-
公开(公告)号：CN114926735B
公开(公告)日：2025-01-10
申请号：CN202210534042.8
申请日：2022-05-17
Applicant: 东北农业大学
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明涉及农业人工智能和植物保护领域，具体地，提供了一种基于RAML的作物叶片复合侵染性多病害识别方法。该方法解决了实际种植环境下作物病害识别模型泛化性能低，同时识别一幅图像中多种病害准确率低的问题。该方法包括：首先采集实际种植环境下作物病害图像，经过数据清洗后用one‑hot编码方式进行标注，将标注后的数据划分训练集、验证集和测试集，再输入到本发明提供的一种基于RAML的作物叶片复合侵染性多病害识别方法中进行模型训练并保存训练好的模型。该模型将通道注意力机制和空间注意力机制并联后构建注意力机制模块，并将其嵌入到ResNet‑50模型架构中，再结合Sigmoid激活函数可以同时预测叶片图像中存在的多种病害类别。
-
公开(公告)号：CN118072815A
公开(公告)日：2024-05-24
申请号：CN202410227537.5
申请日：2024-02-29
Applicant: 东北农业大学
IPC: G16B15/30 , G16B40/00 , G16B30/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084 , G06N3/082
Abstract: 本发明涉及人工智能与药物发现相关领域，具体来说，发明了一种基于Transfrormer、图卷积神经网络和融合口袋特征方法相结合的蛋白质‑配体相互作用预测方法。由于传统的蛋白质‑配体相互作用分析往往需要耗费大量的人力物力以及时间成本，并且实验失败风险较高。本发明结合Transformer和图卷积神经网络两种模型架构的优势，并利用口袋特征结合协方差运算融合方法，将融合后的特征输入到分类器进行蛋白质‑配体相互作用预测。该方法通过在公开数据集上通过一系列评估指标测试明显优于现有方法，为蛋白质‑配体相互关系预测提供新思路。
-
公开(公告)号：CN117351256A
公开(公告)日：2024-01-05
申请号：CN202310954263.5
申请日：2023-11-24
Applicant: 东北农业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/24 , G06N3/04 , G06N3/0895
Abstract: 本发明公开了一种基于自监督学习Faster R‑ViT的玉米雄穗检测及计数方法，该方法属于人工智能、计算机视觉与农业工程领域，用于解决现有玉米雄穗数据集的数量不足而导致检测精度低的问题。具体步骤包括：获取玉米雄穗图像并结合网络公开数据集结合为数据集，将玉米雄穗数据集划分为训练集和测试集。结合玉米育种田作物生长情况，利用自监督学习方法构建Faster R‑ViT网络模型。对Faster R‑ViT网络模型进行训练；对Faster R‑ViT网络模型进行评价和测试。本发明使用视觉Transformer进行特征提取，提升模型的准确率。并利用自监督学习方法训练模型，提升模型的收敛速度和泛化能力。
-
公开(公告)号：CN113112498B
公开(公告)日：2024-01-19
申请号：CN202110488184.0
申请日：2021-05-06
Applicant: 东北农业大学
Abstract: 本发明属于人工智能与植物保护领域，是人工智能与植物保护学科跨学科交叉应用，具体来说发明了一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法，包括：数据获取与标注、显著性病斑区域检测与分割、细粒度对抗生成网络图像增强、深度学习分类模型进行训练，利用训练好的模型进行葡萄叶片病斑识别。该方法主要解决葡萄叶片病症表现为病斑形式，发病早期、新型病害、罕见病斑或训练样本数不足的情况下的叶片病斑识别率低下的问题，主要用于葡萄叶片病斑发病早期病斑识别，可以尽快的做出相应的干预措施，为下一步精准施药奠定基础，最大限度的减少经济损失，可以减少用药量，保护环境。(56)对比文件周涛;霍兵强;陆惠玲;师宏斌.医学影像疾病诊断的残差神经网络优化算法研究进展.中国图象图形学报.2020,(第10期),全文.刘海东;杨小渝;朱林忠.基于生成对抗网络的乳腺癌病理图像可疑区域标记.科研信息化技术与应用.2017,(第06期),全文.Bin Liu.A Data Augmentation MethodBased on Generative Adversarial Networksfor Grape Leaf DiseaseIdentification.IEEE Acces.2020,第8卷102188-102198.Shaoqing Ren.Faster R-CNN: TowardsReal-Time Object Detection with RegionProposal Networks.IEEE Transactions onPattern Analysis and MachineIntelligence.2017,第39卷(第6期),1137-114.Krishna Kumar Sing.FineGAN:Unsupervised Hierarchical Disentanglementfor Fine-Grained Object Generation andDiscover.2019 IEEE/CVF Conference onComputer Vision and Pattern Recognition(CVPR.2020,1-18.黄建平;陈镜旭;李克新;李君禹;刘航.基于神经结构搜索的多种植物叶片病害识别.农业工程学报.2020,(第16期),全文.周涛;霍兵强;陆惠玲;师宏斌.医学影像疾病诊断的残差神经网络优化算法研究进展.中国图象图形学报.2020,(第10期),全文.刘海东;杨小渝;朱林忠.基于生成对抗网络的乳腺癌病理图像可疑区域标记.科研信息化技术与应用.2017,(第06期),全文.
-
公开(公告)号：CN113723312A
公开(公告)日：2021-11-30
申请号：CN202111017803.4
申请日：2021-09-01
Applicant: 东北农业大学
Abstract: 本发明提供了一种基于视觉transformer的水稻病害识别方法，属于图像识别与植物保护领域。该技术方案的主要要点包括：采集水稻叶片病害图像，统一大小为224*224像素，并进行标注；输入到本发明设计的视觉transformer架构进行模型训练，训练完毕后可以根据输入的水稻叶片病害图像预测相应的病害类别。本发明利用两种transformer架构作为特征提取器，分别是视觉transformer ViT和蒸馏后的transformer DeiT，将两种transformer对输入图像特征提取后进行Pooling操作，再对Pooling操作后的特征做残差连接，并与原Pooling后的两种特征进行特征拼接(concatenate)，随后再将concatenate后的特征输入到MLPHead层进行病害种类预测。与现有方法在水稻病害识别测试集上对比，本发明提供的方法在识别准确率和F1‑Score等评价指标上有明显的提升。
-
Patent Agency Ranking
公开(公告)号：CN113112498A
公开(公告)日：2021-07-13
申请号：CN202110488184.0
申请日：2021-05-06
Applicant: 东北农业大学
Abstract: 本发明属于人工智能与植物保护领域，是人工智能与植物保护学科跨学科交叉应用，具体来说发明了一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法，包括：数据获取与标注、显著性病斑区域检测与分割、细粒度对抗生成网络图像增强、深度学习分类模型进行训练，利用训练好的模型进行葡萄叶片病斑识别。该方法主要解决葡萄叶片病症表现为病斑形式，发病早期、新型病害、罕见病斑或训练样本数不足的情况下的叶片病斑识别率低下的问题，主要用于葡萄叶片病斑发病早期病斑识别，可以尽快的做出相应的干预措施，为下一步精准施药奠定基础，最大限度的减少经济损失，可以减少用药量，保护环境。本发明还可以扩展到其他植物叶片病害形式为病斑的情况。
-
公开(公告)号：CN116977728A
公开(公告)日：2023-10-31
申请号：CN202310933780.4
申请日：2023-07-27
Applicant: 东北农业大学
IPC: G06V10/764 , G06F21/56 , G06V10/80 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明推出了一种基于Transformer的恶意软件检测方法，具备全面而深入的检测能力。该方法将Portable Executable(PE)文件数据，包括恶意软件和良性软件转换为图像，为后续的特征提取铺设基础。在图像特征提取环节，我们将PE文件转化为图像，并借助预训练的Vision‑Transformer模型来精准获取图像特征。对于文本特征提取，我们选用pefile库来读取PE文件的元数据，再通过新训练的Transformer模型深入提取这些元数据的特征。在特征融合与分类环节，图像和文本的特征被送入Setpooling进行整合，然后使用全连接层进行二分类，从而准确判断PE文件是否为恶意软件。本发明通过利用预训练的模型，能够有效地检测出新型、未知的恶意软件，大幅提升了恶意软件检测的覆盖范围和深度。
-
公开(公告)号：CN116864031A
公开(公告)日：2023-10-10
申请号：CN202310879163.0
申请日：2023-07-18
Applicant: 东北农业大学
IPC: G16C20/30 , G16C20/50 , G16C20/70 , G16H70/40 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明涉及人工智能与药物发现相关领域，具体来说，发明了一种基于RGDA‑DDI的药物‑药物相互作用(DDI)预测方法，用于解决现有DDI预测方法效果不理想的问题。该方法分为数据编码模块、特征融合模块和预测模块。其中数据编码模块由多个Residual‑GAT子模块组成，每个子模块都是由图注意力层，Normalize层和SAGPooling层构成，用于对输入的药物进行多尺度特征提取；特征融合模块是由两个双注意力机制(dual‑attention mechanism)子模块组合而成，用于多尺度药物特征融合；最后将融合后的特征输入到预测模块进行预测。该方法克服了现有DDI预测方法中缺少对多尺度药物特征进行建模以及缺乏对潜在的药物对(DDP)特征挖掘的缺点。通过实验验证，该方法的预测性能优于近期公开的药物‑药物相互作用预测方法。
-
公开(公告)号：CN114926735A
公开(公告)日：2022-08-19
申请号：CN202210534042.8
申请日：2022-05-17
Applicant: 东北农业大学
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/774
Abstract: 本发明涉及农业人工智能和植物保护领域，具体地，提供了一种基于RAML的作物叶片复合侵染性多病害识别方法。该方法解决了实际种植环境下作物病害识别模型泛化性能低，同时识别一幅图像中多种病害准确率低的问题。该方法包括：首先采集实际种植环境下作物病害图像，经过数据清洗后用one‑hot编码方式进行标注，将标注后的数据划分训练集、验证集和测试集，再输入到本发明提供的一种基于RAML的作物叶片复合侵染性多病害识别方法中进行模型训练并保存训练好的模型。该模型将通道注意力机制和空间注意力机制并联后构建注意力机制模块，并将其嵌入到ResNet‑50模型架构中，再结合Sigmoid激活函数可以同时预测叶片图像中存在的多种病害类别。
-
公开(公告)号：CN114663734A
公开(公告)日：2022-06-24
申请号：CN202210243736.6
申请日：2022-03-14
Applicant: 东北农业大学
Abstract: 本发明提供了一种基于多特征融合的在线课堂学生专注度评价方法及系统，属于教育信息化及人工智能领域。所述方法包括：从目标对象在线上课视频片段中提取影响专注度评价的闭眼次数、闭眼时长、哈欠次数、转头次数、转头时长、低头次数和低头时长7个特征，并人工进行专注度等级标注制作数据集；并通过该数据集训练深度学习模型，直至效果最优并保存训练好的模型；在实际应用时，将该系统部署在教师端或服务器端，教师在线上课时通过将获取到目标对象在线上课的视频片段内的7个参数值并将其输入到已训练好的模型，可以预测目标对象的专注度等级。并设置阈值以提醒教师学生的状态，为教师在线上课提供参考。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.025 seconds)
