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！

龙图腾网获悉重庆邮电大学申请的专利一种基于改进YOLOX的无人机地面小目标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：CN116189012B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202211467687.0，技术领域涉及：G06V20/17；该发明授权一种基于改进YOLOX的无人机地面小目标检测方法是由陈前斌;潘翔;唐伦设计研发完成，并于2022-11-22向国家知识产权局提交的专利申请。

本一种基于改进YOLOX的无人机地面小目标检测方法在说明书摘要公布了：本发明涉及一种基于改进YOLOX的无人机地面小目标检测方法，属于无人机技术领域。在YOLOX神经网络的Neck层添加了通道注意力机制DW‑CBAM，加强网络对小目标的特征提取能力，抑制非重要特征，在head层增加了一层检测小目标的检测头并对其进行轻量化。在正负样本的选择上，提出带位置引导的标签分配策略LB‑SimOTA，使网络更加关注定位精度较差的边界框。最终形成了改进的YOLOX无人机小目标检测模型。应用无人机小目标检测模型，获得对车和人在图像中对应的标签。本发明提出的注意力机制模块和正负样本选择策略，用在YOLOX检测方法中，在无人机场景下检测精度提升明显。

本发明授权一种基于改进YOLOX的无人机地面小目标检测方法在权利要求书中公布了：1.一种基于改进YOLOX的无人机地面小目标检测方法，其特征在于：该方法包括以下步骤： S1：图像的获取：用户利用无人机对目标对象进行图像采集，并将采集到的图像按照Pascal VOC数据集的格式将图片命名，同时创建名为Annotations、ImageSets、JPEGImages的三个文件夹； S2：图像预处理： S2‑1：图像标记：在S1采集到的图像中，运用图像标注工具LabelImg对图像中的目标进行标记，标注出目标的位置、类别名称； S2‑2：图像扩增：若S1用户拍摄的图片不能达到识别单个类别目标所需3000张图片的要求，则采用缩放、翻转、平移和Mosaic数据增强的方法对图像进行扩增； S2‑3：划分数据集：将扩增得到的图像和标记文件分成训练集、测试集、验证集；其中训练集、测试集、验证集分别占60%、20%和20%； S3：设置模型超参数：根据计算机内存、GPU能力和用户所需的识别效果和训练速度设计卷积神经网络输入图像的尺寸、识别种类的数量、训练次数、学习率，网络的层数； S3‑1：当选择输入网络的图像尺寸为640*640，epoch为200，训练分为两个部分，冻结阶段和解冻阶段，前50个epoch采用冻结训练，将模型的主干进行冻结，特征提取网络将不发生改变，占用的显存小，仅对网络进行微调，batch_size为8，学习率为0.001；后150个epoch采用解冻训练，此时模型的主干不被冻结了，特征提取网络会发生变化，占用的内存较大，网络所有的参数都会发生改变，batch_size为4，学习率为0.0001； S4：对原YOLOX网络结构进行改进，得到改进后的YOLOX网络结构，改进过程如下： S4‑1：在YOLOX的特征融合网络中加入DW‑CBAM通道‑空间注意力机制，其基本思想是将输入特征图经过空间和通道两个维度得到相应的权重向量，得到的权重向量根据其值的大小，将输入特征图分为不同重要性的特征区域，权重越大表示该区域包含更多的正样本，模型会更多的关注该区域来学习其特征，使模型能够做出更加准确的判断；DW‑CBAM首先对特征图通过两层，空洞率依次为1,2的空洞卷积用以提升输入特征图的感受野，并保证输出特征图和输入特征图的高宽一致，得到的特征图在输入特征图上的感受野扩大为7×7的区域，感受野的提升，会使每个特征点的映射区域更大；然后将特征图输入改进的通道注意力模块W‑CAM中，这时经过池化后的两个输出特征向量各个点的全局信息更强，更好的区分各个通道的重要性；其次，将MLP用两个的卷积层代替，用卷积层代替可以大幅减少参数，增加推理速度；经过卷积层后的特征向量在相加前乘以各自的权重系数，用以调整各自的贡献程度，然后在将乘以权重系数后的特征向量相加后的用sigmoid函数激活后和最先输入特征图逐点相乘得到特征图，然后将输入空间注意力模块SAM中，将经过最大池化和平均池化的特征向量进行拼接，再用的卷积进行特征提取，并使通道数整合为1，最后用sigmoid激活得到的空间注意力向量和特征图逐点相乘，得到最终输入特征图；计算公式如下： 其中代表输入特征图，，和分别表示经过两层空洞卷积，通道注意力模块和空间注意力模块得到输出特征图；为改进后的通道特征向量计算函数，为空间特征向量计算函数，分别为W‑CAM中相加时的权重系数，取值分别为0.7和0.3；，为其分别得到的通道特征向量和空间特征向量； S4‑2：使用SIOU进行边界框损失函数，通过引入回归之间的向量角度，使得预测框在训练能快速定位真实框的位置和方向，从而降低回归的自由度，加快网络的训练速度，进一步提升边界框的回归精度； S4‑3：使用LB‑simOTA正样本选择策略中，对不同质量的预测框分配不同的权重；对于训练中的正样本，将其按和相应真实框IOU大小不同分配不同的权重，权重在计算每个预测框的回归框损失时，将那些远离GT的预测框赋予较大的权重，靠近GT的预测框权重相对较小，这使网络更加关注那些回归精度差的预测框，从而训练网络的定位能力，提高预测框回归精度； S4‑4：在原YOLOX网络结构中，增加一层分辨率为160×160的检测分支，通过更好的分辨率，使得特征图保留更多位置信息和细节信息，更有利于对小目标的检测，同减少检测头一层的3×3的卷积层，并调整其通道数用以对检测头进行轻量化处理； S5：训练网络模型：对改进后的YOLOX网络配置文件train.py和Classes.txt进行参数设置，将设置的Classes.txt文件及改进后YOLOX网络结构放入配置好环境的计算机中，运用训练集和验证集中标记好的图片进行训练，训练过程中，将测试集中划分好的图片放入计算机中进行测试，得到每一个阶段训练的效果，训练结束后保存训练好的网络模型权重pt； S6：运用训练完成的网络模型权重进行识别：在计算机上准备好待检测的图像，更改detect.py中配置文件model_path和待检测的图片路径，通过执行detect.py，运行后加载网络模型权重，最终计算机保存识别目标结果的图片； S7：对改进的目标检测方法YOLOX采用平均精度AP、召回率Recall，简称R，精度Precision，简称P，参数量Params、帧率FPS作为模型性能的评价指标；其中为正样本中检测正确的数量，为正样本中检测错误的数量，是未被检测出的正样本数量； 。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。