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！

龙图腾网获悉扬州大学申请的专利一种基于局部-全局特征融合的田间麦穗密度计数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：CN118115846B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202410189131.2，技术领域涉及：G06V10/80；该发明授权一种基于局部-全局特征融合的田间麦穗密度计数方法是由谭昌伟;洪青青;刘伟设计研发完成，并于2024-02-20向国家知识产权局提交的专利申请。

本一种基于局部-全局特征融合的田间麦穗密度计数方法在说明书摘要公布了：本发明公开了一种基于局部‑全局特征融合的田间麦穗计数方法。该方法首先收集麦穗RGB图像数据，统一大小，并使用点标注对麦穗数据集预处理建立标签，构建训练数据集；然后将训练数据集输入到模型中训练，学习小麦图像的麦穗特征并进行计数。计数模型使用CSPDarknet53提取图像的局部特征，并在特征提取过程中添加具有自注意力机制的PyramidPoolingTransformer提取全局上下文信息，通过融合局部特征和全局上下文信息，提高麦穗计数的准确率，能够有效的适用于实际的田间麦穗计数。

本发明授权一种基于局部-全局特征融合的田间麦穗密度计数方法在权利要求书中公布了：1.一种基于局部-全局特征融合的田间麦穗密度计数方法，其特征在于，包括以下步骤：步骤1，收集小麦RGB图像数据集，统一像素大小，通过点标注的方法对麦穗进行标注，使用高斯函数生成真实密度分布图，并划分图像训练集和测试集；步骤2，构建基于局部-全局特征融合的田间麦穗密度计数模型并进行训练，所述计数模型包括用于提取多尺度特征的特征提取网络、用于多尺度特征融合的特征融合网络和用于生成密度图的密度回归网络，其中所述特征提取网络为CSPDarknet53网络和金字塔池化Transformer网络相结合的网络结构，4个不同尺度所述CSPDarknet53网络进行多尺度局部特征的提取，将提取到的最小尺度的特征图输入所述金字塔池化Transformer网络中，基于多头池化自注意力机制以捕获全局上下文信息、提取全局特征，然后经过跳跃连接特征融合网络，使用注意力机制融合不同尺度的特征图，得到一个有效特征图，最后输入密度回归网络，基于不同空洞率的空洞卷积构建密度回归网络生成最终的预测密度图，具体包括，步骤2.1，输入的图像首先经过预处理，进行归一化将像素值缩放到0到1之间；将经预处理后的图像输入到CSPDarknet53网络中提取四个不同尺度的特征图，表示为X1，X2，X3，X4；所述CSPDarknet53网络将输入的特征图按照通道数分成两个部分，一部分经过卷积核大小为3x3的积操作、BN归一化和SILU函数，另一部分则被直接连接到输出与第一部分连接；每个CSPDarknet53网络之前先使用卷积核大小为3x3的积操作、BN归一化和SILU函数来进行尺度下采样，下采样对输入的图像数据进行训练，得到多尺度特征信息；步骤2.2，将步骤2.1提取到的最小尺度特征图X4特征进行维度重塑，借助金字塔池化的多头自注意力，减少图像特征序列的长度，然后输入到金字塔池化Transformer网络中，进一步提取上下文全局特征图X5；所述维度重塑及全局特征获取具体为：将B,C,H,W维度的特征图重塑为B,C,H*W维度的特征图，将扁平化后的特征图输入到图像块编码器PatchEmbedding中，添加位置编码后输入到堆叠的金字塔池化Transformer模块中，通过应用不同尺度的池化操作得到多尺度特征图Pi及相对位置编码表示为：Pi＝AvgPoolix 式中，Pi表示由不同池化所生成的池化塔多尺度特征图，下标i表示第i个池化层，x是输入的特征图，B,C,H,W中B为输入图片的数量，即网络训练过程中输入数据的batch_size，C为图片本身的通道数，H和W为指图片的长和宽，AvgPooli为平均池化，DWConv·为深度卷积；对不同池化的特征图利用扁平化和串联获取输入序列计算其注意力获取最终特征X5，表示为： 式中，为由池化特征图Pi经过深度卷积DWConv运算得到的相对位置编码，LayerNorm为层归一化，Concat为拼接，Softmax为归一化函数，Q、K、V分别表示序列P经过线性投影得到的查询Query、键Key和值Value，dk为键向量K的长度；步骤2.3，将步骤2.1中提取到的局部特征图X1，X2，X3和步骤2.2提取到的全局特征图X5输入到基于注意力机制的特征融合网络中进行多尺度特征融合，得到有效特征图，融合过程具体为：将提取到的多尺度特征使用膨胀卷积进行上采样，获取对应尺度的特征图；然后将相同尺度的特征图相加后，按照通道维度分为两个不同尺度的分支，其中一个分支使用GlobalAvgPooling提取全局特征的通道注意力，另一个分支使用point-wise卷积提取局部特征的通道注意力；最后将全局注意力和通道注意力分别点乘后相加，获得融合后的特征图，即结合全局信道上下文GX和本地信道上下文LX，通过MS-CAM得到细化特征X'∈RC×H×W表示为：Gx＝BNPWConv2δBNPWConv1GlobalPoolingXLx＝BNPWConv2δBNPWConv1X 式中GlobalPooling为全局平均池化操作，PWConv1是卷积核大小为1的点卷积，用来降低输入特征X的通道数，BN为BatchNorm归一化，δ为ReLU激活函数，通过PWConv2点卷积将通道数恢复成与原输入通道数相同，σ为Sigmode激活函数，目的是将变量映射到0到1之间,为异或运算；步骤2.4，将有效特征图输入到密度回归网络中生成预测密度图并进行密度求和，实现麦穗计数，所述密度回归网络利用三种不同空洞率的卷积块来单独处理特征，并将得到的三种特征图进行concat拼接，对拼接好的特征图进行卷积Conv、归一化BatchNorm和激活函ReLU操作，生成密度图；步骤3，将所述测试集输入训练后的所述计数模型进行测试，输入待计数的小麦RGB图像，得到小麦麦穗分布密度图以及麦穗计数结果。

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扬州大学，其通讯地址为：225100 江苏省扬州市邗江区华扬西路196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”。