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！

龙图腾网获悉安徽农业大学申请的专利一种多频信息融合的双主干神经网络果实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：CN121121202B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202511035958.9，技术领域涉及：G06V10/764；该发明授权一种多频信息融合的双主干神经网络果实识别方法是由唐强;侯文慧;陈思琪;毛博;饶元;王玉伟;高靖;刘路设计研发完成，并于2025-07-25向国家知识产权局提交的专利申请。

本一种多频信息融合的双主干神经网络果实识别方法在说明书摘要公布了：本发明公开了一种多频信息融合的双主干神经网络果实识别方法，涉及果实识别技术领域，包括：将RGB图像输入至既定的第一主干网络以提取颜色特征图，并基于RGB图像生成融合图像，将所述融合图像输入至预设的第二主干网络以提取边缘特征图；将所述颜色特征图与边缘特征图进行整合处理，以生成融合序列，对融合序列进行位置编码序列生成，并将位置编码序列输入至Transformer层进行处理，以生成融合特征图；对所述融合特征图进行二维离散小波变换，得到低频特征图和多个方向的高频特征图，基于低频特征图和多个方向的高频特征图，生成增强融合特征图；基于增强融合特征图进行训练，以生成果实识别模型，本发明提升了复杂场景下果实识别的精细化准确性与鲁棒性。

本发明授权一种多频信息融合的双主干神经网络果实识别方法在权利要求书中公布了：1.一种多频信息融合的双主干神经网络果实识别方法，其特征在于，所述方法包括： S11：将采集的RGB图像输入至既定的第一主干网络以提取颜色特征图，并基于RGB图像生成融合图像，将所述融合图像输入至预设的第二主干网络以提取边缘特征图； S12：将所述颜色特征图与边缘特征图进行整合处理，以生成融合序列，对融合序列进行位置编码序列生成，并将位置编码序列输入至Transformer层进行处理，以生成融合特征图； S13：对所述融合特征图进行二维离散小波变换，得到低频特征图和多个方向的高频特征图，基于低频特征图和多个方向的高频特征图，生成增强融合特征图； S14：基于增强融合特征图进行训练，以生成果实识别模型，将待测果实图像输入所述果实识别模型，输出果实识别结果； 生成果实识别模型的步骤为： S141：将增强融合特征图作为目标检测网络检测头的输入，检测头在增强融合特征图的每个空间位置上通过卷积操作输出与该位置对应的一个或多个原始预测框，所述原始预测框的参数包括：各原始预测框的中心点相对于该空间位置的坐标偏移、原始预测框的宽度w和高度h； S142：将检测头输出的每个原始预测框与训练样本中提供的真实框进行匹配，对每一对匹配成功的真实框与原始预测框，计算标准IoU值； 标准IoU值的计算公式为： 其中，为标准IoU值，为原始预测框与真实框之间的交集区域面积，为两者并集区域面积，为原始预测框所对应的矩形区域，为真实框所对应的矩形区域，为原始预测框与真实框的交集区域面积，为是原始预测框与真实框的并集区域面积，其中，； S143：对原始预测框执行尺度变换，以获取缩小预测框和放大预测框； S144：基于标准IoU值的计算公式，获取缩小预测框与真实框的缩小IoU值，以及放大预测框与真实框的放大IoU值，基于缩小IoU值、放大IoU值和标准IoU值，构建尺度响应集合； S145：基于尺度响应集合计算原始预测框的回归损失权重，并基于回归损失权重计算原始预测框的UIoU边界框回归损失项； S146：将训练图像中所有原始预测框的UIoU边界框回归损失项进行加权求和，获取总边界框回归损失； S147：基于总边界框回归损失，对目标检测网络进行训练，输出小于等于预设测试误差阈值的目标检测网络作为果实识别模型。

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安徽农业大学，其通讯地址为：230036 安徽省合肥市长江西路130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。