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！

龙图腾网获悉海南大学申请的专利一种适用于ARM架构MCU的杂草检测方法及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：CN119810658B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411876965.7，技术领域涉及：G06V20/10；该发明授权一种适用于ARM架构MCU的杂草检测方法及系统是由张志富;魏晨辉;张喜瑞;刘俊孝设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本一种适用于ARM架构MCU的杂草检测方法及系统在说明书摘要公布了：本发明公开了一种适用于ARM架构MCU的杂草检测方法，包括以下步骤：S1、构建轻量化SSD模型：将SSD模型中的VGG网络替换为MobileNetV1网络，并添加额外的网络层与FPN结构改进MobileNetV1的局限性；S2、使用数据集，并将数据集预处理；S3、利用预处理后的数据集，通过TensorFlow框架对改进后的轻量化SSD模型进行训练及验证；S4、采用TensorFlowLite对训练完毕的模型实施全整型量化处理；S5、获取杂草图像后，应用量化后的轻量化SSD模型对杂草图像进行识别处理，以确定位置。本发明通过构建轻量化SSD模型，显著提升了杂草检测的效率，降低了硬件要求，同时保持了高检测精度，此外采用全整型量化处理，使得模型易于部署且具有广泛适用性，较好的适用于农业领域。

本发明授权一种适用于ARM架构MCU的杂草检测方法及系统在权利要求书中公布了：1.一种适用于ARM架构MCU的杂草检测方法，其特征在于，包括以下步骤： S1、构建轻量化SSD模型：将SSD模型中的VGG网络替换为MobileNetV1网络，并添加额外的深度可分离卷积层、特征处理层与特征金字塔结构；步骤S1包括： S11、将SSD模型中的VGG网络替换为MobileNetV1网络，具体为：在MobileNetV1的网络架构中，首先引入一个标准卷积层，记为Conv1，该卷积层采用3×3的卷积核，并设置步长为2，以实现空间下采样，输入至Conv1的图像具有256×256的分辨率和3个颜色通道，经过此层处理后，输出特征图的通道数增加至8；随后，网络由一系列深度可分离卷积层组成，编号为Conv_dw_1至Conv_dw_13，每个深度可分离卷积层均由深度卷积和逐点卷积两个子层构成，一系列深度可分离卷积层采用步长为1或2交替设置，以此来逐步减小特征图的尺寸；最终，在网络的末端，Conv_dw_13层输出256个通道的特征图，其尺寸为8×8； S12、在MobileNetV1网络之后增添四层额外的深度可分离卷积层，并移除SSD模型中的常规卷积层，具体为：第一层与第三层使用3×3的卷积核以步长为2对输入进行深度卷积，然后通过256个1×1的逐点卷积融合通道信息并应用L2正则化，第二层与第四层使用3×3的卷积核以步长为1对输入进行空间上的深度卷积，随后通过256个1×1的逐点卷积融合通道信息并应用L2正则化； S2、使用数据集，并将数据集预处理； S3、利用预处理后的数据集，通过TensorFlow框架对改进后的轻量化SSD模型进行训练及验证； S4、采用TensorFlowLite对训练完毕的模型实施全整型量化处理； S5、获取杂草图像后，应用量化后的轻量化SSD模型对杂草图像进行识别处理，以确定位置；步骤S5包括： S51、从MobileNetV1网络的第5个深度可分离卷积层提取第一阶段特征图； S52、从MobileNetV1网络的第11个深度可分离卷积层提取第二阶段特征图； S53、从MobileNetV1网络的第13个深度可分离卷积层提取第三阶段特征图； S54、从第二层额外深度可分离卷积层提取第四阶段特征图； S55、从第四层额外深度可分离卷积层提取第五阶段特征图； S56、对第五阶段特征图执行全局平均池化操作，并进行重塑以形成第六阶段特征图； S57、所有阶段特征图进行单层卷积处理和批量归一化； S58、将FPN网络应用于经过处理的第一阶段特征图至第六阶段特征图，即每个特征图层接收上一层的采样结果并与当前层的特征图进行逐元素相加，从而实现特征融合，使得高层语义信息能够与低层细节信息相结合； S59、检测头处理步骤S58中得到的融合后的特征图，生成锚框、分类预测和边界框预测； S510、对步骤S59检测头输出的数据进行非极大值抑制得到最终的识别位置。

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海南大学，其通讯地址为：570000 海南省海口市人民大道58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。