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专用神经网络和图像预处理的秸秆图像分割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：CN116740121B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310707836.4，技术领域涉及：G06T7/194；该发明授权一种基于专用神经网络和图像预处理的秸秆图像分割方法是由刘振泽;胡闻捷;臧一凡;陈金炎;董迪锴;王成喜;孙吉;胡海洋设计研发完成，并于2023-06-15向国家知识产权局提交的专利申请。

本一种基于专用神经网络和图像预处理的秸秆图像分割方法在说明书摘要公布了：本发明提出了一种基于专用神经网络和图像预处理的秸秆图像分割方法，以提高秸秆图像分割的准确率和效率，并实现复杂度和准确率的平衡。旨在解决秸秆农学图像分割任务。该算法首先通过无人机采集彩色RGB图像，并使用随机截取技术将图像尺寸限制为512×384，制作Straw320数据集用于后续网络的训练与测试。接下来，提出了一种秸秆图像灰度化方法，旨在保持图像的区分度同时降低后续模型的复杂度。最后，引入了秸秆混合网络SMN，用于处理预处理后的图像。该网络包括位置编码模块，以增强秸秆图像的相对信息，并采用平衡复杂度和准确率的混合特征提取模块。

本发明授权一种基于专用神经网络和图像预处理的秸秆图像分割方法在权利要求书中公布了：1.本发明提出了一种基于专用神经网络和图像预处理的秸秆图像分割方法，主要包含以下步骤: 步骤1，通过无人机采集彩色RGB图像，制作Straw320数据集，并针对数据集进行归一化处理； 步骤2，设计了一种基于秸秆图像灰度化方法，旨在保持图像的区分度同时降低后续模型的复杂度，该步骤中，设计了一种基于秸秆图像灰度化方法，旨在保持图像的区分度同时降低后续模型的复杂度； 秸秆通常呈现黄色，背景通常为黑色，为了提高秸秆与背景的区分度，并减少网络的复杂度，根据黄色在RGB空间中的对应值255,255,0，可得出以下的灰度化系数：0.5,0.5,0，这意味着将红色通道的像素值与绿色通道的像素值进行加权平均，而忽略蓝色通道的像素值，可使用以下的灰度化公式： P=0.5×R+0.5×G+0×B 其中，P表示灰度化后的像素值，R、G和B分别表示原始彩色图像中的红色、绿色和蓝色通道的像素值，通过方式，增强了黄色通道的信息，同时减少了网络处理的复杂度，使得后续的图像分割任务更加高效而准确； 步骤3，提出了秸秆混合网络SMN，用于处理预处理后的图像，该网络包括位置编码模块，旨在增强秸秆图像的相对信息，并且采用平衡复杂度和准确率的混合特征提取模块，所述SMN网络借鉴了经典的U-Net分割网络结构， 首先，引入位置编码模块，提供秸秆图像中秸秆与背景的位置信息，通过引入位置信息，网络理解秸秆的空间分布，提高分割的准确性； 其次，通过平衡复杂度和准确率的混合特征提取模块，所述模块结合了U-Net的跳跃连接机制，在保持网络复杂度可控的同时，提取多尺度的特征信息，通过综合不同尺度的特征，并进行特征融合和选择，使网络准确地区分秸秆和背景，从而提高分割结果的准确性； 最后，所述SMN网络采用了降采样和上采样操作，在编码器和解码器之间进行信息传递和特征恢复，降采样操作通过最大池化层减少特征尺寸和参数数量，加快训练速度，上采样操作使用双线性插值法恢复特征的空间分辨率，保留更多细节信息； 步骤3-2，混合特征提取模块Mixed-extractfeaturemodule在秸秆分割任务中旨在实现准确度和复杂度之间的平衡，根据Encoder-Decoder的设计原理提出了一种混合特征提取模块，它融合了卷积操作和自适应注意力机制，以实现更有效的图像特征提取； 所述自适应注意力机制的计算过程如下: 首先，将输入特征表示为形状为B,Hc,Wc的张量，其中B为批大小，Hc和Wc分别为特征的高度和宽度； 为了降低注意力计算的内存消耗，本发明将输入特征分割为token×token的维度，将Hc和Wc分别除以token，得到形状为B,Hctoken×Wctoken,token×token的特征表示，这样做可以将特征分割成较小的块，便于后续计算； 然而，直接对token×token的维度进行注意力计算可能导致内存溢出，引入了一个隐藏层hidden_size，通过增加hidden层来降低特征的维度，将token×token的维度降低为hidden_size，得到形状为B,Hctoken×Wctoken,hidden_size的特征表示，以减少计算量和内存消耗； 接下来，将降维后的特征进行注意力计算，首先，将特征线性映射至Q、K、V张量，分别代表查询、键和值，然后，通过softmax函数计算注意力层输出Y=softmaxQ,KV，得到形状为B,Hctoken×Wctoken,hidden_size的注意力层输出； 最后，本发明将注意力层输出Y恢复至原始维度，将形状为B,Hctoken×Wctoken,hidden_size的张量转换为形状为B,Hc,Wc的特征表示，这样，就得到了经过自适应注意力机制处理后的特征表示，其中注意力机制通过增加hidden层来降低网络的计算量； 通过以上计算步骤，自适应注意力机制能够在使用较小的token的同时，减少注意力计算的内存消耗，这一机制在处理图像任务时具有重要的应用价值，能够在保持准确度的同时降低计算复杂度，为模型训练和推断带来便利和效率。

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：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。