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！

龙图腾网恭喜云南师范大学申请的专利基于YOLOv8的烟叶散把程度的检测方法及系统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：CN119399199B 。

龙图腾网通过国家知识产权局官网在2025-04-11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：202510000488.6，技术领域涉及：G06T7/00；该发明授权基于YOLOv8的烟叶散把程度的检测方法及系统是由张春节;云利军;陈载清;云霄;王岩松;罗瑞林设计研发完成，并于2025-01-02向国家知识产权局提交的专利申请。

本基于YOLOv8的烟叶散把程度的检测方法及系统在说明书摘要公布了：本发明公开了基于YOLOv8的烟叶散把程度的检测方法及系统，具体涉及烟叶检测技术领域；通过在检测区域内安装光照传感器实时监测光照强度变化，并结合自动化相机设备采集不同光照条件下的烟叶图像数据，对其进行预处理并提取阴影分布异常特征和色彩变化幅度特征，训练出预测YOLOv8模型检测精度的机器学习模型，根据模型输出的精度结果，将检测划分为高精度和低精度两类，高精度结果直接应用于生产，低精度结果则通过进一步分析异常情况，动态调整检测阈值，提升模型的检测精度，不仅有效解决了因复杂背景和光照变化导致的检测精度异常问题，优化了烟叶分类的准确性，还提高了生产环节的质量控制。

本发明授权基于YOLOv8的烟叶散把程度的检测方法及系统在权利要求书中公布了：1.基于YOLOv8的烟叶散把程度的检测方法，其特征在于：包括以下步骤：S1：将YOLOv8对图像目标的检测区域内安装若干个光照传感器，实时监测，获取不同时间段内的光照强度变化数据，通过结合自动化相机设备对不同光照强度条件下的烟叶散把图像数据进行收集；S2：对获取到的光照强度变化数据和烟叶散把图像数据进行预处理，对其预处理后的数据进行特征提取，基于提取出的阴影区域分布异常特征和色彩变化幅度特征训练出预测YOLOv8模型检测精度的机器学习模型，具体为：分别提取出光照强度变化数据中的阴影区域分布异常特征以及烟叶散把图像数据中的色彩变化幅度特征，基于提取出的阴影区域分布异常特征生成阴影分布异常指数，则阴影分布异常指数的获取方法为：通过光照传感器实时获取s时间段检测区域内的阴影分布面积数据并构建相应的数据集合，将其整合成一个特征矩阵，其中，表示第i个样本的数据点，n是样本总数；通过期望最大化算法，使用GMM来拟合阴影分布特征数据，模型表达式为：；其中，K是高斯分布的数量；是第k个高斯分布的权重，是第k个高斯分布的均值向量，是第k个高斯分布的协方差矩阵，是第k个高斯分布的概率密度函数，公式为：；式中，T为矩阵转置，d是特征的维度；对于每个数据点，通过拟合的GMM模型计算其在整个模型中的概率密度值，表达式为：；使用数据点的概率密度值来计算阴影分布异常指数，表达式为：；式中，为阴影分布异常指数；基于提取出的色彩变化幅度特征生成色彩波动偏差指数，则色彩波动偏差指数的获取方法为：提取L时间段内的色彩变化幅度特征，并构建时间序列，其中t是时间步数，是在第t时刻提取的色彩变化幅度特征；构建自回归积分滑动平均模型ARIMAp,d,q，其中，p为自回归项的阶数，d为差分次数，q为滑动平均项的阶数，表示之前q个时间步的预测误差，表达式为：；式中，c是常数项，是自回归系数，依赖于之前p个时间步的色彩变化幅度，是滑动平均系数，依赖于之前q个时间步的预测误差，是当前时间步的误差项，通过ARIMA模型对未来时间步进行预测，得到每个时间点t的预测值，表达式为：；残差反映了实际色彩变化幅度与预测值之间的差异，对于每个时间步t，残差计算公式为：；对计算出的残差进行标准化处理，计算残差与标准化后的残差的比值，即计算得到色彩波动偏差指数；基于提取出的阴影区域分布异常特征和色彩变化幅度特征训练出预测YOLOv8模型检测精度的机器学习模型具体包括：将阴影分布异常指数和色彩波动偏差指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测YOLOv8模型检测精度值标签为预测目标，以最小化对所有YOLOv8模型检测精度值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定YOLOv8模型检测精度值，其中，机器学习模型为多项式回归模型；YOLOv8模型检测精度值的获取方法为：从训练完成的机器学习模型的第一特征向量训练数据中，获得对应的函数表达式：；式中，是模型的输出函数，为阴影分布异常指数，为色彩波动偏差指数，为YOLOv8模型检测精度值；S3：根据机器学习模型的输出结果，确定YOLOv8模型的检测精度，并将其划分为高精度检测和低精度检测两个类别，将高精度检测的结果直接用于后续的生产环节；S4：对于低精度检测的YOLOv8模型，对YOLOv8模型检测精度的异常程度进行进一步的分析，并根据分析结果动态调整YOLOv8模型的检测阈值，以提升检测精度。

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云南师范大学，其通讯地址为：650500 云南省昆明市呈贡吴家营聚贤街768号(云南师范大学)；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”。