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！

龙图腾网获悉大连海事大学;大连海大智龙科技有限公司申请的专利一种基于深度学习的海上小目标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：CN116310997B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202310399524.1，技术领域涉及：G06V20/40；该发明授权一种基于深度学习的海上小目标检测方法是由尹勇;邵泽远;吕红光设计研发完成，并于2023-04-14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海上小目标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海上小目标检测方法，包括以下步骤：步骤S1：采集实际海域的视频图像，并对视频图像进行分帧处理得到含有目标特征的图片数据集；步骤S2：对图片数据集进行标注获取特征图片测试集与特征图片训练集；步骤S3：基于YOLOv5的网络框架，构造加入注意力机制模块SCAM++与增强型双向特征融合结构PANet的YOLO‑sea网络模型；步骤S4：采用DIoU作为YOLO‑sea的损失函数，利用图片训练集对YOLO‑sea网络模型进行训练，获取YOLO‑sea优化模型；步骤S5：采用YOLO‑sea优化模型对图片测试集进行目标检测。解决了海天线附近的极小目标集中在一起，且受到海岸、浪花的干扰，海上小目标检测精度低以及实时性差的问题。

本发明授权一种基于深度学习的海上小目标检测方法在权利要求书中公布了：1.一种基于深度学习的海上小目标检测方法，其特征在于，包括以下步骤： 步骤S1：采集实际海域的视频图像，并对所述视频图像进行分帧处理得到含有目标特征的图片数据集；所述目标特征包括轮廓、纹理以及色彩； 步骤S2：对所述图片数据集进行标注获取特征图片测试集与特征图片训练集； 步骤S3：基于YOLOv5的网络架构，构造加入注意力机制模块SCAM++与增强型双向特征融合结构PANet的YOLO-sea网络模型；所述的YOLO-sea网络模型的结构，包括将步骤S2中获取的图片测试集依次经过的主干网络系统、特征融合网络系统以及检测头网络系统进行处理； 所述主干网络系统包括初始层卷积Conv模块、中间层网络模块、注意力机制模块SCAM++以及SPPF模块； 所述初始层卷积Conv模块将图片训练集中的训练图片进行特征提取获取初始特征图，所述目标特征包括目标的轮廓、纹理以及色彩； 所述中间层网络模块包括依次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元以及第四特征提取单元，且所述第一特征提取单元、第二特征提取单元、第三特征提取单元以及第四特征提取单元均由可变形卷积DCNv2模块与第一C3模块组成； 所述可变形卷积DCNv2模块用于对输入至可变形卷积DCNv2模块的特征图上的各采样点的偏移量赋予设定的权重系数；所述采样点的偏移量包括目标特征的尺寸、角度变换和目标特征相对于特征图的比例； 所述C3模块用于对可变形卷积DCNv2模块输出的特征图进行残差特征学习与特征融合； 所述第一特征提取单元对所述初始特征图进行特征提取与融合获得低层特征图；并将所述低层特征图传输至第二特征提取单元； 所述第二特征提取单元对所述低层特征图进行特征提取与融合获得第一中层特征图；并将所述第一中层特征图传输至第三特征提取单元； 所述第三特征提取单元对所述第一中层特征图进行特征提取与融合获得第二中层特征图；并将所述第二中层特征图传输至第四特征提取单元； 所述第四特征提取单元对所述第二中层特征图进行特征提取与融合获得高层特征图；并将所述高层特征图传输至所述注意力机制模块SCAM++； 层注意力机制模块SCAM++对所述高层特征图，进行加权处理获取优化特征图，并将所述优化特征图传输至所述SPPF模块； 所述SPPF模块对所述优化特征图进行特征融合，获取不同尺度的特征图； 步骤S4：采用DIoU作为YOLO-sea的损失函数，利用图片训练集对YOLO-sea网络模型进行训练，获取YOLO-sea优化模型； 步骤S5：采用所述YOLO-sea优化模型对图片测试集进行目标检测。

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大连海事大学;大连海大智龙科技有限公司，其通讯地址为：116000 辽宁省大连市甘井子区凌水街道凌海路1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。