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！

龙图腾网获悉青岛农业大学申请的专利基于农业物联网的作物生长监测方法及系统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：CN120429737B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202510922413.3，技术领域涉及：G06F18/2411；该发明授权基于农业物联网的作物生长监测方法及系统是由赵树林;王海;牟肖光;王存鹏设计研发完成，并于2025-07-04向国家知识产权局提交的专利申请。

本基于农业物联网的作物生长监测方法及系统在说明书摘要公布了：本发明公开了基于农业物联网的作物生长监测方法及系统，方法包括构建作物监测向量、作物监测样本预处理、作物监测样本集构建、设计双分支支持向量机损失、分支问题构建、建立作物生长评估模型和作物生长监测。本发明属于生长监测领域，具体是指基于农业物联网的作物生长监测方法及系统，本方案通过计算样本信任度阈值进行数据筛选；对剩余置信度高的样本进行邻域合成样本生成，再经置信度筛选，进行增强；选取高置信度样本生成边界样本，增加对边界区域的认知；通过引入双分支支持向量机损失，抑制离群点影响；分别构建生长健康与生长受限分支问题，增强边界感知，约束条件中加入边界样本。提升对临界状态区域的判别能力；进而提高生长监测效果。

本发明授权基于农业物联网的作物生长监测方法及系统在权利要求书中公布了：1.基于农业物联网的作物生长监测方法，其特征在于：该方法包括以下步骤： 步骤S1：构建作物监测向量；通过农业物联网传感器获取作物生长监测数据；标注生长健康和生长受限；构建初始作物监测样本集； 步骤S2：作物监测样本预处理；针对初始作物监测样本集，分别计算样本内部的平均概率与最大概率以确定样本信任度阈值； 步骤S3：作物监测样本集构建；剔除初始样本集中置信度低的样本；通过增强样本并生成边界样本，最终构建作物监测样本集； 步骤S4：设计双分支支持向量机损失；基于误差、浅层神经网络映射输出、SVM超平面法向量和刻度因子设计双分支支持向量机损失函数； 步骤S5：分支问题构建；分别为生长健康和生长受限两类构建双分支问题，在目标函数中引入边界样本； 步骤S6：建立作物生长评估模型；基于SVM、双分支支持向量机损失和分支问题建立作物生长评估模型； 步骤S7：作物生长监测；基于作物生长评估模型对实时采集的作物生长监测数据进行作物生长监测； 步骤S2中，所述作物监测样本预处理是对于初始作物监测样本集，用朴素贝叶斯模型估计样本属于生长健康生长受限两类的条件概率，表示为：；其中，X是作物监测向量；是第j维监测值；是样本类别；和分别是类别和类别的先验概率；k是类别索引；和分别是在类别和类别下，第j维监测值取值为的概率，是条件似然，用高斯分布估计；m是作物监测向量总维度；在生长健康类与生长受限类内部，分别计算平均概率与最大概率，确定样本信任度阈值，表示为：；；；其中，是类别的平均置信度；是最大置信度；是类别的样本； 在步骤S3中，所述作物监测样本集构建是剔除那些被判为生长健康但置信度过低的样本，表示为：，则剔除样本；并剔除生长受限中置信度不足的样本，表示为：，则剔除样本；其中，和分别是监测向量X属于生长健康和生长受限的后验概率；和分别是生长健康和生长受限的样本信任度阈值；对剩余置信度高的生长受限样本，在其k个最近邻中随机选一个，进行邻域合成样本生成，得到增强样本，表示为：；并进行置信度筛选，若，则保留；其中，是插值系数；是属于生长受限的后验概率；并在剔除完善后的生长健康样本和生长受限样本中，通过线性插值生成样本，以增加对边界区域的先验了解，表示为：；将增强样本和线性插值生成样本作为边界样本；对于边界样本，基于后验概率划分为生长健康边界样本和生长受限边界样本；基于高置信度生长健康样本集、生长受限样本和边界样本构建作物监测样本集； 在步骤S4中，所述设计双分支支持向量机损失是用双分支支持向量机损失削弱离群点影响，令误差，损失表示为：；其中，是浅层神经网络映射输出；是SVM超平面法向量；y是样本真实标签；是刻度因子； 在步骤S5中，所述分支问题构建是分别为正常生长和生长受限两类构建双分支问题，生长健康分支问题的目标函数引入生长健康边界样本，对于生长健康分支问题，设浅神经网络映射hx，生长受限和生长健康边界样本的松弛变量集和，先验强度和，生长健康分支问题目标函数表示为：；；；其中，是来自生长受限样本的浅层神经网络输出；、和分别是生长健康、生长受限和生长健康边界训练样本的数量，i是样本索引；是用于生长健康超平面的权重向量；是生长健康样本；s是边界样本索引；U是生长健康边界样本矩阵；和分别是生长受限和生长健康边界样本的松弛变量向量；是平滑项；是全1向量，维度与生长健康边界样本的数量相匹配；生长受限分支问题的目标函数与生长健康分支问题的目标函数的逻辑结构对称； 在步骤S6中，所述建立作物生长评估模型是将作物监测样本作物监测样本集划分为训练集和测试集，将训练集样本通过一层浅神经网络映射hx，基于映射后的特征，分别为生长健康与生长受限两类构建各自的SVM分支问题；对于每个分支问题，使用双分支支持向量机损失抑制离群点；训练时分别对两类分支问题建立拉格朗日函数，构造对偶形式，选择带动量的随机梯度下降优化器；每次小批量采样B个向量{x}，经映射hx计算梯度并更新和；同时更新松弛变量与对偶乘子；直到权重向量的变化量小于收敛阈值或最大迭代次数；作物生长评估模型训练完成，并基于测试集验证模型性能，若达标则作物生长评估模型建立完成，否则基于粒子群优化算法调整参数重新训练。

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青岛农业大学，其通讯地址为：266109 山东省青岛市城阳区长城路700号；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”。