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！

龙图腾网获悉鲁东大学申请的专利一种基于时序图像的植物耐盐响应建模预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：CN120656005B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202511156956.5，技术领域涉及：G06V10/764；该发明授权一种基于时序图像的植物耐盐响应建模预测方法及系统是由宋玉娇;盛玉婷;李东设计研发完成，并于2025-08-19向国家知识产权局提交的专利申请。

本一种基于时序图像的植物耐盐响应建模预测方法及系统在说明书摘要公布了：本发明涉及图像分割技术领域，尤其是涉及一种基于时序图像的植物耐盐响应建模预测方法及系统。方法包括对获取的植物样本图像数据进行预处理；利用基于U‑Net的植物语义分割模型对预处理后的图像数据进行图像分割；构建基于TimeSformer的植物耐盐响应预测模型；利用植物耐盐响应预测模型预测植物耐盐响应等级。本发明提出的基于时序图像的植物耐盐响应预测建模方法，通过构建集图像采集、预处理、动态特征提取和深度时序建模于一体的预测流程，显著提高了植物耐盐性表型识别的效率、精度和自动化水平。

本发明授权一种基于时序图像的植物耐盐响应建模预测方法及系统在权利要求书中公布了：1.一种基于时序图像的植物耐盐响应建模预测方法，其特征在于，包括： 获取植物样本图像数据； 对获取的植物样本图像数据进行预处理； 利用基于U-Net的植物语义分割模型对预处理后的图像数据进行图像分割； 构建基于TimeSformer的植物耐盐响应预测模型； 利用植物耐盐响应预测模型预测植物耐盐响应等级； 所述对获取的植物样本图像数据进行预处理，包括对采集图像进行尺寸统一、亮度归一化和格式标准化处理，其中，所有图像裁剪至包含完整植物主体的矩形区域，并统一缩放至固定尺寸384×384，以便批量输入深度学习模型；并应用自适应直方图均衡CLAHE方法进行亮度增强，消除光照差异带来的颜色偏差，标准化公式为： ， 其中，是原图像像素，是图像整体灰度均值，是标准差；同时构建高质量训练数据集，数据集包括植物原始图像及其对应的分割掩膜，掩膜图像为二值图，其中植物像素赋值为1，背景为0，训练集中每对图像-掩膜样本为：，其中，为第i张输入图像数据，为其对应掩模； 所述利用基于U-Net的植物语义分割模型对预处理后的图像数据进行图像分割，包括利用U-Net的编码器逐层提取图像的空间层级特征，将原始输入图像转化为具有丰富语义信息但分辨率逐渐降低的特征图，编码器由N重复的卷积块组成，每个块包含两个串联的卷积层、ReLU激活函数和一个2×2的最大池化层，每经过一层编码，特征图的尺寸减半，通道数加倍，设输入图像为，第层编码器提取的特征图为，每个卷积操作的表达式为： ， 其中，表示第层的卷积核，为偏置项，同时引入条件标签嵌入来将实验元信息包括时间点𝑡盐浓度𝑐品种类型𝑔编码为条件向量𝑒，并通过通道调制机制动态调节模型特征分布，设某一卷积层输出特征为𝐹，调制方式为： ， 其中，是由全连接层从条件向量𝑒中计算得出的通道缩放和平移因子； 所述利用基于U-Net的植物语义分割模型对预处理后的图像数据进行图像分割，还包括引入时序注意力机制，通过在编码阶段融合当前帧与相邻帧的语义特征，增强模型对时间变化趋势的感知能力，其中，设当前帧特征为，其前后帧为，时序注意力模块对所有帧进行前后帧加权融合，生成新帧以融合时间邻接帧的信息，提升分割结果的时间一致性和对胁迫趋势的敏感性，融合方式表示为： ， 其中，是由自注意力机制生成的可学习权重参数，具体生成方式为：首先对当前帧以及前后帧进行全局池化操作，压缩空间维度，只保留通道信息，随后将三个通道的向量拼接成矩阵： 是对应时间帧经过全局池化后的向量，随后使用对矩阵进行线性变换，分别计算查询、键和值向量，随后计算注意力权重矩阵； 所述利用基于U-Net的植物语义分割模型对预处理后的图像数据进行图像分割，还包括利用U-Net的解码器逐步恢复特征图的空间分辨率，将编码器提取到的深层语义信息还原为与原图同尺寸的像素级预测结果，其中，设解码器第层的输入特征图为，对应的编码器第层的特征为，解码器的处理过程为：首先将特征图通过上采样将上层特征图放大，表示为： 再将上采样后的特征图与编码器的浅层特征在通道维度拼接，融合局部细节与全局语义信息，表示为： ， 最后通过两次卷积操作提炼融合特征，增强空间对齐与边缘表达，表示为： ， 通过该还原方式，使解码器在逐级恢复图像结构的同时，有效补偿编码阶段损失的空间细节信息； 所述利用基于U-Net的植物语义分割模型对预处理后的图像数据进行图像分割，还包括采用多目标联合优化策略训练U-Net模型，其中，采用二元交叉熵BCE作为基础像素级监督项，用于衡量模型对植物前景与背景分类的准确性，表示为： ， 其中，为真实值，为预测值；同时引入Dice损失函数，处理前景像素稀疏的植物图像，表示为： ， 其中为平滑项，进而引入时序一致性损失项，鼓励相邻帧预测结果变化平滑，表示为： ， 最后整体损失函数为三项加权组合： ， 其中是平衡各项损失函数的参数； 所述构建基于TimeSformer的植物耐盐响应预测模型，包括利用TimeSformer将每帧图像划分为N个图像块patch，通过线性变换映射为高维空间嵌入向量，形成初始嵌入张量；再对每个patch叠加空间位置编码与时间位置编码，最终嵌入向量表示为： ， 所述TimeSformer由多个堆叠的时序Transformer编码层组成，每层依次执行空间注意力和时间注意力，其中，空间注意力的输入为每一帧图像的patch特征，通过可学习的线性变换得到查询、键和值；在空间注意力之后对每个patch在时间轴上的表示进行时间注意力建模，在所有patch与帧处理完成后，通过全局平均池化从整体特征序列中提取序列级特征： ， 其中，表征整株植物在整个时间序列中的胁迫响应行为，随后，将该特征送入多层感知机MLP预测器，用于输出最终的响应等级：。

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鲁东大学，其通讯地址为：264011 山东省烟台市芝罘区红旗中路184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。