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！

龙图腾网获悉易采天成(郑州)信息技术有限公司申请的专利基于MBN-Transformer模型的不平衡牛身数据的双边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：CN116311357B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202310117831.6，技术领域涉及：G06V40/10；该发明授权基于MBN-Transformer模型的不平衡牛身数据的双边识别方法是由沈雷;徐运涛;刘浩设计研发完成，并于2023-02-15向国家知识产权局提交的专利申请。

本基于MBN-Transformer模型的不平衡牛身数据的双边识别方法在说明书摘要公布了：本发明公开了一种基于MBN‑Transformer模型的不平衡牛身数据的双边识别方法。本发明通过增加平衡采样器增大牛只少类别的采样率，通过动态融合混合增强模块减少因平衡采样器可能带来的过拟合问题，同时采用选择VisionTransformer作为共享主干网络结构，增强牛身图像全局信息的关联；采用Transformer编码器设计平衡分支和常规分支模块，分别处理牛舍随机采样器的图像混合增强数据和挤奶通道平衡采样器的图像混合增强数据，并将两个分支的输出特征通过特征动态平衡因子融合，利用Transformer编码器的多头自注意力机制挖掘动态融合混合增强模块牛身数据的关联性以及全局信息。本发明解决了挤奶通道中牛只姿态单一图像识别率性能较差问题，同时对于牛只的关键特征具有更好的聚焦能力。

本发明授权基于MBN-Transformer模型的不平衡牛身数据的双边识别方法在权利要求书中公布了：1.基于MBN-Transformer模型的不平衡牛身数据的双边识别方法，其特征在于该方法通过增加平衡采样器增大牛只少类别的采样率，通过动态融合混合增强模块减少因平衡采样器可能带来的过拟合问题，同时采用选择VisionTransformer作为共享主干网络结构，增强牛身图像全局信息的关联；采用Transformer编码器设计平衡分支和常规分支模块，分别处理牛舍随机采样器的图像混合增强数据和挤奶通道平衡采样器的图像混合增强数据，并将两个分支的输出特征通过特征动态平衡因子融合，利用Transformer编码器的多头自注意力机制挖掘动态融合混合增强模块牛身数据的关联性以及全局信息，具体包括如下步骤： S1、构造数据集，并将数据集划分为训练集和测试集，采用的数据集为通过牛群目标检测分割网络得到的牛身图像： S1-1:通过牛群目标检测分割网络采集若干类牛的图像数据； S1-2:利用平移、旋转、放缩操作对训练集进行扩充；并将扩充后训练集的图像数据归一化到同样分辨率大小； S2、设计MBN-Transformer模型，具体实现如下： S2-1:MBN-Transformer模型包括采样器模块、动态融合图像混合增强模块、共享主干网络以及两个分支子网，其中采样器模块包括随机采样器和平衡采样器，随机采样器是对训练集所有样本进行随机采样，但训练集中牛舍中的牛身图像较多，因此它更倾向于牛舍中的牛身图像，它的输出图像为Xr；平衡采样器是对挤奶通道牛身数据进行过采样，平衡采样器更倾向于挤奶通道中的牛身图像，它的输出图像为Xp；两个分支子网包括常规分支和平衡分支；动态融合混合图像增强模块主要通过将随机采样器和平衡采样器的输出图像随着训练过程动态融合，防止对挤奶通道中姿态单一的牛身图像过采样，它的输出为Xr′和Xp′；共享主干网络采用VisionTransformer，即ViT模型；ViT模型包括图像分块和若干层Transformer编码器组成；图像分块将图像分为若干相同的分块，图像分块后还需要加入表示牛身位置信息的位置编码和可学习牛身信息的全局特征，得到输入序列；将输入序列输入到Transformer编码器后输出特征Fr和Fp；将两个特征Fr和Fp分别输送到常规分支和平衡分支，常规分支和平衡分支都采用Transformer编码器，从而更好关注全局特征，常规分支和平衡分支的输出特征为Fr′和Fp′，将两个输出特征Fr′和Fp′进行融合，具体公式如下式所示； l＝1-n-1T1 F＝l×Fr′+1-l×Fp′2 式中，n是当前训练轮数，T是总共训练的轮数，l是两个输出特征的融合程度，F是最终的输出特征，输送到分类器中； S2-2:设计采样器模块： 采用随机采样器根据每一类样本数量进行采样，随机采样器的第j头牛只采样概率计算公式如式3所示； 式中，其中k是训练集的类别总数，Si是在训练集中第i个牛只类别的牛身图像数目，是随机采样器的第j个牛只类别的采样概率； 平衡采样器第j头牛只的采样概率计算公式如下式所示； 式中，其中k是训练集的类别总数，Nmax是训练集中所有牛只中最大的样本数量，Ni是第i个牛只类别的牛身图像数目，Wi是第i个牛只类别采样程度，是平衡采样器的第j个牛只类别的采样概率；从式4和5中可以看出，当样本数量较少的挤奶通道的牛只得到更多的关注度，而样本数量较多的牛舍中的牛只则会降低关注度； 该采样器模块采用随机采样器和平衡采样器，分别训练传统常规分支和平衡分支，随机采样器更多的采集牛舍中的牛身图像数据，平衡采样器更多的采集挤奶通道中的牛身图像数据，此方式可以兼顾牛场中两个不同采集方式的牛身图像数据； S2-3:设计动态融合混合图像增强模块： 提出动态融合混合图像增强模块，通过动态融合参数来体现图像混合程度，减少挤奶通道中牛身图像数据的过拟合，具体公式如下式所示； λ＝1-T+n2×T6 X′r,Yr′＝λXr,Yr+1-λXp,Yp7 X′p,Y′p＝1-λXr,Yr+λXp,Yp8 S3、设计损失函数，具体实现如下： 采用标签平滑交叉熵损失优化网络，具体计算公式如下式所示； L＝l*Lsmooyp_true,ypred+1-l*Lsmooyr_true,ypred9 Lsmooyp_true,ypred＝∑[1-ε*yp_true+εN]lnypred10 Lsmooyr_true,ypred＝∑[1-ε*yr_true+εN]lnypred11 式中，ε是随机噪声系数，本章算法中设置为0.1；l是随训练批次而变化，变化程度采用式1方式；N是牛的训练集的牛只类别总数；yr_true是随机采样器经动态融合混合图像增强后的真实标签；yp_true是平衡采样器经动态融合混合图像增强后的真实标签；ypred是经过模型输出的预测类别；L代表总损失，Lsmoo是标签平滑交叉熵损失；从式中可以看出损失函数在优化网络时，也会随着l参数更加倾向于平衡采样器经动态融合混合图像增强后的真实标签； S4、训练整个模型直至迭代训练整个训练集若干次； S5、将测试集图像输入训练好的模型中提取牛图像特征，采用余弦距离进行1：1比对识别。

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易采天成(郑州)信息技术有限公司，其通讯地址为：450001 河南省郑州市高新技术开发区枫香街173号智联网产业园2号楼221；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。