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！

龙图腾网获悉东华理工大学南昌校区申请的专利一种基于深度学习的水下小型生物目标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：CN121033649B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202511547468.7，技术领域涉及：G06V20/05；该发明授权一种基于深度学习的水下小型生物目标检测方法及系统是由刘金生;李明桂;周焕银;吴紫藤设计研发完成，并于2025-10-28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水下小型生物目标检测方法及系统在说明书摘要公布了：本发明涉及计算机视觉与水下探测技术，提供一种基于深度学习的水下小型生物目标检测方法及系统，所构建的WLDA‑YOLOv8深度学习模型包含主干网络、颈部网络和检测头，主干和颈部嵌入轻量多尺度模块，检测头引入动态检测头与自适应样本选择策略；训练阶段采用改进WIoUv3s损失进行边界框回归，利用水下生物数据集训练模型，最终实现水下图像中小目标的精准检测，增强对小目标细微特征的捕获与融合能力。

本发明授权一种基于深度学习的水下小型生物目标检测方法及系统在权利要求书中公布了：1.基于深度学习的水下小型生物目标检测方法，其特征在于，该方法包括以下步骤： 构建WLDA-YOLOv8深度学习模型，其中所述WLDA-YOLOv8深度学习模型包括主干网络、颈部网络和检测头，所述主干网络和颈部网络中采用轻量高效多尺度模块，所述检测头中引入动态检测头模块，并与动态自适应训练样本选择策略协同工作； 在WLDA-YOLOv8深度学习模型训练阶段，采用改进的WIoUv3s损失函数进行边界框回归； 利用水下小型生物数据集对所述WLDA-YOLOv8深度学习模型进行训练，得到训练完成的检测模型； 将待检测的水下图像输入训练完成的检测模型，输出水下小型生物的检测结果； 轻量高效多尺度模块的工作过程包括： 将输入特征图在通道维度上均匀划分为4个部分并进行多分支卷积处理，其中4个部分分别为Part1、Part2、Part3、Part4； 将处理后的4个部分特征在通道维度上拼接，对拼接特征施加通道注意力机制，通过全局平均池化、全连接层和Sigmoid激活函数生成通道权重，通过1×1卷积调整通道数，输出特征图； Part1和Part4采用恒等映射，Part2采用3×3深度可分离卷积，Part3采用5×5深度可分离卷积； 所述动态自适应训练样本选择策略的实现过程为： 计算每个真实目标框与所有候选锚点框的IoU值，计算所述IoU值的均值与标准差之和，并作为真实目标框的动态IoU阈值； 将IoU值大于所述动态IoU阈值的候选锚点框列为正样本，其余列为负样本； 所述动态检测头模块由多个串行的DyHeadBlock构成，每个DyHeadBlock依次执行尺度感知注意力、空间感知注意力和通道感知注意力； 尺度感知注意力模块通过全局平均池化和全连接层学习不同尺度特征的权重分布，空间感知注意力模块采用可变形卷积自适应地聚焦于特征图中的空间关键区域，通道感知注意力模块通过轻量化通道注意力机制动态校准通道维度上的特征响应强度； 所述改进的WIoUv3s损失函数的计算公式如下： ; ; ; ； 其中w、h分别表示预测框的宽度和高度，、分别表示真实框的宽度和高度，、表示包含预测框和真实框的最小外接矩形的宽度与高度，分别表示预测框和真实框的中心点坐标，，x，y表示中心点坐标，表示计算两点之间的欧氏距离，表示衡量锚框质量的指标，随IoU减小而增大；和为可调超参数；表示当前训练得到的损失的最优值，表示当前训练得到的实际IoU损失值，表示WIoU损失函数的基础，表示最终的损失值，函数p为欧氏距离函数，公式中提到的p²为距离的平方。

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华理工大学南昌校区，其通讯地址为：330000 江西省南昌市经济技术开发区广兰大道418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。