深度学习在蜜蜂研究中的应用

实现对蜜蜂蜂群的实时动态监测,有助于养蜂业的数字化与智能化发展,对大幅提升养蜂管理水平具有重要意义。深度学习作为人工智能的一种新的研究方向,目前已被广泛应用于昆虫分类学、行为学、害虫生物防治等领域。随着深度学习检测算法的迅速发展,基于深度学习的蜜蜂蜂群监测技术不断涌现,为智能化养蜂提供了可能。为促进深度学习在蜜蜂领域的进一步应用,本文梳理了深度学习在蜜蜂的物种识别、行为跟踪监测、蜂群健康监测和蜂巢监测等方面的研究进展,分析了深度学习技术在蜜蜂蜂群监测研究及应用中存在的一些问题和未来发展方向,为深度学习在蜜蜂领域的应用提出了建议。     

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。     

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．     

生物医学数据分析中的深度学习方法应用

生物医学数据的积累速度史无前例,为生物医学研究带来机遇的同时,也让传统数据分析技术面临巨大挑战.本文综述了深度学习方法应用在生物医学数据分析中的最新研究进展.首先阐述了深度学习方法,列举深度学习方法的主要实现模型,随后总结了目前生物医学数据分析中的深度学习方法应用情况,分析了在数据处理、模型构建和训练方法等方面共有问题的解决方法,最后给出了深度学习方法应用于生物医学数据分析时可能存在的问题及建议.     

红外相机技术在我国野生动物研究与保护中的应用与前景

20年来, 红外相机技术在国内外野生动物研究、监测与保护中得到了广泛应用。基于红外相机技术, 我国在野生动物生态学研究、动物行为学研究、稀有物种的探测与记录、动物本底资源调查、生物多样性监测及保护地管理与保护评价等领域取得了众多成果。目前, 数学模型、统计分析方法和新的概念正在促进红外相机技术在野生动物监测研究与保护管理中的发展和推广应用。同时, 随着红外相机技术的成熟、成本降低和应用普及, 这一技术也将会被更多的野生动物研究人员、管理人员和自然保护区管理者所采用, 并成为全国各级保护地和区域生物多样性监测研究的关键技术和方法。今后, 建立并完善系统化的监测网络和数据共享平台、开发新一代的数据分析方法与模型, 将是此项技术进一步发展和应用的主要方向。     

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。     

对野生动物保护协会在野生动物保护事业中的作用及其改革与发展的认识（为纪念四川省野生动物保护协会成立十周年而作）

在深化改革开放的形势下,党中央提出以科学技术是第一生产力的指导思想．动员全国科技工作者肩负起九十年代的历史责任．为实现十年规划和“八五”计划贡献才智,为科技兴国建功立业．这就要充分发挥群团组织在促进国家各项事业改革和发展中的积极作用。为此,笔者愿谈一谈野生动物保护协会在野生动物保护事业中的作用及其改革与发展的认识．     

应用深度学习分割光学显微镜下的细胞图像

目的 为了在细胞培养过程中便捷地分析细胞的数目和形态.方法 本文将深度学习应用到细胞识别中,实现了一种可以通过普通光学显微镜拍照,并直接在培养皿中进行细胞识别计数的方法.结果 通过构建U-Net网络结构,并对贴壁细胞和悬浮细胞图像进行标记训练,来实现贴壁细胞和悬浮细胞的分割计数.同时,用该算法绘制细胞生长曲线以及计算抑...     

基于深度学习的微藻自动检测系统研究

目的 微藻养殖产业规模巨大,在养殖过程中微藻易受杂菌和其他污染物的影响,因此需要定期对微藻进行检测,以确定其生长情况。现有的光学显微成像法和光谱分析法对实验人员、实验设备及场地的要求较高,无法做到实时快速检测。为了实现实时快速检测,需要一套检测要求低、速度快的实时微藻检测系统。方法 本文开发了一种基于深度学习的微藻检测系统,通过搭建一套基于明场成像的显微成像设备,使用采集的图像训练基于YOLOv3的神经网络,并将训练好的神经网络部署到微型计算机,从而实现了实时便携微藻检测。本文对特征提取网络进行改进,包括引入跨区域残差连接机制和注意力选择机制,另外还将优化器改为Adam优化器,使用多阶段多方法组合策略。结果 加载跨区域残差连接机制时最高平均精度（mAP）值为0.92。通过与人工结果进行对比,得到检测误差为2.47%。结论 该系统能够实现微藻实时便携检测,提供较为准确的检测结果,可以应用于微藻养殖中的定期检测。     

广东省野生动物保护与利用公共实验室

广东省野生动物保护与利用公共实验室（以下简称实验室）,于2005年11月由广东省科技厅沈项（粤科计字[2005]161号文）,依托广尔省昆虫研究所（华南濒危动物研究所）实施建设。     

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...     

基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法

[目的]探究深度学习在草地贪夜蛾Spodoptera frugiperda成虫自动识别计数上的可行性,并评估模型的识别计数准确率,为害虫机器智能监测提供图像识别与计数方法.[方法]设计一种基于性诱的害虫图像监测装置,定时自动采集诱捕到的草地贪夜蛾成虫图像,结合采集船形诱捕器粘虫板上草地贪夜蛾成虫图像,构建数据集;应用Y...     

深度学习理念下的有效教学设计例谈

在阐述深度学习、有效教学以及两者关系的基础上,提出了高中生物学促进深度学习的有效教学设计策略：基于问题学习的设计策略、任务驱动式学习的设计策略。     

基于深度学习的作物基因组学和遗传改良

随着世界人口的不断增长、食物需求量的不断增加,以及气候的不断变化,如何提高农作物产量已成为人类面临的一个巨大挑战。传统设计育种耗时长、效率低,已经不能满足新时代的育种需求。随着基因型和表型数据成本的不断降低,以及各种组学数据的爆炸式增长,人工智能技术作为能够在大数据中高效率挖掘信息的工具,在生物学领域受到了广泛关注。人工智能指导的设计育种将大大加快育种的效率,给育种带来革命性的变化。介绍了人工智能特别是深度学习在作物基因组学和遗传改良中的应用,并进行了总结与展望,以期为智能设计育种提供新的思路。     

组织学病理图像在深度学习中染色处理的研究进展

深度学习使辅助诊断的软件能够更积极有效地开发和应用,但是组织病理学图像的颜色变化降低了这些算法的性能。染色归一化可以解决扫描仪效应、不同的染色方法、患者的疾病状态、染色时间等因素产生的图像异质性。虚拟染色可以摆脱载玻片染色,减少载玻片的制备步骤,为临床缩短样本的制备时间,节省大量的成本。在缺乏注释训练数据的情况下,病理图像数据增强可用于创建具有纹理和颜色、样式逼真的人工样本来促进网络训练。本文就组织学病理图像在深度学习病理分析中染色处理的染色归一化、虚拟染色和数据增强等方面展开综述,为组织学病理图像在临床上的应用和研究提供参考。     

深度突变扫描技术在蛋白研究中的应用

作为细胞结构与功能的中心参与者,蛋白质一直是生命科学研究的中心主题。分析蛋白质序列变异对其结构、功能的影响,是研究蛋白的重要手段之一。近年一种称为深度突变扫描(deep mutational scanning,DMS)的技术被广泛应用于蛋白研究领域,其通过高丰度DNA文库在蛋白特定区域平行引入成千上万种突变,经筛选后,利用高通量测序为每一种突变打分,从而揭示序列与功能之间的相关性。深度突变扫描以其高通量、快速简易、节省人工等特点,已经成为蛋白质功能研究以及蛋白工程改造的一种重要方法,目前已在蛋白进化、抗体改造、致病突变鉴定等蛋白研究的多个领域广泛应用。本综述简要概括了深度突变扫描技术的原理,重点介绍了其在哺乳动物细胞中的应用,同时分析了目前的技术瓶颈,旨在为相关研究提供参考。     

基于Faster R-CNN的美国白蛾图像识别模型研究

昆虫监测中美国白蛾Hyphantria Cunea的人工辨识、分类费时费力,且主观性强。本文利用RPN人工神经网络模型对美国白蛾图像数据进行特征提取,并对比分析Inception_v2,ResNet50,ResNet101网络模型,设计了一种改进的美国白蛾人工神经网络识别模型IHCDM（Improved Hyphantria Cunea Artificial Neural Network Recognition Model,IHCDM）,采用端到端方法在GPU处理器上对该模型进行了训练,并对其进行了实验验证。结果表明：该模型对美国白蛾的识别准确率可达99.5%,相比于ResNet50与ResNet101网络模型,识别准确率提高了0.5%与0.4%。超参数微调后,在置信度阈值为0.85时,识别准确率99.7%,识别速度0.09 ms/张。IHCDM模型为美国白蛾的快速辨识、分类提供了一种新方法。