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！

龙图腾网获悉中北大学申请的专利一种融合全局及局部特征的轻量化火焰识别深度学习模型构建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：CN116797867B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202310593113.6，技术领域涉及：G06V10/774；该发明授权一种融合全局及局部特征的轻量化火焰识别深度学习模型构建方法是由王斌;赵倩;秦品乐;曾建潮;乔钢柱设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本一种融合全局及局部特征的轻量化火焰识别深度学习模型构建方法在说明书摘要公布了：本发明公开了一种融合全局及局部特征的轻量化火焰识别深度学习模型构建方法，属于图像识别处理技术领域。针对目前火焰识别网络模型存在网络参量多、延迟高等问题，本发明提供了一种融合全局及局部特征的轻量化火焰识别深度学习模型，首先采集、收集火焰图像数据，构建火焰识别数据集；其次，构造轻量级Transformer模块E‑TB；再构建基于轻量级Transformer模块E‑TB和卷积神经网络的CTB模块；然后通过ShuffleNetV2模块和CTB模块的串联堆叠实现了从浅到深的逐级特征提取，并最终构建全局和局部特征提取的网络框架SConvTrans；最后将构建的火焰识别数据集划分为训练集和测试集，并利用该数据对构建的网络框架SConvTrans进行训练和测试，得到轻量化火焰识别深度学习模型。

本发明授权一种融合全局及局部特征的轻量化火焰识别深度学习模型构建方法在权利要求书中公布了：1.一种融合全局及局部特征的轻量化火焰识别深度学习模型构建方法，其特征在于：包括以下步骤： 步骤1，采集、收集火焰图像数据，构建火焰识别数据集； 步骤2，构造能提取火焰图像全局特征的轻量级Transformer模块E-TB； 步骤3，构建基于轻量级Transformer模块E-TB和卷积神经网络的全局和局部特征提取及融合模块CTB； 步骤4，通过ShuffleNetV2模块和CTB模块串联堆叠实现了从浅到深的逐级特征提取，并最终构建火焰图像全局和局部特征提取的网络框架SConvTrans； 步骤5，将构建的火焰识别数据集划分为训练集和测试集，并对构建的网络框架SConvTrans进行训练和测试，得到轻量化火焰识别深度学习模型； 所述CTB模块由两条分支构成，上分支为用于全局表征处理的Transformer分支，下分支为用于局部表征处理的卷积分支，最后将两条分支提取到的信息进行融合，以达到全局和局部信息的交互； 所述CTB模块表示为： ； 式中：为输入特征，为在通道维度对输入特征进行降维的收缩比例，为输出特征； 所述CTB模块具体是：先对输入维度为的特征图X，分别通过上分支的个1×1卷积和下分支的个1×1卷积做降维处理，是一个大于0小于等于1的一个收缩比，从而去减少计算量；同时这样的一个做法是也为了避免直接在通道维度上进行split分割而造成的分支上的信息丢失，然后通过上分支Transformer运算，获得全局表征信息；下分支通过SV2卷积块进行运算获得局部表征信息，SV2也就是ShuffleNetV2中的卷积块；然后将两条分支的信息进行Concat拼接，再进行1×1卷积进行信息融合，从而使全局信息和局部信息交互；最后再与原始输入特征X进行相加，通过1×1卷积进行信息融合得到最终特征Y； 所述火焰图像全局和局部特征提取的网络框架SConvTrans；首先通过3*3的卷积实现深度特征提取，通过最大化下采样MaxPool删剔除冗余特征，重复堆叠3次ShuffleNetv2模块和CTB模块，再通过1*1的卷积实现通道调整，并通过全局平均池化完成空间特征降维；最后，模型通过全连接层完成分类，实现火焰快速识别。

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中北大学，其通讯地址为：030051 山西省太原市学院路3号；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”。