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！

龙图腾网获悉上海海洋大学申请的专利一种基于YOLOv5s的街景排水口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：CN117036946B 。

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：202311003520.3，技术领域涉及：G06V20/10；该发明授权一种基于YOLOv5s的街景排水口检测方法是由王静;方志强;李倩倩;汤志伟;周翔龙;洪中华;徐利军设计研发完成，并于2023-08-10向国家知识产权局提交的专利申请。

本一种基于YOLOv5s的街景排水口检测方法在说明书摘要公布了：本发明公开了一种基于YOLOv5s的街景排水口目标检测方法，将实景中的正常和受遮挡类型的排水口目标制作为数据集，并划分为训练集与验证集，在模型特征提取网络中加入SKattention结构，以提高模型对小目标的检测准确度；SKattention结构输出的特征图通过SPPCSPC金字塔网络，在保证特征映射尺寸大小不变的同时获取到多尺度的目标信息，提升模型对多种尺度目标的检测能力；最后网络中的SIoUloss，将真实框与预测框之间的向量角度纳入惩罚项，加快预测框中心点回归到与真实框中心点同一水平线的过程，缩短训练时间。经过预训练后的模型对正常和受异物遮挡类型的排水口都有着很高的检测精度和很快的推理速度，并且模型易于移植到嵌入式设备中。

本发明授权一种基于YOLOv5s的街景排水口检测方法在权利要求书中公布了：1.一种基于YOLOv5s的街景排水口检测方法，其特征在于，包括如下步骤： 步骤一、使用相机对于街景排水口进行拍摄，获取实景拍摄的排水口图像，并将排水口类型分为正常排水口与受异物遮挡排水口； 步骤二、对拍摄图片进行预处理与标注，并将数据集划分为训练集与验证集； 步骤三、搭建YOLOv5s模型，将640×640大小的训练图像输入至模型中进行训练，在经过SKattention结构输出的特征图弱化了无关目标的特征表达，提升排水口的空间几何表征能力，使得featuremap更聚焦排水口特征； 步骤四、将经过SKattention结构输出的特征图被送入SPPCSPC结构，特征图在进行输入时，并行经过kernelsize为5×5,9×9,13×13的最大池化和一个跳跃链接来获得不同感受野的特征图，最后将上述特征图进行Concat操作来融合多尺度特征，增加YOLOv5s模型对多尺度排水口特征的敏感性； 步骤五、在进行损失计算时，使用SIoUloss会计算出回归框与真实框之间位置误差； 步骤六、将YOLOv5s模型经过多个Epoch训练，使得损失曲线逐渐趋于平稳，在损失曲线趋于某一稳定值时停止训练，得到训练好最优的权重及训练日志文件； 所述步骤三中根据深度学习主机显卡型号安装CUDA11.3版本，使用Python3.8版本进行编译，安装Pytorch1.12.1版本；将batch_size设置为32，Epoch设置为180，开启Mosaic-4数据增强，使用YOLOv5s.pt作为预训练权重进行训练，使用YOLOv5s默认超参数进行训练； 将640×640大小的训练图像输入至模型中进行训练；在经过多次卷积提取特征得到的featuremap使用内核为3×3和5×5的卷积进行转换，得到两种不同的特征图与，以元素求和的方式融合上述两个分支得到U，使用全连接层将其转化为紧凑的特征Z，由压缩特征Z来引导跨通道的软注意来自适应地选择不同的信息空间尺度，即把softmax操作符应用在通道级数字上得到通道重要程度的分数信息，将两个不同的通道重要程度的分数信息作用于特征图与，最后将上述步骤得到的两个特征图通过元素相加得到输出的特征图； 所述步骤四中SPPCSPC结构中的两种类型的卷积，卷积核1×1、步长为1的卷积是为了改变特征图的通道，而卷积核3×3、步长为1的卷积是为了提取特征；特征图在进入SPPCSPC结构时，分为两个分支，第一个分支在经过两个改变通道的卷积和一个特征提取的卷积后被送入SPP结构进行多尺度的特征融合操作，将融合了多种感受野的特征图改变通道和进一步提取特征后与另一个经过特征提取的特征图进行Concat操作后送入后续的网络中；在SPPCSPC结构中，出现的第二个分支以跳跃连接的方式，与经过SPP结构的特征图进行了通道融合，以增加YOLOv5s模型对小尺度排水口的检测能力。

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上海海洋大学，其通讯地址为：201306 上海市浦东新区沪城环路999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。