电子信息技术

本发明公开了一种苦楝子和苦楝皮的混合提取物及其制备方法和应用，属于提取物技术领域。制备方法，包括以下步骤：S01，预处理：将质量比为1：（2~4.5）的苦楝子和苦楝皮粉碎、过筛，混合得到复配物粉末；S02，提取：向复配物粉末中加入非极性溶剂，浸泡、萃取、过滤；滤渣挥干溶剂后，再向滤渣中加入极性溶剂，萃取、过滤、浓缩，得粗提取液；S03，纯化：采用大孔吸附树脂对粗提取液进行纯化，浓缩、干燥。本发明植物来源抑菌剂制备原料源于苦楝子和苦楝皮，二者相互配合，具有协同增效的作用，对大肠杆菌、金黄色葡萄球菌、化脓性链球菌、肺炎链球菌、鼠伤寒沙门氏菌、肺炎克雷伯氏菌等多种细菌均表现出较好的抑菌性能。

提升医学诊断精度：通过Transformer模型对细胞、组织等生物图像的细粒度特征捕捉能力，可实现病理分型的精准识别，辅助医生进行早期癌症等疾病的微观测诊断。

加速新药研发流程：应用于高通量药物筛选场景，自动分类药物作用后的微观生物变化，快速评估化合物疗效，缩短药物发现周期。

推动智能农业革新：精准识别作物病虫害显微特征或土壤微生物群落结构，为精准施药和生态农业提供数据驱动的决策支持。

(1)将一些改进的transformer模型用于细粒度识别时，如果这些模型提取特征时patch数量发生变化，现有主流的细粒度分类方案将不再适用，因此本发明设置了特征选择模块来作为后处理模块，来解决这个问题，使得当使用不同Transformer作为骨干网络进行特征提取后，均能在这个后处理模块进行特征选择后，进一步用于细粒度生物图像分类。通过实验证明，本发明实现了细粒度生物图像分类且分类准确率高。

(2)本发明方法不再限制特征提取网络，实现特征提取的骨干网络可以是任意一种Transformer模型，如swin‑transformer网络，不需要计算各patch的注意力得分选取更具表现力的patch；并可根据情况选取合适的基于Transformer的模型，提高特征提取效率；特征选择模块通过对每个特征生成权重表示对应patch的重要性，选取一定数量的特征，使得不同基于Transformer的骨干网络都能适用。

(3)本发明方法还采用了映射网络和度量学习进行模型优化，具体而言，映射网络是一个可学习的非线性变换网络，通过该网络，可以将backbone提取的特征通过一个非线性映射映射到更高的维度空间，从而更好地发现特征之间隐藏的信息；在损失函数中采用度量学习进行优化，使用余弦距离计算不同类别之间的距离作为损失，在模型更新过程中保证同类别之间的距离尽可能的小，不同类别之间的距离尽可能的大，提高特征选择准确性，提高细粒度生物图像分类准确度。