買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜晨達(dá)(廣州)網(wǎng)絡(luò)科技有限公司申請的專利一種基于機(jī)器視覺的圖像分類方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119399559B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-04發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510000433.5，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種基于機(jī)器視覺的圖像分類方法及系統(tǒng)是由王婧;歐玲君;楊子豪;蘇煜展;洪博;羅四維設(shè)計(jì)研發(fā)完成，并于2025-01-02向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于機(jī)器視覺的圖像分類方法及系統(tǒng)在說明書摘要公布了：本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，公開了一種基于機(jī)器視覺的圖像分類方法及系統(tǒng)，獲取通過視覺設(shè)備采集的初始圖像集，對初始圖像集中的圖像數(shù)據(jù)進(jìn)行預(yù)處理操作，得到第一圖像集；對第一圖像集中的圖像數(shù)據(jù)進(jìn)行特征提取，得到第二圖像集，對第二圖像集進(jìn)行降維處理，得到輸入圖像集；將輸入圖像集拆分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，輸入訓(xùn)練數(shù)據(jù)集對預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練；將測試數(shù)據(jù)集的分類準(zhǔn)確率作為訓(xùn)練結(jié)果的評價指標(biāo)，更新權(quán)重，確定模型參數(shù)值，輸出圖像分類模型；采用圖像分類模型對平臺中的圖像進(jìn)行分類，并進(jìn)行類別標(biāo)記，并采用沙丘貓算法根據(jù)用戶的搜索信息進(jìn)行圖像推薦，基于搜索信息輸出圖像分類結(jié)果；本發(fā)明提高了分類的準(zhǔn)確性和效率。

本發(fā)明授權(quán)一種基于機(jī)器視覺的圖像分類方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種基于機(jī)器視覺的圖像分類方法，其特征在于，所述基于機(jī)器視覺的圖像分類方法包括以下步驟：獲取通過視覺設(shè)備采集的初始圖像集，對所述初始圖像集中的圖像數(shù)據(jù)進(jìn)行預(yù)處理操作，得到第一圖像集；對所述第一圖像集中的圖像數(shù)據(jù)進(jìn)行特征提取，得到第二圖像集，對所述第二圖像集進(jìn)行降維處理，得到輸入圖像集；將所述輸入圖像集拆分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，獲取預(yù)訓(xùn)練模型，并初始化參數(shù)，輸入所述訓(xùn)練數(shù)據(jù)集對所述預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練；使用訓(xùn)練后的模型將所述測試數(shù)據(jù)集的分類準(zhǔn)確率作為訓(xùn)練結(jié)果的評價指標(biāo)，并更新權(quán)重，確定模型參數(shù)值，輸出圖像分類模型；采用所述圖像分類模型對平臺中的圖像進(jìn)行分類，并進(jìn)行類別標(biāo)記，并采用沙丘貓算法根據(jù)用戶的搜索信息進(jìn)行圖像推薦，基于所述搜索信息輸出圖像分類結(jié)果；其中，對所述第一圖像集中的圖像數(shù)據(jù)進(jìn)行特征提取，得到第二圖像集，包括：獲取所述第一圖像集中的圖像數(shù)據(jù)，針對所述第一圖像集中的圖像數(shù)據(jù)構(gòu)建尺度空間；采用局部自適應(yīng)閾值的FAST算法在每個尺度進(jìn)行特征點(diǎn)檢測，將檢測到的特征點(diǎn)作為初始特征點(diǎn)；構(gòu)建高斯金字塔，在所述高斯金字塔中對所述初始特征點(diǎn)與其鄰域以及上、下尺度的點(diǎn)進(jìn)行極值比較，并判斷所述初始特征點(diǎn)是否為極大值或極小值；若是，則將所述初始特征點(diǎn)確定為最終特征點(diǎn)，若否則以所述初始特征點(diǎn)為中心的鄰域范圍內(nèi)搜索距離中心最近的極值點(diǎn)作為最終特征點(diǎn)；獲取提取的最終特征點(diǎn)，并采用SIFT描述符進(jìn)行描述，生成相應(yīng)特征向量，并生成第二圖像集；所述輸入圖像集拆分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，獲取預(yù)訓(xùn)練模型，并初始化參數(shù)，輸入所述訓(xùn)練數(shù)據(jù)集對所述預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，包括：獲取所述訓(xùn)練數(shù)據(jù)集中的樣本特征圖，將所述樣本特征圖輸入預(yù)訓(xùn)練模型，其中所述預(yù)訓(xùn)練模型基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建；通過所述預(yù)訓(xùn)練模型的深度位置編碼重疊切塊嵌入模塊進(jìn)行重疊切塊處理，得到帶有局部重疊細(xì)節(jié)與邊緣信息的像素塊；將得到的像素塊線性映射為輸出特征，采用深度注意力模塊進(jìn)行一次深度卷積獲取像素塊的權(quán)重信息，并添加對應(yīng)的位置信息，得到帶有位置信息的特征序列；將帶有位置信息的特征與樣本特征圖相乘，融合位置信息和局部特征，得到特征圖；采用K-Means聚類算法對生成的特征圖進(jìn)行聚類，進(jìn)行剪枝后，識別準(zhǔn)確率，使用上置信度函數(shù)作為采集函數(shù)，預(yù)測采集值最高的候選參數(shù)組合，根據(jù)預(yù)測結(jié)果在訓(xùn)練候選參數(shù)組合對應(yīng)的模型。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人晨達(dá)(廣州)網(wǎng)絡(luò)科技有限公司，其通訊地址為：510000 廣東省廣州市增城區(qū)新塘鎮(zhèn)廣深大道中125號自編602房516號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。