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！

龙图腾网获悉陕西女娲神草农业科技有限公司申请的专利一种基于大数据的种子质量智能检测系统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：CN121504914B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610030456.5，技术领域涉及：G06T7/00；该发明授权一种基于大数据的种子质量智能检测系统是由吴盼盼;黄明厅;吕达军;刘凡华;刘金凤;刘喜远;潘娟;李臻桢;韩瑞亭;张钊设计研发完成，并于2026-01-12向国家知识产权局提交的专利申请。

本一种基于大数据的种子质量智能检测系统在说明书摘要公布了：本发明公开了一种基于大数据的种子质量智能检测系统，涉及农业检测技术领域。该系统包括采集模块，用于采集种子外观图像并进行分辨率统一等预处理；分割模块，利用融合多尺度注意力机制与匀质性强约束的深度卷积神经网络，将图像精准解构为超像素块；估计模块，提取超像素高维特征构建张量，基于张量环分解算法进行低秩分解，通过计算原始与重构张量的误差生成外观缺陷显著图，有效分离正常纹理与缺陷；管理模块，根据显著图量化缺陷面积占比与严重度指数，结合质量标准进行精准分级；本发明有效克服了传统方法在复杂纹理及不规则缺陷下鲁棒性差的问题，实现了对种子外观品质的高效、非破坏性自动化检测。

本发明授权一种基于大数据的种子质量智能检测系统在权利要求书中公布了：1.一种基于大数据的种子质量智能检测系统，其特征在于，包括采集模块、分割模块、估计模块和管理模块； 所述采集模块，用于采集种子的外观图像数据并进行预处理； 所述分割模块，用于通过基于多尺度注意力机制与匀质性强约束的预训练的深度卷积神经网络模型将预处理后的种子的外观图像数据解构为超像素块； 所述估计模块，用于提取所述超像素块的高维特征并转化为张量表示，基于张量环分解算法对高维特征张量进行低秩分解，并通过计算原始特征张量与重构张量之间的重构误差，生成外观缺陷显著图； 所述管理模块，用于根据所述外观缺陷显著图量化种子缺陷指标，结合预设质量标准进行分级； 所述深度卷积神经网络模型包括特征编码器、特征金字塔注意力单元、特征解码器和区域划分预测头； 所述特征编码器包括浅层卷积层和深层卷积层，将初始化后的图像数据输入浅层卷积层得到浅层特征图，将浅层特征图输入至深层卷积层生成深层特征图； 所述初始化后的图像数据为对预处理后的外观图像数据进行初始化操作，所述初始化操作包括：根据预设的超像素采样间隔，将预处理后的外观图像数据平均划分为多个矩形网格单元，将每个矩形网格单元的几何中心坐标定义为潜在超像素中心； 所述深度卷积神经网络通过最小化复合损失函数进行预训练； 所述复合损失函数包括匀质性约束项和空间紧凑度损失项； 所述复合损失函数的数学表达式为： ； 其中，为空间紧凑度损失项，为匀质性约束项，为预设参数，为复合损失函数； 所述匀质性约束项为超像素区域内部像素特征向量与该区域聚类中心特征向量之间的欧氏距离； 所述匀质性约束项的数学表达式为: ; 其中，为匀质性约束项，代表潜在超像素中心的全局索引，取值为1~A，A为全图划分的网格总数，为像素周围的9个潜在超像素中心构成的集合，为超像素区域内部像素的特征向量，表示L2范数的平方，为像素p属于k的概率，为聚类中心的特征向量； 所述聚类中心的特征向量的数学表达式为： ； 其中，为遍历初始化后的外观图像数据中的每一个像素点，代表潜在超像素中心的全局索引，取值为1~A，A为全图划分的网格总数，为像素属于v的概率，为像素在像素级特征映射图上的特征向量； 所述空间紧凑度损失项为像素的空间坐标与超像素空间中心之间的欧氏距离； 所述空间紧凑度损失项的数学表达式为： ； 其中，为空间紧凑度损失，代表潜在超像素中心的全局索引，取值为1~A，A为全图划分的网格总数，为像素属于的概率，为像素的固有空间坐标，为超像素空间中心； 获取所述预训练的深度卷积神经网络模型包括：使用训练集对深度卷积神经网络模型进行训练，使用验证集进行验证，迭代更新深度卷积神经网络模型的网络参数，训练完成后，固化网络参数。

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陕西女娲神草农业科技有限公司，其通讯地址为：710000 陕西省西安市高新区天谷七路996号国家数字出版基地D栋402-3室；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。