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！

龙图腾网获悉浙江农林大学申请的专利一种基于GMamba模型的垃圾分类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：CN120431408B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202510889185.4，技术领域涉及：G06V10/764；该发明授权一种基于GMamba模型的垃圾分类方法是由周厚奎;丁奇沣设计研发完成，并于2025-06-30向国家知识产权局提交的专利申请。

本一种基于GMamba模型的垃圾分类方法在说明书摘要公布了：本发明公开了一种基于GMamba模型的垃圾分类方法，所述方法包括：通过摄像头和互联网搜索获取垃圾图像，并进行数据增强预处理；在GMamba模型中引入轻量模块GML和核心模块GMC，分别通过轻量扫描机制LSM和核心扫描机制CSM，增强局部与长程空间依赖特征的提取能力；采用混合损失函数，结合焦点损失和交叉熵损失，动态优化类别不平衡问题；将预处理后的图像数据输入GMamba模型进行训练与测试，获得最优模型；最后，将待分类图像输入最优模型，输出分类结果。本发明提出的基于GMamba的垃圾自动识别方法，以轻量化设计和高准确率实现高效、精准的垃圾分类，特别适用于资源受限设备，具有广阔的应用前景。

本发明授权一种基于GMamba模型的垃圾分类方法在权利要求书中公布了：1.一种基于GMamba模型的垃圾分类方法，其特征在于，包括如下步骤： a.收集并预处理垃圾图像数据集，首先在自然场景中通过摄像头采集垃圾图像，同时利用互联网搜索构建垃圾图像数据集T，并对数据集T进行数据预处理，得到处理后的新垃圾图像数据集MT；在预处理过程中，对数据集T中的每张图像I∈T进行尺寸归一化、对比度调整和数据增强操作，以优化图像清晰度并增强特征提取的有效性； b.构建一种基于GMamba模型的垃圾分类模型，改进方法包括在Mamba网络中引入LSM轻量扫描机制，采用空洞采样和特征重组机制，在保持全局感受野的同时减少计算量；具体方法为，对所述步骤a中的输入垃圾图片I进行四个方向的空洞采样，按固定步长对输入特征图I进行间隔采样，分解为多个较小的块；间隔采样各个块索引的计算过程如下所示： 其中i∈{0,1,2,…,H-1}，j∈{0,1,2,…,W-1}是输入特征图的空间坐标，H和W分别是输入特征图I的高度和宽度，p是固定的步长，表示向下取整，使用sin和cos函数引入周期性偏移，确保采样点分布更均匀，a,b是间隔采样的各个块索引空间坐标；然后采样后的块Pk可以表示为： 其中k∈{0,1,2,…,C-1}，C是输入特征图I的通道数；然后对每个采样后的块Pk应用SSM模块，提取局部特征，计算过程如下所示： At＝SoftplusNA·Pk+bA Bt＝NB·Pk+bB Ct＝NC·SiLUPk+bC ht＝Atht-1+BtPk 其中，NA、NB、NC是固定的可学习参数，通过模型训练优化，初始化通常采用正态分布，bA、bB、bC是固定的可学习偏置矩阵，初始化为零或小随机值，Softplus·和SiLU·表示激活函数，确保矩阵计算的元素保持正数，ht是时间t的隐藏状态，ht-1是前一个隐藏状态，状态转换矩阵At、输入矩阵Bt和输出矩阵Ct根据输入Pk在每个时间步动态生成，是处理后的局部特征图输出；最后将所有通道的局部特征合并为一个全局特征图，计算过程如下所示： 其中，Concat·表示特征图拼接操作，Fglobal为最终生成的全局特征图； 引入CSM核心扫描机制，采用多方向扫描路径和全面扫描机制，桥接了一维序列扫描和二维平面遍历之间的差距，高效地捕获图像中的长程依赖关系和上下文信息；CSM核心扫描机制包括选择性交叉扫描和交叉合并两个主要步骤，具体方法为，对所述步骤a中的输入垃圾图片I展开为多个一维序列，以便进行选择性扫描，计算过程如下所示： Sd＝FlattendI 其中Flattend·表示特征图展平操作，d∈{1,2,3,4}表示扫描的方向，具体取值为四种路径：行正向、行逆向、列正向和列逆向，Sd表示第d个方向的序列；每个扫描路径的序列Sd单独输入到SSM模块中，四个SSM模块并行处理四个方向的序列，得到四组增强后的序列计算过程如下所示： Dt＝SoftplusND·Sd+bD Et＝NE·Sd+bE Ft＝NF·SiLUSd+bF qt＝Dtqt-1+EtSd 其中，ND、NE、NF是固定的可学习参数，通过模型训练优化，初始化通常采用正态分布，bD、bE、bF是固定的可学习偏置矩阵，初始化为零或小随机值，qt是时间t的隐藏状态，qt-1是前一个隐藏状态，状态转换矩阵Dt、输入矩阵Et和输出矩阵Ft根据输入Sd在每个时间步动态生成；然后对四个方向的进行反序列化，将每个序列重构为二维特征图Yd，每个方向生成一个新的特征图Fd，然后对四个方向的特征图进行融合，计算过程如下所示： Fd＝ReshapeYd 其中UnFlattend·表示特征图反序列化操作，Reshape·表示调整特征图维度操作，满足后续矩阵计算的要求，Ffuse表示融合后的全局特征图； 训练阶段采用混合损失函数，结合焦点损失和交叉熵损失，优化类别不平衡问题，提升模型泛化性能； c.将预处理后的垃圾图像数据集输入GMamba模型进行训练与验证，通过迭代训练保存最优模型权重，并使用验证集评估模型性能，评估指标包括Top-1准确率、精确率、召回率、F1分数、参数量以及训练时间； d.将待分类的垃圾图像输入至步骤c训练得到的GMamba模型，通过正向计算输出分类结果。

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浙江农林大学，其通讯地址为：311300 浙江省杭州市临安区武肃街666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”。