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！

龍圖騰網獲悉南京航空航天大學申請的專利一種基于輕量級特征融合的無人機目標檢測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：CN115810157B 。

龍圖騰網通過國家知識產權局官網在2025-08-12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：202211633735.9，技術領域涉及：G06V20/17；該發明授權一種基于輕量級特征融合的無人機目標檢測方法是由周鵬;曹杰設計研發完成，并于2022-12-19向國家知識產權局提交的專利申請。

本一種基于輕量級特征融合的無人機目標檢測方法在說明書摘要公布了：本發明公開一種基于輕量級特征融合的無人機目標檢測方法，該方法能夠針對無人機航拍的圖像進行目標識別。對當前目標檢測網絡對圖像小目標檢測精度低以及網絡參數量大難以實時檢測等問題，首先通過使用深度可分離卷積DSC與CoordinateAttentionCA重新設計YOLOv4?tiny的頸部特征提取模塊；然后使用SPPF特征提取模塊來增加提取特征的感受野信息，并且有效的保持模型的計算輕量化；最終使用DecoupledHead檢測頭模塊使最終提取到的特征信息具有更強的空間聯合性，更容易區分背景與待測目標，從而構建了一個全新的輕量級目標檢測網絡。

本發明授權一種基于輕量級特征融合的無人機目標檢測方法在權利要求書中公布了：1.一種基于輕量級特征融合的無人機目標檢測方法，其特征在于：所述方法包括： 步驟1，獲取訓練數據集，預處理后得到訓練樣本； 步驟2，將所述訓練樣本作為輸入圖像，通過CBL模塊中的3×3卷積模塊分別對輸入圖像進行語義特征信息提取，并最終將提取特征的通道信息增長至64維度，使用CBL模塊中的BatchNormalization層對提取的特征進行規范化處理；最終使用CBL模塊中的LeakyRelu激活函數增強網絡模型的非線性因素； 步驟3，利用三個CSP殘差模塊CSPBlockl，CSPBlock2，CSPBlock3，對圖像信息特征進行提取，其中分別輸出中間層CSPBlock2，CSPBlock3的兩個特征層，分別為第二特征層和第三特征層； 步驟4，基于注意力機制，分別對步驟3輸出的第二特征層和第三特征層進行注意力權重分配更新第二特征層和第三特征層； 步驟5，采用特征融合模塊對第三特征層進行不同尺度的感受野信息融合，更新第三特征層； 步驟6，對提取的特征層信息進行特征再提取，生成第一特征層，并更新第二特征層和第三特征層； 步驟7，對所述第一特征層、第二特征層以及第三特征層進行最終預測解析； 步驟8，調試從所述步驟2到步驟7的網絡結構超參數，設置網絡模型參數，以對網絡模型進行訓練，得到最終的訓練模型； 所述步驟5具體包括： 步驟5-1，針對步驟4得到的第三特征層的特征信息使用三個卷積組成的ThreeConv對其進行特征再提取，首先使用1×1大小的卷積核對第三特征層進行降維處理，然后使用3×3深度可分離卷積進行特征提取，最后使用1×1的卷積調整輸出的特征層維度更新第三特征層； 步驟5-2，基于級聯特征提取模塊SPPF，所述SPPF模塊由三個5×5大小的最大池化層級聯構成，分別生成了尺寸為5×5、9×9、13×13的最大池化層一樣的感受野信息，將更新后的第三特征層通過SPPF模塊進行特征再提取，并且將每個池化層上的輸出特征以及SPPF模塊的輸入特征信息進行Concat拼接，進一步更新第三特征層； 步驟5-3，使用ThreeConv對更新后的第三特征層進行特征再提取，最終使用ThreeConv中1×1的卷積調整輸出的特征層維度，進一步更新第三特征層； 所述步驟6具體包括： 步驟6-1，在網絡主干提取模塊新增一個下采樣的特征提取層，基于注意力機制對空間以及位置信息進行融合生成第一特征層； 步驟6-2，將所述第一特征層、第二特征層以及第三特征層經過自底向上路徑再次進行深層的特征融合，以更新第二特征層和第三特征層； 步驟6-3，再增加一條自頂向下路徑，將第一特征層與第二特征層再次融合，同時不使用第二特征層與第三特征層進行融合，以更新第一特征層。

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南京航空航天大學，其通訊地址為：210016 江蘇省南京市秦淮區御道街29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”。