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！

龙图腾网获悉西安建筑科技大学申请的专利一种多路径聚合的建筑垃圾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：CN115588128B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202211336983.7，技术领域涉及：G06V10/764；该发明授权一种多路径聚合的建筑垃圾检测方法是由宋琳;赵慧轩设计研发完成，并于2022-10-28向国家知识产权局提交的专利申请。

本一种多路径聚合的建筑垃圾检测方法在说明书摘要公布了：本发明公开了一种多路径聚合的建筑垃圾检测方法，包括以下步骤；步骤一：通过视觉传感器采集建筑垃圾样本图像并预处理，制作标签；步骤二：构建颜色多尺度融合特征,用于融合建筑垃圾图像的浅层细节信息和高级语义信息；步骤三：基于数字图像的局部二值模式，提取数字图像的深层纹理特征，用于挖掘建筑垃圾图像的深层纹理信息；步骤四、通过RPN网络确定区域建议框的类别和位置信息，并提取目标的特征信息送入R‑CNN子网络；步骤五、设计多支路神经网络融合策略，输出该目标最终的类别置信度；步骤六：设计多任务加权损失函数，实现模型端到端训练；步骤七：实现各类别建筑垃圾的精准检测。

本发明授权一种多路径聚合的建筑垃圾检测方法在权利要求书中公布了：1.一种多路径聚合的建筑垃圾检测方法，其特征在于，包括以下步骤； 步骤一：通过视觉传感器采集混凝土、红砖、泡沫、硬塑料和木块五种建筑垃圾样本图像并预处理，制作标签； 步骤二：基于FasterRCNN网络，提出多尺度特征融合网络，构建颜色多尺度融合特征，用于融合建筑垃圾图像的浅层细节信息和高级语义信息，并记为颜色多尺度融合特征分支，用于获取步骤四中的候选区域提取层，并为步骤五中多支路神经网络融合策略提供特征； 步骤三：基于数字图像的局部二值模式，提取数字图像的深层纹理特征，挖掘建筑垃圾图像的深层纹理信息，并作为深层纹理特征分支为步骤五中多支路神经网络融合策略提供特征； 步骤四、根据步骤二中颜色多尺度融合特征，通过RPN网络确定区域建议框的类别和位置信息，并提取目标的特征信息送入R-CNN子网络； 步骤五、根据步骤四中R-CNN子网络输出的目标类别置信度，结合步骤二中的颜色多尺度融合特征和步骤三中的深层纹理特征，设计多支路神经网络融合策略，输出该目标最终的类别置信度； 步骤六：设计多任务加权损失函数，实现模型端到端训练； 步骤七：通过训练模型，提高建筑垃圾的分拣精度，实现各类别建筑垃圾的精准检测； 所述步骤四中，根据步骤二中颜色多尺度融合特征，通过RPN网络确定区域建议框的类别和位置信息，提取目标的深层颜色和纹理信息并送入R-CNN网络的方法为： 步骤4.1，将颜色多尺度融合特征分支获取的特征图作为候选区域提取层，建立RPN网络确定区域建议框的类别和位置信息； 步骤4.2，根据区域建议框的类别和位置信息，将建议框映射至颜色多尺度融合特征分支和深层纹理特征分支，以获取目标的颜色特征和深层纹理特征； 步骤4.3，利用步骤4.2中目标的颜色特征，通过全连接层，获取目标的类别置信度和精确的位置信息，根据步骤4.2中目标的深层纹理特征，通过全连接层，再次获取目标的类别置信度； 所述步骤五中，根据步骤四中R-CNN网络输出的目标类别置信度，多支路神经网络融合策略的方法为： 步骤5.1，根据各路卷积神经网络目标检测精度设置折扣融合权重，具体如公式所示； 式中，M表示事件集合{红砖，混凝土，木块，硬塑料，泡沫，θ}中的某一事件；{θ}表示事件：红砖、混凝土、木块、硬塑料、泡沫的组合，即表示网络的不精确程度；和分别表示颜色和纹理卷积神经网络分支建筑垃圾检测精度；和分别表示颜色和纹理卷积神经网络分支判断边框属于M类的概率； 步骤5.2，根据颜色和纹理分支折扣后的类别置信度，设计多支路神经网络融合策略，确定DFM-Net的最终类别置信度，获取目标的类别，如公式所示； 式中，M和N表示事件集合{红砖，混凝土，木块，硬塑料，泡沫，θ}中的某一事件；{θ}表示事件：红砖、混凝土、木块、硬塑料、泡沫的组合，即表示网络的不精确程度；表示颜色多尺度融合特征分支判断边框属于M类的概率；PLN表示深层纹理特征分支判断边框属于N类的概率；PA表示DFM-Net模型判断边框属于A类的概率。

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西安建筑科技大学，其通讯地址为：710055 陕西省西安市雁塔路13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。