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！

龙图腾网获悉哈尔滨理工大学申请的专利一种考虑透明物体影响的无人车视觉检测方法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：CN119068299B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202411154232.2，技术领域涉及：G06V10/80；该发明授权一种考虑透明物体影响的无人车视觉检测方法是由孙明晓;赵强;孙明旭;付强;栾添添;班喜程;马继瑞;周塬贺设计研发完成，并于2024-08-22向国家知识产权局提交的专利申请。

本一种考虑透明物体影响的无人车视觉检测方法在说明书摘要公布了：本发明提出一种考虑透明物体影响的无人车视觉检测方法，旨在将不同阶段获得的边缘特征进行融合，生成更准确的边缘特征，并与多尺度特征相结合以提高透明物体检测的鲁棒性和稳定性。首先基于无人车实际的工作场景制作数据集；其次，输入网络的图像首先进行特征提取，提取的特征输入到边缘检测模块和初步分割模块。在边缘检测模块中引入置信度因子关注更多的边缘特征。初步分割模块用来获取初步分割图的边缘特征并与边缘检测模块数据融合，使用融合后的边缘特征与多尺度图进行融合；最后融合数据输入到基于Transformer的结构中，省略再次结合操作生成预测图。本发明mIoU和像素准确率分别为74.43％和96.35％，能更稳定、鲁棒地应用于无人车中进行透明物体检测。

本发明授权一种考虑透明物体影响的无人车视觉检测方法在权利要求书中公布了：1.一种考虑透明物体影响的无人车视觉检测方法，其特征在于，包括以下步骤： S1：基于无人车实际应用场景在所选数据集的上进行删改与增加； S2：引入边缘检测模块，考虑到要更关注透明物体边缘引入置信度因子，包含以下子步骤： S2.1：基于卷积神经网络的ResNet50作为骨干网络； S2.2：将图像输入到卷积神经网络中提取特征 S2.3：图像特征传入边缘检测模块； S2.4：边缘检测模块提取相应阶段的图像特征； S2.5：考虑到不同阶段具有不同的边缘特征，在各阶段增置信度因子αi，为保证各阶段边缘损失计算不改变尺度，更方便的控制各个阶段的输入与输出将置信度因子进行归一化操作，保证置信度因子满足其中将第二阶段置信度因子赋予较其他阶段更高的数值； S2.6：将各阶段的损失之和求均值来表示边缘检测模块的总损失函数Ls_edm，其计算公式如式1所示： 式中，n表示为各阶段总数量，αi表示为各阶段所加置信度因子，置信度因子满足 S3：提出初步分割模块，将初步分割模块生成的边缘特征图与边缘检测模块生成的边缘特征图分析校正，具体包含以下子步骤： S3.1：将骨干网络所提取的特征输入到初步分割模块； S3.2：特征图输入到ASPP结构中，获得新的特征图z； S3.3：将新获得的特征图z输入到分割模块中，分割模块由一个1*1的卷积层Conv1*1、上采样以及Softmax激活函数组成，首先使用1*1的卷积层Conv1*1调整通道数，将ASPP模块输出的特征图通道数调整为类别数，包括背景+目标类别，其次通过双线性插值上采样方法，将调整通道数后的特征图恢复到与输入图像相同的空间分辨率，最后使用Softmax激活函数生成初步分割预测图； S3.4：将S3.3步骤得到的初步分割预测图进行边缘特征提取，采用Canny边缘检测算法； S3.5：将S2.7步骤和S3.4步骤获得的边缘特征相结合，采用加权特征融合两个步骤的边缘特征，其计算公式如式2所示： correct_edgei,j＝β×first_edgei,j+1-β×canny_edgei,j2 式中，correct_edgei,j表示校正后边缘特征图在位置i,j的像素值，β为加权系数，first_edge·表示通过步骤S2.4方法获得的边缘特征像素值，canny_edge·表示步骤S3.4方法获得的边缘特征像素值； S3.6：校正后的边缘特征与多尺度特征采用Concat操作拼接融合； S4：特征图Vfeatures输入到基于Transformer的编码器和解码器通道，生成最终的检测分割结果，具体包含以下子步骤： S4.1：将特征Vfeatures展平； S4.2：计算位置嵌入并将其添加到展平的特征Vfeatures_flat中输入到编码器； S4.3：解码器输出注意力图； S4.4：直接将S4.3的注意力图Vattention通过逐像素分类输出最终的预测图。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号哈尔滨理工大学；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”。