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！

龙图腾网获悉复旦大学申请的专利基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别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：CN115546110B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202211106392.0，技术领域涉及：G06T7/00；该发明授权基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法是由皮妍;安钧浩;赵雪莹;蒋科技设计研发完成，并于2022-09-11向国家知识产权局提交的专利申请。

本基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法在说明书摘要公布了：本发明属于遗传学与图像智能处理技术领域，具体为一种基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法。本发明方法包括使用移动端设备采集果蝇图像，人工标注采集的果蝇定位框、果蝇多性状、果蝇结构关键点数据集；使用随机增强与渐进式增强方法训练模型，使用神经网络量化技术使模型更适合移动端快速运行；利用关键点辅助分类方法，提高长小翅任务的模型可解释性；将多张图像在移动端通过目标检测模型定位图像中每个果蝇的位置，再通过多分类模型区分每个果蝇的长小翅、红白眼与雌雄性状。本发明可以极大地方便实验人员的工作，减少人工重复劳动，节约大量时间并在各个性状分类任务上超过人工分类的准确率，起到标准化的作用。

本发明授权基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法在权利要求书中公布了：1.一种基于卷积神经网络的果蝇性状批量识别方法，其特征在于，具体步骤为： 步骤一：采集果蝇图片，进行人工标注；划分训练集、验证集、测试集； 将果蝇使用二氧化碳麻醉后，使用移动设备相机，在光学显微镜或解剖镜下采取包含多个果蝇的多张图片；经过人工标注后，按照3:1划分训练集与验证集，训练集与验证集由总共28位实验人员培养果蝇并采集果蝇图片，共包含110张原始图片与约3206个果蝇个体；测试集由互相隔离的6位实验人员培养果蝇并采集果蝇图片，以保证隔离测试的效果；测试集共包含9张原始图片与约405个果蝇个体；训练集用于训练模型，验证集用于监控训练效果，测试集用于验证训练好的模型的性能；标注的内容包括果蝇定位框、果蝇关键点、以及果蝇性状； 步骤二：对果蝇图像进行预处理，确定果蝇定位框坐标； 采用EfficientDetLite模型作为基础来实现目标检测，具体采取不同规模的EfficientDetLite模型以应对移动端不同设备的硬件条件；输入图像通过EfficientDetLite模型以及适合移动端运算的全局非极大值抑制方法，输出置信度大于50％的果蝇定位框坐标；根据输出的定位框坐标，对原图像进行裁切，产生多个包含单个果蝇的子图像，作为下一步骤中深度卷积神经网络的输入； 步骤三：构建深度卷积神经网络，并进行训练； 所述深度卷积神经网络，是在MobileNetV3模型基础上构建而成，包括去除最后的全连接层，并在全局平局池化层后并行地追加两个全连接的Sigmoid层，分别对应果蝇的红白眼、长小翅性状；对于长小翅的分类，模型还使用只针对果蝇的专门设计的关键点辅助分类模块；在训练过程中采用随机增强与渐进式学习方法，以提高稳定性并防止过拟合； 所述关键点辅助分类模块，指的是在深度神经网络中，利用关键点数据来辅助模型训练图像分类任务；所述关键点共有四个，分别为果蝇的头部末端、尾部末端以及两翅末端，头部末端、尾部末端的关键点通过二维坐标编码以减小模型规模；同时为了避免模型区分左右翅，并减少数据中的冗余信息，两翅末端的关键点编码方式按照以下规则，其中x1,y1,x2,y2为原始坐标，a,b,c,d,e为编码后的结果： c＝|x1-x2|，d＝|y1-y2|， 如果x1–x2*y1–y20则e＝1；否则，e＝0； 在深度卷积网络的全局平均池化层上：使用带LeakyRelu激活函数的全连接层对头部末端、尾部末端关键点坐标以及上述a,b,c,d进行回归，平均平方误差作为损失函数，记为LossKeypointsMSE；并行地使用带Sigmoid激活函数的全连接层对上述e进行二元分类，二元交叉熵作为损失函数，记为LossKeypointsBCE；最后，合并所有九个关键点神经元，再添加一个全连接层，并使用sigmoid函数对果蝇长小翅进行分类，二元交叉熵作为损失函数，记为LossClassificationBCE；在训练的早期阶段，按照以下公式进行加权计算损失： Losstotal＝LossKeypointsMSE+ε×LossKeypointsBCE+ε×LossClassificationBCE， 其中，ε是一个极小值，当关键点对应的损失函数在验证集上收敛后，不再计算关键点对应的损失函数，并使用一个较小的学习率只对长小翅分类器进行训练； 步骤四：重复步骤三，直到验证集上的指标达到最优后停止训练； 步骤五：为了增加模型推理速度并减小模型体积，采用神经网络量化技术，对于目标检测模型使用动态量化，对于分类模型采用浮点数优化，并通过TFLite接口在移动端实现快速推理。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。