00 , G06T5/70 , G06T3/4053 , G06T7/62
Abstract: 一种基于CT图像的大豆茎秆内部结构辨识方法和系统，该方法包括：步骤一，将大豆盆栽放入植物CT采集设备，利用micro‑CT设备对大豆植株进行从上而下的扫描，得到采集的大豆茎秆CT图像数据；步骤二，对采集的CT图像数据集进行数据增强，引入扩散模型对数据进行超分辨处理，获取更丰富的组织细节信息；步骤三，对CT图像进行分割，得到大豆茎秆内部的组织结构的分割图；步骤四，根据分割结果进行体积重建，获得网格化数据，获得分割区域的体积、表面积等参数。本发明利用CT技术对大豆全生命周期的茎秆内部组织进行捕获，避免了传统破坏式捕获大豆植株内部信息，能有效提升大豆植株茎秆内部结
-
公开(公告)号：CN117252930A
公开(公告)日：2023-12-19
申请号：CN202311222096.1
申请日：2023-09-21
Applicant: 之江实验室
IPC: G06T7/80
Abstract: 本发明公开了一种大型展厅多相机监控系统内外参标定方法和系统，包括以下步骤：获取多相机视频数据作为标定数据；对标定数据进行预处理；进行单目相机标定得到相机内参初值；使用链式法进行相机外参初步估计得到每个相机相对于世界坐标系的位姿作为相机外参初值；进行标定板位姿初步估计得到每个特定姿态下的标定板位姿初值；构造总重投影误差作为目标函数并引入基于畸变参数的正则项；使用相机内参初值、相机外参初值和标定位板位姿初值，最小化带有正则项的目标函数以求解全局优化问题，得到最优相机内外参数。本发明能够减小人工成本和风险，提高相机内外参标定的准确性，适用于高空悬挂或处于开阔空间中的多相机系统内外参标定应用场景。
-
公开(公告)号：CN117036829A
公开(公告)日：2023-11-10
申请号：CN202311278518.7
申请日：2023-10-07
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统，包括：构建细粒度叶片分类数据集；将训练图像输入模型并得到最后一层卷积网络输出的特征向量，按照图像类别标签获取每个类的平均特征值；将训练图像输入上述卷积网络，计算其在最后一个卷积层输出的向量与所有原型特征的相似度；将上述相似度结果与输入图像的真实标签进行加权融合，获得软标签；根据输入图像的真实标签，对原型特征库中对应的原型向量进行迭代更新；获取输入图像经过网络分类层输出的预测标签；将预测标签与软标签进行相似度计算，作为损失函数指导整个系统的训练；将待测图像输入训练完成的网络进行分类预测，根据预测的标签分布确定图像类别。
-
公开(公告)号：CN116992919A
公开(公告)日：2023-11-03
申请号：CN202311269915.8
申请日：2023-09-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06N3/042 , G06N3/0464 , G06N3/0499 , G06N3/084 , G16B40/00 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种基于多组学的植物表型预测方法和装置，该方法基于图卷积神经网络，将多组学如基因组、转录组、代谢组的数据作为图节点，不同组学之间的关联程度作为图的边来构建每个植株的图结构数据，将构建的图结构数据输入图卷积神经网络中，提取节点特征，通过Transformer网络更新节点特征，节点特征拼接后输入全连接层，输出表型预测值，利用整个图结构融合多组学特征实现表型的预测。本发明创新性的利用图卷积神经网络结合Transformer网络实现基因到表型的预测，并利用多组学构建图结构融合多组学数据实现精准表型预测，在一定程度上解决只用单一组学表型预测不准的问题，提高了表型预测的效果。
-
公开(公告)号：CN116580767A
公开(公告)日：2023-08-11
申请号：CN202310461742.3
申请日：2023-04-26
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 一种基于自监督与Transformer的基因表型预测方法，通过基因芯片技术和人工测量分别获取农作物SNP数据及对应表型样本，以构建数据集；首先，将SNP数据预处理及编码后，送入自监督模型，并通过DeepLIFT算法，计算各SNP位点对表型的贡献得分；然后，使用该SNP各位点贡献度得分改进Transformer嵌入编码方式，并结合自注意力机制，有效提取基因与表型相关性特征图；最后将特征图送入预测回归头预测表型值。本发明还包括一种基于自监督与Transformer的基因表型预测系统。本发明使Transformer模型获取SNP位点贡献度先验知识，更关注贡献度高的位点，减少维度干扰，有效提高预测准确度，适用于农作物基因表型预测。
-
Patent Agency Ranking
公开(公告)号：CN116030272B
公开(公告)日：2023-07-14
申请号：CN202310323818.6
申请日：2023-03-30
IPC: G06V10/44 , G06V10/82 , G06V10/774
Abstract: 本发明属于人工智能算法技术领域，涉及一种基于信息抽取的目标检测方法、系统和装置，该方法包括：步骤一，对原始输入图片进行序列化处理，得到图片序列，即将图片按行或列转换成两组序列：行序列和列序列；步骤二，对行序列和列序列进行标签标注，得到对应序列的真实标签；步骤三，利用所述真实标签，输入所述的图片序列，训练一个基于循环神经网络的信息抽取模型，对行序列和列序列分别进行目标信息的抽取，得到行序列和列序列的预测标签；步骤四，根据行序列和列序列的预测标签，确定目标在图片中的位置。本发明利用序列信息抽取的方法来进行目标检测，能够提取原始图片的全局信息进行目标检测，同时不需要生成侯选框，提高算法的精度和效率。
-
公开(公告)号：CN115861858B
公开(公告)日：2023-07-14
申请号：CN202310122727.6
申请日：2023-02-16
Applicant: 之江实验室
IPC: G06V20/17 , G06V20/10 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像识别技术、农业育种领域，尤其涉及一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，该方法包括以下步骤：步骤S1：利用无人机载具获取待计算的田间高空俯拍RGB图像数据，构建支持数据集和查询数据集；步骤S2：构造并训练背景分割网络模型；步骤S3：基于训练得到的背景分割网络模型进行推理，结合绿色特征指数得到背景指数图；步骤S4：构造并训练小样本分割网络模型；步骤S5：基于训练得到的小样本分割网络模型进行推理，集合背景指数图得到农作物的冠层覆盖区域，并基于冠层覆盖区域计算冠层覆盖度。本发明具有准确度高，标注成本极低，且对农作物类冠层覆盖度计算具有通用性。
-
公开(公告)号：CN116072214B
公开(公告)日：2023-07-11
申请号：CN202310202392.9
申请日：2023-03-06
Applicant: 之江实验室
Abstract: 本发明公开了基于基因显著性增强的表型智能预测、训练方法及装置，通过基因形态与表型高低构建实际分布列联表，再根据卡方假设，构建基因形态与表型高低的期望分布列联表，对每个基因位点与表型进行卡方检验，基于卡方列联表得卡方假设成立的概率，得到基因位点对表型的显著性值，同时，对基因进行编码；然后根据每个基因位点的显著性值对基因的编码进行放大，从而增强基因数据与表型的关联度，大大提高了基于基因位点预测表型的精度。本发明针对染色体为双倍体的生物，采用深度学习训练的方法，通过增强基因位点的数据，从而提高基因位点到表型的预测精度。
-
公开(公告)号：CN116071239B
公开(公告)日：2023-07-11
申请号：CN202310202482.8
申请日：2023-03-06
Applicant: 之江实验室
IPC: G06T3/40 , G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于混合注意力模型的CT图像超分辨方法和装置，该方法包括：步骤一，获取已有的医学CT图像公开数据集和植物的原始高分辨率CT图像；步骤二，对所述植物的原始高分辨率CT图像进行多方式联合的实用退化操作，后构造高低分辨率图像数据对；步骤三，利用已有的医学CT图像公开数据集进行混合注意力模型的训练，训练完成后，继续使用高低分辨率图像数据对进行模型训练调整，得到最终调整好的混合注意力模型；步骤四，利用最终调整好的混合注意力模型，输入植物的低分辨率原始CT图像，输出目标高分辨率图像。本发明适用于农业中的CT图像，针对植物组织丰富的特点，实现植物组织的无损高精度检测和超分辨重建。
-
公开(公告)号：CN116072214A
公开(公告)日：2023-05-05
申请号：CN202310202392.9
申请日：2023-03-06
Applicant: 之江实验室
Abstract: 本发明公开了基于基因显著性增强的表型智能预测、训练方法及装置，通过基因形态与表型高低构建实际分布列联表，再根据卡方假设，构建基因形态与表型高低的期望分布列联表，对每个基因位点与表型进行卡方检验，基于卡方列联表得卡方假设成立的概率，得到基因位点对表型的显著性值，同时，对基因进行编码；然后根据每个基因位点的显著性值对基因的编码进行放大，从而增强基因数据与表型的关联度，大大提高了基于基因位点预测表型的精度。本发明针对染色体为双倍体的生物，采用深度学习训练的方法，通过增强基因位点的数据，从而提高基因位点到表型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
179
records
(took 0.02 seconds)
