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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于深度学习的实时交通标志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：CN119323775B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411345426.0，技术领域涉及：G06V20/58；该发明授权一种基于深度学习的实时交通标志检测方法是由贾刚勇;林计坤;陈圣;饶欢乐;踪家祥;陈浩东设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本一种基于深度学习的实时交通标志检测方法在说明书摘要公布了：本发明公开了一种基于深度学习的实时交通标志检测方法，该方法首先获取包含交通标志图像的交通标志数据集。其次基于YOLOv8s，构建交通标志特征提取网络，对交通标志图像进行特征提取，获取图像特征。最后构建轻量共享检测头LSD，基于图像特征，输出交通标志检测结果，并设计损失函数进行反向训练。本发明提高了算法的检测能力，弱化了网络的尺度变化敏感性，更加关注困难样本，实现了准确的小目标交通标志检测。

本发明授权一种基于深度学习的实时交通标志检测方法在权利要求书中公布了：1.一种基于深度学习的实时交通标志检测方法，其特征在于，包括以下步骤： S1、获取包含交通标志图像的交通标志数据集； S2、基于YOLOv8s，构建交通标志特征提取网络，对交通标志图像进行特征提取，获取图像特征； 所述交通标志特征提取网络具体实现过程如下： S2.1、原YOLOv8s网络中Backbone部分包含四个级联的卷积单元和最后的SPPF模块，第一个卷积单元由两个卷积层和C2f模块级联构成，其余三个卷积单元由一个卷积层和一个C2f模块级联构成，四个卷积单元依次生成不同尺寸的特征图，分别为P2、P3、P4和P5； 特征图P3尺寸为H×W×C，H、W、C分别为特征图像的长、宽、通道数；P4、P5层的尺寸分别为0.5H×0.5W×2C、0.25H×0.25W×4C，构建动态尺度序列特征融合模块DSSF；将特征图P3、P4和P5输入DSSF进行特征融合，得到融合特征D1； 所述动态尺度序列特征融合模块DSSF具体实现过程为：调整特征图P4和P5的尺寸与特征图P3一致，堆叠出三维特征并利用三维卷积神经网络进行特征提取，得到三维特征，最后通过对三维特征使用最大池化进行下采样，并恢复为二维特征，作为检测头的额外特征补充； S2.2、将SPPF的输出特征经过卷积操作得到特征图S1，构建多尺度特征编码模块MSFE，将特征S1、P4和P3输入MSFE进行特征编码，得到特征图M1；特征图M1经过级联的C2f模块和卷积层，得到特征图C1；将特征图C1、P2和P3经过MSFE得到特征图M2； 所述多尺度特征编码模块MSFE，具体实现为：设三张输入特征为A1、A2和A3将三张输入的特征图分别输入三个支路进行处理；尺寸最大的特征图A1经过卷积层后，分别经过最大池化和平均池化后进行拼接，得到特征F1；尺寸最小的特征A3经过卷积层后进行双线性插值上采样得到特征F2；最后将特征F1、F2和A2进行拼接，得到输出的编码特征； 将特征M2经过级联的C2f模块和卷积层先后得到特征图P3’和特征图C2；将特征图C1和C2拼接后经过级联的C2f模块和卷积层先后得到特征图P4’和特征图C3；最后将特征图S1和C3拼接后经过C2f模块得到特征图P5’； S3、构建轻量共享检测头LSD，基于图像特征，输出交通标志检测结果，并设计损失函数进行反向训练； 在所述轻量共享检测头LSD中，三个输入特征分别为：融合特征D1和P3’拼接得到的特征图D2、特征图P4’、特征图P5’； 所述损失函数LNWCL具体如下： NWD损失函数为LNWD，WIoU损失函数首先根据距离度量构建了距离注意力，得到了具有两层注意力机制的参数WIoUv1，之后，将动态非单调FM引入损失函数中，得到参数WIoUv3； 损失函数LNWCL，公式如下： LNWCL＝λLNWD+1-λLFocaler-WIoUv3 LFocaler-WIoUv3＝1-WIoUv3Focaler 其中，λ、d和u为超参数，λ∈[0,1]。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。

以上内容由龙图腾AI智能生成。