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！

龙图腾网获悉南京理工大学申请的专利基于多尺度特征融合及高效上采样算法的声呐图像水下检测方法及系统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：CN119832406B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202411892309.6，技术领域涉及：G06V20/05；该发明授权基于多尺度特征融合及高效上采样算法的声呐图像水下检测方法及系统是由赵子杰;李科廷;沈诗淇设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本基于多尺度特征融合及高效上采样算法的声呐图像水下检测方法及系统在说明书摘要公布了：本发明公开了一种基于多尺度特征融合及高校上采样算法的声呐图像水下检测方法及系统，该方法包括：采集水下典型目标前视声呐数据，制作得到声呐图像的检测训练与测试数据集；构建包括高效上采样模块、多尺度特征融合模块和小目标检测支路的特征融合网络，构建基于YOLOv11的目标检测算法模型，将特征融合网络作为YOLOv11的颈部网路，去掉YOLOv11的深层特征图检测支路；采用制作的数据集训练目标检测算法模型，将前视声纳图像输入训练好的模型进行推理，得到水下典型目标的检测结果。本发明提高了水下目标检测算法的准确度与鲁棒性。

本发明授权基于多尺度特征融合及高效上采样算法的声呐图像水下检测方法及系统在权利要求书中公布了：1.一种基于多尺度特征融合及高效上采样算法的声呐图像水下检测方法，其特征在于，包括步骤： S1、采集水下典型目标前视声呐数据，对声呐元数据进行提取与坐标轴转换，逐帧获取声呐图像，进行数据集的整理与标注，制作得到声呐图像的检测训练与测试数据集； S2、构建高效上采样模块，通过基于补偿的机制改进上采样的过程； S3、构建多尺度特征融合模块，加强多尺度特征信息融合； S4、构建包括高效上采样模块、多尺度特征融合模块和小目标检测支路的特征融合网络； S5、构建基于YOLOv11的目标检测算法模型，将特征融合网络作为YOLOv11的颈部网路，去掉YOLOv11的深层特征图检测支路；目标检测算法模型进行图像处理时，将特征图输入到目标检测算法模型的骨干网络进行特征提取并输入到特征融合网络；通过下采样将骨干网络和特征融合网络的浅层特征图逐一进行下采样，特征融合网络同时将深层特征图使用高效上采样模块进行上采样，使用多尺度特征融合模块与下一层同尺度特征图进行双向特征融合，采用小目标检测支路加强对小目标的检测效果； S6，采用制作的数据集训练目标检测算法模型，将前视声纳图像输入训练好的模型进行推理，得到水下典型目标的检测结果； 所述高效上采样模块对图像处理的过程包括： 对输入的图像使用多尺度卷积进行下采样，为： 式中：Fdown表示下采样输出的特征图，Wi表示不同尺度的卷积核权重，Fin,j是输入特征图，N是不同尺度的数量，*表示卷积操作； 通过通道注意力CAB和空间注意力SAB机制对下采样特征图进行处理，为： FCAB＝σW2·ReLUW1·GAPXFSAB＝σConv7×7X式中：FCAB表示通道注意力的权重，GAP表示对每个通道进行全局平均池化，W1和W2是两个全连接层的权重矩阵，X是输入特征图，ReLU表示激活函数ReLU，σ表示Sigmoid函数，用于将通道权重映射到0，1区间；FSAB表示空间注意力的权重，X是输入特征图，σ表示Sigmoid函数，Conv7×7表示一个大核卷积； 通过上采样操作，将通道注意力CAB和空间注意力SAB机制增强后的图像恢复到更高分辨率，并采用逐元素加法将其与来自跳跃连接的特征图进行融合，为： X‘＝X+CompKernelXYupsample＝UpsampleX式中：X是输入的下采样特征图，CompKernelX表示补偿核对特征图的修正，Yupsample表示上采样后的输出图像，UpsampleX表示对输入的X进行上采样操作； 当跳跃连接与大卷积核分组注意力门模块结合时，将上采样后的特征图与跳跃连接特征进行融合后的特征图传递给大卷积核分组注意力门模块，最终得到输出特征图，为： FEUCB＝Ffused×FCAB×FSAB式中：Ffused是跳跃连接和上采样融合后的特征图，FEUCB为输出特征； 所述特征融合网络对图像的处理过程具体包括：通过一个步长为2的卷积进行下采样并通过多尺度特征融合模块与相邻的深层特征图进行特征融合，深层特征图通过高效上采样模块进行上采样并连接到多尺度特征融合模块与相邻的上一层浅层特征图进行特征融合，得到： Pi＝PfusedConvPi‑1+PfusedFEUCBPi+1其中，Pi表示当前层特征图，Pi‑1表示相邻的浅层特征图，Pi+1表示相邻的深层特征图； PfusedConvPi‑1表示对上一层特征图进行下采样并连接到多尺度特征融合模块，PfusedFEUCBPi+1表示对下一层特征图进行高效上采样并连接到多尺度特征融合模块； 所述检测算法模型采用动态检测头输出图像识别结果。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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。