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！

龙图腾网获悉山东科技大学申请的专利DV稳定化与自适应特征增强的农业病害哈希检索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：CN121278128B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511843780.0，技术领域涉及：G06F16/532；该发明授权DV稳定化与自适应特征增强的农业病害哈希检索方法是由曾庆田;周飞羽;刘尚坤;王善松;邹明浩;段华;倪维健;原桂远;鲁法明;李超;程成;贾坤昊;许士宵;周长红;张峰;郭文艳;刁秀丽设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本DV稳定化与自适应特征增强的农业病害哈希检索方法在说明书摘要公布了：本发明公开了一种DV稳定化与自适应特征增强的农业病害哈希检索方法，属于农业病害图像检索与深度哈希技术领域，包括如下步骤：步骤1、获取原始病害图像作为骨干网络的输入；步骤2、利用骨干网络提取病害图像特征；步骤3、基于自适应特征增强模块，对病害图像特征进行增强，得到自适应图像特征；步骤4、通过含有DV稳定化的总损失函数优化网络参数；步骤5、通过哈希层得到二值哈希码；步骤6、将得到的哈希码与以相同方法得到的检索集中所有图像的哈希码进行汉明距离排序，返回小于预设汉明距离的多张病害图像。本发明有效提高了农业病害图像检索效率和精度。

本发明授权DV稳定化与自适应特征增强的农业病害哈希检索方法在权利要求书中公布了：1.一种DV稳定化与自适应特征增强的农业病害哈希检索方法，其特征在于，包括如下步骤： 步骤1、获取原始病害图像作为骨干网络的输入； 步骤2、利用骨干网络提取病害图像特征；骨干网络通过四个阶段的下采样逐步将特征图大小减少到原始病害图像的14、18、116和132，每个阶段均包括一个下采样块和DFFormer块；每个DFFormer块的计算过程为：输入特征张量首先经过归一化处理，随后馈入动态滤波器以生成特征自适应权重；经动态滤波器处理后的输出通过残差连接与当前DFFormer块的原始输入进行逐元素相加，构成初级融合特征；此后，初级融合特征再次进行归一化处理后被送入通道多层感知机进行非线性变换；通道多层感知机的输出最终通过第二次残差连接，与初级融合特征相加，形成当前DFFormer块的最终输出；第一个DFFormer块的输入为原始病害图像特征，第二至第四个DFFormer块的输入为上一个DFFormer块经过下采样后输出的特征张量，第四个DFFormer块的输出为病害图像特征； 步骤3、基于自适应特征增强模块，对病害图像特征进行增强，得到自适应图像特征；具体过程为： 步骤3.1、对病害图像特征进行三个轻量级分支处理，以生成三个互补表示，分别为键向量、值向量、门控图： ； ； ； 其中，、、分别为长度、高度、宽度；表示深度可分离卷积运算；表示ReLU激活函数；表示Sigmoid激活函数； 步骤3.2、采用通道分组对比机制来增强值向量，得到一次增强的多头特征；具体过程为： 步骤3.2.1、沿着空间维度计算每个组的平均向量： ； 其中，为在维度方向上求均值；为多头注意力向量，由值向量按照注意力头划分而来；表示注意力头的数量；表示每组中的通道数量；表示空间大小，与维度相对应； 步骤3.2.2、通道维度首先被划分为组；然后，在每个组中计算平均值；随后，使用Softmax激活函数对组间重要性进行建模，得到组权重 其中，为在维度方向上求均值；分组后的分组向量；表示每组中的通道数量，与维度相对应；为Softmax激活函数； 将组权重广播到组内的每个通道，得到增强的通道描述符 ； 其中，是一个缩放因子； 步骤3.2.3、基于通道描述符生成一个比例因子： ； 其中，是一个小常数； 步骤3.2.4、最后对原始多头注意力向量进行调整： ； 其中，为一次增强的多头特征； 步骤3.3、获取经过Top-K稀疏选择机制二次增强的多头特征；具体过程为： 步骤3.3.1、给定一次增强的多头特征，首先通过对空间维度上激活值的平方求平均来计算每个头部的通道能量；然后，基于比例参数选择能量最高的前个通道； ； ； ； 其中，为通道能量；为能量最高的通道数量；为求取最强通道索引的函数； 步骤3.3.2、构建一个软掩码： ； 其中，为矩阵中第行第列对应的软掩码，第行对应第个通道，第列对应第个通道；为前个能量最高的通道中第个通道的索引；是剩余权重； 然后，对软掩码进行归一化处理得到软掩码矩阵： 其中，为总的软掩码矩阵；的第行对应的软掩码； 最后，将软掩码矩阵广播到空间维度，并应用于一次增强的多头特征，得到二次增强的多头特征： ； 步骤3.4、对二次增强的多头特征进行局部-全局对比增强；具体过程为： 步骤3.4.1、在获得二次增强的多头特征后，将其重构回原始通道维度，得到全局特征，全局特征编码病害图像的整体语义表示，捕获整个病害区域的一致纹理和结构模式： ； 其中，为重新调整特征形状的函数； 步骤3.4.2、将键向量作为局部特征，采用局部-全局对比度增强机制自适应地融合键向量和全局特征；同时，使用门控图对局部和全局特征的融合进行自适应加权，得到增强门控图： ； ； 其中，表示对比图； 步骤3.4.3、结合增强门控图调制的局部和全局特征，得到精化的特征表示，并应用一个可学习的层级缩放因子进行稳定优化： ； ； 其中，为最终得到的自适应图像特征； 步骤4、通过含有DV稳定化的总损失函数优化网络参数；总损失函数定义如下： ； 其中，为总损失函数；为新DV稳定化损失；为中心损失；为量化损失；和是平衡每个损失组件贡献的超参数； 新DV稳定化损失的公式如下： ； 其中，表示批量大小；为第张图像对应的正样本对；为第张图像对应的负样本对的期望； 中心损失的公式如下： ； 其中，为图像总数；表示第张图像最终的样本哈希码；为第张图像对应类别的预定义哈希中心； 量化损失的公式如下： ； 其中，表示连续哈希码的第维；是哈希码的长度； 步骤5、通过哈希层得到哈希码； 步骤6、将得到的哈希码与以相同方法得到的检索集中所有图像的哈希码进行汉明距离排序，返回小于预设汉明距离的多张病害图像。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。