Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 浙江大学黄慧获国家专利权

浙江大学黄慧获国家专利权

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!

龙图腾网获悉浙江大学申请的专利显微高光谱图像分类模型的构建方法、分类方法及装置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:CN115376126B

龙图腾网通过国家知识产权局官网在2026-04-14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:202210803265.X,技术领域涉及:G06V20/69;该发明授权显微高光谱图像分类模型的构建方法、分类方法及装置是由黄慧;李龙宇;孙泽浩;李培良;郭卜瑜;宋宏设计研发完成,并于2022-07-07向国家知识产权局提交的专利申请。

显微高光谱图像分类模型的构建方法、分类方法及装置在说明书摘要公布了:本发明属于海洋环境监测领域,公开了一种显微高光谱图像分类模型的构建方法、分类方法及装置,包括:获取微藻与微塑料混合物样品的显微高光谱图像;根据图像单应性变换模型,对每一光谱维度内的所述显微高光谱图像进行拼接,获得各光谱维度对应的高光谱图像;对所述高光谱图像的拼接边缘进行去噪处理;对去噪处理后的所述高光谱图像进行高光谱数据降维处理;根据去噪处理后的高光谱图像和降维处理后的高光谱图像,建立分类模型,以对显微高光谱图像进行识别。本申请基于显微高光谱成像技术,对数十微米级的微塑料与微藻进行识别,结合显微图像拼接技术,提升了检测限。

本发明授权显微高光谱图像分类模型的构建方法、分类方法及装置在权利要求书中公布了:1.一种显微高光谱图像分类模型的构建方法,其特征在于,包括: 获取微藻与微塑料混合物样品的显微高光谱图像; 根据图像单应性变换模型,对每一光谱维度内的所述显微高光谱图像进行拼接,获得各光谱维度对应的高光谱图像;该步骤具体包括:保存显微高光谱图像并建立原始空谱数据库,并标注微塑料与微藻的掩膜标签;根据微藻与微塑料混合物样品的位置信息,对所述原始空谱数据库中的图像进行仿射变换;以所述原始空谱数据库中的图像和仿射变换后的图像为输入,以所述仿射变换的关系作为输出,建立基于深度卷积神经网络的图像单应性变换模型;根据所述掩膜标签,对所述图像单应性变换模型建立注意力机制网络分支,以减小图像作单应性变换时微藻和微塑料目标物的形态变化,从而对所述图像单应性变换模型进行优化;根据优化后的图像单应性变换模型,基于每一光谱维度,拼接显微高光谱图像; 对所述高光谱图像的拼接边缘进行去噪处理;该步骤具体包括:A1:对微藻与微塑料的高光谱图像计算每一光谱维度的图像信噪比,并在低波长与高波长部分分别设立两个图像信噪比阈值S1与S2,对应的波长分别为λ1与λ2;A2:建立光谱维度的高-低信噪比图像对,其中高信噪比图像的波长范围为λ1,λ2,低信噪比图像的波长范围为[λ0,λ1]∪[λ2,λ3];A3:对高-低信噪比图像对进行随机选择,形成高信噪比与低信噪比的图像对应关系;A4:以低信噪比图像作为输入,高信噪比图像作为输出,根据对应关系,建立基于深度卷积神经网络的光谱图像去噪模型;A5:使用所述光谱图像去噪模型测试新的高光谱图像,计算所有维度图像平均信噪比,若其大于2*S1+S2,则认为去噪模型有效,否则重复A1-A5,直到获得有效的光谱图像去噪模型;A6:将所述高光谱图像输入到有效的光谱图像去噪模型中进行去噪处理; 对去噪处理后的所述高光谱图像进行高光谱数据降维处理;该步骤具体包括:B1:对所述去噪处理后的高光谱图像用聚类算法进行聚类,形成n个聚类簇,每个聚类簇包含若干个波长,其中n为目标降维维数;B2:选择每个聚类簇的聚类中心fi,其中i=1、2、…、n,得到降维结果[f1、f2、f3、…、fn];B3:分别取n=2、3、…、N-1重复B1和B2操作,得到N-2组降维结果,N为所述显微高光谱图像全部波长的数量;B4:根据所述降维结果,得到N-2组对应波长的降维高光谱图像; 根据去噪处理后的高光谱图像和降维处理后的高光谱图像,建立分类模型,以对显微高光谱图像进行识别;该步骤具体包括:根据所述掩膜标签,将所述去噪处理后的高光谱图像划分为微塑料、微藻、背景的训练集与测试集,所述去噪处理后的高光谱图像包含波长数量为N;利用所述训练集,训练并建立分类模型;使用所述分类模型对所述测试集进行分类,获得分类指标F1CA;根据所述掩膜标签,将所述降维处理后的高光谱图像划分为微塑料、微藻、背景的训练集与测试集;对每一组降维处理后的高光谱图像的训练集与测试集,分别训练并建立分类模型,j为组数,其中j=1、2、…、N-2;采用所建立的分类模型对降维处理后的高光谱图像的测试集图像进行分类,获得分类指标F1CBj;取满足公式且最小的j为j*,对应的分类模型作为最终的分类模型,其中。

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浙江大学,其通讯地址为:310058 浙江省杭州市西湖区余杭塘路866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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。