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科学院果树研究所申请的专利基于叶片图像深度学习的野生梨品种识别系统及识别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：CN120451964B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202510540864.0，技术领域涉及：G06V20/68；该发明授权基于叶片图像深度学习的野生梨品种识别系统及识别方法是由董星光;李妮蔓;田路明;张莹;霍宏亮;齐丹;徐家玉;刘超设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本基于叶片图像深度学习的野生梨品种识别系统及识别方法在说明书摘要公布了：本发明提供基于叶片图像深度学习的野生梨品种识别系统及识别方法，涉及深度学习算法技术领域，包括获得叶片增强图像，将原始叶片图像训练集与经过格式转换后的生成图像混合，将混合图像进行标准化预处理，输入到构建的多尺度残差网络进行训练，并输出野生梨品种概率向量。获取野生梨叶片图像不同光照条件下的训练集、测试集和验证集，将原始叶片训练集输入到构建的生成对抗网络中，获得叶片增强图像，增加样本的数据量，将混合图像进行二维离散小波变换，提高对叶片图像的识别精度，输入到构建的多尺度残差网络进行训练，引入注意力机制，强化关键区域，获得优化后的野生梨品种分类模型，并输出野生梨品种概率向量。

本发明授权基于叶片图像深度学习的野生梨品种识别系统及识别方法在权利要求书中公布了：1.基于叶片图像深度学习的野生梨品种识别方法，其特征在于，包括： S1：选择多尺度残差网络作为基线模型，构建野生梨品种识别的模型，模型中包括输入层、中间层和输出层，将生成对抗网络作为输入层，将图片预处理模块作为中间层的第一层，将多尺度残差网络作为中间第二层，将模型的输出作为输出层，获取野生梨叶片图像数据集进行标注构建训练集、测试集和验证集； S2：将原始叶片训练集输入至模型中，使用输入层构建的生成对抗网络进行数据增强，获得叶片增强数据； S3：使用模型中间第一层图片预处理模块将生成的叶片增强图像进行格式转换，将原始叶片图像训练集与经过格式转换后的生成图像混合，将混合图像进行标准化预处理； 所述标准化预处理包括将原始叶片图像训练集与经过格式转换后的生成图像以3:1形式混合，对每个输入图像，按照通道进行二维离散小波变换，分解为低频子带和高频子带，对高频子带进行自适应增益放大，并将增强后的高频子带与原始低频子带进行小波逆变换，重建为空间域图像，对RGB三通道分别执行均值归零和方差归一化： 其中，xl表示多尺度残差网络l层输入特征图；Imix表示混合输入图像；DWT离散小波变换；DWTImixhigh表示高频子带集合；H表示高频子带信息熵；E表示高频子带能量；λ表示增强强度系数；IDWT表示逆小波变换；μ表示混合数据集的全局均值；σ表示混合数据集的全局标准差；∈表示数据稳定值；Ireal表示原始叶片图像训练集；Ifake表示经过格式转换后的生成图像；LL表示低频子带； S4：将预处理后的混合图像输入到中间第二层构建的多尺度残差网络进行训练，在训练过程中，同时优化损失函数； 所述构建的多尺度残差网络包括设计三通路并联非对称卷积核捕捉不同叶片形态特征，其中，采用1×1的卷积层提取叶片的边缘特征，采用3×3的卷积层捕捉叶片的整体形状，采用5×3卷积层提取整个叶片的结构，并且引入空间注意力机制，构建残差函数，在残差块内传递叶片的形态特征，包括叶片的形状、尺寸、纹理和颜色； 其中， y表示输出特征图；Conv2D1×1表示1×1的卷积层；Conv2D3×3表示3×3的卷积层；Conv2D5×3xl表示5×3卷积层；W1表示第一个全连层权重；W2表示第二个全连层权重；表示第c个通道在空间位置h，w的特征值；Ckxlh,w表示第k个分支在通道c、位置h,w处的特征值；h表示高度坐标；w表示宽度坐标；H表示特征图高度；W表示特征图宽度；表示融合特征；Fxl；θl表示残差函数；表示空间注意力权重图； S5：输出层使用验证集和测试集来评估野生梨品种分类模型的性能，并在模型满足要求后用来识别野生梨的品种。

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科学院果树研究所，其通讯地址为：125100 辽宁省葫芦岛市兴城市兴海南街98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”。

以上内容由龙图腾AI智能生成。