-
公开(公告)号：CN118711692A
公开(公告)日：2024-09-27
申请号：CN202411218138.9
申请日：2024-09-02
Applicant: 吉林农业大学
IPC: G16C20/20 , G16C20/70 , G06F18/214 , G06F30/27 , G06F18/22
Abstract: 一种观赏植物形态特征反演土壤重金属含量模型生成方法，涉及信息技术领域，具体涉及重金属污染土壤植物修复技术领域。针对现有技术对于重金属领域研究大多局限于单一品种，对于不同品种和植物生长初期的研究还很匮乏的技术问题。本发明提出如下方案：S1：获取观赏植物的形态数据和观赏植物种植区域土壤中重金属含量的数据；S2：确定形态特征参数；S3：用XGBoost算法选择选出匹配的形态特征参数；S4：构建样本数据集与反演土壤重金属含量模型；S5：使用样本数据集对反演土壤重金属含量模型进行训练；S6：参数优化，得到基于观赏植物形态特征的反演土壤重金属含量模型。本发明在重金属污染领域具有良好的应用前景。
-
公开(公告)号：CN114550164A
公开(公告)日：2022-05-27
申请号：CN202111622531.0
申请日：2021-12-28
Applicant: 吉林农业大学
IPC: G06V20/68 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于农作物病虫害识别技术领域，且公开了一种基于深度学习的番茄叶片病害识别研究方法，包括如下步骤：S1、运用数码相机和手机在番茄田间进行番茄害病图像采集，将采集后的图像分辨率统一缩放为64×64，然后按病害类别对图像进行贴标签，得到具有样本标签的原始番茄叶片病害图像数据集。在本发明构造的基于卷积神经网络的番茄病害识别方法中，不需要对每幅病害叶片图像进行复杂的预处理、病斑分割以及特征提取等操作，更有助于在低性能的终端上实现对番茄病害的实时检测和治疗，相对于应用传统的卷积神经网络进行病害识别的方法，本方法准确率更高、耗时更少、占用空间更低、运行和识别效果更好。
-
公开(公告)号：CN107807540A
公开(公告)日：2018-03-16
申请号：CN201710991145.6
申请日：2017-10-16
Applicant: 吉林农业大学
IPC: G05B17/02
CPC classification number: G05B17/02
Abstract: 本发明公开了一种基于图像处理的农业智能平台，包括视频采集模块、视频数据处理模块、种植区空间信息监测模块、环境参数采集模块、三维重构模块、中央处理器、预测分析模块、专家评估模块、物理模型构建模块、虚拟参数作动模块、虚拟传感器和仿真分析模块。本发明实现了对种植区作物品种、作物生长状态、种植环境参数以及作物总体覆盖面的实时监测分析，为后期种植方案的修改和调整提供了参考性的意见，一定程度上提高了作物的产量和品质；同时所有的数据均按预设的算法分类储存在指定的数据库内，在实现各种植区作物种植数据共享的同时，也方面了用于对数据的查询和调用。
-
公开(公告)号：CN118886343B
公开(公告)日：2024-11-26
申请号：CN202411388646.1
申请日：2024-10-08
Applicant: 吉林农业大学 , 吉林省众拓智农科技有限公司
IPC: G06F30/27 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 土壤团聚体三维孔隙结构动态演化过程的生成方法和设备，属于农业信息化技术领域，解决土壤团聚体三维孔隙结构动态演化过程的生成方法具有破坏性、无法实时观察土壤孔隙结构的动态变化和效率低问题。本发明的方法包括：获取土壤团聚体三维孔隙子结构数据集；基于孔隙子结构训练土壤团聚体三维孔隙生成对抗网络模型；使用差分策略获取起点孔隙特征和终点孔隙特征对应的输入噪声向量；使用球面线性插值获取中间噪声向量；将噪声向量输入到生成模型中，获取孔隙三维结构的动态演化过程。本发明适用于实时、准确地重建和预测土壤孔隙结构的变化过程。
-
公开(公告)号：CN118918957A
公开(公告)日：2024-11-08
申请号：CN202411411713.7
申请日：2024-10-11
Applicant: 吉林农业大学
Abstract: 人参皂苷合成下游途径转录调控机制的预测方法和系统，属于植物调控机制技术领域，解决非模式生物人参的合成下游途径转录调控机制预测无法有效实现问题。本发明的方法包括：通过人工智能领域BERT模型进行迁移学习，例如采用大量植物如拟南芥、水稻等模式植物基因表达数据进行预训练（pre‑train），以获取植物基因的表达模式，再采用人参的基因表达数据对预训练模型进行微调（finetune），以获取药用植物的基因表达专用模式，既考虑了大规模植物的一般性，又关注药用植物的特殊性，提高了网络可信度和可靠性。本发明适用于人参调控网络注释方式。
-
Patent Agency Ranking
公开(公告)号：CN114550164B
公开(公告)日：2024-05-31
申请号：CN202111622531.0
申请日：2021-12-28
Applicant: 吉林农业大学
IPC: G06V20/68 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于农作物病虫害识别技术领域，且公开了一种基于深度学习的番茄叶片病害识别研究方法，包括如下步骤：S1、运用数码相机和手机在番茄田间进行番茄害病图像采集，将采集后的图像分辨率统一缩放为64×64，然后按病害类别对图像进行贴标签，得到具有样本标签的原始番茄叶片病害图像数据集。在本发明构造的基于卷积神经网络的番茄病害识别方法中，不需要对每幅病害叶片图像进行复杂的预处理、病斑分割以及特征提取等操作，更有助于在低性能的终端上实现对番茄病害的实时检测和治疗，相对于应用传统的卷积神经网络进行病害识别的方法，本方法准确率更高、耗时更少、占用空间更低、运行和识别效果更好。
-
公开(公告)号：CN113404995A
公开(公告)日：2021-09-17
申请号：CN202110749369.2
申请日：2021-07-02
Applicant: 吉林农业大学
Abstract: 本发明公开了一种基于深度神经网络的智能识别系统，包括：装置外壳，左端安装有防水板，且所述装置外壳上贴合有识别装置，并且所述识别装置放置在支撑板上，同时所述支撑板安装在所述装置外壳的内部；调节螺杆，通过所述支撑板上开设的螺纹孔洞与所述支撑板相互连接；贴合板，通过其上端安装的轴承与所述调节螺杆相互连接，且所述贴合板上对称设置有2个移动滑块。该基于深度神经网络的智能识别系统，通过将本装置设置为可移动以及转动的方式，从而便于对识别装置的位置进行改变，此时便更加便于使用，方便实用，并且在装置内部设置了散热装置，在散热的同时能有效的避免电动机工作发热对识别装置与存储装置造成影响。
-
公开(公告)号：CN119344165B
公开(公告)日：2025-03-18
申请号：CN202411896763.9
申请日：2024-12-23
Applicant: 吉林农业大学
Abstract: 本发明适用于香菇种植技术领域，提供了一种便于香菇采摘的种植架及其使用方法，包括框架，还包括：框架内相对的两侧分别转动连接的驱动盘和从动盘，所述驱动盘和从动盘侧壁上均环形均匀设置有四个驱动槽；所述框架上设置有转动组件，所述转动组件用于带动两个驱动盘同步转动；还包括多个安装轴，每相邻两个安装轴之间均通过钢索固定连接，所述安装轴与驱动槽配合。转动组件带动两个驱动盘同步转动，在两个从动盘的配合下，转动的从动盘带动多个放置架转动，使下一个放置架移动到工人正前方合适高度，从而便于工人对香菇进行采摘，香菇采摘过程中工人不用弯腰采摘低处的香菇，也不用借用登高工具采摘高处的香菇，进而降低工人的劳动强度。
-
公开(公告)号：CN118886343A
公开(公告)日：2024-11-01
申请号：CN202411388646.1
申请日：2024-10-08
Applicant: 吉林农业大学 , 吉林省众拓智农科技有限公司
IPC: G06F30/27 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 土壤团聚体三维孔隙结构动态演化过程的生成方法和设备，属于农业信息化技术领域，解决土壤团聚体三维孔隙结构动态演化过程的生成方法具有破坏性、无法实时观察土壤孔隙结构的动态变化和效率低问题。本发明的方法包括：获取土壤团聚体三维孔隙子结构数据集；基于孔隙子结构训练土壤团聚体三维孔隙生成对抗网络模型；使用差分策略获取起点孔隙特征和终点孔隙特征对应的输入噪声向量；使用球面线性插值获取中间噪声向量；将噪声向量输入到生成模型中，获取孔隙三维结构的动态演化过程。本发明适用于实时、准确地重建和预测土壤孔隙结构的变化过程。
-
公开(公告)号：CN117976047B
公开(公告)日：2024-06-18
申请号：CN202410391713.9
申请日：2024-04-02
Applicant: 吉林农业大学
Abstract: 基于深度学习的关键蛋白质预测方法，属于生物信息学技术领域，尤其涉及基于深度学习网络的关键蛋白质预测方法；解决了现有关键蛋白预测方法中用于分类的蛋白质特征过于依赖专家知识和经验参数、无法自适应的学习特征的问题，以及现有方法忽略了蛋白质互作网络中蛋白间的相互作用、没有聚集邻居蛋白的信息的问题，以及现有蛋白质互作网络中存在过多无效蛋白质节点、现有方法没有提取有效蛋白质节点的问题；所述方法包括：将所述加权蛋白质互相作用网络作为所述关键蛋白质预测模型的输入，获得关键蛋白质预测结果。所述基于深度学习的关键蛋白质预测方法，适用于预测关键蛋白质。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.02 seconds)
