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！

龙图腾网获悉南京理工大学申请的专利一种基于双特征感知网络的猪脸识别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：CN119314203B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202411358063.4，技术领域涉及：G06V40/10；该发明授权一种基于双特征感知网络的猪脸识别方法及系统是由童一飞;王鹤翔;常青;成越设计研发完成，并于2024-09-27向国家知识产权局提交的专利申请。

本一种基于双特征感知网络的猪脸识别方法及系统在说明书摘要公布了：本发明公开了一种基于双特征感知网络的猪脸识别方法及系统，涉及计算机视觉技术领域，采集待检测猪脸面部图像建立猪脸数据集；建立猪脸识别网络模型，并利用猪脸数据集进行训练和验证，最后将待识别猪脸图像输入到验证后猪脸识别网络模型中得出猪脸识别结果。本发明不仅通过引入双特征提取机制，有效增强了模型对猪脸特征的辨识能力，显著提高了识别精度。而且还通过在训练过程中对损失函数进行监控和调整，能够及时识别和纠正训练过程中可能出现的过拟合或欠拟合问题，确保训练后的模型具有较高的稳定性和鲁棒性。尤其在面对不同光照、角度和背景下的猪脸图像时，模型仍然能够保持较高的识别精度。

本发明授权一种基于双特征感知网络的猪脸识别方法及系统在权利要求书中公布了：1.一种基于双特征感知网络的猪脸识别方法，其特征在于，包括： 步骤1、采集待检测猪脸面部图像并裁剪为统一尺寸，基于个体身份编号，建立猪脸数据集； 步骤2、将猪脸数据集划分为训练集和测试集，对训练集进行数据增强用于模型训练；测试集用于评估模型性能； 步骤3、构建基于双特征感知网络的猪脸识别网络模型； 步骤4、使用训练集对基于双特征感知网络的猪脸识别网络模型训练，采用Adam梯度下降法更新模型的损失函数值； 步骤5、利用测试集验证网络性能并计算性能指标，若性能指标达到规定阈值则保存模型权重； 步骤6、将待识别猪脸图像输入到验证后的基于双特征感知网络的猪脸识别网络模型中得出猪脸识别结果； 步骤3具体过程如下： 步骤3.1、搭建猪脸识别模型主干网络，输出为3层不同分辨率特征图； 步骤3.2、将3层不同分辨率特征图传输到FPN特征金字塔网络，得到3种不同尺度特征图作为特征金字塔网络的输出； 步骤3.3、建立MFA多层特征聚合模块去提取3种不同尺度特征图的局部特征； 步骤3.4、使用可变形注意力建立全局提取头去提取3种不同尺度特征图的全局特征； 步骤3.5、拼接网络将提取得到的局部特征和全局特征进行拼接，得到融合特征； 步骤3.6、将拼接后的融合特征输入到FFN前馈神经网络中，得到输入样本的最终预测类别； 所述步骤3.1具体包括： 搭建猪脸识别模型主干网络：采用DLA深层聚合主干网络，沿输入-输出方向依次串联以下结构：初始卷积层1，其卷积核大小为7×7，步距为1，填充为3，通道数为64；归一化层，对初始卷积层1的输出进行归一化处理；激活层，使用ReLU激活函数引入非线性特征；逐层聚合模块，包含多个卷积层，每个卷积层的卷积核大小为3×3，步距为1，填充为1，通道数为64，通过加法操作融合各卷积层的输出；卷积块，包含多个卷积层和归一化层的组合，其中卷积层的卷积核大小为3×3，步距为1，填充为1，通道数为128，并在每个批归一化层之后置入ReLU激活层；最后是一个SPPF结构，输出为3层不同分辨率特征图； 所述步骤3.3具体包括； 使用最小尺寸的特征图：设为输入特征映射，采用扩张卷积与激活函数获得中间特征的，然后对其执行上下文感知注意操作得到新的特征映射，最后，将与通道轴上的原始特征连接起来，然后降维得到，最终聚合不同感受野的局部特征计算为： 其中为连接操作，为每个通道上的元素乘法，表示一次1×1的卷积操作，聚合后得到一个相应的局部特征向量，是通道方向的权重；为特征维度，为局部特征通道数； 所述步骤4具体包括： 步骤4.1、在每个训练周期结束时，计算当前周期的损失函数值，连续监督多个训练周期内损失函数值的变化； 步骤4.2、设定训练周期数和一个连续的周期数，若在这个周期内，损失函数L的值变化幅度逐渐减小，并满足以下条件，则判定训练已趋于收敛： ； 其中，为第个训练周期的损失函数值，为设定的变化幅度阈值。

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南京理工大学，其通讯地址为：210014 江苏省南京市玄武区孝陵卫街道孝陵卫街200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。