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！

龙图腾网获悉安徽大学申请的专利一种基于YOLOv8的大田麦穗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：CN117173571B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202311147718.9，技术领域涉及：G06V20/10；该发明授权一种基于YOLOv8的大田麦穗检测方法是由赵晋陵;班旭阳;黄林生;阮超;雷雨;黄文江设计研发完成，并于2023-09-07向国家知识产权局提交的专利申请。

本一种基于YOLOv8的大田麦穗检测方法在说明书摘要公布了：本发明涉及一种基于YOLOv8的大田麦穗检测方法，包括：获取麦穗数据集；对YOLOv8网络模型进行改进，得到改进后的YOLOv8网络模型；将训练集输入改进后的YOLOv8网络模型中进行训练，得到训练后的YOLOv8网络模型；对训练后的YOLOv8网络模型进行评价；将待检测的麦穗图片输入训练后的YOLOv8网络模型，训练后的YOLOv8网络模型输出最终检测结果。本发明通过在YOLOv8网络模型中引入AFPN，首先通过结合两个不同分辨率的低级特征来启动融合过程，然后将高级特征纳入融合过程，最终融合主干的顶级特征，可以避免非相邻层次之间存在较大的语义差距；引入深度可分离卷积模块，则可以降低模型参数量、模型大小，加快检测速度。

本发明授权一种基于YOLOv8的大田麦穗检测方法在权利要求书中公布了：1.一种基于YOLOv8的大田麦穗检测方法，其特征在于：该方法包括下列顺序的步骤： 1获取麦穗数据集：对小麦进行拍照，将拍摄的图片裁剪成统一大小并标注，得到麦穗数据集，将麦穗数据集划分为训练集、验证集和测试集； 2对YOLOv8网络模型进行改进，得到改进后的YOLOv8网络模型； 3将训练集输入改进后的YOLOv8网络模型中进行训练，得到训练后的YOLOv8网络模型； 4对训练后的YOLOv8网络模型进行评价； 5将待检测的麦穗图片输入训练后的YOLOv8网络模型，训练后的YOLOv8网络模型输出最终检测结果； 所述步骤2具体包括以下步骤： 2a将YOLOv8网络模型中的特征融合模块替换为渐进特征金字塔网络AFPN，在YOLOv8网络模型的主干网络自底向上的特征提取过程中，首先通过结合两个不同分辨率的低级特征来启动融合过程，然后将高级特征纳入融合过程，最终融合主干网络的顶级特征，在此过程中，低级特征与高级特征的语义信息融合，高级特征与低级特征的细节信息融合；即特征融合之前从主干网络的每个特征层中提取最后一层特征，得到一组不同尺度的特征，表示为{C3,C4,C5}，其中C3为低级特征，C4为高级特征，C5为顶级特征，为进行特征融合，首先将低级特征C3输入到渐进特征金字塔网络AFPN中，然后加入高级特征C4，最后加入顶级特征C5；经过特征融合步骤，得到一组多尺度特征{P3,P4,P5}；设表示从n层到l层i,j处的特征向量，通过多层次特征自适应空间融合得到的特征向量，记为由特征向量和的线性组合定义为: 2b将YOLOv8网络模型中的标准卷积模块替换为深度可分离卷积模块，所述深度可分离卷积模块包括深度卷积模块和逐点卷积模块，所述深度卷积模块的一个卷积核负责一个输入通道，卷积核数与输入的通道数、输出的通道数相同；为有效地利用不同通道在相同空间位置上的特征信息，产生新的特征图，使用逐点卷积模块的输入为深度卷积模块的输出，且卷积大小为1×1；设标准卷积模块和深度卷积模块的卷积核大小为DK×DK，DF为正方形输入特征图的空间高度和宽度，M是正方形输入特征图的输入通道数，N为正方形输入特征图的输出通道数，标准卷积模块的参数量为： DK·DK·M·N·DF·DF 深度可分离卷积先经过深度卷积，深度卷积的参数量为DK·DK·M·DF·DF，然后经过逐点卷积，逐点卷积的参数量为M·N·DF·DF，深度可分离卷积的参数量为DK·DK·M·DF·DF+M·N·DF·DF，则深度可分离卷积和标准卷积的参数量进行比较： 可见，深度可分离卷积具有显著减少计算和模型大小的效果。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。