首页 / 专利库 / 诊断设备和程序 / 免疫层析 / 一种棉花成株期黄萎病的田间鉴定方法

一种花成株期黄萎病的田间鉴定方法

阅读:559发布:2023-02-03

专利汇可以提供一种花成株期黄萎病的田间鉴定方法专利检索,专利查询,专利分析的服务。并且本 发明 属于农业技术领域,公开了一种 棉 花成株期黄萎病的田间鉴定方法,将黄萎病病指划分为7个等级;在棉花成株期,划定被测棉花植株区域,统计被测区域内的棉花植株总株数,标记为n;测量所有被测区域内的棉花植株的高度,将测量的棉花植株高度标记为H;将被测植株沿根基部中心纵向剖开,得到2个纵向剖面,以根基部为起点,测量纵剖面黄萎病浸染高度,将测量的被浸染高度分别标记为h;计算被测植株的病情指数;根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,明确被测植株黄萎病抗性鉴定结果。本发明提供的棉花成株期黄萎病田间鉴定方法,能够减小人为测量的误差,测量值恒定。,下面是一种花成株期黄萎病的田间鉴定方法专利的具体信息内容。

1.一种花成株期黄萎病的田间鉴定方法,其特征在于,所述棉花成株期黄萎病的田间鉴定方法具体包括以下步骤:
步骤一,将黄萎病病指划分为7个等级;
步骤二,在棉花成株期,划定被测棉花植株区域,统计被测区域内的棉花植株总株数,标记为n;
步骤三,测量所有被测区域内的棉花植株的高度,将测量的棉花植株高度标记为H(H1、H2、H3…..Hn);
步骤四,将被测植株沿根基部中心纵向剖开,得到纵向剖面,以根基部为起点,测量纵剖面黄萎病浸染高度,将测量的被浸染高度分别标记为h(h1、h2、h3、……hn);
步骤五,计算被测植株的病情指数;
步骤六,根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,分析被测植株黄萎病抗性鉴定结果。
2.如权利要求1所述棉花成株期黄萎病的田间鉴定方法,其特征在于,步骤一中,所述7个黄萎病病指等级具体包括:
病指0为免疫、病指0~10为高抗、10~30为中抗、30~50为轻抗、50~60为轻感、60~80为中感、80~100为高感。
3.如权利要求1所述棉花成株期黄萎病的田间鉴定方法,其特征在于,所述棉花成株期包括棉花花铃期、棉花结铃吐絮期。
4.如权利要求1所述棉花成株期黄萎病的田间鉴定方法,其特征在于,步骤五中,所述植株病情指数的计算方法具体为:
5.如权利要求1所述棉花成株期黄萎病的田间鉴定方法,其特征在于,步骤六根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,分析被测植株黄萎病抗性鉴定结果中,得到的被测棉花黄萎病病指值与黄萎病病指等级信息与计算机预存的数据进行对比分析,将分析后的结果进行呈现;在进行数据对比分析中,具体包括:
步骤一,在被测棉花植株区域内随机分布一定数量的同构的被浸染高度传感器节点,将被测棉花植株区域划分为面积大小不等的网格;
步骤二,在每个网格内根据节点的剩余能量选取网格内的簇首节点,其余节点根据就近原则选择性的加入簇;
步骤三,判断簇内的成员节点收集到的数据是否符合格拉布斯准则,满足,则认为节点是有效的,即簇首节点发送数据,否则,不发送数据;
步骤四,簇首节点根据自适应聚合算法聚合来自有效的成员节点的数据和自身产生的数据;
步骤五,簇首节点以多跳的形式向sink节点发送数据直到运行完给定的轮数。
6.如权利要求5所述棉花成株期黄萎病的田间鉴定方法,其特征在于,
sink节点和所有节点都是时间同步和固定的,sink节点位于(sink_x,sink_y),并且是在被测棉花植株区域之外的;
节点间的交流时双向的并且每个节点根据到接收点的距离来调整它的传输功率;
sink节点和被测棉花植株区域内的所有节点都是位置感知的。
7.如权利要求5所述棉花成株期黄萎病的田间鉴定方法,其特征在于,被浸染高度传感器节点能耗分为发射数据能耗、接收数据能耗和聚合数据能耗,节点到接收点的距离小于阈值d0,则采用自由空间模型,否则,采用多路径衰减模型,从而发射比特数据到距离为d0的接收点的能量消耗如下:
其中Eelec为发射电路能量消耗,εfs为自由空间模型下功率放大电路所需能量,εmp为多路径衰减模型下功率放大电路所需能量,接收比特数据能耗:
ERx(l)=l×Eelec;
聚合比特数据的能量消耗:
EA=l×EDA;
其中EDA表示聚合1比特数据的能量消耗。
8.如权利要求5所述棉花成株期黄萎病的田间鉴定方法,其特征在于,在进行数据对比分析中,进一步包括:
在面积为S=L*L的被测棉花植株区域内,随机分布N个同构的无线被浸染高度传感器节点,sink节点位于被测棉花植株区域之外,节点处理整个无线传感器网络内收集到的数据;
非均匀成簇:
sink节点位于被测棉花植株区域的上方;首先被测棉花植株区域X轴划分为S个泳道,所有泳道有相同的宽度w,并且每个泳道的长度与被测棉花植株区域的长度相等;用从1到s作为泳道的ID,最左端的泳道的ID为1,然后每个泳道沿着y轴划分为多个矩形网格,每个泳道中的每个网格都被定义一个平,最下端的网格的水平为1,每个网格和每个泳道有相同的宽度w;每个泳道中网格的个数、长度与泳道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的泳道,距离sink越远的泳道含有的网格数目越小;针对同一泳道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个泳道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个泳道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个泳道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合。
9.如权利要求8所述棉花成株期黄萎病的田间鉴定方法,其特征在于,被浸染高度传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对被浸染高度传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个被浸染高度传感器节点,被浸染高度传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
根据顺序统计原理,计算格拉布斯统计量:
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合。
10.如权利要求8所述棉花成株期黄萎病的田间鉴定方法,其特征在于,通过迭代得到各个节点测量数据的无偏估计值,求取各个被浸染高度传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的被浸染高度传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
某个簇中有个被浸染高度传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
其中 wi为相应的权值。

说明书全文

一种花成株期黄萎病的田间鉴定方法

技术领域

[0001] 本发明属于农业技术领域,尤其涉及一种棉花成株期黄萎病的田间鉴定方法。

背景技术

[0002] 目前,业内常用的现有技术是这样的:
[0003] 棉花黄萎病是棉花生产上最重要的病害之一,该病是由大丽轮枝菌引起的一种土传性维管束病害,对棉花产量影响大。生产实践表明,充分挖掘和利用植物本身的防御系统,培育和推广抗病品种是当前最为经济有效的措施,而选育抗病品种的核心是鉴定评价品种的抗病性,因此,准确鉴定棉花品种对黄萎病的抗性,是进行棉花黄萎病抗性遗传研究,进而选育抗性品种的前提。
[0004] 目前棉花成株期黄萎病鉴定的主要方法为病圃剖杆鉴定,采用5级病情指数值来判定抗病性强弱,但5级病情指数法鉴定评价棉花成株期黄萎病抗性,在实际应用中,病指值跨度偏大,测量值人为误差较大,不利于准确判定棉花品种的抗病性。
[0005] 综上所述,现有技术存在的问题是:
[0006] (1)现有黄萎病病情指数值跨度大。
[0007] (2)现有测量值人为误差大。现有技术分析被测植株黄萎病抗性鉴定结果中,人为主观因素造成的偏差大,不能通过计算机进行智能分析和判定。

发明内容

[0008] 本发明的目的在于提供一种棉花成株期黄萎病的田间鉴定方法,旨在解决现有棉花黄萎病鉴定方法所存在的病指值跨度高、人为误差较大的问题。
[0009] 本发明是这样实现的,一种棉花成株期黄萎病的田间鉴定方法,所述棉花成株期黄萎病的田间鉴定方法具体包括以下步骤:
[0010] 步骤一,将黄萎病病指划分为7个等级;
[0011] 步骤二,在棉花成株期,划定被测棉花植株区域,统计被测区域内的棉花植株总株数,标记为n;
[0012] 步骤三,测量所有被测区域内的棉花植株的高度,将测量的棉花植株高度标记为H(H1、H2、H3…..Hn);
[0013] 步骤四,将被测植株沿根基部中心纵向剖开,得到2个纵向剖面,以根基部为起点,测量纵剖面黄萎病浸染高度,将测量的被浸染高度分别标记为h(h1、h2、h3、……hn);
[0014] 步骤五,计算被测植株的病情指数;
[0015] 步骤六,根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,明确被测植株黄萎病抗性鉴定结果。
[0016] 进一步,步骤一中,所述7个黄萎病病指等级具体包括:
[0017] 病指0为免疫、病指0~10为高抗、10~30为中抗、30~50为轻抗、50~60为轻感、60~80为中感、80~100为高感。
[0018] 进一步,所述棉花成株期包括棉花花铃期、棉花结铃吐絮期。
[0019] 进一步,步骤五中,所述植株病情指数的计算方法具体为:
[0020]
[0021] 进一步,步骤六根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,分析被测植株黄萎病抗性鉴定结果中,得到的被测棉花黄萎病病指值与黄萎病病指等级信息与计算机预存的数据进行对比分析,将分析后的结果进行呈现;在进行数据对比分析中,具体包括:
[0022] 步骤一,在被测棉花植株区域内随机分布一定数量的同构的被浸染高度传感器节点,将被测棉花植株区域划分为面积大小不等的网格;
[0023] 步骤二,在每个网格内根据节点的剩余能量选取网格内的簇首节点,其余节点根据就近原则选择性的加入簇;
[0024] 步骤三,判断簇内的成员节点收集到的数据是否符合格拉布斯准则,满足,则认为节点是有效的,即簇首节点发送数据,否则,不发送数据;
[0025] 步骤四,簇首节点根据自适应聚合算法聚合来自有效的成员节点的数据和自身产生的数据;
[0026] 步骤五,簇首节点以多跳的形式向sink节点发送数据直到运行完给定的轮数。
[0027] 进一步,sink节点和所有节点都是时间同步和固定的,sink节点位于(sink_x,sink_y),并且是在被测棉花植株区域之外的;
[0028] 节点间的交流时双向的并且每个节点根据到接收点的距离来调整它的传输功率;
[0029] sink节点和被测棉花植株区域内的所有节点都是位置感知的。
[0030] 进一步,被浸染高度传感器节点能耗分为发射数据能耗、接收数据能耗和聚合数据能耗,节点到接收点的距离小于阈值d0,则采用自由空间模型,否则,采用多路径衰减模型,从而发射比特数据到距离为d0的接收点的能量消耗如下:
[0031]
[0032] 其中Eelec为发射电路能量消耗,εfs为自由空间模型下功率放大电路所需能量,εmp为多路径衰减模型下功率放大电路所需能量,接收比特数据能耗:
[0033] ERx(l)=l×Eelec;
[0034] 聚合比特数据的能量消耗:
[0035] EA=l×EDA;
[0036] 其中EDA表示聚合1比特数据的能量消耗。
[0037] 进一步,在进行数据对比分析中,进一步包括:
[0038] 在面积为S=L*L的被测棉花植株区域内,随机分布N个同构的无线被浸染高度传感器节点,sink节点位于被测棉花植株区域之外,节点处理整个无线传感器网络内收集到的数据;
[0039] 非均匀成簇:
[0040] sink节点位于被测棉花植株区域的上方;首先被测棉花植株区域X轴划分为S个泳道,所有泳道有相同的宽度w,并且每个泳道的长度与被测棉花植株区域的长度相等;用从1到s作为泳道的ID,最左端的泳道的ID为1,然后每个泳道沿着y轴划分为多个矩形网格,每个泳道中的每个网格都被定义一个平,最下端的网格的水平为1,每个网格和每个泳道有相同的宽度w;每个泳道中网格的个数、长度与泳道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的泳道,距离sink越远的泳道含有的网格数目越小;针对同一泳道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个泳道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个泳道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个泳道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
[0041] o_x+(i-1)×w<x≤o_x+i×w
[0042]
[0043] 非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合。
[0044] 进一步,被浸染高度传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对被浸染高度传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个被浸染高度传感器节点,被浸染高度传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
[0045] vi=xi-x0,
[0046] 根据顺序统计原理,计算格拉布斯统计量:
[0047]
[0048] 给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合。
[0049] 进一步,通过迭代得到各个节点测量数据的无偏估计值,求取各个被浸染高度传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的被浸染高度传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
[0050] 某个簇中有个被浸染高度传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
[0051]
[0052] 根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
[0053]
[0054] 其中 wi为相应的权值。
[0055] 综上所述,本发明的优点及积极效果为:
[0056] 本发明提供的棉花成株期黄萎病田间鉴定方法,能够减小人为测量的误差,同时测量值恒定,并有效避免棉花黄萎病传统测量法用估计值测算棉株被浸染程度所带来的误差。同时本发明提供的鉴定方法有效解决了现有黄萎病病指跨度大的问题,能够更精确的判定棉花品种抗病性与病情指数,同时仅需在田间即可进行鉴定,鉴定方法简单且便捷,无需利用实验仪器等进行鉴定,鉴定成本低。
[0057] 本发明根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,分析被测植株黄萎病抗性鉴定结果中,得到的被测棉花黄萎病病指值与黄萎病病指等级信息与计算机预存的数据进行对比分析,将分析后的结果进行呈现;在进行数据对比分析中,在被测棉花植株区域内随机分布一定数量的同构的被浸染高度传感器节点,将被测棉花植株区域划分为面积大小不等的网格;在每个网格内根据节点的剩余能量选取网格内的簇首节点,其余节点根据就近原则选择性的加入簇;判断簇内的成员节点收集到的数据是否符合格拉布斯准则,满足,则认为节点是有效的,即簇首节点发送数据,否则,不发送数据;簇首节点根据自适应聚合算法聚合来自有效的成员节点的数据和自身产生的数据;簇首节点以多跳的形式向sink节点发送数据直到运行完给定的轮数。克服了人为主观因素造成的偏差大,不能通过计算机进行智能分析和判定的问题,获得的鉴定数据准确。附图说明
[0058] 图1是本发明实施例提供的棉花成株期黄萎病的田间鉴定方法流程图

具体实施方式

[0059] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0060] 下面结合附图对本发明的应用原理做进一步描述。
[0061] 如图1所示,本发明实施例提供的棉花成株期黄萎病的田间鉴定方法具体包括以下步骤:
[0062] S101,将黄萎病病指划分为7个等级。
[0063] S102,在棉花成株期,划定被测棉花植株区域,统计被测区域内的棉花植株总株数,标记为n。
[0064] S103,测量所有被测区域内的棉花植株的高度,将测量的棉花植株高度标记为H(H1、H2、H3…..Hn)。
[0065] S104,将被测植株沿根基部中心纵向剖开,得到2个纵向剖面,以根基部为起点,测量纵剖面黄萎病浸染高度,将测量的被浸染高度分别标记为h(h1、h2、h3、……hn)。
[0066] S105,计算被测植株的病情指数。
[0067] S106,根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,明确被测植株黄萎病抗性鉴定结果。
[0068] 步骤S101中,本发明实施例提供的7个黄萎病病指等级具体包括:
[0069] 病指0为免疫、病指0~10为高抗、10~30为中抗、30~50为轻抗、50~60为轻感、60~80为中感、80~100为高感。
[0070] 本发明实施例提供的棉花成株期包括棉花花铃期、棉花结铃吐絮期。
[0071] 步骤S105中,本发明实施例提供的植株病情指数的计算方法具体为:
[0072]
[0073] 在本发明实施例中,步骤S101根据得到的被测棉花黄萎病病指值与黄萎病病指等级对应,分析被测植株黄萎病抗性鉴定结果中,得到的被测棉花黄萎病病指值与黄萎病病指等级信息与计算机预存的数据进行对比分析,将分析后的结果进行呈现;在进行数据对比分析中,具体包括:
[0074] 步骤一,在被测棉花植株区域内随机分布一定数量的同构的被浸染高度传感器节点,将被测棉花植株区域划分为面积大小不等的网格;
[0075] 步骤二,在每个网格内根据节点的剩余能量选取网格内的簇首节点,其余节点根据就近原则选择性的加入簇;
[0076] 步骤三,判断簇内的成员节点收集到的数据是否符合格拉布斯准则,满足,则认为节点是有效的,即簇首节点发送数据,否则,不发送数据;
[0077] 步骤四,簇首节点根据自适应聚合算法聚合来自有效的成员节点的数据和自身产生的数据;
[0078] 步骤五,簇首节点以多跳的形式向sink节点发送数据直到运行完给定的轮数。
[0079] 进一步,sink节点和所有节点都是时间同步和固定的,sink节点位于(sink_x,sink_y),并且是在被测棉花植株区域之外的;
[0080] 节点间的交流时双向的并且每个节点根据到接收点的距离来调整它的传输功率;
[0081] sink节点和被测棉花植株区域内的所有节点都是位置感知的。
[0082] 在本发明实施例中,被浸染高度传感器节点能耗分为发射数据能耗、接收数据能耗和聚合数据能耗,节点到接收点的距离小于阈值d0,则采用自由空间模型,否则,采用多路径衰减模型,从而发射比特数据到距离为d0的接收点的能量消耗如下:
[0083]
[0084] 其中Eelec为发射电路能量消耗,εfs为自由空间模型下功率放大电路所需能量,εmp为多路径衰减模型下功率放大电路所需能量,接收比特数据能耗:
[0085] ERx(l)=l×Eelec;
[0086] 聚合比特数据的能量消耗:
[0087] EA=l×EDA;
[0088] 其中EDA表示聚合1比特数据的能量消耗。
[0089] 在本发明实施例中,在进行数据对比分析中,进一步包括:
[0090] 在面积为S=L*L的被测棉花植株区域内,随机分布N个同构的无线被浸染高度传感器节点,sink节点位于被测棉花植株区域之外,节点处理整个无线传感器网络内收集到的数据;
[0091] 非均匀成簇:
[0092] sink节点位于被测棉花植株区域的上方;首先被测棉花植株区域X轴划分为S个泳道,所有泳道有相同的宽度w,并且每个泳道的长度与被测棉花植株区域的长度相等;用从1到s作为泳道的ID,最左端的泳道的ID为1,然后每个泳道沿着y轴划分为多个矩形网格,每个泳道中的每个网格都被定义一个水平,最下端的网格的水平为1,每个网格和每个泳道有相同的宽度w;每个泳道中网格的个数、长度与泳道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的泳道,距离sink越远的泳道含有的网格数目越小;针对同一泳道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个泳道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个泳道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个泳道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
[0093] o_x+(i-1)×w<x≤o_x+i×w
[0094]
[0095] 非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合。
[0096] 在本发明实施例中,被浸染高度传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对被浸染高度传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个被浸染高度传感器节点,被浸染高度传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
[0097] vi=xi-x0,
[0098] 根据顺序统计原理,计算格拉布斯统计量:
[0099]
[0100] 给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合。
[0101] 在本发明实施例中,通过迭代得到各个节点测量数据的无偏估计值,求取各个被浸染高度传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的被浸染高度传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
[0102] 某个簇中有个被浸染高度传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
[0103]
[0104] 根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
[0105]
[0106] 其中 wi为相应的权值。
[0107] 以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈