買(mǎi)專利賣(mài)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)獲悉福州大學(xué)申請(qǐng)的專利一種基于深度學(xué)習(xí)和圖像處理的蔬菜苗田雜草檢測(cè)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114067207B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-29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(qǐng)?zhí)?專利號(hào)為：202111351819.9，技術(shù)領(lǐng)域涉及：G06V20/10；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)和圖像處理的蔬菜苗田雜草檢測(cè)方法是由東輝;陳鑫凱;孫浩;李敘兵設(shè)計(jì)研發(fā)完成，并于2021-11-16向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于深度學(xué)習(xí)和圖像處理的蔬菜苗田雜草檢測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及一種基于深度學(xué)習(xí)和圖像處理的蔬菜苗田雜草檢測(cè)方法。采集不同生長(zhǎng)階段的蔬菜苗田內(nèi)蔬菜與主要雜草的圖片，經(jīng)過(guò)預(yù)處理建立圖像數(shù)據(jù)集，劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；在采集的甜菜與雜草圖片數(shù)據(jù)集上訓(xùn)練雜草目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)模型，利用測(cè)試集進(jìn)行精度測(cè)試；輸入待檢測(cè)圖像，生成雜草目標(biāo)檢測(cè)框、雜草類別和雜草目標(biāo)置信度得分；利用非極大值抑制算法從檢測(cè)框中篩選出對(duì)應(yīng)種類局部置信度極大值檢測(cè)框，作為當(dāng)前雜草目標(biāo)檢測(cè)真值框；在雜草目標(biāo)檢測(cè)框采用超綠圖像特征結(jié)合OTSU自適應(yīng)閾值分割算法分割當(dāng)前區(qū)域圖像，得到更加精準(zhǔn)的目標(biāo)圖像質(zhì)心坐標(biāo)位置和外接矩形框。本方法能夠快速對(duì)蔬菜苗田中的作物和雜草目標(biāo)進(jìn)行準(zhǔn)確識(shí)別和定位。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)和圖像處理的蔬菜苗田雜草檢測(cè)方法在權(quán)利要求書(shū)中公布了：1.一種基于深度學(xué)習(xí)和圖像處理的蔬菜苗田雜草檢測(cè)方法，其特征在于，包括如下步驟：S1、在蔬菜大棚內(nèi)采集大量不同生長(zhǎng)階段的蔬菜苗田內(nèi)蔬菜與主要雜草的RGB三通道圖片；S2、經(jīng)過(guò)數(shù)據(jù)標(biāo)注、圖像預(yù)處理和數(shù)據(jù)增強(qiáng)建立圖像數(shù)據(jù)集，將圖像數(shù)據(jù)集中的樣本按照8:1:1的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；S3、在采集的甜菜與雜草圖片數(shù)據(jù)集上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)得到網(wǎng)絡(luò)預(yù)權(quán)重，然后通過(guò)遷移學(xué)習(xí)和網(wǎng)絡(luò)凍結(jié)的方式在訓(xùn)練集上訓(xùn)練雜草目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)模型，利用測(cè)試集對(duì)訓(xùn)練好的雜草目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行精度測(cè)試得到檢測(cè)結(jié)果并進(jìn)行網(wǎng)絡(luò)微調(diào)；S4、將待檢測(cè)圖像輸入網(wǎng)絡(luò)模型中進(jìn)行推理，在待檢圖像中生成雜草目標(biāo)檢測(cè)框、雜草類別和雜草目標(biāo)置信度得分；S5、利用非極大值抑制算法從所有檢測(cè)框中篩選出對(duì)應(yīng)種類局部置信度極大值檢測(cè)框，作為當(dāng)前雜草目標(biāo)檢測(cè)真值框；S6、在所有雜草目標(biāo)檢測(cè)框采用超綠圖像特征結(jié)合OTSU自適應(yīng)閾值分割算法分割當(dāng)前區(qū)域圖像，輸出更加精準(zhǔn)的雜草目標(biāo)圖像質(zhì)心坐標(biāo)和外接矩形框；在步驟S3中，卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)權(quán)重是在甜菜與雜草圖片數(shù)據(jù)集上訓(xùn)練得到的CSPDarknet-53主干特征提取網(wǎng)絡(luò)模型，包含16個(gè)卷積層，卷積核形式為1×1和3×3；在步驟S6中，圖像分割采用超綠圖像特征結(jié)合OTSU自適應(yīng)閾值分割算法，然后在前景圖像上計(jì)算連通域和目標(biāo)質(zhì)心坐標(biāo)，最后輸出包含雜草類別、雜草目標(biāo)檢測(cè)框和雜草質(zhì)心坐標(biāo)的檢測(cè)結(jié)果。

如需購(gòu)買(mǎi)、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(qǐng)人或?qū)＠麢?quán)人福州大學(xué)，其通訊地址為：350108 福建省福州市閩侯縣福州大學(xué)城烏龍江北大道2號(hào)福州大學(xué)；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)”。