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！

龍圖騰網獲悉淮陰工學院申請的專利一種基于IDT-YOLOv5-CBAM混合算法的密集小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：CN115375913B 。

龍圖騰網通過國家知識產權局官網在2025-08-19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：202210829848.X，技術領域涉及：G06V10/44；該發明授權一種基于IDT-YOLOv5-CBAM混合算法的密集小目標檢測方法是由張浩;董鍇龍;孫欣;隨亮輝;王敏;華奇凡;張格;高尚兵;梁坤;孔德財;周桂良設計研發完成，并于2022-07-15向國家知識產權局提交的專利申請。

本一種基于IDT-YOLOv5-CBAM混合算法的密集小目標檢測方法在說明書摘要公布了：本發明公開了一種基于IDT?YOLOv5?CBAM混合算法的密集小目標檢測方法，采用模糊ISODATA動態聚類的方法對k?means算法進行優化，避免局部最優解的情況發生；嵌入一個檢測層，使得每個gridcell對應到原圖中的感受野更小，增強小目標的檢測能力；同時，采用并行策略add進行多尺度特征的融合，使它們在擁有高層語義信息的同時，保留了更多的細節信息；在模型中的Neck網絡引入CBAM注意力機制模塊，實現空間維度和通道維度的全方位兼顧；同時，將上采樣更換為反卷積，通過反卷積的學習能力去讓網絡自己學習如何進行上采樣，使之增強對目標圖像中小目標的檢測效果。本發明能夠快速精確并盡可能多地識別出檢測目標，極大的降低了模型的漏檢率和誤檢率。

本發明授權一種基于IDT-YOLOv5-CBAM混合算法的密集小目標檢測方法在權利要求書中公布了：1.一種基于IDT-YOLOv5-CBAM混合算法的密集小目標檢測方法，其特征在于，包括以下步驟： 1對預先獲取的待檢測小目標圖像進行預處理，制作數據集： 2對原YOLOv5網絡結構進行改進，得到改進后的IDT-YOLOv5-CBAM網絡結構； 3對改進之后的網絡模型進行參數的調整：在IDT-YOLOv5-CBAM網絡模型中，根據用戶所需的識別效果和訓練速度，設置卷積神經網絡輸入圖像的尺寸、識別種類的數量、迭代次數； 4對改進后的模型分別從準確率、召回率、Map值三個方面對訓練好的IDT-YOLOv5-CBAM網絡模型進行評估； 所述步驟2包括以下步驟： 21在YOLOv5原有三個檢測層的基礎上增加一個檢測層； 22在嵌入第四個檢測層的基礎上，分別將第22層與第2層，第27層與第4層和第32層與第6層進行Add多尺度融合； 23在YOLOv5中的Neck網絡引入CBAM注意力機制模塊，實現空間維度和通道維度的全方位兼顧；分別在第11層、16層和21層引入CBAM注意力機制； 24將原始模型Neck層中原有的上采樣更換為反卷積，用反卷積模塊去增強特征圖的分辨率； 25考慮低層特征低語義高細節和高層特征高語義低細節的特點，采用并行策略add替換Neck層中的Concat融合操作； 26采用模糊ISODATA動態聚類的方法對k-means算法進行優化；通過增加模糊矩陣，并且在迭代過程中增加合并和分裂兩個步驟，動態確定出K值的大小，避免局部最優解的情況發生； 增加的檢測層，具體對應整體結構的第19～24層，首先通過CSP2_1模塊、CBS模塊和CBAM模塊進行參數學習，其次由第22層進行一個反卷積操作，輸出結果與第二層進行Add融合，最后再由第24層的CSP2_1模塊對Add融合的結果做一個輸出，實現輸出的featuremap變為對原始輸入進行4倍的下采樣操作； 對第21層輸出結果80×80×64的featuremap進行反卷積操作，使其變成160×160×64大小的高層特征信息，然后與第2層160×160×64的低層特征信息進行Add融合；對第27層經過CSP2_1模塊，大小為80×80×128的featuremap與同等大小的第4層的低層特征信息進行Add融合；對第32層經過CSP2_1模塊，大小為40×40×256的featuremap與同等大小的第6層的低層特征信息進行Add融合。

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淮陰工學院，其通訊地址為：223003 江蘇省淮安市經濟技術開發區枚乘東路1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”。