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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于关键部位协同定位的两阶段昆虫细粒度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：CN119888311B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202411862004.0，技术领域涉及：G06V10/764；该发明授权一种基于关键部位协同定位的两阶段昆虫细粒度识别方法是由陈冬梅;施贻淼;魏凯华;曹佩佩;王术海;张竞成设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种基于关键部位协同定位的两阶段昆虫细粒度识别方法在说明书摘要公布了：本发明公开了一种基于关键部位协同定位的昆虫两阶段细粒度识别方法。本发明方法借助于检测模型提高关键部位的相对尺寸，可以更好地在多尺度的范围上识别目标昆虫的有效特征，提高易混淆品种的识别能力；同时通过全局上下文增强模块GCE来对全局上下文信息进行动态调整与融合，使模型在处理复杂背景时，能够更好地捕捉昆虫的特征细节，从而进一步提高分类的鲁棒性；引入协同机制来对结果进行综合计算，确保了分类结果的全面性与准确性。

本发明授权一种基于关键部位协同定位的两阶段昆虫细粒度识别方法在权利要求书中公布了：1.一种基于关键部位协同定位的两阶段昆虫细粒度识别方法，其特征在于，包括如下步骤： 步骤1：数据集获取及处理； 根据识别需求从网上、现场采集的方法获取昆虫数据集，之后对数据集进行标注，标注方法为对目标对象的整体以及关键部位进行标注； 步骤2：构建两阶段细粒度识别模型； 所述两阶段细粒度识别模型由目标检测网络和分类网络组成；所述的目标检测网络用于提取关键部位的图像，分类网络用于对关键部位的图像进行分类； 步骤3：首先通过目标检测网络对输入的昆虫图像进行检测，得到待识别昆虫关键部位的位置信息，在得到待识别昆虫各个关键部位的位置信息后，通过这些位置信息来对图像进行裁剪，得到只包含单个关键部位的子图，之后对这些图像进行对裁剪的图像进行预处理，包括调整大小和归一化，然后对预处理之后的图片进行HOG特征提取并过滤掉相似性超过设定阈值的区域，得到目标图片； 步骤4：将步骤3得到的目标图片传递至分类网络，进行昆虫类别的识别； 首先通过分类网络对步骤3得到的目标图片进行处理，将分类网络的输出与待识别昆虫关键部位的中心点位置信息进行特征拼接；拼接后的特征向量被输入全连接层，通过进一步的特征处理，最终生成包含空间位置信息和类别信息的增强特征向量即得到关键部位的分类结果；分类网络通过全局上下文增强模块进行全局上下文信息的调整与融合；调整后的上下文特征图与输入特征图进行逐元素加法操作； 所述分类网络的网络结构具体如下：全局图像和局部图像首先输入到全局上下文增强模块中，得到融合特征图，再经过卷积核大小3*3，通道数为3，步长为2的普通卷积层；步长为1的MBConv1模块；卷积核大小3*3，通道数为3，步长为2的MBConv6模块；卷积核大小5*5，通道数为3，步长为2的MBConv6模块；卷积核大小3*3，通道数为3，步长为3的MBConv6模块；卷积核大小5*5，通道数为3，步长为3的MBConv6模块；卷积核大小5*5，通道数为3，步长为4的MBConv6模块；卷积核大小3*3，通道数为3，步长为1的MBConv6模块；最后经过一个卷积核大小为1*1的普通卷积层、池化层以及全连接层； 所述分类网络中，全局上下文增强模块具体结构如下：首先将全局特征图经过卷积核大小1*1的普通卷积层以及ReLU激活函数，再与局部特征图进行逐元素加法，之后再经过卷积核大小1*1的普通卷积层以及ReLU激活函数，得到输出融合特征图； 步骤5：最后，通过协同机制对各部位的分类结果进行整合与计算，生成最终的整体分类输出。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。