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！

龙图腾网恭喜淮阴工学院申请的专利一种基于3D-2D特征融合的果实识别定位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：CN118262353B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202410331478.6，技术领域涉及：G06V20/68；该发明授权一种基于3D-2D特征融合的果实识别定位方法是由胡崇杨;刘晓洋;陈宇辉;刘宝强;程善儒;韩登旗;丁海涛设计研发完成，并于2024-03-22向国家知识产权局提交的专利申请。

本一种基于3D-2D特征融合的果实识别定位方法在说明书摘要公布了：本发明公开了一种基于3D‑2D特征融合的果实识别定位方法，通过深度摄像头获取到果实的3D点云数据；将预处理后的点云数据转换成张量；采用PointNet++来获取点云的局部、全局特征和结果特征；对获取的2D数据进行预处理，采用卷积神经网络对2D数据进行特征提取；将点云的全局特征和图像的全局特征进行多尺度特征提取，分别通过反卷积层和点卷积转换后，沿通道维度拼接得到不同尺度下的整体特征；接着将图像的结果特征和点云的结果特征与上述的整体特征进行特征融合；将融合特征的训练集作为输入，进行深度学习训练。本发明将点云和图像数据的优势相互补充，对果实进行全方位、多维度的特征提取和分析，能够有效提高果实识别的准确性和可靠性。

本发明授权一种基于3D-2D特征融合的果实识别定位方法在权利要求书中公布了：1.一种基于3D-2D特征融合的果实识别定位方法，其特征在于，包括以下步骤：1通过深度摄像头获取果实的点云数据，并对点云数据进行预处理；使用最近邻算法K-NN对每个点构建其局部邻域；将预处理后的点云数据转换成张量格式并对坐标进行归一化操作，每个点包括三维坐标信息x,y,z以及颜色信息；2通过PointNet++获取点云数据的局部、全局特征和结果特征；将步骤1获取的局部邻域内的点作为输入，经过特征提取模块得到每个点的局部特征；将得到的每个点的局部特征通过局部区域聚合模块进行聚合操作，获取更广泛的局部上下文信息；将聚合后的特征经过区域上下文编码器，得到编码后的特征信息；将编码后的特征信息经过全局特征汇聚模块，得到表征整个点云数据的全局特征；经过特征提取和聚合过程后，PointNet++网络最终输出点云的结果特征；3通过摄像头获取果实的二维图像，并进行数据预处理；对每张果实图像添加相应的标签数据，将数据集划分为训练集、验证集和测试集；采用VGG模型对训练集进行训练，使用验证集对训练好的VGG模型进行评估，将训练好的VGG模型应用到测试集中查看性能；在训练好的VGG模型中，利用卷积层和池化层提取果实图像的全局特征，将提取到的高级抽象特征表示转换成张量形式；利用全连接层和softmax得到图像的结果特征；4将点云数据的全局特征和图像的全局特征进行多尺度特征提取，分别通过反卷积层和点卷积转换后，沿通道维度拼接得到不同尺度下的整体特征；接着将图像的结果特征和点云的结果特征与上述的整体特征进行特征融合，得到融合特征集；5将融合特征集划分为训练集、验证集和测试集，其中融合特征的训练集作为输入，采用YOLOv5模型进行深度学习训练；设置综合的损失函数来计算目标检测任务中真实标签和预测标签之间的误差；6使用融合特征的验证集和测试集分别对训练好的模型进行验证和评估；模型将输出检测到的目标物体的位置、类别和置信度等信息；对模型输出的目标检测结果进行非极大值抑制操作来消除冗余的检测结果；将处理后的检测结果可视化到原始图像中，以便通过可视化来评估模型的性能；步骤4所述将图像的结果特征和点云的结果特征与整体特征进行特征融合通过以下公式实现： 其中，K表示特征提取网络中用于从输入数据中提取浅层特征的部分，J表示特征提取网络中用于从浅层特征中提取更深层特征的部，L表示特征提取网络中用于从深度特征中获取模型输出结果的部分，JP、KP和LP表示处理点云数据对应的网络部分，JI、KI和LI表示处理图像数据对应的网络部分，F表示融合特征，RF表示结果特征，GF表示整体特征。

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淮阴工学院，其通讯地址为：223000 江苏省淮安市经济技术开发区枚乘东路1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”。