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！

龙图腾网获悉中国海洋大学三亚海洋研究院申请的专利基于原位图像和深度学习的海洋浮游动物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：CN121600557B 。

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：202610120522.8，技术领域涉及：G06V40/10；该发明授权基于原位图像和深度学习的海洋浮游动物识别方法是由于华明;严五洲;戚昕设计研发完成，并于2026-01-28向国家知识产权局提交的专利申请。

本基于原位图像和深度学习的海洋浮游动物识别方法在说明书摘要公布了：基于原位图像和深度学习的海洋浮游动物识别方法，该方法针对全副原位图像构建多阶段串联的深度学习架构进行处理，包括：基于YOLOv8骨架构建模型在复杂背景下快速定位并框定浮游动物个体；利用U‑Net模型对原位图像中个体进行像素级精细分割，提取精确轮廓以获取高质量单体图像；最后，将图像输入基于ViT架构创新设计的PlanktonNet网络，通过自适应小尺寸切片嵌入和引入卷积化词嵌入层，提升小尺度目标特征提取能力，实现属种的高精度、细粒度分类。本发明优势在于将目标检测、语义分割与识别任务有机融合，有效解决现有技术识别效率低、自动化程度不高的问题，实现从原位图像中大批量快速精准识别海洋浮游动物。

本发明授权基于原位图像和深度学习的海洋浮游动物识别方法在权利要求书中公布了：1.一种基于原位图像和深度学习的海洋浮游动物识别方法，其特征在于，包括以下步骤： S1：采集浮游动物原位观测图像； S2：对图像进行预处理，对图像中的浮游动物目标进行人工画框定位与属种类别选择，生成包含浮游动物边界框位置坐标与浮游动物分类标签的训练样本，生成后续模型训练使用的训练集与验证集； S3：构建目标检测模型，基于YOLOv8架构进行改进，在原有P3、P4、P5检测层基础上，增加高分辨率的P2检测层，在主干网络Backbone与颈部网络Neck的连接处嵌入注意力机制模块，构建改进的YOLOv8目标检测模型，利用浅层网络特征提升对微小浮游动物的检测能力；并利用步骤S2的训练集进行训练，输出包含位置坐标的边界框及置信度，并根据边界框坐标将各个浮游动物个体从原图中裁剪出来，作为初级感兴趣区域； S4：构建语义分割模型，基于U-Net架构进行改进，构建的语义分割模型AttentionRes-U-Net模型，其在编码器与解码器中利用残差模块替代传统卷积层，在编码器与解码器的横向跳跃连接SkipConnection处嵌入注意力门控机制，并通过跳跃连接传递特征；将步骤S3得到的初级感兴趣区域输入模型进行训练，生成去背景的单体浮游动物图像；对得到的单体浮游动物图像进行人工标记识别分类，形成后续针对图像识别网络PlanktonNet训练的数据集； S5：构建图像识别模型，基于ViT架构设计PlanktonNet网络模型，其引入卷积化词嵌入层，摒弃传统ViT中直接将图块展平并进行线性投影的编码方式，在输入端构建卷积化词嵌入层，利用多层卷积神经网络CNN对微小图块进行特征提取与编码映射；通过卷积核的重叠滑动与参数共享机制，为输入序列引入局部归纳偏置，强化模型对浮游动物局部纹理、边缘方向及空间邻域信息的捕捉能力，生成富含局部语义信息的视觉向量序列；对步骤S4输出的单体浮游动物图像进行处理，输出浮游动物属种识别结果，在训练过程中，保存验证集上识别准确率最高的模型参数作为最终分类模型； S6：将实时采集的海洋浮游动物原位图像，依次输入训练完成的YOLOv8目标检测模型、U-Net语义分割模型及PlanktonNet图像识别模型，自动输出包含个体位置、轮廓及属种信息的最终识别结果。

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中国海洋大学三亚海洋研究院，其通讯地址为：572024 海南省三亚市崖州区用友产业园1号楼7层；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。