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！

龙图腾网获悉南京信息工程大学申请的专利一种基于深度神经网络的SAR图像舰船冰山检测分类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：CN116229181B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202310257599.6，技术领域涉及：G06V10/764；该发明授权一种基于深度神经网络的SAR图像舰船冰山检测分类方法是由黄柏圣;孙喆设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本一种基于深度神经网络的SAR图像舰船冰山检测分类方法在说明书摘要公布了：本发明涉及一种基于深度神经网络的SAR图像舰船冰山检测分类方法，基于包含冰山目标标签、舰船目标标签的各幅海面区域SAR图像样本，结合包括图像特征提取网络、特征融合网络、以及回归分类器具体所构建的目标检测分类深度神经网络，通过网络训练，获得以海面区域SAR图像样本为输入，海面区域SAR图像样本中冰山目标标签、舰船目标标签、或者无冰山与舰船目标标签为输出的目标检测分类模型，用于准确实现关于舰船、冰山目标的检测分类，整个设计中，网络训练时间短、收敛速度快、准确率高，能有效提升海上态势感知能力。

本发明授权一种基于深度神经网络的SAR图像舰船冰山检测分类方法在权利要求书中公布了：1.一种基于深度神经网络的SAR图像舰船冰山检测分类方法，其特征在于：按如下步骤A至步骤C，获得用于识别海面上舰船、冰山的目标检测分类模型；进而应用目标检测分类模型，针对目标海面区域，实现关于舰船、冰山的检测分类； 步骤A.构建预设数量包含冰山目标标签、舰船目标标签的各幅海面区域SAR图像样本，然后进入步骤B； 步骤B.根据图像特征提取网络、特征融合网络、以及回归分类器，构建目标检测分类深度神经网络，然后进入步骤C； 步骤C.基于各幅海面区域SAR图像样本，以海面区域SAR图像样本为输入，海面区域SAR图像样本中冰山目标标签、舰船目标标签、或者无冰山与舰船目标标签为输出，针对目标检测分类深度神经网络进行训练，获得目标检测分类模型； 步骤B中，根据图像特征提取网络Darknet53、特征融合网络FPN、以及回归分类器YoloHead，构建目标检测分类深度神经网络；其中，图像特征提取网络Darknet53的输入端构成目标检测分类深度神经网络的输入端，图像特征提取网络Darknet53自其输入端起依次串联Input640,640,3层、Conv2BLR32,2,1,1层、Conv264,3,2,1层、Resb1残差块、Conv2128,3,2,1层、Resb2残差组、Conv2256,3,2,1层、Resb3残差组、Conv2512,3,2,1、Resb4残差组、Conv21024,3,2,1层、Resb5残差组； Resb1残差块自其输入端起依次串联Conv2BLR32,1,1,0层、Conv2BLR32,2,1,1层； Resb2残差组自其输入端起依次串联结构相同的2个Resb2残差块，Resb2残差块自其输入端起依次串联Conv2BLR64,1,1,0层、Conv2BLR128,3,1,1层； Resb3残差组自其输入端起依次串联结构相同的8个Resb3残差块，Resb3残差块自其输入端起依次串联Conv2BLR128,1,1,0层、Conv2BLR256,3,1,1层； Resb4残差组自其输入端起依次串联结构相同的8个Resb4残差块，Resb4残差块自其输入端起依次串联Conv2BLR256,1,1,0层、Conv2BLR512,3,1,1层； Resb5残差组自其输入端起依次串联结构相同的4个Resb4残差块，Resb5残差块自其输入端起依次串联Conv2BLR512,1,1,0层、Conv2BLR1024,3,1,1层； Inputm,m,c为输入层，Conv2c,k,s,p层为二维卷积层，Conv2BLRc,k,s,p层为Conv2层加批归一化层加带泄露修正线性激活函数层，m表示图像数据像素尺寸大小，c为通道数，k表示核尺寸大小，s表示步行数，p为填充数； Resb3残差组中顺序最后一个Resb3残差块的输出端、Resb4残差组中顺序最后一个Resb4残差块的输出端、Resb5残差组中顺序最后一个Resb5残差块的输出端构成图像特征提取网络Darknet53的各个输出端，图像特征提取网络Darknet53的各输出端对接特征融合网络FPN的输入端，特征融合网络FPN的输出端对接回归分类器YoloHead的输入端，回归分类器YoloHead的输出端构成目标检测分类深度神经网络的输出端； 特征融合网络FPN按数据流向包括依次串联的第一Conv2BLR组、Conv2BLR256,1,1,1层、UpSample2D2层、第二Conv2BLR组、Conv2BLR128,1,1,1层、UpSample2D2层、第三Conv2BLR组；UpSample2Dn为二维上采样层，n为上采样倍数； 其中，第一Conv2BLR组按数据流向包括依次串联的Conv2BLR512,1,1,1层、Conv2BLR1024,3,1,1层、Conv2BLR512,1,1,1层、Conv2BLR1024,3,1,1层、Conv2BLR512,1,1,1层；第二Conv2BLR组按数据流向包括依次串联的Conv2BLR256,1,1,1层、Conv2BLR512,3,1,1层、Conv2BLR256,1,1,1层、Conv2BLR512,3,1,1层、Conv2BLR256,1,1,1层；第三Conv2BLR组按数据流向包括依次串联的Conv2BLR128,1,1,1层、Conv2BLR256,3,1,1层、Conv2BLR128,1,1,1层、Conv2BLR256,3,1,1层、Conv2BLR128,3,1,1层； 第一Conv2BLR组中顺序第一个Conv2BLR512,1,1,1层的输入端、第二Conv2BLR组中顺序第一个Conv2BLR256,1,1,1层的输入端、第三Conv2BLR组中顺序第一个Conv2BLR128,1,1,1层的输入端构成特征融合网络FPN的各个输入端；第一Conv2BLR组中顺序最后一个Conv2BLR512,1,1,1层的输出端、第二Conv2BLR组中顺序最后一个Conv2BLR256,1,1,1层的输出端、第三Conv2BLR组中顺序最后一个Conv2BLR128,1,1,1层的输出端构成特征融合网络FPN的各个输出端； 特征融合网络FPN中第一Conv2BLR组中顺序第一个Conv2BLR512,1,1,1层输入端对接图像特征提取网络Darknet53中Resb5残差组中顺序最后一个Resb5残差块输出端；特征融合网络FPN中第二Conv2BLR组中顺序第一个Conv2BLR256,1,1,1层输入端对接图像特征提取网络Darknet53中Resb4残差组中顺序最后一个Resb4残差块输出端；特征融合网络FPN中第三Conv2BLR组中顺序第一个Conv2BLR128,1,1,1层输入端对接图像特征提取网络Darknet53中Resb3残差组中顺序最后一个Resb3残差块输出端； 特征融合网络FPN的各个输出端对接回归分类器YoloHead的输入端； 回归分类器YoloHead包括Yolohead1组、Yolohead2组、Yolohead3组，其中，Yolohead1组自其输入端依次串联Conv2BLR256,3,1,1层、Conv2255,1,1,1层、Output80,80,255层；Yolohead2组自其输入端依次串联Conv2BLR512,3,1,1层、Conv2255,1,1,1层、Output40,40,255层；Yolohead3组自其输入端依次串联Conv2BLR1024,3,1,1层、Conv2255,1,1,1层、Output20,20,255层；Outputm,m,c为输出层； Yolohead1组的输入端、Yolohead2组的输入端、Yolohead3组的输入端构成回归分类器YoloHead的各个输入端；特征融合网络FPN中第一Conv2BLR组中顺序最后一个Conv2BLR512,1,1,1层输出端对接Yolohead3组的输入端；特征融合网络FPN中第二Conv2BLR组中顺序最后一个Conv2BLR256,1,1,1层输出端对接Yolohead2组的输入端；特征融合网络FPN中第三Conv2BLR组中顺序最后一个Conv2BLR128,1,1,1层输出端对接Yolohead1组的输入端； Yolohead1组中Output80,80,255层的输出端、Yolohead2组中Output40,40,255层的输出端、Yolohead3组中Output20,20,255层的输出端构成回归分类器YoloHead的各个输出端。

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信息工程大学，其通讯地址为：210044 江苏省南京市浦口区宁六路219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。