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！

龙图腾网获悉浙大城市学院申请的专利基于深度学习融合多源图像的生菜表型参数估算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：CN114581745B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202210198303.3，技术领域涉及：G06V10/80；该发明授权基于深度学习融合多源图像的生菜表型参数估算方法是由孙霖;严霜;朱逢乐;郑增威设计研发完成，并于2022-03-01向国家知识产权局提交的专利申请。

本基于深度学习融合多源图像的生菜表型参数估算方法在说明书摘要公布了：本发明涉及一种基于深度学习融合多源图像的生菜表型参数估算方法，包括步骤：采集得到RGB图像和Depth图像，人工测量每株生菜样本的表型参数，形成图像数据集；使用GrabCut算法进行生菜图像前景分割，使用Z‑Score方法对生菜图像数据进行归一化；构建并训练生菜表型参数估算深度学习多源数据融合模型。本发明的有益效果是：本发明的方法采用深度学习技术，融合可见光图像和深度图像特征，利用生菜表型参数估算深度学习多源数据融合模型通过多源图像信息对生菜表型参数进行准确估算；由实验结果可以看出，本发明能成功融合二维RGB图像和Depth图像，性能优异，对设施蔬菜高通量生长监测和产量预估有重要的应用价值。

本发明授权基于深度学习融合多源图像的生菜表型参数估算方法在权利要求书中公布了：1.一种基于深度学习融合多源图像的生菜表型参数估算方法，其特征在于，包括以下步骤： 步骤1、采集得到RGB图像和Depth图像，人工测量每株生菜样本的表型参数，形成图像数据集； 步骤2、使用GrabCut算法进行生菜图像前景分割，使用Z-Score方法对生菜图像数据进行归一化； 步骤3、构建并训练生菜表型参数估算深度学习多源数据融合模型；生菜表型参数估算深度学习多源数据融合模型包括特征提取部分、多源特征融合部分和回归网络部分； 步骤3具体包括如下步骤： 步骤3.1、构建生菜表型参数估算深度学习多源数据融合模型，并设置生菜表型参数估算深度学习多源数据融合模型的误差函数；生菜表型参数估算深度学习多源数据融合模型的输出y为长度为5的向量y1，y2，y3，y4，y5，其中y1、y2、y3、y4和y5分别表示湿重、干重、株高、直径和叶面积； 特征提取部分为ResNet50网络,数字50表示ResNet网络共包含50层；ResNet50网络用于对RGB图像和Depth图像进行生菜有效特征的提取；ResNet50网络的输入为RGB图像Irgb和Depth图像IDepth；ResNet50网络的输出为特征向量frgb和fdepth： frgb＝ResNet50Irgb fdepth＝ResNet50Idepth 多源特征融合部分用于将RGB图像特征向量frgb和Depth图像特征向量fdepth进行拼接，得到生菜表型参数特征向量F： 回归网络部分由多层FC层和激活函数LeakyReLU构成，回归网络部分用于将融合后的生菜表型参数特征向量F进行表型参数回归拟合；激活函数LeakyReLU具体为： 上式中，a为设定取值的系数；x为激活函数LeakyReLU的输入变量； 采用归一化均方误差NMSE作为生菜表型参数估算深度学习多源数据融合模型的误差函数： 上式中，y表示人工测量的真实值向量，y′表示估算结果向量；yi表示第i个人工测量的真实值向量，y′i表示第i个估算结果向量； 步骤3.2、训练生菜表型参数估算深度学习多源数据融合模型：设置回归网络部分的FC层的丢弃率、训练轮次、批处理大小和学习率初始值；使用Adam优化器；对ResNet50网络进行微调，并设置相应的ResNet50网络的学习率；在对ResNet50网络微调设定次数后，降低FC层和ResNet50网络的学习率； 步骤4、将步骤1所得RGB图像和Depth图像输入步骤3所得生菜表型参数估算深度学习多源数据融合模型，估算得到待估算样本的各项生菜表型参数向量y＝y1,y2,y3,y4,y5；其中y1、y2、y3、y4和y5分别表示湿重、干重、株高、直径和叶面积。

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浙大城市学院，其通讯地址为：310015 浙江省杭州市拱墅区湖州街51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。