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！

龙图腾网获悉湖南大学申请的专利一种多模态的果品糖度无损检测方法、装置、系统及介质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：CN121599991B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610131890.2，技术领域涉及：G06T7/00；该发明授权一种多模态的果品糖度无损检测方法、装置、系统及介质是由胡芳;曹成设计研发完成，并于2026-01-30向国家知识产权局提交的专利申请。

本一种多模态的果品糖度无损检测方法、装置、系统及介质在说明书摘要公布了：本发明公开了一种多模态的果品糖度无损检测方法、装置、系统及介质，本发明方法包括对输入的果品近红外光谱图像、果品可见光图像进行预处理以获取一维的近红外光谱输入图像张量和二维的可见光输入图像张量，利用预训练的多模态深度学习融合模型获得预测的果品糖度，所述多模态深度学习融合模型被预训练建立了输入的近红外光谱输入图像张量和可见光输入图像张量，和预测的果品糖度之间的映射关系且包括光谱特征提取网络、图像特征提取网络、多模态特征融合网络和回归预测网络。本发明旨在解决单一光谱信息容易受到噪声、光照条件、果皮厚度和含水量等因素影响导致预测精度有限的问题，提高果品糖度无损检测的准确度。

本发明授权一种多模态的果品糖度无损检测方法、装置、系统及介质在权利要求书中公布了：1.一种多模态的果品糖度无损检测方法，其特征在于，包括下述步骤： S101，对输入的果品近红外光谱图像进行预处理以获取一维的近红外光谱输入图像张量，对输入的果品可见光图像进行预处理以提取二维的可见光输入图像张量； S102，将近红外光谱输入图像张量和可见光输入图像张量利用预训练的多模态深度学习融合模型获得预测的果品糖度，所述多模态深度学习融合模型被预训练建立了输入的近红外光谱输入图像张量和可见光输入图像张量，和预测的果品糖度之间的映射关系；所述多模态深度学习融合模型包括：光谱特征提取网络，用于对一维的近红外光谱输入图像张量提取高维光谱指纹特征；图像特征提取网络，用于对二维的可见光输入图像张量提取图像空间纹理特征；多模态特征融合网络，用于通过交叉注意力机制对高维光谱指纹特征、图像空间纹理特征两者构成的异构特征进行对齐与加权融合生成融合特征；回归预测网络，用于对融合特征进行糖度回归预测以获得预测果品糖度； 所述光谱特征提取网络包括级联的三个特征提取层和一个全局平均池化层，三个特征提取层中每一个卷积操作后均连接有批量归一化层和ReLU激活函数以加速收敛并引入非线性；所述图像特征提取网络包括初始卷积层、最大池化层、后续级联的四个残差特征提取模块、全局平均池化和展平层，所述残差特征提取模块包括两级子残差特征提取模块，所述子残差特征提取模块包括两个3×3卷积块，第一个3×3卷积块的输出特征通过批归一化和ReLU激活函数处理后作为第二个3×3卷积块的输入特征，第二个3×3卷积块的通过批归一化后和第一个3×3卷积块的输入特征拼接后再经过ReLU激活函数处理后作为子残差特征提取模块的输出特征，且由最后一个残差特征提取模块的输出特征经过全局平均池化和展平层进行全局平均池化和展平后得到的图像空间纹理特征；四个残差特征提取模块中后三个残差特征提取模块的第一个子残差特征提取模块包含额外的1×1卷积块以用于下采样，其函数表达式为： ； 其中，为1×1卷积块，其他子残差特征提取模块的函数表达式则为： ； 其中，为第个子残差特征提取模块的中间输出特征，为子残差特征提取模块的两个3×3卷积块，为第个子残差特征提取模块的输入特征，为第个子残差特征提取模块的可训练权重参数，为激活函数，为1×1卷积块，为子残差特征提取模块的序号。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1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。