返回全国科技小院服务平台
全国科技小院
在农业病虫害图像处理与识别领域，研究团队的前沿技术和方法的开发和应用已经取得了显著的成效。这些技术不仅提高了对农业病虫害的诊断和分类精度，而且为农业生产中的智能决策提供了强有力的支持。
一、多模态伪信息引导的无监督深度度量学习
研究团队开发了一种多模态伪信息引导的无监督深度度量学习方法。这种方法通过结合多种数据源（如图像、文本和气象数据）来增强模型对于农业病虫害图像的理解能力。该技术利用了深度学习框架，通过无监督的方式让模型能够更好地捕捉到复杂数据中的潜在结构和特征。这一成果在《信息科学》杂志上发表，表明其在信息提取和模式识别方面达到了国际领先水平。
二、图像字幕生成技术在病虫害分类解释中的应用
另一项突破是在病虫害分类结果解释方面，研究团队采用了图像字幕生成技术。这项技术能够帮助农民或农业专家更容易理解AI模型的分类结果，从而增加用户对系统推荐措施的信任度。相关的研究成果在《计算机与电子在农业中的应用》期刊上发表，显示出该系统在实际应用中的潜力。
三、构建文本-视觉数据库
为了支持上述技术的发展，研究团队还构建了一个包含丰富文本描述和对应图像的农业病虫害数据库。这个数据库作为研究的基础资源，为训练和验证图像处理与识别模型提供了重要的数据支持。相关成果发表在《多媒体工具与应用》杂志上。
四、零样本学习和层次化属性引导
针对病虫害图像识别中存在的类别不平衡和标注成本高的问题，提出了一种层次化类级属性引导的生成元学习方法。该方法通过引入属性知识，使得模型能够在没有见过某些类别标签的情况下也能够进行准确的分类，即所谓的零样本学习。这一成就在国际多媒体会议上得到展示，并被EI检索。
五、图像超分辨率和实例分割
在图像质量提升方面，研究团队设计了一个多尺度自适应网络，用于提高农业病虫害图像的分辨率。此外，一个基于Swin Transformer和路径聚合模型的实例分割方法也被提出，用于精确地从图像中分割出植物病害的实例。
六、专利和竞赛成果
在应用实践方面，该研究团队设计的一种多模态数据集制作方法和装置获得了国家发明专利授权。同时，团队在全国煤炭行业矿山AI大模型大赛中获得二等奖，进一步证明了技术的实用性和先进性。
从基础理论的研究到实际技术的开发，再到数据库的构建和专利的申请，以及在国内外学术会议和期刊上的发表，这些工作共同构成了一个完整、高效、智能的农业病虫害识别系统雏形，有利于我们后续工作开展。
返回全国科技小院服务平台
全国科技小院.png)
