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大学申请的专利紫叶生菜花青素含量确定方法、系统、设备及存储介质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：CN117198420B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202310938908.6，技术领域涉及：G16C20/20；该发明授权紫叶生菜花青素含量确定方法、系统、设备及存储介质是由王敏娟;张美玲;郑立华;张漫;李寒;李民赞设计研发完成，并于2023-07-28向国家知识产权局提交的专利申请。

本紫叶生菜花青素含量确定方法、系统、设备及存储介质在说明书摘要公布了：本发明公开一种紫叶生菜花青素含量确定方法、系统、设备及存储介质，涉及花青素含量检测领域，该方法包括获得待检测紫叶生菜的高光谱图像，并确定所述高光谱图像的反射率数据；将所述反射率数据输入花青素含量识别模型，得到待检测紫叶生菜的花青素含量；所述花青素含量识别模型是采用训练集对集成网络进行训练得到的，所述集成网络包括一维卷积神经网络和极限学习机，所述一维卷积神经网络的输出与所述极限学习机的输入连接。本发明在提高花青素含量的检测效率的同时提高了检测准确性。

本发明授权紫叶生菜花青素含量确定方法、系统、设备及存储介质在权利要求书中公布了：1.一种紫叶生菜花青素含量确定方法，其特征在于，包括： 获得待检测紫叶生菜的高光谱图像，并确定所述高光谱图像的反射率数据； 将所述反射率数据输入花青素含量识别模型，得到待检测紫叶生菜的花青素含量；所述花青素含量识别模型是采用训练集对集成网络进行训练得到的，所述集成网络包括一维卷积神经网络和极限学习机，所述一维卷积神经网络的输出与所述极限学习机的输入连接； 获得待检测紫叶生菜的高光谱图像，并确定所述高光谱图像的反射率数据，具体包括： 将待检测紫叶生菜的高光谱图像转换为归一化植被指数图像； 创建一个长宽尺寸与所述归一化植被指数图像相同的灰度值均为1的图像矩阵； 将所述图像矩阵与归一化植被指数图像中灰度值小于0.8的对应位置的像素点设置为0，得到掩膜图像； 计算待检测紫叶生菜的高光谱图像中与所述掩膜图像对应的掩膜位置不为0的像素点的反射率的平均值，得到反射数据；所述掩膜位置为所述掩膜图像灰度值为1的位置； 采用训练集对集成网络进行训练时，具体包括： 采用随机梯度下降优化器计算损失函数的梯度并在梯度方向更新所述集成网络的权重； 所述损失函数为添加了L2正则化的均方误差，损失函数表示为： 其中，yi为第i个样本的实测花青素含量，第i个样本的预测花青素含量，λ为正则化系数，w为权重矩阵； 所述一维卷积神经网络包括依次连接的第一卷积层、Inception模块、展平层和全连接层；所述第一卷积层包括8个依次连接的1×7的卷积核；所述Inception模块包括并列的第一分支、第二分支、第三分支和第四分支； 所述第一分支包括依次连接的第二卷积层、第三卷积层和第四卷积层；所述第二卷积层中卷积核的大小为1×1，所述第三卷积层和所述第四卷积层中卷积核大小均为1×3，所述第二卷积层、所述第三卷积层和所述第四卷积层中卷积核的数量均为4； 所述第二分支包括依次连接的第五卷积层和第六卷积层；所述第五卷积层中卷积核的大小为1×1，所述第六卷积层中卷积核的大小为1×3，所述第五卷积层和所述第六卷积层中卷积核的数量均为4； 所述第三分支包括依次连接的最大池化层和第七卷积层；所述第七卷积层中卷积核的大小为1×1，卷积核的数量为4； 所述第四分支包括第八卷积层，所述第八卷积层中卷积核的大小为1×1，卷积核的数量为4； Inception模块对第一分支、第二分支、第三分支以及第四分支输出的特征图进行拼接，将不同层次的特征融合在一起，通过展平层将拼接后特征图拉平得到一维向量，然后与全连接层连接。

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大学，其通讯地址为：100193 北京市海淀区圆明园西路2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。