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！

龙图腾网获悉中国农业科学院农业资源与农业区划研究所申请的专利一种基于改进YOLO11的水葫芦目标快速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：CN120635395B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202510927810.X，技术领域涉及：G06V10/24；该发明授权一种基于改进YOLO11的水葫芦目标快速检测方法是由王旭;吴宜倩;王崇伟;徐大伟;孟雅婷;陈宝瑞设计研发完成，并于2025-07-07向国家知识产权局提交的专利申请。

本一种基于改进YOLO11的水葫芦目标快速检测方法在说明书摘要公布了：本发明涉及生态系统监测技术领域，其公开了一种基于改进YOLO11的水葫芦目标快速检测方法，其包括步骤：S1数据准备：采集图像数据，筛选、整理并分类采集图像，进行数据标注，构建得到数据集；对数据集处理，并划分为训练集、验证集和测试集；S2模型优化与训练：使用EfficientViT优化原YOLO11模型的主干网络；引入Lite‑BiFPN多尺度特征融合结构；将原卷积模块替换为引入通道与空间注意力机制的SEAMHead卷积模块；使用预处理的数据训练WH‑YOLO11模型；S3检测与评价。本发明提供的EfficientViT的特征提取模块改进、Lite‑BiFPN的多尺度特征融合结构和SEAMHead注意力机制的检测头设计，提升对复杂背景下水葫芦特征提取准确性，在不同尺寸尺度下检测能力；提升关键特征响应，抑制水面背景的干扰，提高精度与鲁棒性。

本发明授权一种基于改进YOLO11的水葫芦目标快速检测方法在权利要求书中公布了：1.一种基于改进YOLO11的水葫芦目标快速检测方法，其特征在于：包括如下步骤： S1、数据准备： 采集图像数据，涵盖不同天气、光照和水域环境，筛选、整理并分类采集图像，进行数据标注，明确图像中目标的类别、位置信息，构建得到数据集；对所述数据集进行格式转换、尺寸调整及增强处理，并划分为训练集、验证集和测试集； S2、模型优化与训练： 使用EfficientViT优化原YOLO11模型的主干网络，具体为： 假设输入特征为 F，EfficientViT模块首先通过局部卷积获得局部特征表示，再通过轻量级自注意力机制获得全局特征表示；最终，局部特征与全局特征通过加权融合，得到增强后的特征，具体计算公式如下：      1其中，为动态学习的融合权重，能够根据不同输入自适应调整局部与全局特征的贡献比例； 在原YOLO11模型的Neck部分引入Lite‑BiFPN多尺度特征融合结构，提升不同尺度特征的信息流动与融合效果，增强模型对小目标的检测能力； 将原YOLO11模型的卷积模块替换为引入通道与空间注意力机制的SEAMHead卷积模块，提升对目标关键特征的提取与处理能力，得构建WH‑YOLO11模型，具体为： 在SEAMHead模块中，假设输入特征为 F，通过通道和空间注意力机制计算得到的加权特征为，通过以下公式表示： 通道注意力：                 3其中，是Sigmoid函数，CF 表示通道注意力网络输出的通道权重，是通道加权后的特征； 空间注意力：                    4其中， SF 是空间注意力网络输出的空间权重，是空间加权后的特征； 最终，通过通道和空间的加权融合，得到最终的注意力特征：             5其中，是调节通道与空间注意力权重的融合因子，其是由轻量级多层感知机Conv1×1→GELU→Conv1×1→Sigmoid动态生成的融合权重，取值范围 0,1； 在 SEAMHead模块之前，使用 C3K2模块来进一步增强特征提取能力；C3k2 模块采用多个 3×3 卷积核和残差连接相结合的方式：             6其中： ：输入特征图；和 是卷积核权重， 和 是偏置项，为激活函数；残差连接通过+实现跨层传递； 为输出特征图；结构中的残差项表示跨层直连，用于融合低层信息，提升训练收敛速度与网络深度； 使用预处理的数据训练WH‑YOLO11模型，调整超参数以提高检测效果； S3、检测与评价： 使用训练完成的WH‑YOLO11模型对测试图像数据进行目标检测，自动识别图像中的水葫芦目标，并通过精确率、召回率、F1分数、mAP评价指标进行性能评估，量化检测的准确性与可靠性。

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中国农业科学院农业资源与农业区划研究所，其通讯地址为：100081 北京市海淀区中关村南大街12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。