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(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行數(shù)據(jù)篩選；對剩余置信度高的樣本進行鄰域合成樣本生成，再經(jīng)置信度篩選，進行增強；選取高置信度樣本生成邊界樣本，增加對邊界區(qū)域的認知；通過引入雙分支支持向量機損失，抑制離群點影響；分別構(gòu)建生長健康與生長受限分支問題，增強邊界感知，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時采集的作物生長監(jiān)測數(shù)據(jù)進行作物生長監(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個最近鄰中隨機選一個，進行鄰域合成樣本生成，得到增強樣本，表示為：；并進行置信度篩選，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)域的先驗了解，表示為：；將增強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損失是用雙分支支持向量機損失削弱離群點影響，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是樣本真實標簽；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，先驗強度和，生長健康分支問題目標函數(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函數(shù)與生長健康分支問題的目標函數(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損失抑制離群點；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，并基于測試集驗證模型性能，若達標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)”。