買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉青島農(nóng)業(yè)大學(xué)申請的專利基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120429737B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-02發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510922413.3，技術(shù)領(lǐng)域涉及：G06F18/2411；該發(fā)明授權(quán)基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法及系統(tǒng)是由趙樹林;王海;牟肖光;王存鵬設(shè)計研發(fā)完成，并于2025-07-04向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法及系統(tǒng)在說明書摘要公布了：本發(fā)明公開了基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法及系統(tǒng)，方法包括構(gòu)建作物監(jiān)測向量、作物監(jiān)測樣本預(yù)處理、作物監(jiān)測樣本集構(gòu)建、設(shè)計雙分支支持向量機(jī)損失、分支問題構(gòu)建、建立作物生長評估模型和作物生長監(jiān)測。本發(fā)明屬于生長監(jiān)測領(lǐng)域，具體是指基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法及系統(tǒng)，本方案通過計算樣本信任度閾值進(jìn)行數(shù)據(jù)篩選；對剩余置信度高的樣本進(jìn)行鄰域合成樣本生成，再經(jīng)置信度篩選，進(jìn)行增強(qiáng)；選取高置信度樣本生成邊界樣本，增加對邊界區(qū)域的認(rèn)知；通過引入雙分支支持向量機(jī)損失，抑制離群點(diǎn)影響；分別構(gòu)建生長健康與生長受限分支問題，增強(qiáng)邊界感知，約束條件中加入邊界樣本。提升對臨界狀態(tài)區(qū)域的判別能力；進(jìn)而提高生長監(jiān)測效果。

本發(fā)明授權(quán)基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法及系統(tǒng)在權(quán)利要求書中公布了：1.基于農(nóng)業(yè)物聯(lián)網(wǎng)的作物生長監(jiān)測方法，其特征在于：該方法包括以下步驟： 步驟S1：構(gòu)建作物監(jiān)測向量；通過農(nóng)業(yè)物聯(lián)網(wǎng)傳感器獲取作物生長監(jiān)測數(shù)據(jù)；標(biāo)注生長健康和生長受限；構(gòu)建初始作物監(jiān)測樣本集； 步驟S2：作物監(jiān)測樣本預(yù)處理；針對初始作物監(jiān)測樣本集，分別計算樣本內(nèi)部的平均概率與最大概率以確定樣本信任度閾值； 步驟S3：作物監(jiān)測樣本集構(gòu)建；剔除初始樣本集中置信度低的樣本；通過增強(qiáng)樣本并生成邊界樣本，最終構(gòu)建作物監(jiān)測樣本集； 步驟S4：設(shè)計雙分支支持向量機(jī)損失；基于誤差、淺層神經(jīng)網(wǎng)絡(luò)映射輸出、SVM超平面法向量和刻度因子設(shè)計雙分支支持向量機(jī)損失函數(shù)； 步驟S5：分支問題構(gòu)建；分別為生長健康和生長受限兩類構(gòu)建雙分支問題，在目標(biāo)函數(shù)中引入邊界樣本； 步驟S6：建立作物生長評估模型；基于SVM、雙分支支持向量機(jī)損失和分支問題建立作物生長評估模型； 步驟S7：作物生長監(jiān)測；基于作物生長評估模型對實(shí)時采集的作物生長監(jiān)測數(shù)據(jù)進(jìn)行作物生長監(jiān)測； 步驟S2中，所述作物監(jiān)測樣本預(yù)處理是對于初始作物監(jiān)測樣本集，用樸素貝葉斯模型估計樣本屬于生長健康生長受限兩類的條件概率，表示為：；其中，X是作物監(jiān)測向量；是第j維監(jiān)測值；是樣本類別；和分別是類別和類別的先驗(yàn)概率；k是類別索引；和分別是在類別和類別下，第j維監(jiān)測值取值為的概率，是條件似然，用高斯分布估計；m是作物監(jiān)測向量總維度；在生長健康類與生長受限類內(nèi)部，分別計算平均概率與最大概率，確定樣本信任度閾值，表示為：；；；其中，是類別的平均置信度；是最大置信度；是類別的樣本； 在步驟S3中，所述作物監(jiān)測樣本集構(gòu)建是剔除那些被判為生長健康但置信度過低的樣本，表示為：，則剔除樣本；并剔除生長受限中置信度不足的樣本，表示為：，則剔除樣本；其中，和分別是監(jiān)測向量X屬于生長健康和生長受限的后驗(yàn)概率；和分別是生長健康和生長受限的樣本信任度閾值；對剩余置信度高的生長受限樣本，在其k個最近鄰中隨機(jī)選一個，進(jìn)行鄰域合成樣本生成，得到增強(qiáng)樣本，表示為：；并進(jìn)行置信度篩選，若，則保留；其中，是插值系數(shù)；是屬于生長受限的后驗(yàn)概率；并在剔除完善后的生長健康樣本和生長受限樣本中，通過線性插值生成樣本，以增加對邊界區(qū)域的先驗(yàn)了解，表示為：；將增強(qiáng)樣本和線性插值生成樣本作為邊界樣本；對于邊界樣本，基于后驗(yàn)概率劃分為生長健康邊界樣本和生長受限邊界樣本；基于高置信度生長健康樣本集、生長受限樣本和邊界樣本構(gòu)建作物監(jiān)測樣本集； 在步驟S4中，所述設(shè)計雙分支支持向量機(jī)損失是用雙分支支持向量機(jī)損失削弱離群點(diǎn)影響，令誤差，損失表示為：；其中，是淺層神經(jīng)網(wǎng)絡(luò)映射輸出；是SVM超平面法向量；y是樣本真實(shí)標(biāo)簽；是刻度因子； 在步驟S5中，所述分支問題構(gòu)建是分別為正常生長和生長受限兩類構(gòu)建雙分支問題，生長健康分支問題的目標(biāo)函數(shù)引入生長健康邊界樣本，對于生長健康分支問題，設(shè)淺神經(jīng)網(wǎng)絡(luò)映射hx，生長受限和生長健康邊界樣本的松弛變量集和，先驗(yàn)強(qiáng)度和，生長健康分支問題目標(biāo)函數(shù)表示為：；；；其中，是來自生長受限樣本的淺層神經(jīng)網(wǎng)絡(luò)輸出；、和分別是生長健康、生長受限和生長健康邊界訓(xùn)練樣本的數(shù)量，i是樣本索引；是用于生長健康超平面的權(quán)重向量；是生長健康樣本；s是邊界樣本索引；U是生長健康邊界樣本矩陣；和分別是生長受限和生長健康邊界樣本的松弛變量向量；是平滑項；是全1向量，維度與生長健康邊界樣本的數(shù)量相匹配；生長受限分支問題的目標(biāo)函數(shù)與生長健康分支問題的目標(biāo)函數(shù)的邏輯結(jié)構(gòu)對稱； 在步驟S6中，所述建立作物生長評估模型是將作物監(jiān)測樣本作物監(jiān)測樣本集劃分為訓(xùn)練集和測試集，將訓(xùn)練集樣本通過一層淺神經(jīng)網(wǎng)絡(luò)映射hx，基于映射后的特征，分別為生長健康與生長受限兩類構(gòu)建各自的SVM分支問題；對于每個分支問題，使用雙分支支持向量機(jī)損失抑制離群點(diǎn)；訓(xùn)練時分別對兩類分支問題建立拉格朗日函數(shù)，構(gòu)造對偶形式，選擇帶動量的隨機(jī)梯度下降優(yōu)化器；每次小批量采樣B個向量{x}，經(jīng)映射hx計算梯度并更新和；同時更新松弛變量與對偶乘子；直到權(quán)重向量的變化量小于收斂閾值或最大迭代次數(shù)；作物生長評估模型訓(xùn)練完成，并基于測試集驗(yàn)證模型性能，若達(dá)標(biāo)則作物生長評估模型建立完成，否則基于粒子群優(yōu)化算法調(diào)整參數(shù)重新訓(xùn)練。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人青島農(nóng)業(yè)大學(xué)，其通訊地址為：266109 山東省青島市城陽區(qū)長城路700號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。