买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于注意力机制的微生物菌落分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114549536B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210146742.X，技术领域涉及：G06T7/10；该发明授权一种基于注意力机制的微生物菌落分割方法是由查玄根;徐建设计研发完成，并于2022-02-17向国家知识产权局提交的专利申请。

本一种基于注意力机制的微生物菌落分割方法在说明书摘要公布了：本发明公开了一种基于注意力机制的微生物菌落分割方法，1:菌落培养后拍摄菌落图像，获取菌落数据集D，划分为训练集、验证集、测试集；2:使用数据增强的方法对预输入的图片进行处理；3:设计注意力机制模块CSA，并将其嵌入到高分辨率卷积神经网络中，形成深度卷积神经网络模型；4:通过加载预训练的网络模型参数对卷积神经网络进行参数初始化，每层的神经元根据误差对网络结构中的参数进行更新；5:每一次训练结束后，使用验证集对网络模型进行验证，并保存其准确率最高的模型参数作为最优模型；6:在测试集上对最优模型进行测试，并将菌落语义分割结果图输出。本发明方法的菌落边界更加接近真实情况，而且准确率也更高。

本发明授权一种基于注意力机制的微生物菌落分割方法在权利要求书中公布了：1.一种基于注意力机制的微生物菌落分割方法，其特征在于，包括如下步骤： 步骤1:菌落培养后用工业相机拍摄菌落图像，获取菌落数据集D，之后将D中所有n张菌落图像数据按40:7:7的比例划分为训练集、验证集、测试集； 步骤2:使用数据增强的方法对预输入的图片进行处理； 步骤3:设计注意力机制模块CSA，并将其嵌入到高分辨率卷积神经网络中，形成深度卷积神经网络模型； 所述步骤3注意力机制模块CSA首先对输入维度为C×H×W的特征图像分别进行水平平均池化和垂直平均池化，得到维度分别为C×H×1和C×1×W的中间特征图；用c表示第c个通道，h表示特征图中的第h行，w表示特征图中的第w列，该过程的计算公式分别是： 水平平均池化： 垂直平均池化： 之后，将得到的中间特征图分别用三个不同1×1卷积核进行处理；对于行池化，三个1×1卷积得到的特征图分别为Qh，Kh和Vh；相应的，列池化得到的为Qw，Kw和Vw；其中前两个1×1卷积核会使中间特征图的维度变为C'×H×1或C'×1×W，C'为降低维度后的通道数；而第三个1×1卷积核不会改变其维度，仍为C×H×1或C×1×W；紧接着，将前两个1×1卷积核处理过的特征图进行矩阵乘法，此过程会对特征图进行维度变换，使得矩阵相乘的形式为：1×H×C'*1×C'×H或1×W×C'*1×C'×W，故得到的注意力图维度为1×H×H或1×W×W；再将其使用Softmax函数处理后与第三个1×1卷积结果进行矩阵乘法，同样地，需要将1*1卷积结果维度变换为1×C×H或1×C ×W再进行计算，具体计算公式可表示为： 水平方向： 垂直方向： 上述公式中表示特征图Qh和Qw的第i个位置， 表示特征图Kh和Kw的第j个位置；而sij和tij则表示在注意力图中第i个位置对第j个位置的影响力，sij或tij越大，就表示两个位置之间的相关性越高；由此得到的注意力特征图的维度为C×H×1和C×1×W；接着，将水平方向和垂直方向得到的结果均扩张至C×H×W，最后与原始输入特征图进行逐个像素相加，输出经过一个CSA处理的特征图； 步骤4:通过加载预训练的网络模型参数对卷积神经网络进行参数初始化，输入数据在卷积神经网络中经过前向传播会得到一个期望输出，如果这个期望输出与数据的实际类别标签不相同，则将误差逐层反向传播至输入层，每层的神经元会根据该误差对网络结构中的参数进行更新； 步骤5:每一次训练结束后，使用验证集对网络模型进行验证，并保存其准确率最高的模型参数作为最优模型； 步骤6:在测试集上对最优模型进行测试，并将菌落语义分割结果图输出，结果图中用不同灰度级的区域分别代表不同种类的菌落。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。