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！

龙图腾网获悉吉林大学申请的专利一种基于机器视觉的双模式除草方法以及除草机器人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：CN118020480B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202410265219.8，技术领域涉及：A01D34/64；该发明授权一种基于机器视觉的双模式除草方法以及除草机器人是由杜巧玲;高鹏设计研发完成，并于2024-03-08向国家知识产权局提交的专利申请。

本一种基于机器视觉的双模式除草方法以及除草机器人在说明书摘要公布了：本发明涉及机器视觉与除草技术领域，一种基于机器视觉的双模式除草方法，包括获取图像数据，将获取的图像数据上传到云端；在云端判断图像数据中是否存在障碍物，如有障碍物则判断障碍物的位置信息和高度信息；如无障碍物，则判断图像数据中是否有杂草；当判断图像数据中有杂草时，判断杂草的类别数量以及所处地形；当判断图像数据中无杂草时，调整获取获取图像数据设备的角度，重新获取图像数据；当判断杂草的类别数量以及所处地形为大量杂草或平整地形时，使用第一种除草策略；当判断杂草的类别数量以及所处地形为少量杂草或地形不规则时，使用第二种除草策略。本发明还提出了一种基于机器视觉的双模式除草机器人。

本发明授权一种基于机器视觉的双模式除草方法以及除草机器人在权利要求书中公布了：1.一种基于机器视觉的双模式除草方法，其特征在于：包括如下步骤， 步骤1、获取图像数据，将获取的图像数据上传到云端； 步骤2、在云端判断图像数据中是否存在障碍物，如有障碍物则判断障碍物的位置信息和高度信息，并将障碍物的位置信息和高度信息回传；如无障碍物，则判断图像数据中是否有杂草； 步骤3、当判断图像数据中有杂草时，判断杂草的类别数量以及所处地形；当判断图像数据中无杂草时，调整获取图像数据设备的角度，重新获取图像数据； 步骤4、当判断杂草的类别数量以及所处地形为大量杂草或平整地形时，使用第一种除草策略；当判断杂草的类别数量以及所处地形为少量杂草或地形不规则时，使用第二种除草策略； 所述第一种除草策略为电机割草，第二种除草策略为机械臂拔草； 在云端对获取的图像数据进行分析包括：使用可边形卷积校正原始的特征图，以改进算法在杂草检测中的适应性，包括： 步骤11、偏移量学习：可变形卷积会学习一组包括可学习的参数的偏移量；偏移量的数量与卷积核的尺寸和通道数相关联，每个位置和通道都有一个对应的偏移量； 步骤12、偏移量应用：在进行卷积操作之前，可变形卷积利用学习到的偏移量来调整卷积核的采样位置； 步骤13、采样点插值：可变形卷积对于调整后的采样位置利用插值技术来获取对应位置的特征值； 步骤14、卷积操作：对调整后的特征图进行标准的卷积操作，在卷积操作中，采样点的特征值与卷积核中对应位置的权重进行相乘，并求和得到最终的输出特征值； 在云端对获取的图像数据进行分析包括： 根据网络学习到的目标特征的分布情况，动态调整不同尺度特征图之间的融合权重，使得网络能够更好地适应不同的数据集和场景，包括 步骤21、特征金字塔网络构建：首先，构建特征金字塔网络，使用一种基础网络作为主干网络，在网络中添加横向连接，将底层网络的高分辨率特征图与顶层网络的语义信息相结合，生成多尺度的特征金字塔； 步骤22、目标特征分布学习：在训练阶段，使用反向传播算法和损失函数来优化网络参数，同时监督网络学习目标特征的分布情况，网络学习到了每个特征图中目标特征的分布情况，不同尺度下目标的重要性和分布密度； 步骤23、自适应特征融合：在生成特征金字塔的每个阶段，通过学习到的目标特征分布情况，动态调整不同尺度特征图之间的融合权重，该权重为标量值或向量，用于调整每个通道的权重；调整过程引入可学习的参数如注意力机制；在特征融合的过程中，不同尺度特征图的贡献将根据目标特征的分布情况动态调整，使得网络能够更好地捕捉目标的特征； 步骤24、训练和优化：经过自适应特征融合后的网络结构进行训练和优化，在训练过程中，使用反向传播算法和优化器更新网络参数，使得网络的预测结果与真实标签更加接近； 步骤25、推理阶段：通过经过训练和优化的模型，对输入图像进行目标检测或语义分割，使用训练过程中学习到的自适应特征融合权重来动态调整特征图的融合，从而得到最终的检测结果； 在云端对获取的图像数据进行分析包括： 使用目标检测算法YOLOv5，包括： 模型并行计算：YOLOv5中的目标检测任务可以分解为多个小任务，在不同的处理单元上并行执行；通过模型并行计算，将模型的不同部分分配给不同的处理单元，并行地进行目标检测； 数据并行计算：将数据分成多个批次，每个批次在不同的处理单元上并行处理； 流水线并行计算：将图像处理任务划分为多个阶段，并使用流水线技术来并行执行这些阶段，在YOLOv5中，可以将图像预处理、特征提取、目标检测等任务分别进行处理，并在流水线上依次执行，以提高整体处理速度。

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吉林大学，其通讯地址为：130000 吉林省长春市朝阳区前卫大街2699号吉林大学前卫南区；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。