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！

龙图腾网恭喜沈阳理工大学申请的专利基于卷积神经网络的低空小飞行物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：CN114529805B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202210157359.4，技术领域涉及：G06V20/00；该发明授权基于卷积神经网络的低空小飞行物检测方法是由张德育;刘猛;王君设计研发完成，并于2022-02-21向国家知识产权局提交的专利申请。

本基于卷积神经网络的低空小飞行物检测方法在说明书摘要公布了：本发明提供一种基于卷积神经网络的低空小飞行物检测方法，涉及目标检测技术领域。本发明的方法分别从提高模型获取小目标语义信息的能力以及模型对候选框的准确定位这两个角度进行优化和改进。通过改进特征提取网络的结构，采用跳跃链接的残差结构来提高模型对小目标的敏感程度；在后处理部分，利用soft‑nms去优化冗余锚框，提高模型在待检测物密集出现情况下的准确率；在锚框的生成上，采用ROIAlign，用线性内插算法替换原本的两次取整操作，提高模型对低空小目标检测的位置精度，使卷积神经网络模型能够精确检测低空小飞行物。

本发明授权基于卷积神经网络的低空小飞行物检测方法在权利要求书中公布了：1.一种基于卷积神经网络的低空小飞行物检测方法，其特征在于：该方法包括以下步骤： 步骤1：首先对所有的数据样本图片重新进行尺寸的调整，将图像缩放成固定大小，即800×600，模型将图片数据集送入特征提取网络Resnet50，经过卷积层、池化层的一系列操作运算，输出特征图； 步骤2：将特征图传入区域候选网络，在区域候选网络中利用k-means聚类算法对数据样本集中的真实框的尺寸进行聚类；所述k-means聚类算法的计算中引入IoU值，定义距离d来表示误差，d的计算公式如3所示： d＝1-IoU3 其中，IoUIntersectionoverUnion是衡量两个锚框之间的重合度，计算锚框之间的交并比得到的，在聚类算法中IoU指的是每个聚类中心与其它的框的重合程度； 经过聚类运算，得到9种锚框的[宽,长]尺寸为：{[9.36,9.24]、[14,17.81]、[16.9,27.82]、[21.97,38.39]、[26.61,22.68]、[30.16,54.87]、[34.53,33.73]、[46.17,48.92]、[63.41,83.76]}； 步骤3：对聚类后的锚框尺寸进行线性缩放处理，然后在区域候选网络中进行正负样本的划分和对锚框位置的修正，区域候选网络将正负样本得分和锚框的坐标参数分别通过两个全连接层，第一个全连接层用来生成这些锚框的目标概率，产生正样本的得分和负样本的得分，第二个全连接层用来编码每个锚框的四个坐标值，即计算锚框的偏置量，使得候选框更接近真实框，最终计算出候选区域； 所述对聚类后的锚框尺寸进行线性缩放处理的计算过程如公式4～7所示： x'1＝αx14 x'9＝βx95 其中，xa、ya为第a个锚框的宽和长，x'a、y'a为第a个锚框缩放后的宽和长，a＝1,2,…,9；α、β为常量，分别取0.5和1.5； 步骤4：在计算出候选区域之后，利用soft-nms算法对锚框置信度进行优化，优化锚框的数量，降低重合锚框的权重，将优化后的候选区域传入ROIAlign层； 步骤5：ROIAlign层将不同尺寸的候选区域进行固定，将候选区域映射回原图中，通过全连接层对低空小飞行物进行最后的结果预测； 所述ROIAlign层将不同尺寸的候选区域进行固定时，对每一个候选区域，对应缩放后保留浮点数，然后均匀划分成四个小区域，在每一个小区域内利用线性内插算法进行像素值提取；ROIAlign的反向传播公式如公式9所示： 式中，xi代表池化前特征图上的第i个像素点；yrj代表池化后的第r个候选区域的第j个点，d.为池化前特征图上的像素点；Δh为xi与xi*r，j横坐标的差值；Δw为xi与xi*r，j纵坐标的差值，xi*r，j是一个浮点数的坐标位置，即前向传播时计算出来的采样点； 在反向传播的过程中，ROIAlign不再只针对某一个点的像素值，它是针对某一个范围之内的像素值，利用映射到特征图中的浮点坐标作为圆心，将半径为1的圆内所有特征点全部回传，即每一个与xi*r，j横纵坐标均小于1的点。

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沈阳理工大学，其通讯地址为：110159 辽宁省沈阳市浑南新区南屏中路6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”。