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！

龙图腾网获悉北京网藤科技有限公司申请的专利一种基于计算机视觉的复杂场景下原油泄漏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：CN118521942B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202410788912.3，技术领域涉及：G06V20/40；该发明授权一种基于计算机视觉的复杂场景下原油泄漏检测方法及系统是由刘磊;吴文博;李彬;叶宗瑜;申富海;赵慕江;王传政;龚檀;张奇设计研发完成，并于2024-06-19向国家知识产权局提交的专利申请。

本一种基于计算机视觉的复杂场景下原油泄漏检测方法及系统在说明书摘要公布了：本发明涉及一种基于计算机视觉的复杂场景下原油泄漏检测方法及系统，该方法包括获取多种场景下的原始图像数据；基于场景转换模型对获取的原始图像数据进行特征提取；生成场景转换图像数据；构建训练数据集；构建原油泄露检测模型；训练原油泄露检测模型；将待检测图像数据输入至训练后的原油泄露检测模型，得到对应的检测结果。本发明通过在数据处理过程中加入场景转换模块，能够将晴天场景下的图像数据转换到不同复杂场景中，生成不同复杂场景下的场景转换特征信息，实现扩充模型训练数据量的目的，同时，能够达到在复杂场景下准确地识别出视频监控图像中原油泄露位置的目的，识别精度较高。

本发明授权一种基于计算机视觉的复杂场景下原油泄漏检测方法及系统在权利要求书中公布了：1.一种基于计算机视觉的复杂场景下原油泄漏检测方法，其特征在于，包括： 获取多种场景下的原始图像数据，所述多种场景包括晴天场景和复杂场景； 基于场景转换模型对获取的原始图像数据进行特征提取，生成晴天场景下的场景特征信息和复杂场景下的场景特征信息； 基于场景转换模块，将晴天场景下的场景特征信息转换至不同复杂场景中，生成不同复杂场景下的场景转换特征信息，并基于场景转换特征信息，生成场景转换图像数据； 采用对抗性损失函数优化生成的场景转换图像数据，基于晴天场景下的原始图像数据和场景转换图像数据，构建训练数据集； 基于轻量级混合专家网络、特征提取网络、多尺度特征融合网络和检测网络，构建原油泄露检测模型； 将训练数据集输入至原油泄露检测模型进行训练，得到训练后的原油泄露检测模型； 将待检测图像数据输入至训练后的原油泄露检测模型，得到对应的检测结果； 所述复杂场景包括阴天场景、雨天场景、雾霾场景和雪天场景； 所述将训练数据集输入至原油泄露检测模型进行训练，得到训练后的原油泄露检测模型，具体包括： 将训练数据集输入至轻量级混合专家网络中进行图像增强处理，生成多种场景下的增强特征信息，并将多种场景下的增强特征信息进行融合处理，生成融合增强特征信息；将融合增强特征信息输入至特征提取网络中进行特征提取，提取出多个不同尺度的特征图；将多个不同尺度的特征图输入至多尺度特征融合网络进行特征增强，生成多个尺度融合特征图；将多个尺度融合特征图输入至检测网络中进行检测处理，生成对应的检测结果；采用目标检测回归损失函数和二元交叉熵损失函数优化原油泄露检测模型，直至原油泄露检测模型收敛，得到训练后的原油泄露检测模型； 所述将训练数据集输入至轻量级混合专家网络中进行图像增强处理，生成多种场景下的增强特征信息，具体的计算公式如下： （9） （10） （11） （12） （13） 式（9）-（13）中：表示训练数据集，表示浅层特征提取网络，表示浅层特征图，表示阴天场景下的特征增强网络，表示雨天场景下的特征增强网络，表示雾霾场景下的特征增强网络，表示雪天场景下的特征增强网络，表示阴天场景下的增强特征信息，表示雨天场景下的增强特征信息，表示雾霾场景下的增强特征信息，表示雪天场景下的增强特征信息； 将多种场景下的增强特征信息进行融合处理，生成融合增强特征信息，具体的计算公式如下： （14） 式（14）中：表示自适应融合模块，表示融合增强特征信息； 将融合增强特征信息输入至特征提取网络中进行特征提取，提取出多个不同尺度的特征图，具体的计算公式如下： （15） 式（15）中：表示特征提取网络，、和分别表示多个不同尺度的特征图，其中，的尺度与原始图像数据的尺度相同，的尺度为原始图像数据尺度的二分之一，的尺度为原始图像数据尺度的四分之一； 将多个不同尺度的特征图输入至多尺度特征融合网络进行特征增强，生成多个尺度融合特征图，具体的计算公式如下： （16） 式（16）中：表示多尺度特征融合网络，、和分别表示采用多尺度特征融合网络对、和进行融合处理后对应生成的尺度融合特征图； 将多个尺度融合特征图输入至检测网络中进行检测处理，生成对应的检测结果，具体的计算公式如下： （17） 式（17）中：表示检测网络，、和分别表示采用检测网络对、和进行检测处理后对应生成的检测结果，其中，检测结果包括待检测物体在图像数据中的左上角坐标数据、待检测物体的宽度数据、待检测物体的高度数据和待检测物体的类别信息，基于左上角坐标数据、宽度数据和高度数据，得到对应待检测物体的预测矩形检测框； 采用目标检测回归损失函数和二元交叉熵损失函数优化原油泄露检测模型，直至原油泄露检测模型收敛，得到训练后的原油泄露检测模型，具体的计算公式如下： （18） （19） （20） （21） （22） （23） 式（18）-（23）中：表示采用检测网络预测出的待检测物体的预测矩形检测框，表示待检测物体的真实矩形检测框，表示采用预测矩形检测框和真实矩形检测框的交集除以二者的并集进行计算，得到预测矩形检测框和真实矩形检测框之间重合程度的计算结果，c表示预测矩形检测框和真实矩形检测框的最小外接矩形对角线长度数据，v表示长宽比的相似性度量结果，表示真实矩形检测框的宽度数据，表示真实矩形检测框的高度数据，w表示预测矩形检测框的宽度数据，h表示预测矩形检测框的高度数据，表示测矩形检测框和真实矩形检测框之间中心点距离的计算结果，表示权重系数，表示待检测物体的预测类别值，表示待检测物体的真实类别值，n表示样本数量，表示Sigmoid函数，表示总损失函数，表示CIoULoss目标检测回归损失函数，和均表示BCELoss二元交叉熵损失函数，其中，用于评估原油泄露检测模型预测目标存在的准确性，用于评估原油泄露检测模型预测目标类别分类的准确性，、和分别表示、和对应的权重系数，为boundingbox回归任务的损失函数，为二元交叉熵损失函数。

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北京网藤科技有限公司，其通讯地址为：101108 北京市通州区西集镇网安园创新中心1号-3；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”。