-
公开(公告)号：CN114328944A
公开(公告)日：2022-04-12
申请号：CN202111322203.9
申请日：2021-11-09
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明公开了一种基于知识图谱的农业信息可视化交互式系统的构建方法，包括获取网络的农作物病虫害数据信息；根据得到的农作物病虫害数据信息进行数据预处理，得到多模态的结构化数据，并进行病虫害的识别模型的训练；根据预处理后的结构化数据构建知识图谱并进行存储；利用数据可视化工具库和编程技术对知识图谱的节点与关系进行展示与渲染；通过预设的功能模块用于对知识图谱进行实时人工交互。本发明将知识图谱作为数据存储方式，以跨媒体的形式，进行数据可视化将作物病虫害的数据信息直观的展示给用户。同时将病害识别与知识图谱动态结合，用户能够快速查询到相关知识，以及更新相关信息，节约从网络信息中寻找信息的时间成本。
-
公开(公告)号：CN112233017A
公开(公告)日：2021-01-15
申请号：CN202011173820.2
申请日：2020-10-28
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明公开了一种基于生成对抗网络的病态人脸数据增强方法，包括获取病态人脸图像和健康态人脸图像并构建训练集；设计生成对抗网络模型，利用特征提取模块对输出图像病态程度进行自定义控制；将所述训练集输入生成对抗网络模型中进行训练，并调整参数优化生成对抗网络模型；将任意一张待处理的人脸源图像和任意一张病态人脸图像输入到所述优化后的生成对抗网络模型，将病态人脸图像的病态特征关键点迁移到人脸源图像上，合成为增强后的病态人脸图像。本发明解决了在缺少成对病态人脸图像的条件下病态人脸图像的自动增强生成，生成的病态人脸图像的病态特征更加清晰，视觉效果理想，为人脸图像的健康分析工作提供了足够多的样本数据。
-
公开(公告)号：CN117292866A
公开(公告)日：2023-12-26
申请号：CN202311304075.4
申请日：2023-10-10
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种负离子源中性束注入器的剩余带电粒子电偏转系统，系统包括电偏转极板、主体支撑结构、可调支撑底座、防护壳、吊具以及热电偶。电偏转极板用于形成板间电场和吸收高能带电粒子的能量；主体支撑结构用于极板主体的支撑与定位；可调支撑底座用于电偏转器在束线真空室内部安装和定位；防护壳用于形成高电位极板与束线其余部件的电位防护，在防护壳的入口和出口处采用了喇叭状的带有水冷管路束流限制器来将束流限制在一个空间尺寸内；吊具用于电偏转器主体的吊装。本发明实现了通过电偏转的方法剥离负离子源中性束注入系统中的剩余带电粒子，实现了束流的中性化。
-
公开(公告)号：CN110457982B
公开(公告)日：2023-04-11
申请号：CN201811624115.2
申请日：2018-12-28
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06V20/10 , G06V10/776 , G06V10/764 , G06V10/82 , G06N3/0442
摘要： 本发明涉及一种基于特征迁移学习的作物病害识别方法，属于图像处理和农业信息技术领域，该方法包括：采集作物病害图像建立数据库；选择有大数据集的其它辅助领域并对其进行评估与筛选；基于作物病害图像相关的文本先验知识，采用深度迁移网络，构建跨媒体的迁移学习模型；利用深度迁移网络，学习辅助开源大数据的特征表示，并进一步结合无监督领域适应方法，迁移到作物病害图像领域，实现目标数据自动标注；结合多模态农业领域知识，同步实现领域适应与最终分类器构建，以多途径迁移学习自适应方法优化系统整体性能。该方法可以提高作物病害识别准确率，适用于小样本、多种作物和多种病害的作物病害识别，为作物病害图像资源不够提供了新的解决方案。
-
公开(公告)号：CN112231460A
公开(公告)日：2021-01-15
申请号：CN202011165079.5
申请日：2020-10-27
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06F16/332 , G06F16/35 , G06F16/36 , G06Q50/02
摘要： 本发明公开了一种基于农业百科知识图谱的问答系统的构建方法，包括获取互联网的数据信息；对数据信息进行预处理得到结构化数据，并构建知识图谱存储于数据库中；导出知识图谱中的实体节点数据，获取实体与问题关键词并构建训练集与验证集；建立用于多标签文本分类的神经网络模型并进行模型训练；利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户。本发明将知识图谱作为数据存储方式，使用经过训练的深度学习模型对问题文本进行高效分类，结合实体匹配的方式构建查询语句，在存储知识图谱的数据库中快速查询到对应的问题答案，节约了从海量的互联网信息中寻找问题答案的时间。
-
公开(公告)号：CN110457982A
公开(公告)日：2019-11-15
申请号：CN201811624115.2
申请日：2018-12-28
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于特征迁移学习的作物病害识别方法，属于图像处理和农业信息技术领域，该方法包括：采集作物病害图像建立数据库；选择有大数据集的其它辅助领域并对其进行评估与筛选；基于作物病害图像相关的文本先验知识，采用深度迁移网络，构建跨媒体的迁移学习模型；利用深度迁移网络，学习辅助开源大数据的特征表示，并进一步结合无监督领域适应方法，迁移到作物病害图像领域，实现目标数据自动标注；结合多模态农业领域知识，同步实现领域适应与最终分类器构建，以多途径迁移学习自适应方法优化系统整体性能。该方法可以提高作物病害识别准确率，适用于小样本、多种作物和多种病害的作物病害识别，为作物病害图像资源不够提供了新的解决方案。
-
公开(公告)号：CN108319959A
公开(公告)日：2018-07-24
申请号：CN201711467118.5
申请日：2017-12-29
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于图像特征压缩与检索的农作物病害图像识别方法，综合利用机器学习方法与计算机视觉技术，在抽取图像底层视觉特征与SIFT特征的基础上，进一步融合中层语义信息，构建图像库索引，利用特征压缩与图像检索技术实现农作物病害图像的识别。与现有的农作物病害图像识别方法相比，本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。
-
公开(公告)号：CN104063686B
公开(公告)日：2017-08-29
申请号：CN201410271273.X
申请日：2014-06-17
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06K9/00
摘要： 本发明涉及一种基于智能手机与云端的作物叶部病害图像交互式诊断系统与方法，系统包括通过GPRS、3G、4G、WiFi、WiFi Direct或蓝牙进行数据通讯的手机客户端和云端。本发明利用智能手机拍摄作物病害图片后进行预处理、病斑分割和特征提取，再把特征提取数据发送到云端进行病害的分类识别，最后将诊断结果反馈到手机上，实现低成本、移动型的作物病害智能化诊断。本发明将将运算量大的分类识别图像处理过程和病害特征库放在云端，节约了手机端的网络流量和耗电量，提高病害识别速度，利用了手机拍摄图像的便携性与云端计算的高效性，为作物病害现场、实时诊断提出了一种切实可行的方法。
-
公开(公告)号：CN104063686A
公开(公告)日：2014-09-24
申请号：CN201410271273.X
申请日：2014-06-17
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06K9/00
摘要： 本发明涉及一种基于智能手机与云端的作物叶部病害图像交互式诊断系统与方法，系统包括通过GPRS、3G、4G、WiFi、WiFi Direct或蓝牙进行数据通讯的手机客户端和云端。本发明利用智能手机拍摄作物病害图片后进行预处理、病斑分割和特征提取，再把特征提取数据发送到云端进行病害的分类识别，最后将诊断结果反馈到手机上，实现低成本、移动型的作物病害智能化诊断。本发明将将运算量大的分类识别图像处理过程和病害特征库放在云端，节约了手机端的网络流量和耗电量，提高病害识别速度，利用了手机拍摄图像的便携性与云端计算的高效性，为作物病害现场、实时诊断提出了一种切实可行的方法。
-
公开(公告)号：CN116702035A
公开(公告)日：2023-09-05
申请号：CN202310655361.9
申请日：2023-06-02
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06F18/241 , G06F18/25 , G06F18/213 , G06V20/10 , G06V10/40 , G06V10/82 , G06N3/045 , G06N3/0895 , G06N3/098
摘要： 本发明公开了一种基于多模态自监督Transformer架构的害虫识别方法，基于构建图像编码器和文本编码器提取图像特征和文本特征应用于害虫识别，包括以下步骤：构建图像编码器，基于对比学习的方式训练PSM改进的ViT模型，提取图像特征；构建文本编码器，基于Albert模型处理害虫的自然语言描述信息，并输出文本特征；将得到的图像特征和文本特征进行特征融合，得到最终的害虫特征，并进行分类。本发明通过利用自监督学习、细粒度识别、多模态信息来改进Transformer架构，不仅能够降低模型对于数据量的依赖，而且能够提高细粒度害虫识别的性能。与现有图像识别方法相比，在小样本数据集条件下，将注意力集中到害虫图像的细分区域，识别准确率高。
-
-
-
-
-
-
-
-
-
搜索结果
21 条记录 (耗时 0.048 秒)
