公开(公告)号：CN113537140A

公开(公告)日：2021-10-22

申请号：CN202110884654.5

申请日：2021-08-03

Applicant: 电子科技大学

Inventor： 朱嘉静 ,  兰荻 ,  刘勇国 ,  张云 ,  李巧勤 ,  杨尚明

IPC: G06K9/00

Abstract: 本发明公开了一种基于深度神经网络的杂草检测方法，本发明首先采用实例分割在图像上划分出属于农作物的像素点，然后根据超绿特征能够更有效地强化绿色植物特征的特点，把图像二值化，得到图像中所有绿色植物的像素点信息；用所有绿色植物的像素点减去农作物所在的像素点即可得到不是农作物的绿色植物的像素点；最后去掉一些像素点团中像素点数量较少的像素，剩余的像素点中一个像素连通区域即为一株杂草，并获取杂草的位置信息和轮廓信息，为精准农业提供技术支持。

公开(公告)号：CN113537140B

公开(公告)日：2023-05-02

申请号：CN202110884654.5

申请日：2021-08-03

Applicant: 电子科技大学

Inventor： 朱嘉静 ,  兰荻 ,  刘勇国 ,  张云 ,  李巧勤 ,  杨尚明

IPC: G06V20/10 ,  G06V10/82 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0464 ,  G06V10/56 ,  G06V10/44 ,  G06N3/08

Abstract: 本发明公开了一种基于深度神经网络的杂草检测方法，本发明首先采用实例分割在图像上划分出属于农作物的像素点，然后根据超绿特征能够更有效地强化绿色植物特征的特点，把图像二值化，得到图像中所有绿色植物的像素点信息；用所有绿色植物的像素点减去农作物所在的像素点即可得到不是农作物的绿色植物的像素点；最后去掉一些像素点团中像素点数量较少的像素，剩余的像素点中一个像素连通区域即为一株杂草，并获取杂草的位置信息和轮廓信息，为精准农业提供技术支持。

公开(公告)号：CN114241344B

公开(公告)日：2023-05-02

申请号：CN202111565881.8

申请日：2021-12-20

Applicant: 电子科技大学

Inventor： 兰荻 ,  刘勇国 ,  朱嘉静 ,  张云 ,  李巧勤 ,  陆鑫 ,  傅翀 ,  杨尚明

IPC: G06V20/20 ,  G06V10/26 ,  G06V10/28 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的植物叶片病虫害严重程度评估方法，包括以下步骤：S1、采集植物叶片图像；S2、对植物叶片数据集进行数据扩充处理；S3、对扩充植物叶片数据集和病虫害叶片图像集中图像进行标注；S4、采用标注扩充植物叶片数据集和标注病虫害叶片图像集训练两个图像分割模型；S5、采用第一图像分割模型对待评估的植物叶片图像进行分割，得到叶片语义分割图；S6、对叶片语义分割图进行背景0填充；S7、采用第二图像分割模型对叶片图像数据进行分割，得到划分不同区域的叶片图像；S8、计算病虫害区域占比，得到植物叶片病虫害严重程度；本发明解决了现有缺乏一种对植物病虫严重程度进行评估的方法的问题。

公开(公告)号：CN110689965B

公开(公告)日：2023-03-24

申请号：CN201910956294.8

申请日：2019-10-10

Applicant: 电子科技大学

Inventor： 李巧勤 ,  刘勇国 ,  杨尚明 ,  李杨 ,  兰荻 ,  蔡茁

IPC: G16H70/40 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的药物靶点亲和力预测方法，涉及药物靶点亲和力预测技术领域，其包括：从Davis数据集和KIBA数据集中获取药物化合物和靶点蛋白质数据；对化合物进行编码，使用位置特异性打分矩阵表示蛋白质；将化合物标签编码输入CNN模型中，对化合物进行特征提取，得到化合物的分子表示；将蛋白质的位置特异性打分矩阵输入LSTM模型中，对蛋白质序列进行特征提取，学习蛋白质结构中氨基酸之间的次序关系以及蛋白质序列上的残基之间的关系，得到蛋白质的序列表示；将化合物的分子表示和蛋白质的序列表示同时输入到全连接层中，对化合物和蛋白质相互作用的亲和力进行预测。该方法能更准确地预测药物和靶点之间的亲和力关系。

公开(公告)号：CN114241344A

公开(公告)日：2022-03-25

申请号：CN202111565881.8

申请日：2021-12-20

Applicant: 电子科技大学

Inventor： 兰荻 ,  刘勇国 ,  朱嘉静 ,  张云 ,  李巧勤 ,  陆鑫 ,  傅翀 ,  杨尚明

IPC: G06V20/20 ,  G06V10/26 ,  G06V10/28 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的植物叶片病虫害严重程度评估方法，包括以下步骤：S1、采集植物叶片图像；S2、对植物叶片数据集进行数据扩充处理；S3、对扩充植物叶片数据集和病虫害叶片图像集中图像进行标注；S4、采用标注扩充植物叶片数据集和标注病虫害叶片图像集训练两个图像分割模型；S5、采用第一图像分割模型对待评估的植物叶片图像进行分割，得到叶片语义分割图；S6、对叶片语义分割图进行背景0填充；S7、采用第二图像分割模型对叶片图像数据进行分割，得到划分不同区域的叶片图像；S8、计算病虫害区域占比，得到植物叶片病虫害严重程度；本发明解决了现有缺乏一种对植物病虫严重程度进行评估的方法的问题。

公开(公告)号：CN110689965A

公开(公告)日：2020-01-14

申请号：CN201910956294.8

申请日：2019-10-10

Applicant: 电子科技大学

Inventor： 李巧勤 ,  刘勇国 ,  杨尚明 ,  李杨 ,  兰荻 ,  蔡茁

IPC: G16H70/40 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的药物靶点亲和力预测方法，涉及药物靶点亲和力预测技术领域，其包括：从Davis数据集和KIBA数据集中获取药物化合物和靶点蛋白质数据；对化合物进行编码，使用位置特异性打分矩阵表示蛋白质；将化合物标签编码输入CNN模型中，对化合物进行特征提取，得到化合物的分子表示；将蛋白质的位置特异性打分矩阵输入LSTM模型中，对蛋白质序列进行特征提取，学习蛋白质结构中氨基酸之间的次序关系以及蛋白质序列上的残基之间的关系，得到蛋白质的序列表示；将化合物的分子表示和蛋白质的序列表示同时输入到全连接层中，对化合物和蛋白质相互作用的亲和力进行预测。该方法能更准确地预测药物和靶点之间的亲和力关系。