网络环境下生物信息资源的检索

本文从生物信息学的理论出发，讨论了如何通过互联网检索各种生物信息资源，最大限度地利用互联网为生物科学的教学科研服务。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

数据挖掘技术在生物信息学中的应用

人类基因组计划的启动和实施使得核酸、蛋白质数据迅速增长,如何从海量数据中获取有效的信息成为生物信息学迫切要解决的问题.数据挖掘技术用于在数据库中发现潜在有用的知识,在生物信息学研究中,正发挥着越来越重要的作用,而且取得了丰硕的成果.为此,从生物信息学的理论出发,探讨了若干生物信息数据挖掘的方法及其应用.     

面向精细农业的土壤温度监测传感器节点设

设计了一种能够监测土壤温度的无线智能传感器节点,硬件系统基于片上系统CC2430和DS18B20进行开发,软件部分包括温度采集和数据传输.实验表明,该节点可以实现土壤温度信息的采集和传输,且结构紧凑、工作稳定和功耗低.节点之间有效通信距离可达80m,误码率为1%左右.可以满足精细农业作业要求,同时也为无线传感器网络通信协议的进一步研究提供了实验平台.     

计算机科学在生物信息学中的应用

生物信息学的发展很大程度上依赖于计算机技术的发展。为此,从生物信息学的理论出发,讨论了计算机科学在生物信息学中的应用状况、存在问题,强调了数据挖掘等相关计算机技术在生物信息学中引入的必要性,最大限度地利用了计算机科学知识为生物科学的教学和科研服务。     

基于改进残差网络的苹果叶片病害识别研究

苹果叶片病害形态相似、斑点大小不同，依靠人工和农业专家识别的传统方式效率较低。为此提出一种基于改进残差网络的苹果病害识别模型REP-ResNet。该模型在基准模型ResNet-50的基础上通过采用批标准化、激活函数、卷积层的残差结构顺序，加入通道注意力机制和并行卷积的方式进行改进。训练过程中，将公开数据集PlantVillage预训练的模型权重参数迁移至上述网络模型中重新训练，达到加快网络的收敛速度和提高模型识别能力的目的。采用数据扩充的方式解决训练过程中样本不均的问题。结果表明，REP-ResNet模型与基准网络模型相比识别准确率提高2.41个百分点。模型使用迁移学习的方式进行训练，在复杂背景下的苹果叶片病害识别中准确率达到97.69%，与传统卷积神经网络相比识别效果有较大提高。