Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 咸阳家友缘食品有限公司马永良获国家专利权

咸阳家友缘食品有限公司马永良获国家专利权

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!

龙图腾网获悉咸阳家友缘食品有限公司申请的专利基于图像处理的食品缺陷实时检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:CN120783334B

龙图腾网通过国家知识产权局官网在2025-11-14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:202511248519.6,技术领域涉及:G06V20/68;该发明授权基于图像处理的食品缺陷实时检测方法及系统是由马永良设计研发完成,并于2025-09-03向国家知识产权局提交的专利申请。

基于图像处理的食品缺陷实时检测方法及系统在说明书摘要公布了:本发明涉及机器视觉与食品质量检测技术领域,具体为基于图像处理的食品缺陷实时检测方法及系统;具体为:整合多模态数据,自适应调整权重系数以提升数据质量;并进行多级降噪、提取关键帧及通过2FA控制变量强化关键帧验证机制;构建YOLO‑BioNet模型,通过动态卷积核分配和脉冲神经网络优化复杂场景下的检测效率与精度;整合卡尔曼滤波、LSTM时序建模及深度强化学习模型,分析食品表面变化轨迹并预测缺陷状态;融合实时数据与历史信息,通过贝叶斯网络计算动态阈值;进行自动分拣指令与产线联动响应;采用分布式存储与图神经网络优化模型并支持缺陷溯源。本发明在实时性、检测准确率与自适应能力方面具有显著优势。

本发明授权基于图像处理的食品缺陷实时检测方法及系统在权利要求书中公布了:1.一种基于图像处理的食品缺陷实时检测方法,其特征在于,包括以下具体实施步骤: S1、采集多模态数据:RGB数据、近红外图像数据、X射线数据; S2、基于多级去噪方法,通过自适应权重系数动态融合多模态数据,结合频域滤波与CNN去噪,利用表面变化能量筛选关键帧{IK1,IK2,…,IKi,…,IKm},并基于哈希函数与有限域矩阵运算生成双因素认证控制变量; 双因素认证控制变量的生成过程如下: 将关键帧{IK1,IK2,…,IKi,…,IKm}结合进行编码,得到编码数据:data=HIK1||IK2||…||IKm∈GFpn×n; 其中,||表示级联操作;H为预定义的哈希函数,将消息映射为GFp上的n×n矩阵;GFpn×n为所有元素属于GFp的n×n矩阵的集合;GFp为预定义的有限域,p为预定义的素数,该域GFp包含p个元素,即整数0,1,2,…,p-1;IKi为任一关键帧;m为关键帧总数; 计算基本变量; 其中,A、B为预定义的两个可逆的n×n矩阵,其元素属于有限域GFp; 将data对角线元素拼接位值Fv∈GFp,计算综合变量SV=f-1Fvmodp; 其中,f表示预定义的二次多项式,fx=ax2+bx+c∈GFp[x];GFp[x]表示以x为变量、系数属于GFp的多项式环; 生成双因素认证控制变量2FV=基本变量BV,综合变量SV; S3、通过双因素认证控制变量动态调控关键帧逻辑稳定性,构建YOLO-BioNet模型,模拟生物神经元脉冲编码及动态卷积核分配,并利用生物动态处理模块链式堆叠优化多尺度特征提取,自适应Bi-FPN增强跨层语义交互,通过动态稀疏自注意力与可变形锚框预测解耦分类回归任务,输出关键缺陷信息{缺陷类别、置信度、边界框坐标}; 通过双因素认证控制变量动态调控关键帧逻辑稳定性的调控过程如下: 重新生成编码数据=HIK1||IK2||…||IKm∈GFpn×n,将对角线元素拼接位值∈GFp; 计算基本约束; 计算综合约束SS=hSVmodp; 其中,h为预定义的解析函数,即合成多项式hx=ffxmodp; 若BS=BV且SS=,则说明已约束关键帧的逻辑稳定性;反之则立即进行示警; YOLO-BioNet模型的结构为: 主干网络构建混合卷积-脉冲神经网络模块,模仿生物神经元动态脉冲编码分割输入关键帧图像为四个时间步生成脉冲激活图输出特征图,并通过生物动态处理模块链式堆叠动态优化多尺度特征提取过程; 颈部网络利用双向跨尺度注意力更新多尺度特征,通过3×3卷积预测偏移量场实现可变形特征动态采样输出对齐特征图; 检测头分类分支使用动态稀疏自注意力计算非零激活比例,回归分支预测偏移量动态调整锚框位置尺寸,并根据平均IoU动态设定正样本分配阈值; 输出检测出的关键缺陷信息{缺陷类别、置信度、边界框坐标}; S4、通过Kalman滤波平滑缺陷区域轨迹并预测位置变化,生成缺陷特征,结合LSTM时序建模与深度强化学习动态识别异常缺陷模式,利用贝叶斯网络计算缺陷概率; S5、通过整合缺陷概率、实时形态特征及历史缺陷数据生成综合信号,基于动态阈值进行缺陷判断; S6、触发分拣指令、产线报警及设备联动,结合质检反馈与强化学习优化分拣策略; S7、通过分布式存储与图神经网络进行缺陷回溯及模型优化。

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咸阳家友缘食品有限公司,其通讯地址为:711200 陕西省咸阳市淳化县润镇工业园区;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”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。