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！

龙图腾网获悉河南大学申请的专利一种基于信息智能补偿和压缩的叶片气孔分析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：CN119131792B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202411220663.4，技术领域涉及：G06V20/69；该发明授权一种基于信息智能补偿和压缩的叶片气孔分析方法是由彭李超;秦蒙恩;杨晓慧;苗琛;孙炎锋;乔晗设计研发完成，并于2024-09-02向国家知识产权局提交的专利申请。

本一种基于信息智能补偿和压缩的叶片气孔分析方法在说明书摘要公布了：本发明公开了一种基于信息智能补偿和压缩的叶片气孔分析方法，并将该方法用于获取叶片气孔表型数据。该方法包括特征提取：采用卷积神经网络提取气孔图像中气孔纹理及语义特征；特征补偿和压缩：通过构建渐进的空间和通道特征补偿和压缩的颈部网络将骨干网络提取出的多尺度特征进行融合，补偿与气孔相关特征的损失并进一步压缩冗余特征。智能检测：将细化后的三个特征图引入到分支解耦的检测头中进行预测，获得气孔表型数据。该方法极大地方便了研究者获取更加准确的作物气孔表型性状数据，对智慧农业的发展起到积极的推动作用。

本发明授权一种基于信息智能补偿和压缩的叶片气孔分析方法在权利要求书中公布了：1.一种基于信息智能补偿和压缩的叶片气孔分析方法，其特征在于：该方法是基于以下步骤实现的： S1.对使用便携式显微镜采集的高通量叶表皮细胞图像数据集按一定的比例随机分为训练集和验证集，并用标注工具对训练集和验证集中的每个气孔进行双目标的旋转框标注； S2.加载数据及标签：将卷积神经网络作为骨干网络，提取气孔图像特征；构建渐进的空间和通道特征补偿和压缩的颈部网络，将骨干网络提取出的多尺度特征进行融合，缓解补偿与气孔相关特征的损失并进一步压缩冗余特征；将细化后的三个特征图引入到分支解耦的检测头中进行预测，获得表型数据； S3.训练模型：每一轮对训练集的全部图像进行训练，计算每次迭代时模型损失函数值后进行梯度下降更新网络参数；同时每轮训练结束后，在验证集上计算模型损失函数值，保存目前为止使验证集损失函数值最小时对应的网络模型；如此重复训练，直至完成设置的轮数； S4.载入训练后的模型，便可对高通量的叶表皮细胞图像进行气孔检测，计算气孔密度；预测开气孔个数及其长度、开度信息； S5.阈值调整：若对气孔表型性状的检测与识别结果满意，则停止调整阈值，计算并得到气孔的尺寸、表型信息；若不满意，则根据模型识别情况，调整气孔目标置信度阈值，以及非极大值抑制的交并比阈值，并返回步骤S4，直至达到期望结果； 其中，步骤S2具体包括： S2-1.读取训练集全部高通量叶表皮细胞图像及每个图像的标注信息； S2-2.构建ResNet101卷积神经网络作为骨干网络提取气孔图像特征； S2-3.选取骨干网络最后三层得到的特征图，将其输入渐进的空间和通道特征补偿和压缩的颈部网络中进行多尺度融合，补偿与气孔相关特征的损失并进一步压缩冗余特征；在该阶段的第一步，即先让低层次的特征和中等层次的特征融合，后加入高层次的语义特征参与全局的特征交互；以避免因跨层间的语义间隔过大而造成的特征冗余； S2-4.将融合后的三个特征图引入到检测头中进行预测；检测头采用预测分支解耦结构，将Head解耦形成两个预测分支，分别为目标框的类别及分数预测分支以及目标框的坐标信息的预测分支；每个边界框都预测一组类别，并获取最大的分数的类别作为该边界框的类别，同时该分数也为该框的置信度；最后将两个分支解耦头的输出连接起来，作为模型的总输出； 步骤S2-3具体有： 最后3层包括：倒数第3层即低层次特征xlow，倒数第2层即高层次特征xhigh，倒数第1层即顶层特征xtop； 低层次的特征图下采样并和高层次的特征图输入补偿压缩单元得到细化特征图高层次的特征上采样并和低层次的特征输入补偿压缩单元得到细化特征图顶层特征和上采样并和输入补偿压缩单元得到细化特征y1；顶层特征上采样，特征下采样，并和输入补偿压缩单元得到细化特征y2；特征和下采样并和顶层特征输入补偿压缩单元得到细化特征y3。

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河南大学，其通讯地址为：475001 河南省开封市金明区明伦街85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。