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！

龍圖騰網獲悉西安工程大學申請的專利基于改進yolox算法的復雜環境下輸電線路鳥巢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：CN115861853B 。

龍圖騰網通過國家知識產權局官網在2025-08-15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：202211462156.2，技術領域涉及：G06V20/17；該發明授權基于改進yolox算法的復雜環境下輸電線路鳥巢檢測方法是由紀超;陳國燕;黃新波;王東旭;王博雅;王亮;侯威;宋智偉設計研發完成，并于2022-11-22向國家知識產權局提交的專利申請。

本基于改進yolox算法的復雜環境下輸電線路鳥巢檢測方法在說明書摘要公布了：本發明公開了一種基于改進yolox算法的復雜環境下輸電線路鳥巢檢測方法，具體按照以下步驟實施：步驟1、采集鳥巢圖像數據，標注并劃分數據集為訓練集、驗證集和測試集；步驟2、建立改進yolox算法網絡模型，采用深度通道注意力模塊和損失函數對yolox目標檢測算法進行改進；步驟3、將訓練集中圖像輸入改進yolox算法網絡模型進行訓練，通過訓練得到優化的yolox算法網絡模型；步驟4、將測試集中圖像輸入優化的yolox模型進行檢測，獲得鳥巢檢測結果圖。本發明解決了現有技術中存在的復雜環境下鳥巢檢測精度低的問題。

本發明授權基于改進yolox算法的復雜環境下輸電線路鳥巢檢測方法在權利要求書中公布了：1.基于改進yolox算法的復雜環境下輸電線路鳥巢檢測方法，其特征在于，具體按照以下步驟實施： 步驟1、采集鳥巢圖像數據，標注并劃分數據集為訓練集、驗證集和測試集； 步驟2、建立改進yolox算法網絡模型，采用深度通道注意力模塊和損失函數對yolox目標檢測算法進行改進； 所述步驟2具體按照以下步驟實施： 步驟2.1、改進yolox算法網絡模型保持原yolox網絡的Focus層、SPP層、CBS層、Neck層和prediction層的組合網絡不變；主干網絡Backbone中CSP1_X層添加深度通道注意力模塊； 步驟2.2、深度通道注意力模塊結構如下： 對于輸入的特征圖XX1in、X2in、X3in，X∈RCxWxH，C為通道數，W和H為特征圖的高和寬； 首先，利用最大池化和平均池化從兩個角度提取第一分支輸入特征圖X1in的特征： Xmax1＝fmaxpoolX1in1 Xavg1＝favgpoolX1in2 其中，X1in表示第一分支輸入特征圖，fmaxpool表示進行最大池化，favgpool表示進行平均池化，Xmax1表示最大池化的結果并且Xmax1∈RC×H2×W2，Xavg1表示平均的結果并且Xavg1∈RC ×H2×W2；采用最大池提取輸入特征圖的重要信息，采用平均池提取輸入特征圖全局信息，將最大池化與平均池化的結果進行堆疊，通過Sigmoid函數輸出： Ac＝σ[ZconcatXmax1+Xavgl]3 其中，σ表示Sigmoid函數，Zconcat表示將最大池化與平均池化的結果進行堆疊，Ac表示經過Sigmoid函數的輸出結果并且Ac∈RC×1×1，Ac中的每個元素都表示其對應通道的重要性級別； 其次，將輸入特征圖X1in分為兩個路徑，一個路徑與Sigmoid函數輸出進行融合；另一個路徑先進行3x3的卷積后，通過深度可分離卷積之后經過Relu函數輸出： Xl-1＝Ac*Xlin Xl-2＝fconv3Xlin Xl-3＝Relu[fconv3×3Xl-2+fconv1×1Xl-2]4 其中X1-1表示輸入特征圖X1in與Sigmoid函數輸出Ac融合的結果，fconv3表示進行3x3的卷積運算，X1-2表示3x3的卷積運算的結果，fconv3x3表示逐通道卷積，fconv1x1表示逐點卷積，逐通道卷積fconv3x3和逐點卷積fconv1x1合稱為深度可分離卷積，Relu表示進行Relu激活運算，X1-3表示進行Relu激活運算的結果； 最后，將X1-1與X1-3進行堆疊輸出： X1-out＝Xl-1+Xl-35 其中，X1-out表示X1-1和X1-3進行堆疊的結果，以上提取特征過程即為深度提取， 深度通道注意力模塊的第二分支輸入特征圖X2in的寬和高進行2倍上采樣和第三分支輸入特征圖X3in的寬和高進行4倍上采樣之后都輸入到深度提取中提取特征；第二分支輸入特征圖X2in在深度提取特征后經過最大池化輸出得到X2-out和第三分支輸入特征圖X3in在深度提取特征后經過平均池化輸出得到X3-out： X2-out＝fmaxpool[FDMUP2X2in]6 X3-out＝favgpool[FDMUP4X3in]7 其中X2in表示第二分支輸入特征圖，X3in表示第三分支輸入特征圖，UP2表示對第二分支輸入特征圖X2in的寬和高進行2倍上采樣，UP4表示對第三分支輸入特征圖X3in的寬和高進行4倍上采樣，FDM表示把上采樣后的特征圖輸入到深度提取中提取特征，X2-out表示經過最大池化后的第二分支輸出結果，X3-out表示經過平均池化后的第三分支輸出結果； 深度通道注意力模塊的最后部分是將輸入特征圖X的三個分支輸出結果X1-out、X2-out、X3-out進行堆疊，再與輸入特征圖X進行加權融合得到目標的權重，輸出新特征圖： X'＝X×X1-out+X2-out+X3-out8 其中X’表示三個分支輸出結果X1-out、X2-out、X3-out進行加權融合后的新特征圖； 步驟2.3、在Resunit層的兩個CBS結構之間加入深度通道注意力模塊，將改進后的Resunit層命名為Resunit*層，同時將Resunit*層引進CSP1_X層中進行提取目標，將改進后的CSP1_X層命名為CSP1_X*層，將CSP1_X*層引入yolox算法中得到改進yolox算法網絡模型， 步驟2.4、在預測層選擇現階段表現最好的EIoU損失函數替換原IoU損失函數，EIOU損失函數計算公式如下: 其中，IoU表示真實框A與預測框B的交集與并集之比，b和bgt分別為預測框和真實框的中心點，c為能夠同時包含預測框和真實框的最小閉合區域的對角線距離；p為兩個中心點之間的歐式距離，α為權重因子，v為縱橫比的相似度，wgt表示真實框的寬度，hgt表示真實框的高度，w表示預測幀的寬度，h表示預測幀的高度，LossCIoU表示CIoU函數的損失，LossEIoU表示EIoU函數的損失；LossEIoU損失函數包含三個部分：重疊損失1-IoU，中心距離損失寬高損失前兩部分延續CIOU中的方法，但是LossEIoU損失函數的寬高損失直接使目標框與預測框的寬度和高度之差最小，使得收斂速度更快； 在EIOU的基礎上結合損失函數FocalLoss提出一種FocalEIOULoss，從梯度的角度出發，把高質量的錨框和低質量的錨框分開，公式如下： LFocal-EIoU＝IoUγLossEIoU15 其中，γ為控制異常值抑制程度的參數，IoU表示真實框A與預測框B的交集與并集之比，LFocal-EIoU表示提出的FocalEIOULoss，得到改進yolox算法網絡模型； 步驟3、將訓練集中圖像輸入改進yolox算法網絡模型進行訓練，通過訓練得到優化的yolox算法網絡模型； 步驟4、將測試集中圖像輸入優化的yolox模型進行檢測，獲得鳥巢檢測結果圖。

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西安工程大學，其通訊地址為：710048 陜西省西安市碑林區金花南路19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”。