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！

龙图腾网获悉四川天艺生态园林集团股份有限公司;成都理工大学;中国建筑西南设计研究院有限公司;四川天艺致远物联网科技有限公司申请的专利绿化植物缺水状态检测的方法、装置、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：CN116030342B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202211585160.8，技术领域涉及：G06V20/10；该发明授权绿化植物缺水状态检测的方法、装置、设备及存储介质是由刘轩;周鹏;张静;黄远祥;邓飞;沈江林;杨昆设计研发完成，并于2022-12-09向国家知识产权局提交的专利申请。

本绿化植物缺水状态检测的方法、装置、设备及存储介质在说明书摘要公布了：本申请涉及绿化植物缺水状态检测的方法、装置、设备及存储介质，包括：获取拍摄的立体绿化植物的图像，对所述图像进行预处理；利用所述预处理的结果，分类进行数据集标注，并将分类标注的结果分别划分为训练集和测试集；将所述分类标注的结果划分的训练集，输入到预先构建的图像检测网络模型，通过迁移学习在预训练权重的基础上训练模型参数，并通过反向传播算法更新网络权重，得到训练后的图像检测网络模型；将所述分类标注的结果划分的测试集，输入到所述训练后的图像检测网络模型，进行绿化植物缺水状态的检测，本申请有助于提高目标植物检测精度，帮助实现准确提取立体绿化植物区域。

本发明授权绿化植物缺水状态检测的方法、装置、设备及存储介质在权利要求书中公布了：1.绿化植物缺水状态检测的方法，其特征在于，所述方法包括： 获取拍摄的立体绿化植物的图像，对所述图像进行预处理； 利用所述预处理的结果，分类进行数据集标注，并将分类标注的结果分别划分为训练集和测试集； 将所述分类标注的结果划分的训练集，输入到预先构建的图像检测网络模型，得到训练后的图像检测网络模型； 将所述分类标注的结果划分的测试集，输入到所述训练后的图像检测网络模型，进行绿化植物缺水状态的检测； 所述利用所述预处理的结果，分类进行数据集标注，并将分类标注的结果分别划分为训练集和测试集，包括： 利用所述预处理的结果，进行三种类型的数据集标注，并分别划分训练集和测试集； 所述进行三种类型的数据集标注，包括： 利用所述预处理的结果，按照预设的第一清晰度阈值进行二分类标注，若所述预处理的结果中的图像的清晰度大于或等于第一清晰度阈值，则判定为清晰图像；否则，判定为模糊图像，分别得到清晰与模糊分类的数据集； 利用所述预处理的结果，通过区分植物面板和背景环境，得到分割立体绿化植物与背景区域数据集； 利用所述预处理的结果，标注立体绿化植物区域中处于缺水状态的植株目标，得到标注植物区域中缺水植物目标数据集； 构建所述图像检测网络模型，包括： 基于ResNet残差网络搭建ResNet34网络模型，基于MobileNetV2主干搭建DeepLabv3+网络模型，搭建SwinTransformer网络模型； 所述将所述分类标注的结果划分的训练集，输入到预先构建的图像检测网络模型，得到训练后的图像检测网络模型，包括： 所述ResNet34网络模型载入所述清晰与模糊分类的数据集， 所述DeepLabv3+模型载入所述分割立体绿化植物与背景区域数据集，所述SwinTransformer模型载入所述标注植物区域中缺水植物目标数据集，通过迁移学习在预训练权重的基础上训练模型参数，并通过反 向传播算法更新网络权重，得到训练后的图像检测网络模型； 所述将所述分类标注的结果划分的测试集，输入到所述训练后的图像检测网络模型，进行绿化植物缺水状态的检测，包括： 将所述分类标注的结果划分的测试集，输入到所述训练后的图像检测网络模型，ResNet34模型对图像进行分类并输出分类结果，若分类结果为模糊，则对采集器发出重新拍摄采集的指令； 若分类结果为清晰，则将所述分类结果为清晰的像输入到Deeplabv3+模型中，分割立体绿化植物区域与背景环境，并对非植物背景区域添加黑色掩码，计算立体绿化植物面积占图像面积的比值，若比值小于所设定的第一植物面积比例阈值则对采集器发出重新拍摄采集的指令； 利用所述得到的对非植物区域添加黑色掩码的图像输入SwinTransformer模型中进行缺水植物目标检测，得到植物缺水状态的检测结果。

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四川天艺生态园林集团股份有限公司;成都理工大学;中国建筑西南设计研究院有限公司;四川天艺致远物联网科技有限公司，其通讯地址为：610000 四川省成都市成都高新区科园南路1号海特国际广场3幢4楼3、4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。