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！

龙图腾网获悉中国农业大学申请的专利一种基于少样本学习和原型注意力的叶类蔬菜病害检测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：CN120107791B 。

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：202510175105.9，技术领域涉及：G06V20/10；该发明授权一种基于少样本学习和原型注意力的叶类蔬菜病害检测方法是由闫硕;张焱;宋一泓;李妍;李睿恒;杜相革;王波深;董民设计研发完成，并于2025-02-18向国家知识产权局提交的专利申请。

本一种基于少样本学习和原型注意力的叶类蔬菜病害检测方法在说明书摘要公布了：本发明公开了一种基于少样本学习和原型注意力的叶类蔬菜病害检测方法，包括以下步骤：S1、对数据进行预处理与增强；S2、对图像进行多尺度特征提取；S3、全局特征建模；S4、目标检测与语义分割；S5、少样本优化与微调。本发明采用上述的一种基于少样本学习和原型注意力的叶类蔬菜病害检测方法，针对农业病害数据样本稀缺的问题，引入少样本学习网络架构，能在有限数据条件下实现快速准确的病害区域识别和分割，结合目标检测和语义分割任务，进行病害定位和细粒度分割，提高了检测精度和分割性能，将原型提取与注意力机制融合，有效提升了低样本条件下模型的学习能力，能够实时应用于蔬菜种植区的病害检测与控制，支持农民高效管理病害。

本发明授权一种基于少样本学习和原型注意力的叶类蔬菜病害检测方法在权利要求书中公布了：1.一种基于少样本学习和原型注意力的叶类蔬菜病害检测方法，其特征在于，包括以下步骤： S1、对数据进行预处理与增强； S2、在ProtoVegNet模型中利用ResNet-50作为特征提取的主干网络进行多尺度特征提取； S3、使用Transformer编码器进行全局语义建模； S4、目标检测与语义分割； S5、少样本优化与微调； S3中，在每一层特征图中添加位置嵌入信息，保留空间位置信息，确保正确定位病害特征，在多尺度特征提取后，使用ProtoVegNet模型中的原型提取模块从特征图中提取类别原型，类别原型作为类别的全局表示； 原型提取模块从特征图中提取类别原型，具体过程为： 从ResNet-50主干网络和Transformer编码器输出的多尺度特征图作为输入，对输入的高维特征图进行降维操作； 结合类别原型计算注意力权重矩阵：使用类别原型与输入特征图中每个像素或特征点的嵌入计算相似度，相关性结果通过Softmax操作归一化，生成注意力权重矩阵，表示每个特征点对各类别的响应强度； 使用原型注意力机制对原始特征图进行权重处理，与类别原型相似度高的特征区域得到更高的权重，增强响应，同时抑制背景干扰； 通过聚类算法对特征图中属于同一类别的特征进行分组，之后以低维度、全局表示的向量输出，该向量用于总结该类别的核心特征，即类别原型，每一组的中心，即均值向量被计算为该类别的类别原型； 原型提取模块为每个类别生成对应的原型向量，原型向量作为注意力机制的输入，增强后的特征图将输入目标检测与语义分割子模块； S4中，利用目标检测子模块和语义分割子模块进行目标检测和语义分割，其中，目标检测子模块包括前景预测器、分类器和边界框预测器，分别用于判断图像中哪些区域包含病害、对前景区域进行类别分类和提取病害区域的边界框，语义分割子模块包括掩膜预测器，用于生成病害区域的分割掩膜； S5具体过程如下： 首先，训练基础模型，在增强数据集上训练主干网络和双任务模块，处理标准类别； 然后，进行新类别微调，利用ProtoVegNet模型通过注意力机制生成伪标签，为少样本数据提供额外的监督信号； ProtoVegNet模型在微调过程中引入知识蒸馏从基础模型中提取知识，用于指导当前模型的训练，以优化新类别数据的特征表达，同时保持基础模型对原始类别的检测性能。

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中国农业大学，其通讯地址为：100193 北京市海淀区圆明园西路2号中国农业大学西校区；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”。