買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江農林大學申請的專利一種基于GMamba模型的垃圾分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120431408B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510889185.4，技術領域涉及：G06V10/764；該發明授權一種基于GMamba模型的垃圾分類方法是由周厚奎;丁奇灃設計研發完成，并于2025-06-30向國家知識產權局提交的專利申請。

本一種基于GMamba模型的垃圾分類方法在說明書摘要公布了：本發明公開了一種基于GMamba模型的垃圾分類方法，所述方法包括：通過攝像頭和互聯網搜索獲取垃圾圖像，并進行數據增強預處理；在GMamba模型中引入輕量模塊GML和核心模塊GMC，分別通過輕量掃描機制LSM和核心掃描機制CSM，增強局部與長程空間依賴特征的提取能力；采用混合損失函數，結合焦點損失和交叉熵損失，動態優化類別不平衡問題；將預處理后的圖像數據輸入GMamba模型進行訓練與測試，獲得最優模型；最后，將待分類圖像輸入最優模型，輸出分類結果。本發明提出的基于GMamba的垃圾自動識別方法，以輕量化設計和高準確率實現高效、精準的垃圾分類，特別適用于資源受限設備，具有廣闊的應用前景。

本發明授權一種基于GMamba模型的垃圾分類方法在權利要求書中公布了：1.一種基于GMamba模型的垃圾分類方法，其特征在于，包括如下步驟： a.收集并預處理垃圾圖像數據集，首先在自然場景中通過攝像頭采集垃圾圖像，同時利用互聯網搜索構建垃圾圖像數據集T，并對數據集T進行數據預處理，得到處理后的新垃圾圖像數據集MT；在預處理過程中，對數據集T中的每張圖像I∈T進行尺寸歸一化、對比度調整和數據增強操作，以優化圖像清晰度并增強特征提取的有效性； b.構建一種基于GMamba模型的垃圾分類模型，改進方法包括在Mamba網絡中引入LSM輕量掃描機制，采用空洞采樣和特征重組機制，在保持全局感受野的同時減少計算量；具體方法為，對所述步驟a中的輸入垃圾圖片I進行四個方向的空洞采樣，按固定步長對輸入特征圖I進行間隔采樣，分解為多個較小的塊；間隔采樣各個塊索引的計算過程如下所示： 其中i∈{0,1,2,…,H-1}，j∈{0,1,2,…,W-1}是輸入特征圖的空間坐標，H和W分別是輸入特征圖I的高度和寬度，p是固定的步長，表示向下取整，使用sin和cos函數引入周期性偏移，確保采樣點分布更均勻，a,b是間隔采樣的各個塊索引空間坐標；然后采樣后的塊Pk可以表示為： 其中k∈{0,1,2,…,C-1}，C是輸入特征圖I的通道數；然后對每個采樣后的塊Pk應用SSM模塊，提取局部特征，計算過程如下所示： At＝SoftplusNA·Pk+bA Bt＝NB·Pk+bB Ct＝NC·SiLUPk+bC ht＝Atht-1+BtPk 其中，NA、NB、NC是固定的可學習參數，通過模型訓練優化，初始化通常采用正態分布，bA、bB、bC是固定的可學習偏置矩陣，初始化為零或小隨機值，Softplus·和SiLU·表示激活函數，確保矩陣計算的元素保持正數，ht是時間t的隱藏狀態，ht-1是前一個隱藏狀態，狀態轉換矩陣At、輸入矩陣Bt和輸出矩陣Ct根據輸入Pk在每個時間步動態生成，是處理后的局部特征圖輸出；最后將所有通道的局部特征合并為一個全局特征圖，計算過程如下所示： 其中，Concat·表示特征圖拼接操作，Fglobal為最終生成的全局特征圖； 引入CSM核心掃描機制，采用多方向掃描路徑和全面掃描機制，橋接了一維序列掃描和二維平面遍歷之間的差距，高效地捕獲圖像中的長程依賴關系和上下文信息；CSM核心掃描機制包括選擇性交叉掃描和交叉合并兩個主要步驟，具體方法為，對所述步驟a中的輸入垃圾圖片I展開為多個一維序列，以便進行選擇性掃描，計算過程如下所示： Sd＝FlattendI 其中Flattend·表示特征圖展平操作，d∈{1,2,3,4}表示掃描的方向，具體取值為四種路徑：行正向、行逆向、列正向和列逆向，Sd表示第d個方向的序列；每個掃描路徑的序列Sd單獨輸入到SSM模塊中，四個SSM模塊并行處理四個方向的序列，得到四組增強后的序列計算過程如下所示： Dt＝SoftplusND·Sd+bD Et＝NE·Sd+bE Ft＝NF·SiLUSd+bF qt＝Dtqt-1+EtSd 其中，ND、NE、NF是固定的可學習參數，通過模型訓練優化，初始化通常采用正態分布，bD、bE、bF是固定的可學習偏置矩陣，初始化為零或小隨機值，qt是時間t的隱藏狀態，qt-1是前一個隱藏狀態，狀態轉換矩陣Dt、輸入矩陣Et和輸出矩陣Ft根據輸入Sd在每個時間步動態生成；然后對四個方向的進行反序列化，將每個序列重構為二維特征圖Yd，每個方向生成一個新的特征圖Fd，然后對四個方向的特征圖進行融合，計算過程如下所示： Fd＝ReshapeYd 其中UnFlattend·表示特征圖反序列化操作，Reshape·表示調整特征圖維度操作，滿足后續矩陣計算的要求，Ffuse表示融合后的全局特征圖； 訓練階段采用混合損失函數，結合焦點損失和交叉熵損失，優化類別不平衡問題，提升模型泛化性能； c.將預處理后的垃圾圖像數據集輸入GMamba模型進行訓練與驗證，通過迭代訓練保存最優模型權重，并使用驗證集評估模型性能，評估指標包括Top-1準確率、精確率、召回率、F1分數、參數量以及訓練時間； d.將待分類的垃圾圖像輸入至步驟c訓練得到的GMamba模型，通過正向計算輸出分類結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江農林大學，其通訊地址為：311300 浙江省杭州市臨安區武肅街666號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。