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！

龙图腾网获悉东南大学申请的专利基于深度融合卷积神经网络的公路快检图像路面病害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：CN117197084B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202311160678.1，技术领域涉及：G06T7/00；该发明授权基于深度融合卷积神经网络的公路快检图像路面病害检测方法是由赵池航;邓文浩;吴加伦;张子怡;黄雅欣设计研发完成，并于2023-09-08向国家知识产权局提交的专利申请。

本基于深度融合卷积神经网络的公路快检图像路面病害检测方法在说明书摘要公布了：本发明提出了一种基于深度融合卷积神经网络的公路快检图像路面病害检测方法，包括：构建公路快检图像路面病害图像标注数据集；构建用于公路快检图像路面病害检测的YOLOv8‑RSDD‑HRII简单模型与YOLOv8‑CBAM‑RSDD‑HRII深度融合基础模型；构建用于公路快检图像路面病害检测的Mobile‑Net‑YOLOv8‑CBAM‑RSDD‑HRII次融合网络模型，获取检测框坐标构建用于公路快检图像路面病害检测的Efficient‑Net‑YOLOv8‑CBAM‑RSDD‑HRII次融合网络模型，获取检测框坐标构建用于公路快检图像路面病害检测的Res‑Net‑YOLOv8‑CBAM‑RSDD‑HRII次融合网络模型，获取检测框坐标并联连接次融合网络模型，将次融合网络模型所生成的检测框坐标进行集成学习，从而构建用于公路快检图像路面病害检测的深度融合卷积神经网络模型DFCNN‑RSDD‑HRII，可以更精准地识别公路快检图像路面病害，有效提高公路养护效率。

本发明授权基于深度融合卷积神经网络的公路快检图像路面病害检测方法在权利要求书中公布了：1.基于深度融合卷积神经网络的公路快检图像路面病害检测方法，其特征在于：包括如下步骤： S1：构建公路快检图像路面病害图像标注数据集； S2：构建用于公路快检图像路面病害检测的YOLOv8-RSDD-HRII简单模型；具体步骤为：构建用于公路快检图像路面病害检测的YOLOv8模型YOLOv8-RSDD-HRII，其中，Resolution为每个Stage中变量的尺度，Channels为每个Stage变量的通道数，Layers为每个Stage中操作Operator重复的次数，Kernels为卷积操作的卷积核的尺寸，CBL为先对该层变量进行卷积操作，之后在进行标准化操作，并使用LeakyReLU激活函数进行激活；C2f即为C2f网络结构层，SPPF5×5为SPPF结构中的卷积核大小为5×5，Unsample为对变量进行上采样操作，Concat为对变量进行拼接操作，拼接的层级为与之相连接的C2f模块和Backbone中与之相同尺寸的C2f模块，Detect_X为输出模块，输出维度与目标类别数有关； S3：构建用于公路快检图像路面病害检测的YOLOv8-CBAM-RSDD-HRII深度融合基础模型；具体步骤为：在原有的YOLOv8-RSDD-HRII网络模型的基础上，在其Backbone中的C2f模块后增加CBAM模块，其中，根据特征图的不同，第一个C2f模块后的CBAM模块参数为128×7，第二个C2f模块后的CBAM模块参数为256×7，第三个C2f模块后的CBAM模块参数为512×7，前一个变量为该层特征图的通道数，后一个变量为CBAM注意力模块中空间注意力机制的卷积核大小，参数为128×7的CBAM模块即为卷积核大小为7×7，通道数为128，其他部分与YOLOv8-RSDD-HRII模型一致； S4：构建用于公路快检图像细小路面病害检测的Mobile-Net-YOLOv8-CBAM-RSDD-HRII次融合网络模型，获取检测框坐标；具体步骤为：采用Mobile-Net与YOLOv8-CBAM-RSDD-HRII的Backbone网络进行特征融合，将Mobile-Net网络去除掉最后一个1×1的逐点卷积层和最后一个平均池化层，并将其输出特征图与YOLOv8-CBAM-RSDD-HRII模型中Backbone输出的特征图做融合拼接Concat操作，确保Mobile-Net的输出维度与YOLOv8-CBAM-RSDD-HRII模型中Backbone的输出维度一致，并将特征图进行叠加，送入YOLOv8-CBAM-RSDD-HRII模型后续网络中即能得到Mobile-Net-YOLOv8-CBAM-RSDD-HRII次融合网络模型； S5：构建用于公路快检图像细小路面病害检测的Efficient-Net-YOLOv8-CBAM-RSDD-HRII次融合网络模型，获取检测框坐标；具体步骤为：采用Efficient-Net网络与YOLOv8-CBAM-RSDD-HRII模型的Backbone网络进行特征融合，将Efficient-Net网络去除掉最后一个Stage，并将其输出特征图与YOLOv8-CBAM-RSDD-HRII模型中Backbone输出的特征图做融合拼接Concat操作，确保Efficient-Net的输出维度与YOLOv8-CBAM-RSDD-HRII模型中Backbone的输出维度一致，并将特征图进行叠加，送入YOLOv8-CBAM-RSDD-HRII模型后续网络中即能得到Efficient-Net-YOLOv8-CBAM-RSDD-HRII次融合网络模型； S6：构建用于公路快检图像细小路面病害检测的Res-Net-YOLOv8-CBAM-RSDD-HRII次融合网络模型，获取检测框坐标；具体步骤为：采用Res-Net与YOLOv8-CBAM-RSDD-HRII模型的Backbone网络进行特征融合，将Res-Net网络去除掉最后一个平均池化与全连接层，并将其输出特征图与YOLOv8-CBAM-RSDD-HRII模型中Backbone输出的特征图做融合拼接Concat操作，确保Res-Net的输出维度与YOLOv8-CBAM-RSDD-HRII模型中Backbone的输出维度一致，并将特征图进行叠加，送入YOLOv8-CBAM-RSDD-HRII模型后续网络中即能得到Res-Net-YOLOv8-CBAM-RSDD-HRII次融合网络模型； S7：将三个次融合网络模型所生成的检测框坐标进行集成学习，从而构建用于公路快检图像路面病害检测的深度融合卷积神经网络模型DFCNN-RSDD-HRII，进行公路快检图像路面病害检测。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2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。