登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《开发首个用于监测向日葵的人工智能模型》

  • 来源专题：农机装备
  • 编译者： 江浩
  • 发布时间：2025-06-27
  •       2025年6月25日，阿根廷的INTA和Conicet研究团队与意大利特伦托大学合作，推出了一款名为SunPheno的人工智能工具。这一平台能够通过手机拍摄的图像自动识别向日葵的物候阶段。这一免费开放的平台在向日葵的基因改良和农业管理方面具有前所未有的进步。 SunPheno平台旨在提高关键生长阶段，特别是叶片衰老阶段的识别精度，这是影响籽粒灌浆和最终产量的重要时期。Iabimo（INTA和Conicet的农业生物技术与分子生物学研究所）的专家们与特伦托大学合作，利用在田间用手机拍摄的图像构建了一个包含25,000张图片的数据库。这些图像分别对应于INTA的基因改良项目中的两个向日葵品系，并经过手动分类，用于训练机器学习模型，如今该模型可以自动区分植物的营养和生殖阶段。 博士研究生Melanie Corzo解释道，叶片衰老是一个由内外因素共同调控的复杂过程，与光合作用下降有关。如果能够正确同步这一过程与物候阶段，就能最大化产量。她指出，这一系统能够消除对向日葵物候评估中的主观性，对于研究和生产都至关重要。未来的计划是进一步扩展这一系统的应用。
  • 原文来源：https://www.seedquest.com/news.php?type=news&id_article=163801&id_region=&id_category=2489&id_crop=
27浏览量
原文链接
相关报告

  • 《人工智能可助力高效监测冰山》
    • 来源专题：新一代信息技术
    • 编译者：王晓丽
    • 发布时间：2023-11-24
    • 新华社北京11月14日电一个研究团队在新一期国际学术期刊《冰冻圈》杂志上发表论文说，借助人工智能，科学家可更高效分析卫星图像、追踪观测冰山，效率大幅超越传统人工处理方法。 传统上，科学家一般通过人工操作来分析卫星传回图像中的冰山数据，以达到对大型冰山进行定位、监测其规模并对冰山融水定期进行量化的目的。但由于卫星拍摄的图像中，冰山、海冰和云层在颜色和轮廓上都不容易清晰分辨，导致人工图像识别、数据处理费时费力。来自英国利兹大学等机构的研究人员开发出一款基于神经网络的人工智能模型，可在0.01秒内准确地借助海量卫星图像数据绘制出南极大型冰山分布图。据论文介绍，开发过程中，研究人员首先利用欧洲“哨兵1号”地球观测卫星拍摄的南极在不同环境下的大量图像作为训练素材，同时与科学家手动导出的冰山轮廓图进行对比，当模型达到最佳性能时，训练会自动停止。随后研究人员将这一人工智能模型在7座冰山上进行测试，这些冰山的面积从54平方公里到1052平方公里不等，测试结果显示其准确率高达99%。研究团队还编制了一个多样化的数据集，其中每座冰山会有15张到46张图像，时间覆盖2014年至2020年的不同季节。论文说，借助人工智能可更快速、更精确地自动监测冰山规模，从而帮助研究人员便捷地观测大型冰山的变化情况。大型冰山是南极环境的重要组成部分，影响海洋化学、海洋生物以及海上作业等。欧洲航天局在一份新闻公报中说，卫星数据对于监测冰山变化至关重要，引入人工智能模型这一强大而准确的手段后，可更好监测脆弱的南极地区的变化。 来源：新华社
    163浏览量
    原文链接

  • 《人工智能大模型“拿捏”电池寿命》
    • 来源专题：能源情报网监测服务平台
    • 编译者：郭楷模
    • 发布时间：2024-09-25
    • 从清晨唤醒我们的闹钟，到随身携带的手机，再到电动汽车、无人机等新兴产品，无一不依赖于电池提供的稳定电力。 然而，随着电池使用时间的增长，其容量会逐渐衰减，造成供电时间缩短，影响设备的正常功能。如果能及时检测电池寿命，用户就能在电池性能明显下降前采取相应措施，从而避免因电池问题导致的设备故障或数据丢失，延长电池整体使用寿命。 近日，中国科学院大连化学物理研究所(以下简称大连化物所)研究员陈忠伟、副研究员毛治宇团队，联合西安交通大学教授冯江涛，在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型，有效解决了传统方法对大量充电测试数据的依赖问题，为电池实时寿命预估提供了新思路，实现了锂电池寿命的端到端评估。同时，该模型作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。相关成果发表于《电气电子工程师学会交通电气化学报》。 难以预测的电池寿命 电池的循环寿命是指电池在规定的充放电条件下，经历多次完全充放电循环后，容量或性能下降到初始值的某一规定百分比所能经历的充放电次数。通常以电池容量衰减到初始值的80%作为循环寿命的“终点”。 假如一部手机的电池循环寿命是500次，这就意味着，如果每天把手机电量完全用完再充满，那么大约500天后，你就会感觉手机电量没有以前那么耐用了，因为电池的循环寿命到了。 由于电池容量退化是一个受多种因素影响的动态过程，包括充放电循环次数、充放电深度、环境温度、电池老化等，这些因素相互作用，使得电池寿命预测变得尤为复杂。 此前，电池寿命预测都在实验室内进行。比如让电池加速循环，在高温45℃下高倍率运行，以此推断它在实际应用场景中的使用寿命。但是，不同的应用场景和运行条件会对锂电池寿命产生显著影响，以致无法实现对电池的精准预测。 目前，很多团队正积极投身于人工智能领域的探索。“遗憾的是，当前的人工智能技术及其学习深度，以及有限的人力资源，不能完全满足对电池寿命进行精确检测的需求。”毛治宇说，“基于这一现状，我们萌生了一个设想——设计一个能够直接且高效检测电池寿命的创新模型。这一模型致力于突破现有技术的局限，为电池健康管理提供更为可靠和智能的解决方案。” 人工智能模型让电池“透视” 2017年，毛治宇在加拿大滑铁卢大学读博士，陈忠伟是他的导师。当时，人工智能刚刚起步，他们想尝试一下，用它能否解决电池寿命检测这一难题。 “实际上，电池包括正极、负极、隔膜、电极液等，是一个复杂的电化学系统。但是，那时候的模型还停留在简单的神经网络学习，人工智能检测刚刚开始，我们就用自己的电池尝试测试，并纳入此前未被考虑到的电池老化问题，最终检测出来的电池寿命与实际寿命相比，精度有了很大提高。”毛治宇回忆当初第一次尝试时说。 这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研之路。后来，二人先后归国工作，毛治宇又加入了陈忠伟的团队。 陈忠伟团队有一个方向是智能电池，包括人工智能应用于科学、人工智能应用于工程，毛治宇想在这里圆梦。而目前科技领域已有多个人工智能的计算模型，他们“借风使船”结合多个模型，实现了优势互补。 “我们利用了Vision Transformer结构，它可以进行并行计算，同时处理多个任务。”论文第一作者、在大连化物所从事博士后研究的刘云鹏介绍，“还有一个空间流加时间流的双流框架，可提取多维时间尺度信息，同时借助高效自注意力机制减少计算复杂度。我们根据不同的优势将这两种算法进行了结合。” 这项研究提出了一种基于少量充电周期数据的深度学习模型，该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命和剩余使用寿命的准确预测。 该模型在仅使用15个充电周期数据的情况下，能够将上述两种预测误差分别控制在5.40%和4.64%以内。并且，在面对训练数据集内未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-shot泛化能力。 打造“电池数字大脑” 同时，该电池寿命预测模型是第一代电池数字大脑PBSRD Digit的重要组成部分。通过将模型整合到该系统中，进一步提高了系统的准确性。目前，该电池数字大脑系统作为大规模工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。 “现在新能源特别是储能是热点话题，很多厂家都想开发全生命周期的电池智能管理系统。我们希望建设一个完整的电池数字大脑，能够更好地管理电池，像大脑一样控制电池的各个方面，让电池效率更高、寿命更长。这是我们未来的一个智能化发展方向。”毛治宇介绍说。 事实上，陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。经过多年发展，团队在电化学、电催化、人工智能方面都有着深厚的积累。他们的目标是打造从基础研究到关键技术开发再到产业应用示范的全链条模式，以应用为导向真正走向产业化，乃至对整个领域产生影响。 150余人的团队中，会聚了超过50位经验丰富的工程师。他们具有不同的技术背景，不乏在大数据架构与算法领域深耕多年的专家，擅长将前沿的算法研究转化为高效、稳定的系统架构，确保技术成果能够顺利落地。 正是这种“研究+开发”深度融合的模式，使得团队能够跨越传统界限，促进不同领域知识与技术的交叉融合。工程师们不仅能独立承担项目研发的重任，还能与科研人员紧密合作，将最新研究成果迅速转化为产品功能，从而加速技术创新与产业升级的步伐。 通过这种高效的协作机制，团队不仅在电池寿命检测等特定领域取得突破，还能灵活应对各种复杂挑战，推动多个项目并行发展，最终实现多元化、全方位的技术创新目标。 “未来，我们计划利用模型提炼等技术进一步优化模型，以提高资源利用率，打造真正的数字大脑。”陈忠伟说。 相关论文信息： https://doi.org/10.1109/TTE.2024.3434553
    212浏览量
    原文链接