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！

龙图腾网获悉温州电力设计有限公司普华招标咨询分公司申请的专利一种目标识别方法、系统、电子设备和存储介质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：CN119785007B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411925172.X，技术领域涉及：G06V10/25；该发明授权一种目标识别方法、系统、电子设备和存储介质是由郑明;夏震宇;林跃进;吕家辉;叶海娟;陈滢;徐欢;赵舒雷;李彬旗设计研发完成，并于2024-12-25向国家知识产权局提交的专利申请。

本一种目标识别方法、系统、电子设备和存储介质在说明书摘要公布了：本发明公开了一种目标识别方法、系统、电子设备和存储介质，涉及图像识别技术领域，方法包括：构建目标识别模型，目标识别模型包括：编码器、解码器和检测头；编码器用于：利用卷积层和自注意力机制，获取样本图像在不同阶段的图像特征；解码器用于：对样本图像在不同阶段的图像特征进行渐进融合，对最终融合图像特征赋予不同权重，再进行特征增强操作，得到增强后的最终融合图像特征，检测头用于：对增强后的最终融合图像特征进行处理，得到样本图像的目标识别结果；对目标识别模型进行训练，得到训练好的目标识别模型；利用训练好的目标识别模型对预设图像进行识别，得到预设图像的目标识别结果。

本发明授权一种目标识别方法、系统、电子设备和存储介质在权利要求书中公布了：1.一种目标识别方法，其特征在于，包括： 构建目标识别模型，所述目标识别模型包括：编码器、解码器和检测头，所述编码器用于：利用卷积层和自注意力机制，获取样本图像在不同阶段的图像特征，所述解码器用于：对所述样本图像在不同阶段的图像特征进行渐进融合，对最终融合图像特征赋予不同权重，再进行特征增强操作，得到增强后的最终融合图像特征，所述检测头用于：对所述增强后的最终融合图像特征进行处理，得到所述样本图像的目标识别结果； 对所述目标识别模型进行训练，得到训练好的目标识别模型； 利用所述训练好的目标识别模型对预设图像进行识别，得到所述预设图像的目标识别结果； 所述解码器具体用于：利用膨胀卷积层、分块反向注意力机制模块和卷积层，对所述样本图像在不同阶段的图像特征进行渐进融合，对最终融合图像特征赋予不同权重，再进行特征增强操作，得到增强后的最终融合图像特征； 所述编码器包括依次设置的第一卷积层、第一自注意力机制模块、第二自注意力机制模块和第三自注意力机制模块；第一自注意力机制模块、第二自注意力机制模块和第三自注意力机制模块用于通过自注意力机制对各个接收到的数据进行处理； 将所述第一卷积层的输出作为所述第一自注意力机制模块的输入； 将所述第一自注意力机制模块的输出作为所述第二自注意力机制模块的输入； 将所述第二自注意力机制模块的输出作为所述第三自注意力机制模块的输入； 样本图像在不同阶段的图像特征包括：所述第一卷积层的输出、所述第一自注意力机制模块的输出、所述第二自注意力机制模块的输出和所述第三自注意力机制模块的输出； 所述解码器包括依次设置的第一膨胀卷积层、第一分块反向注意力机制模块、第二膨胀卷积层、第二分块反向注意力机制模块、第二卷积层、第三分块反向注意力机制模块、第三卷积层、第四分块反向注意力机制模块、紧凑度度量模块和特征增强模块； 将所述第三自注意力机制模块的输出作为所述第一膨胀卷积层的输入； 将所述第一卷积层的输出还作为第四分块反向注意力机制模块的输入； 将所述第一自注意力机制模块的输出还作为所述第三分块反向注意力机制模块的输入； 将所述第二自注意力机制模块的输出还作为所述第二分块反向注意力机制模块的输入； 将所述第三自注意力机制模块的输出作为所述第一膨胀卷积层的输入，并作为所述第一分块反向注意力机制模块的输入； 将所述第一膨胀卷积层的输出作为所述第一分块反向注意力机制模块的输入； 将所述第一分块反向注意力机制模块的输出作为所述第二膨胀卷积层的输入； 将所述第二膨胀卷积层的输出作为所述第二分块反向注意力机制模块的输入； 将所述第二分块反向注意力机制模块的输出作为所述第二卷积层的输入； 将所述第二卷积层的输出作为所述第三分块反向注意力机制模块的输入； 将所述第三分块反向注意力机制模块的输出作为所述第三卷积层的输入； 将所述第三卷积层的输出作为所述第四分块反向注意力机制模块的输入； 所述第一分块反向注意力机制模块、所述第二分块反向注意力机制模块、所述第三分块反向注意力机制模块和所述第四分块反向注意力机制模块用于对各自接收到的数据进行特征融合； 所述第四分块反向注意力机制模块的输出为所述最终融合图像特征，将所述最终融合图像特征输入所述紧凑度度量模块，所述紧凑度度量模块对所述最终融合图像特征进行注意力操作后，并赋予不同权重，再经过所述特征增强模块进行特征增强操作，得到所述增强后的最终融合图像特征； 其中，每个自注意力机制模块的数据处理过程如下： S11、自注意力机制模块分别利用两个逐点卷积层将接收到的特征进行处理，得到第一中间特征图I1和第二中间特征图I2，其中，接收到的特征为I，I∈R{H′×W′×C′}； S12、对第一中间特征图I1和第二中间特征图I2进行形状重塑操作，然后通过全连接层获取形状重塑后的第一中间特征图I1的注意力特征输入q和形状重塑后的第二中间特征图I2的注意力特征输入k，具体通过如下公式实现： q＝FCreshapeI1 k＝FCreshapeI2 其中，q∈R{H′×1}，k∈R{1×H′}，reshapeI1表示：对第一中间特征图I1进行形状重塑操作，FCreshapeI1表示：通过全连接层获取形状重塑后的第一中间特征图I1的注意力特征输入q，reshapeI2表示：对第二中间特征图I2进行形状重塑操作，FCreshapeI2表示：通过全连接层获取形状重塑后的第二中间特征图I2的注意力特征输入k； S13、对形状重塑后的第一中间特征图I1的注意力特征输入q和形状重塑后的第二中间特征图I2的注意力特征输入k进行矩阵相乘，并进行逐点卷积和softmax操作后，得到注意力矩阵attention； S14、通过卷积层对接收到的特征I进行处理，计算得到卷积特征Iconv； S15、将注意力矩阵attention与卷积特征Iconv逐通道相乘得到注意力输出特征Oattention； S16、最后对接收到的特征I、卷积特征Iconv和注意力输出特征Oattention进行特征融合，得到融合后的特征 S17、根据融合后的特征得到最终输出特征O： 其中， 表示：利用卷积层对融合后的特征进行卷积操作，表示：通过逐点卷积层对融合后的特征进行逐点卷积操作，表示：对和相加； 分块反向注意力机制模块的数据处理过程为：首先通过将深层特征上采样与浅层特征空间维度一致，通过ResNet34模型以及全连接层对输入目标图像进行分块，对生成图像通过Sigmoid激活函数后，使用全一向量减去该特征图，得到分块反向注意力权重，并在浅层特征上施加该权重以融合深层特征，进而通过卷积操作与残差连接获取特征图，具体包括如下步骤： S20、对于上一层输出特征图out进行通道维度的上采样操作，达到与浅层特征相同通道数的特征Outupsample： Outupsample＝Upsampleout 其中，Upsampleout表示对Outupsample进行上采样操作，第一分块反向注意力机制模块的上一层输出特征图为：第一膨胀卷积层的输出，第二分块反向注意力机制模块的上一层输出特征图为：第二膨胀卷积层的输出，第三分块反向注意力机制模块的上一层输出特征图为：第二卷积层的输出，第四分块反向注意力机制模块的上一层输出特征图为：第三卷积层的输出； S21、利用ResNet34模型以及全连接层操作进行目标目标识别，识别到目标后，定位目标中心Outcenter： Outcenter＝FCResNet34FCBNLeakyReLUOutupsample 其中，ResNet·表示ResNet34模型，BN·表示批量归一化操作，LeakyReLU·表示激活函数操作； S22、根据目标中心Outcenter，将每个通道特征图分割为32×32的目标图像，最终获取分块目标图像Outconc： Outconc＝FGOutcenter 其中，FGOutcenter表示：对目标图像分割操作； S23、对分块后的目标图像执行Sigmoid操作，使特征图进行压缩，得到压缩后的目标图像OutSigmoid； S24、通过全一向量减去特征图OutSigmoid，得到反向注意力特征图权重Weightra； S25、将反向注意力特征图权重Weightra与对应位置的浅层特征进行逐点相乘，得到加权卷积特征Weighti： 其中，表示逐点相乘，目标识别模型包括11层，第1层为：第一卷积层，第2层为第一自注意力机制模块，第3层为第二自注意力机制模块，第4层为第三自注意力机制模块，第5层为第一膨胀卷积层，第6层为第二膨胀卷积层，第7层为第二卷积层，第8层为第三卷积层，第9层为紧凑度度量模块，第10层为特征增强模块，第11层为检测头，在应用第i个应用分块反向注意力机制模块时，结合对应位置第5-i层网络对应的浅层特征输出F{5-i}，第一分块反向注意力机制模块结合第三自注意力机制模块的输出进行处理，第二分块反向注意力机制模块结合第二自注意力机制模块的输出进行处理，第三分块反向注意力机制模块结合第一自注意力机制模块的输出进行处理，第四分块反向注意力机制模块结合第一卷积层的输出进行处理； 通过将加权卷积特征Weighti通过卷积操作与上一层输出相加，获得残差相加图像out1，以补充在深层网络中特征消失的细节： out1＝ConvWeighti+OutUpsample 然后提取增强后的最终融合图像特征F即特征图，具体通过如下计算公式实现： F＝DConvConvWeightcompact 其中，DConv·表示：膨胀卷积操作，Clusterj表示：第j组的中所有像素点之间的平均欧式距离Clusterj，xl,yl表示：表示第l个像素点的坐标，xr,yr表示：第r个像素点的坐标，labelj表示：第j组标签，sumj表示：第j组的中所有像素点之间的平均欧式距离之和。

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温州电力设计有限公司普华招标咨询分公司，其通讯地址为：325000 浙江省温州市飞霞桥路68号国信大厦22层；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”。

以上内容由龙图腾AI智能生成。