面向作物表型组大数据获取解析、作物种质资源表型鉴定等亟需高效率、智能化和低成本技术、装备及系统的问题,在系统梳理分析国内外农作物高通量表型平台相关技术产品研究现状的基础上,通过组织多学科的协同技术攻关,突破了作物表型组...面向作物表型组大数据获取解析、作物种质资源表型鉴定等亟需高效率、智能化和低成本技术、装备及系统的问题,在系统梳理分析国内外农作物高通量表型平台相关技术产品研究现状的基础上,通过组织多学科的协同技术攻关,突破了作物表型组大数据高通量获取和智能化解析中的关键技术难题,设计了具有自主知识产权的轻小敏捷型多传感器阵列、通用化成像单元和适用于多生境的固定式、移动式高通量表型平台装备,以及配套算法和软件平台,构建了农作物表型组大数据工厂成套技术装备体系。该体系由大田和设施作物高通量自主作业表型平台、室内器官和显微表型平台、大田和设施环境自动化种植管控设备、作物模型系统、数字孪生智慧管控平台和大数据计算服务中心等构成,可实现多生境、自动化、高通量、高效率、高精度的多源作物表型-环境数据协同采集,涵盖农作物群体、个体、器官和显微多重尺度,能够重建农林作物的三维形态结构并精准解析株型、产品、品质、抗性等表型组指标,是发展数字育种和智慧栽培的新一代信息化基础设施。农作物表型组大数据工厂技术装备体系创新了作物表型组大数据的产生、处理和服务模式,可为作物表型组理论技术的发展、基于AI for Science的平台化科研和工厂化的作物种质资源表型鉴定等提供体系化的技术装备支撑。展开更多
目前多数视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)方案都是通过提取环境中的特征点来估计位姿,在纹理较少的弱纹理环境中仍存在较大的局限性。为此,在SLAM系统中引入线特征以保证系统能在弱纹理场景中稳定...目前多数视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)方案都是通过提取环境中的特征点来估计位姿,在纹理较少的弱纹理环境中仍存在较大的局限性。为此,在SLAM系统中引入线特征以保证系统能在弱纹理场景中稳定运行。但目前融合点线的视觉SLAM方案存在实时性和精度不足的问题,因此提出基于改进点线特征融合的的视觉惯性SLAM算法。算法前端中,采用FAST(features from accelerated segment test)角点作为特征点提取算法,对ELSED(enhanced line segment detection)算法进行增加短线合并、梯度阈值参数调整,并将四叉树均匀化分布特征点扩展到点线特征,提出改进的点线特征提取算法,减少高纹理区域和特征分布不均的情况对系统精度的影响。对点线特征的跟踪,均采用改进型光流法追踪,将惯性测量单元(inertial measured unit,IMU)得到的位姿信息和已知的特征点深度计算光流法的初值,代替原本的图像金字塔迭代过程,从而节省计算资源,满足系统的实时性。最后,在实际场景中将该系统与优秀的开源方案进行实验对比,验证了所提算法的实时性和精确性。实验表明,本算法可为工业巡检、仓储物流等场景下的机器人提供高鲁棒性定位解决方案,具有显著的产业应用前景。展开更多
为解决篇章级多事件抽取中事件及论元角色间全局语义关联缺失、文档信息利用不足的问题,提出了基于论元关联和图神经网络的篇章级多事件抽取(document-level multi-event extraction based on argument correlation and graph neural ne...为解决篇章级多事件抽取中事件及论元角色间全局语义关联缺失、文档信息利用不足的问题,提出了基于论元关联和图神经网络的篇章级多事件抽取(document-level multi-event extraction based on argument correlation and graph neural network,DEEACG)模型。首先,使用基于变换器的双向编码器表示(bidirectional encoder representations from Transformers,BERT)模块获取实体,并引入实体共事件性预测任务,增强实体间的语义关联。接着,引入可学习的事件代理节点,构建包含实体、上下文和代理节点的异构图,通过特征线性调制图神经网络(graph neural network with feature-wise linear modulation,GNN-FiLM)与多头自注意力机制,实现多事件间的全局交互与语义融合。然后,通过多层感知机进行事件类型检测。最后,构建双投影空间建模论元关联,采用Bron-Kerbosch算法提取图中极大团作为候选论元组合,并结合多头注意力实现论元角色分类。结果表明,DEEACG模型在中文金融公告(Chinese financial announcements,ChFinAnn)数据集的多事件抽取任务中性能明显提升,与关系增强文档级事件抽取(relation-enabled document-level event extraction,ReDEE)模型相比,F1均值提升了2.1个百分点。该研究证实DEEACG模型能有效捕捉多事件间语义关联,适用于篇章级多事件抽取任务。展开更多
文摘面向作物表型组大数据获取解析、作物种质资源表型鉴定等亟需高效率、智能化和低成本技术、装备及系统的问题,在系统梳理分析国内外农作物高通量表型平台相关技术产品研究现状的基础上,通过组织多学科的协同技术攻关,突破了作物表型组大数据高通量获取和智能化解析中的关键技术难题,设计了具有自主知识产权的轻小敏捷型多传感器阵列、通用化成像单元和适用于多生境的固定式、移动式高通量表型平台装备,以及配套算法和软件平台,构建了农作物表型组大数据工厂成套技术装备体系。该体系由大田和设施作物高通量自主作业表型平台、室内器官和显微表型平台、大田和设施环境自动化种植管控设备、作物模型系统、数字孪生智慧管控平台和大数据计算服务中心等构成,可实现多生境、自动化、高通量、高效率、高精度的多源作物表型-环境数据协同采集,涵盖农作物群体、个体、器官和显微多重尺度,能够重建农林作物的三维形态结构并精准解析株型、产品、品质、抗性等表型组指标,是发展数字育种和智慧栽培的新一代信息化基础设施。农作物表型组大数据工厂技术装备体系创新了作物表型组大数据的产生、处理和服务模式,可为作物表型组理论技术的发展、基于AI for Science的平台化科研和工厂化的作物种质资源表型鉴定等提供体系化的技术装备支撑。
文摘目前多数视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)方案都是通过提取环境中的特征点来估计位姿,在纹理较少的弱纹理环境中仍存在较大的局限性。为此,在SLAM系统中引入线特征以保证系统能在弱纹理场景中稳定运行。但目前融合点线的视觉SLAM方案存在实时性和精度不足的问题,因此提出基于改进点线特征融合的的视觉惯性SLAM算法。算法前端中,采用FAST(features from accelerated segment test)角点作为特征点提取算法,对ELSED(enhanced line segment detection)算法进行增加短线合并、梯度阈值参数调整,并将四叉树均匀化分布特征点扩展到点线特征,提出改进的点线特征提取算法,减少高纹理区域和特征分布不均的情况对系统精度的影响。对点线特征的跟踪,均采用改进型光流法追踪,将惯性测量单元(inertial measured unit,IMU)得到的位姿信息和已知的特征点深度计算光流法的初值,代替原本的图像金字塔迭代过程,从而节省计算资源,满足系统的实时性。最后,在实际场景中将该系统与优秀的开源方案进行实验对比,验证了所提算法的实时性和精确性。实验表明,本算法可为工业巡检、仓储物流等场景下的机器人提供高鲁棒性定位解决方案,具有显著的产业应用前景。
文摘随着民用航空业的快速发展,民机运维数据的深度解析成为提升飞行安全与维修效能的关键路径。针对非结构化运维文本中要素实体识别与用户意图理解的双重需求,提出了一种多任务协同分析框架:首先,通过RoBERTa(robustly optimized BERT approach)模型进行预训练捕捉语义信息,接着通过双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)捕获时序依赖特征,并利用条件随机场(conditional random field,CRF)优化标签转移约束并输出,实现对维修记录中部件、故障、操作等实体的高精度识别;其次,面向智能问答系统的语义理解需求,对比分析BERT、RoBERTa及Qwen-Max预训练语言模型在运维意图识别任务中的适应性,基于性能与计算效率的平衡性验证,确立RoBERTa为意图分类基座模型。实验表明,所提框架在实体抽取与意图识别任务中均显著优于传统基准模型,其双任务协同机制为民机运维知识图谱构建与智能问答服务提供了数据支撑,具有较高的应用潜力和实用价值。
文摘为解决篇章级多事件抽取中事件及论元角色间全局语义关联缺失、文档信息利用不足的问题,提出了基于论元关联和图神经网络的篇章级多事件抽取(document-level multi-event extraction based on argument correlation and graph neural network,DEEACG)模型。首先,使用基于变换器的双向编码器表示(bidirectional encoder representations from Transformers,BERT)模块获取实体,并引入实体共事件性预测任务,增强实体间的语义关联。接着,引入可学习的事件代理节点,构建包含实体、上下文和代理节点的异构图,通过特征线性调制图神经网络(graph neural network with feature-wise linear modulation,GNN-FiLM)与多头自注意力机制,实现多事件间的全局交互与语义融合。然后,通过多层感知机进行事件类型检测。最后,构建双投影空间建模论元关联,采用Bron-Kerbosch算法提取图中极大团作为候选论元组合,并结合多头注意力实现论元角色分类。结果表明,DEEACG模型在中文金融公告(Chinese financial announcements,ChFinAnn)数据集的多事件抽取任务中性能明显提升,与关系增强文档级事件抽取(relation-enabled document-level event extraction,ReDEE)模型相比,F1均值提升了2.1个百分点。该研究证实DEEACG模型能有效捕捉多事件间语义关联,适用于篇章级多事件抽取任务。
