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！

龙图腾网恭喜浙江工业大学申请的专利基于DCT-YOLOv5模型的实时番茄姿态检测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：CN114782360B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202210409195.X，技术领域涉及：G06T7/00；该发明授权基于DCT-YOLOv5模型的实时番茄姿态检测方法是由禹鑫燚;曹铭洲;周晨;欧林林;魏岩;周利波设计研发完成，并于2022-04-19向国家知识产权局提交的专利申请。

本基于DCT-YOLOv5模型的实时番茄姿态检测方法在说明书摘要公布了：本发明涉及基于DCT‑YOLOv5模型的实时番茄姿态检测方法。包括如下步骤：步骤一：设计DCT‑YOLOv5主干网络及损失函数；步骤二：通过人工拍摄的方式对不同角度，不同大小，不同生长条件的番茄进行图像数据采集；步骤三：制作番茄数据集并进行训练；步骤四：将DCT‑YOLOv5压缩模型部署到AGXXavier嵌入式系统上并使用TensorRT进行模型推理加速；步骤五：使用realsense摄像头在AGXXavier上进行实时番茄检测。本发明用于部署在NVIDIAJetsonAGXXavier嵌入式开发板上进行实时番茄检测，在保证检测精度的同时，确保了检测的实时性以及模型运算的高效率。

本发明授权基于DCT-YOLOv5模型的实时番茄姿态检测方法在权利要求书中公布了：1.基于DCT-YOLOv5模型的实时番茄姿态检测方法，其特征在于：包括如下步骤： 步骤1：设计DCT-YOLOv5主干网络及损失函数； 步骤2：通过人工拍摄的方式对不同角度，不同大小，不同生长条件的番茄进行图像数据采集； 步骤3：制作番茄数据集并进行训练； 步骤4：将DCT-YOLOv5压缩模型部署到AGXXavier嵌入式系统上并使用TensorRT进行模型推理加速； 步骤5：使用realsense摄像头在嵌入式开发板AGXXavier上进行实时番茄检测； 所述步骤1具体步骤如下： 1.1：DCT-YOLOv5主干网络设计； 1.1.1借鉴ResNet网络中的shortcut设计加深DCT-YOLOv5主体网络的深度，通过设定卷积层中的步长参数实现卷积层的下采样；除最后三层用于预测的卷积层之外，其余的卷积层后都添加BatchNormalization，BN，操作，并在BN层接LeakyRelu激活函数；使用动态卷积消除多变光照影响；网络中采用CSP模块先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，在减少了计算量的同时保证准确率；借鉴FPN和PAN网络的模型结构，通过上采样操作对网络输出的三个特征图进行concat融合，达到多尺度预测的目的；使用CA注意力机制，融合纵向和横向注意力，辨别图像中的干扰枝干；加入tranblock模块，捕获图像全局注意力，准确识别番茄的生长姿态； 1.1.2：使用用K-meas聚类方法和遗传算法，对真实框进行聚类，得到九种锚框，每三种锚框对应一个尺度的特征图；此方法的目的是加速预测框的回归； 1.1.3：在网络前向推断中预测公式如下所示： bx＝σtx+cx1 by＝σty+cy2 bx,by是预测框在对应尺寸的特征图上的相对中心坐标值；bw,bh是预测框的宽和高；cx,cy是输出特征图gridcell的左上角坐标，pw,ph为锚框的宽和高；tx,ty为预测的坐标偏移值，tw,th为预测的尺度缩放倍数； 1.1.4：动态卷积实现公式如下所示： βkx为网络计算出的k个卷积核的权重，权重大小在0与1之间，且总和为1；表示每个卷积核，表示每个卷积的偏置；表示最终的卷积核，表示最终的偏置；g表示BN层以及激活函数操作，y表示经过动态卷积后输出的特征图； 1.1.5：CA注意力机制实现公式如下所示： xci,j是特征图中i,j位置的特征值，H,W是特征图的长和宽，zc是计算出的特征图中每一个位置的信息嵌入；这一步使该模块能够捕捉两个方向上的具有精确位置信息的特征；T1,T2为两个线性连接层，可以学习到特征图中重要的通道，RELU为激活函数，σ为sigmoid激活函数；X为原特征图，为经过处理后的特征图；加权后的特征图对横向与纵向信息更加敏感；有利于模型对枝干与番茄生长姿态的识别； 1.1.6：transblock结构实现公式如下所示： Q＝WQWx,K＝WKWx,V＝WVWx11 y＝Wx+MLPDropoutMultiHeadQ,K,V+Wx12 Wx为输入特征图经过一个卷积层，之后经过WQ,WK,WV三个不同的全连接层，得到查询向量Q,键向量K,值向量V；y为一个TransformerEncoder结构的输出，在transblock中可以堆叠任意个TransformerEncoder；将最终TransformerEncoder结构的输出与输入特征图进行concat连接即可得到最终的输出特征图； 1.2：设计DCT-YOLOv5损失函数； 1.2.1：设计目标置信度损失函数如下所示： 其中网络输出ci通过Sigmoid函数得到 1.2.2：设计目标类别损失函数如下所示： 其中，网络输出ci通过Sigmoid函数得到表示目标检测框i中存在第j类目标的Sigmoid概率； 1.2.3：设计目标定位损失函数如下： 其中： 其中表示预测框的坐标偏移量，表示真实框的坐标偏移量，bx,by,bw,bh为预测框的参数，cx,cy,pw,ph为锚框的参数，gx,gy,gw,gh为真实框的参数； 1.2.4：通过权重系数得到最终的损失函数： LO,o,C,c,l,g＝λconfLconfo,c+λclaLclaO,C+λlocLlocl,g16。

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工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。