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！

龙图腾网获悉南京林业大学申请的专利一种基于深度学习的松材线虫病变色疫木的快速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：CN117115682B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310852749.8，技术领域涉及：G06V20/17；该发明授权一种基于深度学习的松材线虫病变色疫木的快速检测方法是由潘洁;叶信泉;刘高升设计研发完成，并于2023-07-12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松材线虫病变色疫木的快速检测方法在说明书摘要公布了：本发明公开一种基于深度学习的松材线虫病变色疫木的快速检测方法，属于松材线虫病变色疫木检测的技术领域。首先通过无人机获取松材线虫病变色疫木影像数据，对获取的影像数据进行清洗后建立松材线虫病疫木数据集并对变色疫木标注；基于YOLOv5s进行模型的改进，使用改进后的模型PWD‑YOLO进行模型的训练；将训练好的模型部署到无人机等嵌入式设备上，对林区内松材线虫病疫木进行实时地检测。本发明通过对原始YOLOv5s进行改进，提高了模型在拥有复杂背景的混交林检测精度的同时，极大地压缩了模型的体积、参数量和计算量，也提高了模型的检测度，实现部署到消费级无人机对复杂背景下的林分进行实时且高效的检测。

本发明授权一种基于深度学习的松材线虫病变色疫木的快速检测方法在权利要求书中公布了：1.一种基于深度学习的松材线虫病变色疫木的快速检测方法，其特征在于：包括以下步骤： 步骤1：通过无人机获取松材线虫病变色疫木影像数据，对获取的影像数据进行清洗后建立松材线虫病疫木数据集并对变色疫木标注； 步骤2：基于YOLOv5s进行模型的改进，改进后的模型PWD-YOLO使用使用RepVGG作为Backbone进行特征提取； 将RepVGG模块引入Backbone，将Backbone内包括标准卷积Conv、C3模块、SPPF在内的十层网络重构为仅包含单一RepVGG模块的七层网络； RepVGG模块在Backbone中通过结构重参数的方式对目标的特征信息进行提取，将信息流建模为y＝x+gx+fx；具体为：在训练阶段，网络架构由两种方式的残差结构组成：第一种残差结构为1×1的卷积残差分支；第二种残差结构包含1×1的卷积残差分支的同时，也包含Identity残差分支；运行最初，模型使用的是简单的残差结构，而后，随着模型网络的加深，残差结构也变得愈加复杂，目的是在深层网络中获得鲁棒特征的同时，兼顾网络深层的梯度消失问题；在推理阶段，则通过重参数化技术，将训练好的模块转换成单个3×3卷积再进行推理操作； 采用C2fCA模块，替代原始C3结构，使模型轻量化的同时，使更多有效的特征信息得到关注； C2f模块中的瓶颈网络不仅使用类似于C3的串行叠加，还增加了瓶颈网络的井行级联操作，是一种具有丰富梯度流信息的模块，针对不同尺度的变色疫木，该模块的网络对应地调整通道数，能够获取更多变色疫木的颜色、纹理特征信息；此外网络中增加跳跃连接和Split操作，使得模型更加轻量化；CoordinateAttention机制具有捕捉两个频道特征的能力，考虑通道信息的同时，还兼顾方位信息，形成一组对方向和位置敏感的特征图，互补地增强有效特征信息，帮助模型网络快速地聚焦变色疫木的纹理特征；CA机制在网络中还应用残差的设计，避免梯度消失的问题，使网络更为高效； 采用GSConv网络，替换标准卷积，简化模型网络； GSConv通过将标准卷积、深度可分离卷积和Shuffle三者相组合的方式，对通道信息进行打乱，Shuffle为一种信道混合方法，使标准卷积生成的信息能够通过在每个通道上传输其特征信息完全混合进深度可分离卷积输出中，在GSConv中，首先通过输入通道号为C1的特征图对通道一半进行深度可分离卷积操作，并对剩下的另一半通道进行标准卷积操作后，将两者相连接并进行特征拼接；然后标准卷积生成的信息通过shuffle渗透到深度可分离卷积生成的信息的每个部分，输出特征图通道数C2； 使用BiFPN汇集不同尺度特征信息、增加同一尺度的跳跃连接，保留贡献度高的节点，去除特征贡献度低的节点； 最后，通过上采样的方式进行特征的融合，得到三个通道尺度的特征图进行后续的预测； 步骤3：使用PWD-YOLO进行模型的训练； 步骤4：将训练好的模型部署到无人机嵌入式设备上，对林区内松材线虫病疫木进行实时地检测。

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南京林业大学，其通讯地址为：210037 江苏省南京市玄武区龙蟠路159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。