基于深度学习的红外相机动物影像人工智能识别：以东北虎豹国家公园为例

为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别。本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,训练集2 074张,测试集519张。对图片进行目标打框、信息标注,选用darknet框架下的YOLO v3模型进行训练,首先不区分昼（RGB）夜（灰度）图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调（fine-tune）进行训练。研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升。fine-tune在小数据集时或可作为辅助。模型对8个物种识别的平均精确率达到 84.9%~96.0%,且模型收敛。       

基于U-Net卷积神经网络的年轮图像分割算法

树木年轮学的研究需要统计树龄和测量轮宽,由此推算环境变换和树木生长信息,因此准确提取年轮特征信息至关重要。精准识别出年轮图像中的早材、晚材和树皮是实现自动化测量年轮参数的首要工作。树木年轮的生长过程中存在年轮的早材和晚材间边界过渡模糊、节疤和伪年轮等现象,且年轮圆盘在砍伐和采集过程中表面会存在毛刺和噪声点,使用传统的图像分割算法难以得到理想的效果。本文结合深度神经网络的特点,针对年轮图像的分割问题,构建了基于U-Net卷积神经网络的年轮图像语义分割模型。首先,对采集的100张年轮圆盘图像进行标注,并通过旋转、透视和图像变形等方式做数据增强,生成20000张数据集,随机选择其中16000张作为训练数据集,4000张作为测试数据集。其次,根据图像数据集的特征,利用Tensorflow深度学习框架,设计构建基于U-Net卷积神经网络的年轮圆盘图像分割网络。然后,将训练样本输送进网络,设置优化训练参数,对年轮图像分割网络进行迭代训练,直至评价指标和损失函数不再变化。最后,用训练好的模型对测试集样本进行分割,并进行分割指标评估。结果表明:该算法可有效避免毛刺、锯痕和节疤等因素的影响,完整地分割出年轮的晚材和树皮区域,在4000张测试数据集上分割的平均准确率达到96.51%,平均区域重合度达到82.30%。与传统图像处理算法相比,本文所采用的基于U-Net卷积神经网络的年轮图像分割算法,能够达到更好的分割效果,同时具有更强的泛化能力和鲁棒性。     

基于双向长短时记忆网络和注意力机制的RNA m5C甲基化位点预测

RNA 5-甲基胞嘧啶(m5C)修饰在许多生物过程中发挥重要的作用，对m5C位点的准确识别有助于更好地理解其生物学功能，所以识别m5C甲基化位点十分必要。尽管已发展了多种识别m5C甲基化位点的机器学习方法，但预测能力仍有待提高。本文基于双向长短时记忆网络和注意力机制，提出了一种预测RNA m5C甲基化位点的深度学习算法。用该方法在人、小鼠、酿酒酵母和拟南芥共4种生物的RNA m5C数据集上进行实验，m5C位点预测AUC值分别达到92.5%、99.7%、93.6%和86.5%。与现有预测方法相比，该方法具有较好的预测性能，并且具有更优的泛化能力，为RNA m5C甲基化位点预测提供了一种新方法。     

基于深度学习的蝴蝶科级标本图像自动识别

【目的】本研究旨在探讨深度学习模型在蝴蝶科级标本图像自动识别中的可行性和泛化能力。【方法】为了提高识别模型的鲁棒性和泛化能力,将锤角亚目中6个科1 117种蝴蝶标本图像通过水平翻转、增加图像对比度与亮度以及添加噪声的方式增强图像数据集。在Caffe框架下,利用迁移学习方法,首先使用Image Net数据集中的图像训练Caffe Net模型,迭代31万次后得到初始化的网络权值;然后利用蝴蝶图像训练已预训练好的Caffe Net模型,通过参数微调,获得一个蝴蝶科级标本图像自动识别的卷积神经网络模型。为了比较深度学习和传统模式识别两种方法建立的模型的泛化能力,对相同训练样本提取全局特征和局部特征,训练支持向量机(support vector machine,SVM)分类器。所有的模型在与训练样本图像来源一致和不一致的两个测试样本集上进行测试。【结果】当测试样本与训练样本来源一致,均为蝴蝶标本图像时,基于Caffe Net的蝴蝶识别模型对6个科的蝴蝶识别准确率平均达到95.8%,基于Gabor的SVM分类器也获得了94.8%的识别率。当测试样本与训练样本来源不一致,为自然环境下拍摄的蝴蝶图像时,两种方法获得的识别率均下降,但Caffe Net模型对蝴蝶自然图像的平均识别率仍能达到65.6%,而基于Gabor的SVM分类器的识别率仅为38.9%。【结论】利用Caffe Net模型进行蝴蝶科级标本图像识别是可行的,相比较传统模式识别方法,基于深度学习的蝴蝶识别模型具有更好的泛化能力。     

深度学习在药物活性预测研究中的应用

药物从研发到临床应用需要耗费较长的时间，研发期间的投入成本可高达十几亿元。而随着医药研发与人工智能的结合以及生物信息学的飞速发展，药物活性相关数据急剧增加，传统的实验手段进行药物活性预测已经难以满足药物研发的需求。借助算法来辅助药物研发，解决药物研发中的各种问题能够大大推动药物研发进程。传统机器学习方法尤其是随机森林、支持向量机和人工神经网络在药物活性方面能够达到较高的预测精度。深度学习由于具有多层神经网络，模型可以接收高维的输入变量且不需要人工限定数据输入特征，可以拟合较为复杂的函数模型，应用于药物研发可以进一步提高各个环节的效率。在药物活性预测中应用较为广泛的深度学习模型主要是深度神经网络（deep neural networks，DNN）、循环神经网络（recurrent neural networks，RNN）和自编码器（auto encoder，AE），而生成对抗网络（generative adversarial networks，GAN）由于其生成数据的能力常常被用来和其他模型结合进行数据增强。近年来深度学习在药物分子活性预测方面的研究和应用综述表明，深度学习模型的准确度和效率均高于传统实验方法和传统机器学习方法。因此，深度学习模型有望成为药物研发领域未来十年最重要的辅助计算模型。     

基于机器学习的风景园林智能化分析应用研究

机器学习使实现数据的智能化处理及充分利用数据中蕴含的知识与价值成为可能。探索基于机器学习在风景园林领域智能化分析应用的途径,开展3个实验。其中2个与数据分析研究相关,提出基于调研图像色彩聚类分析的城市色彩印象和基于图像识别技术的景观视觉质量评估与网络应用平台部署实验。最后1个实验与数字化设计创作相关,提出用于设计方案遴选的地形生成方法,包括2个子项目：应用深度学习生成对抗网络（GAN）的地形生成和建立遮罩、预测未知区域的高程。3个实验应用到机器学习中分类、聚类和回归3个主要方向中的算法以及深度学习的生成对抗网络,对传统的研究问题提出了基于机器学习新的研究方法。因此,在应用机器学习风景园林领域,可以有效地从多源数据中学习相互增强的知识,发现问题,并提出解决问题的新方法。     

基于深度学习的葡萄砧木叶片识别研究

嫁接有利于增强树体对生物及非生物胁迫的适应能力,提高葡萄产量和品质。葡萄砧木品种多样复杂,识别难度较大,深度学习能够快速提取图像的深层特征,被广泛应用于植物图像分类识别领域。本研究以30份葡萄砧木成龄叶图像作为研究对象,通过采集叶片图像,构建了一个包含13547张的葡萄砧木叶片图像的数据集。采用GoogleNet、ResNet-50、ResNet-101以及VGG-16等4个卷积神经网络对其进行自动识别。结果表明：精度最高的分类网络为ResNet-101,在最优模型参数（学习率：0.005,最小批次：32,迭代次数：50）下精度达到97.5%。ResNet-101模型检测的30个品种中,平均预测精确率为92.59%,有7个品种的预测精确率达到100%;平均召回率为91.08%,有8个品种的召回率达到100%,叶片的叶面纹理、叶脉以及叶缘部分对品种识别的影响最大。以上结果证实,深度学习网络模型可以实现对葡萄砧木的自动实时识别,为葡萄砧木品种的保护、利用、分类研究以及其他农作物的品种识别提供参考。     

环境微生物研究中机器学习算法及应用

微生物在环境中无处不在，它们不仅是生物地球化学循环和环境演化的关键参与者，也在环境监测、生态治理和保护中发挥着重要作用。随着高通量技术的发展，大量微生物数据产生，运用机器学习对环境微生物大数据进行建模和分析，在微生物标志物识别、污染物预测和环境质量预测等领域的科学研究和社会应用方面均具有重要意义。机器学习可分为监督学习和无监督学习2大类。在微生物组学研究当中，无监督学习通过聚类、降维等方法高效地学习输入数据的特征，进而对微生物数据进行整合和归类。监督学习运用有特征和标记的微生物数据集训练模型，在面对只有特征没有标记的数据时可以判断出标记，从而实现对新数据的分类、识别和预测。然而，复杂的机器学习算法通常以牺牲可解释性为代价来重点关注模型预测的准确性。机器学习模型通常可以看作预测特定结果的“黑匣子”，即对模型如何得出预测所知甚少。为了将机器学习更多地运用于微生物组学研究、提高我们提取有价值的微生物信息的能力，深入了解机器学习算法、提高模型的可解释性尤为重要。本文主要介绍在环境微生物领域常用的机器学习算法和基于微生物组数据的机器学习模型的构建步骤，包括特征选择、算法选择、模型构建和评估等，并对各种机器学习模型在环境微生物领域的应用进行综述，深入探究微生物组与周围环境之间的关联，探讨提高模型可解释性的方法，并为未来环境监测、环境健康预测提供科学参考。     

联合U-Net和分水岭算法的高郁闭度杉木纯林树冠信息提取

作为我国重要的用材树种，杉木广泛分布于我国南方地区，其株数和树冠信息对于森林资源的精准监测有重要作用，为此准确掌握杉木林分株数及单木树冠信息尤为重要。对于高郁闭度林分，株数和单木树冠信息正确提取的关键是能够准确分割相互遮挡和粘连的树冠。本研究以福建将乐国有林场为研究区，将无人机影像作为数据源，提出一种基于深度学习方法和分水岭算法的树冠信息提取方法：首先采用深度学习神经网络模型U-Net对杉木树冠覆盖区域进行分割，然后利用传统图像分割算法标记控制分水岭算法进行单木分割得到单木树冠；在保持相同训练集、验证集和测试集的情况下，首先对比U-Net模型与传统机器学习方法[随机森林模型(RF)和支持向量机模型(SVM)]在分割树冠覆盖区域上的表现，接着对比了U-Net模型结合标记控制分水岭算法和只使用标记控制分水岭算法进行单木分割的精度。结果表明：U-Net模型在分割精度、精确率、交互比、精确率与召回率的调和均值4个指标上均高于RF和SVM,与RF相比，4项指标分别提升4.6%、14.9%、7.6%、0.05,与SVM相比，4项指标分别提升3.3%、8.5%、8.1%、0.05。在提取单木株数方面...     

深度学习方法在生物质谱及蛋白质组学中的应用

深度学习是近年来机器学习领域最热门的研究方向,尤其是在图像及语音识别、自然语言处理、自动驾驶等方面取得了突破性进展．生物质谱是当今生命科学领域重要的研究工具,尤其在蛋白质组学、代谢组学、生物制药等领域发挥着关键作用．近年来,基于深度学习方法的发展,以生物质谱为核心的蛋白质组学大数据分析将迎来发展新契机．本文综述了深度学习方法在生物质谱数据解析及蛋白质组学研究方面的最新应用．     

基于深度残差神经网络迁移学习的 牙形刺图像识别

为了探索基于深度神经网络模型的牙形刺图像智能识别效果, 研究选取奥陶纪8种牙形刺作为研究对象, 通过体视显微镜采集牙形刺图像1188幅, 收集整理公开发表文献的牙形刺图像778幅, 将图像数据集划分为训练集和测试集。通过对训练集图像进行旋转、翻转、滤波增强处理, 解决了训练样本不足的问题。基于ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152五种残差神经网络模型, 采用迁移学习方法, 对网络模型进行训练以获取模型参数, 五种模型测试Top-1准确率分别为85.37%、85.85%、83.90%、81.95%、80.00%, Top-2准确率分别为94.63%、94.63%、94.15%、93.17%、93.66%, 模型对牙形刺图像具有较好的识别效果。通过对比研究发现, ResNet-34识别准确率最高, 说明对于特征简单的牙形刺属种, 增加网络深度并不一定能提升准确率, 而确定合适深度的模型则不仅可以提高识别准确率, 还可以节约计算资源。通过ResNet-34模型的迁移学习训练和重新训练效果对比可以看出, 迁移学习不仅可以获得较高的准确率, 而且可以较快获取模型参数, 因而可作为小样本古生物化石图像识别的重要方法。研究还发现, 体视显微镜下牙形刺图像的识别准确率高于扫描电镜下图像识别准确率, 化石完整性和相似性、照相角度以及数据集的大小是影响图像识别准确率的主要原因。     

基于F3Net显著性目标检测的蝴蝶图像前背景自动分割

[目的]具有复杂背景的蝴蝶图像前背景分割难度大.本研究旨在探索基于深度学习显著性目标检测的蝴蝶图像自动分割方法.[方法]应用DUTS-TR数据集训练F3Net显著性目标检测算法构建前背景预测模型,然后将模型用于具有复杂背景的蝴蝶图像数据集实现蝴蝶前背景自动分割.在此基础上,采用迁移学习方法,保持ResNet骨架不变,利...     

基于深度卷积神经网络识别可变剪接位点

可变剪接源于多外显子基因生成多个转录本的调控过程。随着高通量测序,尤其是RNA-seq的研究进展,剪接序列和剪接位点可以通过挖掘海量的测序数据进行预测。可变剪接现象拓宽了人们对基因结构和蛋白质亚型的知识。然而现有的短序列比对软件受到随机性比对的影响,产生很多假阳性剪接位点,干扰下游数据分析。本研究发现,可变剪接位点周边序列的结构特征可被深度学习模型提取,并利用深度卷积神经网络识别剪接位点。本研究的模型具有识别率高、计算速度快,模型泛化能力强、鲁棒性高等优势。     

一种预测个体肿瘤的抗癌药物反应分类计算模型及其应用

目的 不同患者对同一抗癌药物的反应可能不同,了解患者之间对抗癌药物的反应差异对癌症精准医疗具有重大参考价值。方法 高通量测序数据为构建抗癌药物反应分类预测模型提供了强大的数据支撑。针对两大经典数据集癌症细胞百科全书(CCLE)和癌症药物敏感性基因组学数据集(GDSC),本文提出了基于最大相关最小冗余(mRMR)算法和支持向量机(SVM)的计算模型mRMR-SVM。利用基因表达数据,通过方差排序和mRMR算法提取特征基因,借助SVM实现抗癌药物对细胞系的“敏感-抑制”二分类预测。结果 对于CCLE中的22种药物,mRMR-SVM的平均准确率为0.904;对于GDSC中的11种药物,平均准确率为0.851。结论 mRMR-SVM不仅在预测性能方面优于传统的支持向量机、随机森林、深度反应森林、深度神经网络和细胞系-药物复杂网络模型,而且具有良好的泛化能力,对于三类特定组织的抗癌药物反应分类预测也取得了令人满意的结果。此外,mRMR-SVM可以识别与癌症发生发展密切相关的生物标志物。     

基于深度特征融合的鸟鸣识别方法及其可解释性分析

鸟鸣识别是生态监测的重要手段,为进一步提升鸟鸣识别的准确性和鲁棒性,本文提出了1种新的基于深度特征融合的鸟鸣识别方法。该方法首先利用深度特征提取网络对鸟鸣的对数梅尔谱图和补充特征集的深度特征进行提取,再将两种深度特征进行融合,最后使用轻量级梯度提升机(light gradient boosting machine,light GBM)分类器进行分类。本文充分利用深度神经网络的特征提取能力以及light GBM的分类性能,将特征提取和特征分类过程进行分离,从而实现了高准确率的鸟鸣识别。实验结果显示,本文提出的方法在北京百鸟数据集中取得了目前已知的最佳结果,模型的平均准确率达到了98.70%,平均F₁分数达到了98.84%。相比传统方法,深度融合特征在鸟鸣识别任务上准确率提升了5.62%以上。同时,引入的light GBM分类器使分类准确率提升了3.02%。此外,在CLO-43SD和Bird CLEF2022比赛的数据集中,本文方法也展现出卓越的性能,分别取得了98.32%和91.12%的平均准确率。本文还引入了类激活图对不同类型鸟鸣的识别结果进行可解释性分析,揭示了...     

深度学习在野生动物保护中的应用

野生动物是重要的生物资源之一,但是人类活动的增加和自然环境的恶化严重威胁着野生动物的生存。而深度学习已经成为人工智能领域重点研究方向之一,被广泛应用于各个学科领域,其灵活性使得它在野生动物保护中的图像识别、监测和音频识别等方面展现出了巨大的潜力。本文介绍了几种常见的深度学习算法,综述了不同深度学习模型在野生动物保护中的应用,分析了目前存在的问题及挑战,包括有限的训练数据、环境条件的多变性以及野生动物行为的复杂性等。在未来利用深度学习保护野生动物,除了要解决数据获取和利用、图像的抗干扰等方面的挑战外,还需开发更加稳健和高效的深度学习模型,以满足野生动物保护的特殊需求。     

基于多色彩空间的YOLOv5松枯死树检测方法

【目的】针对在松枯死树监测实践中,从无人机航拍RGB影像中自动识别松枯死树漏检率高的问题,提出了一种生产应用场景下基于多色彩空间的YOLOv5松枯死树高精度自动识别新方法。【方法】利用无人机采集大面积松材线虫病发生林分的RGB图像,用Pix4Dmapper软件拼接,用LabelImg开源软件建立VOC格式的松枯死树数据集,分别用Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、SSD和EfficientDet等6种基于深度学习的目标检测算法对数据集进行训练和测试,以精确率、召回率、平均准确率以及F₁分数作为评价指标筛选出最优目标检测算法;然后将采集的RGB图像转换成LAB和HSV色彩空间图像,再将这3个色彩空间的图像分别用最优目标检测算法进行训练,得到目标在每个色彩空间的边界框,使用非极大值抑制算法对这些边界框进行处理,得到最优边界框实现松枯死树自动识别。【结果】6种算法均取得良好效果,其中YOLOv5模型为最优算法,其精准率、平均查准率和F₁分数在6种算法中均最高,分别达到97.58%、82.40%和0.85。通过3个色彩空间融合后,反映漏检情况的召回率由74.54%提高到98.99%,平均准确率提升至98.39%。【结论】基于多色彩空间的YOLOv5模型能够显著提高从无人机航拍RGB影像中检测松枯死树的精度,为松枯死树监测提供了有力工具,也有助于松材线虫病的防治。     

基于深度卷积神经网络的树轮宽度测量算法

数字图像处理技术已被广泛用于树轮宽度测量，但大多集中在边界清晰可见的针叶树种，对于木材解剖结构复杂、树轮边界清晰度较差的阔叶树种，传统的图像处理技术表现不佳。为了改善阔叶树种的树轮边界识别精度，本文提出了一种基于U-Net卷积神经网络模型的树轮宽度测量算法。以鱼鳞云杉(Picea jezoensis var.komarovii)、臭冷杉(Abies nephrolepis)、红松(Pinus koraiensis)、白桦(Betula platyphylla)、枫桦(Betula costata)、榆树(Ulmus pumila)的树芯为对象，提出了一种基于U-Net的树轮边界检测模型。采用3种评价指标比较了U-Net方法与手工标注方法的差异，并与WinDENDRO测量得到的树轮宽度进行了精度对比。结果显示，U-Net识别到的树轮边界与实际边界精确匹配，尤其是对阔叶树种树轮边界的检测精度相比传统的数字图像处理方法有显著提高，通过3种评价指标证明所得到的树轮边界精确可靠，在树轮分析中具有较高的实用价值。     

基于残差网络的自然环境下蝴蝶种类识别

【目的】蝴蝶属鳞翅目(Lepidoptera)昆虫，其对生存环境敏感，能够作为区域生态环境的指示物种，自然环境下蝴蝶种类自动识别对生态系统稳定有重要意义。现有研究中蝴蝶种类和数量较少，且多以标本图像作为识别对象，鉴于此，本研究构建了自然环境下蝴蝶图像数据集，提出一种以残差网络为基础的蝴蝶种类识别模型LDResNet。【方法】首先，引入可变形卷积，增强网络对不同形状蝴蝶图像的特征提取能力，获得更细粒度的特征；其次，在可变形卷积后嵌入注意力机制，增大蝴蝶特征权重，降低冗余信息干扰；最后，利用改进的深度可分离卷积降低模型参数量。【结果】在自建数据集上实验，LDResNet模型取得了87.61%的平均识别准确率，较原始模型提升了3.14%,模型参数量仅为1.04 MB。【结论】LDResNet模型相较其他模型，在平均识别准确率和参数量方面均有明显优势，本研究模型可为自然环境下的蝴蝶种类自动识别提供技术支持。     

基于注意力机制的RNA碱基关联图预测方法

目的 长链非编码RNA在遗传、代谢和基因表达调控等方面发挥着重要作用。然而，传统的实验方法解析RNA的三级结构耗时长、费用高且操作要求高。此外，通过计算方法来预测RNA的三级结构在近十年来无突破性进展。因此，需要提出新的预测算法来准确的预测RNA的三级结构。所以，本文发展可以用于提高RNA三级结构预测准确性的碱基关联图预测方法。方法 为了利用RNA理化特征信息，本文应用多层全卷积神经网络和循环神经网络的深度学习算法来预测RNA碱基间的接触概率，并通过注意力机制处理RNA序列中碱基间相互依赖的特征。结果 通过多层神经网络与注意力机制结合，本文方法能够有效得到RNA特征值中局部和全局的信息，提高了模型的鲁棒性和泛化能力。检验计算表明，所提出模型对序列长度L的4种标准（L/10、L/5、L/2、L）碱基关联图的预测准确率分别达到0.84、0.82、0.82和0.75。结论 基于注意力机制的深度学习预测算法能够提高RNA碱基关联图预测的准确率，从而帮助RNA三级结构的预测。