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！

龙图腾网获悉西北农林科技大学;安徽大学申请的专利基于Yolov5-ECA-ASFF的小麦赤霉病孢子识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：CN116524255B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202310444199.6，技术领域涉及：G06V10/764；该发明授权基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法是由张东彦;张文豪;程涛;杨雪;谷春艳;张淦;李威风;陈煦设计研发完成，并于2023-04-24向国家知识产权局提交的专利申请。

本基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法在说明书摘要公布了：本发明涉及基于Yolov5‑ECA‑ASFF的小麦赤霉病孢子识别方法，与现有技术相比解决了难以针对样本为赤霉病孢子的小目标进行检测识别的缺陷。本发明包括以下步骤：孢子图像数据集的建立；构建小麦赤霉病孢子识别模型；小麦赤霉病孢子识别模型的训练；待识别小麦赤霉病孢子的获取；待识别小麦赤霉病孢子识别结果的获得。本发明在YOLOv5s骨干网络的CSPNet残差块末端添加具有ECA空间注意力机制，用以加强输入端特征图的通道特征；在其Neck特征提取网络末端引入具有自适应特征融合机制的ASFF模块，有效的实现了小麦赤霉病孢子快速准确检测识别。

本发明授权基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法在权利要求书中公布了：1.一种基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法，其特征在于，包括以下步骤： 11孢子图像数据集的建立：采集、收集赤霉病孢子图像，对图像进行预处理及数据增强，构建出孢子图像数据集； 12构建小麦赤霉病孢子识别模型：基于Yolov5网络，融合ECA模块和ASFF模块构建小麦赤霉病孢子识别模型； 所述构建小麦赤霉病孢子识别模型包括以下步骤： 121基于Yolov5构建小麦赤霉病孢子识别模型，将小麦赤霉病孢子识别模型设定四层： 第一层为Input，Input作为输入端用于对图像自适应缩放，集成K-means遗传算法，自适应计算数据集的最优锚框值，增强小目标检测能力； 第二层为Backbone，Backbone网络骨干结构包括Focus、CSP模块与SPP模块；Focus在通道中集成了输入照片的宽度、高度信息，进一步通过对基础层进行特征映射，CSP结构被分为两个部分，采用一种跨阶段层次结构对其进行融合，末端的SPP模块用于卷积层、池化层和选择过滤器三种结构； 第三层为Neck，Neck结构包括FPN+PAN的上下采样结构FPN层，末端结合PAN模块进行上采样； 第四层为Output，Output端用于评价算法对目标的检测定位是否精准，并利用GIOU损失函数计算精度，GIOU损失函数将GIOU_Loss贡献值除最大值的剩余预测结果剔除，输出为最高分类概率结果，同时产生边界框，对边界框内目标进行种类预测； 122设定ECA注意力模块： ECA模块采用快速一维卷积方式取代原结构的全连接层，获取跨通道之间产生的非线性特征信息； 设定一维卷积，其卷积核的尺寸是k，代表跨频道信息的覆盖范围，也就是当前信道与邻近k条信道一起参与预测信道注意； k和总通道的维数C存在映射关系且在总通道维数C确定时，自适应计算取得一维卷积核k； 将二维卷积核在空间域上进行投影，得到一个关于图像特征点分布规律的非线性函数，利用该函数可以快速地确定最优解，其映射关系为线性映射，公式为： ， 但它的线性映射关系太过单一，并且卷积网络的通道数一般设定在2的幂次方，故把线性函数推广到非线性函数中去，其计算公式如下： ， 由上，指定通道数C，得到公式： ， 上式中：为距离x最近的奇数，b=1，a=2； 123对小麦赤霉病孢子识别模型的第二层Backbone进行改进，在其CSP残差块末端添加ECA模块； 124设定ASFF特征融合模块： ASFF特征融合模块通过对各个层次的尺度特征进行映射并融合，对空间权重参数进行自适应学习，获得新的加权方式，实现对不同图层特征的融合； 设定ASFF的三层结构中，、、分别为PANet模块的三个特征层，后经三层特征融合，其中三个特征层、、的结果由、、输出三个特征层的特征并执行卷积计算： 将、、分别乘以权重参数、、并求和，获得经过特征融合后的特征输出，此过程公式表示如下： ， 其中，表示通过ASFF得到的新特征图，、、分别表示三个特征层的权重参数，通过Softmax函数使其满足，、、分别表示第1、2、3层的特征； 通过上采样或者下采样的方法确保，，每一层输出的特征结构相同，并保持通道数不变； 其中最下端的中，先将、的特征信息通过1×1的卷积将通道数进行压缩使其与相同，再分别在四倍，两倍处进行上采样获得的同一维度，最后做累加运算； 125对小麦赤霉病孢子识别模型的第二层Neck层FPN+PAN结构的输出端，结合ASFF特征融合模块通过对各个层次的尺度特征进行映射并融合，对空间权重参数进行自适应学习，获得新的加权方式，实现了对不同图层特征的融合； 13小麦赤霉病孢子识别模型的训练：将孢子图像数据集输入小麦赤霉病孢子识别模型进行训练； 14待识别小麦赤霉病孢子的获取：获取待识别的小麦赤霉病孢子，并进行预处理； 15待识别小麦赤霉病孢子识别结果的获得：将预处理后的待识别小麦赤霉病孢子输入训练后的小麦赤霉病孢子识别模型，获得小麦赤霉病孢子识别结果。

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西北农林科技大学;安徽大学，其通讯地址为：712199 陕西省咸阳市杨陵区杨凌示范区西农路22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。