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！

龙图腾网获悉西安工程大学申请的专利基于改进yolox算法的复杂环境下输电线路鸟巢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：CN115861853B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202211462156.2，技术领域涉及：G06V20/17；该发明授权基于改进yolox算法的复杂环境下输电线路鸟巢检测方法是由纪超;陈国燕;黄新波;王东旭;王博雅;王亮;侯威;宋智伟设计研发完成，并于2022-11-22向国家知识产权局提交的专利申请。

本基于改进yolox算法的复杂环境下输电线路鸟巢检测方法在说明书摘要公布了：本发明公开了一种基于改进yolox算法的复杂环境下输电线路鸟巢检测方法，具体按照以下步骤实施：步骤1、采集鸟巢图像数据，标注并划分数据集为训练集、验证集和测试集；步骤2、建立改进yolox算法网络模型，采用深度通道注意力模块和损失函数对yolox目标检测算法进行改进；步骤3、将训练集中图像输入改进yolox算法网络模型进行训练，通过训练得到优化的yolox算法网络模型；步骤4、将测试集中图像输入优化的yolox模型进行检测，获得鸟巢检测结果图。本发明解决了现有技术中存在的复杂环境下鸟巢检测精度低的问题。

本发明授权基于改进yolox算法的复杂环境下输电线路鸟巢检测方法在权利要求书中公布了：1.基于改进yolox算法的复杂环境下输电线路鸟巢检测方法，其特征在于，具体按照以下步骤实施： 步骤1、采集鸟巢图像数据，标注并划分数据集为训练集、验证集和测试集； 步骤2、建立改进yolox算法网络模型，采用深度通道注意力模块和损失函数对yolox目标检测算法进行改进； 所述步骤2具体按照以下步骤实施： 步骤2.1、改进yolox算法网络模型保持原yolox网络的Focus层、SPP层、CBS层、Neck层和prediction层的组合网络不变；主干网络Backbone中CSP1_X层添加深度通道注意力模块； 步骤2.2、深度通道注意力模块结构如下： 对于输入的特征图XX1in、X2in、X3in，X∈RCxWxH，C为通道数，W和H为特征图的高和宽； 首先，利用最大池化和平均池化从两个角度提取第一分支输入特征图X1in的特征： Xmax1＝fmaxpoolX1in1 Xavg1＝favgpoolX1in2 其中，X1in表示第一分支输入特征图，fmaxpool表示进行最大池化，favgpool表示进行平均池化，Xmax1表示最大池化的结果并且Xmax1∈RC×H2×W2，Xavg1表示平均的结果并且Xavg1∈RC ×H2×W2；采用最大池提取输入特征图的重要信息，采用平均池提取输入特征图全局信息，将最大池化与平均池化的结果进行堆叠，通过Sigmoid函数输出： Ac＝σ[ZconcatXmax1+Xavgl]3 其中，σ表示Sigmoid函数，Zconcat表示将最大池化与平均池化的结果进行堆叠，Ac表示经过Sigmoid函数的输出结果并且Ac∈RC×1×1，Ac中的每个元素都表示其对应通道的重要性级别； 其次，将输入特征图X1in分为两个路径，一个路径与Sigmoid函数输出进行融合；另一个路径先进行3x3的卷积后，通过深度可分离卷积之后经过Relu函数输出： Xl-1＝Ac*Xlin Xl-2＝fconv3Xlin Xl-3＝Relu[fconv3×3Xl-2+fconv1×1Xl-2]4 其中X1-1表示输入特征图X1in与Sigmoid函数输出Ac融合的结果，fconv3表示进行3x3的卷积运算，X1-2表示3x3的卷积运算的结果，fconv3x3表示逐通道卷积，fconv1x1表示逐点卷积，逐通道卷积fconv3x3和逐点卷积fconv1x1合称为深度可分离卷积，Relu表示进行Relu激活运算，X1-3表示进行Relu激活运算的结果； 最后，将X1-1与X1-3进行堆叠输出： X1-out＝Xl-1+Xl-35 其中，X1-out表示X1-1和X1-3进行堆叠的结果，以上提取特征过程即为深度提取， 深度通道注意力模块的第二分支输入特征图X2in的宽和高进行2倍上采样和第三分支输入特征图X3in的宽和高进行4倍上采样之后都输入到深度提取中提取特征；第二分支输入特征图X2in在深度提取特征后经过最大池化输出得到X2-out和第三分支输入特征图X3in在深度提取特征后经过平均池化输出得到X3-out： X2-out＝fmaxpool[FDMUP2X2in]6 X3-out＝favgpool[FDMUP4X3in]7 其中X2in表示第二分支输入特征图，X3in表示第三分支输入特征图，UP2表示对第二分支输入特征图X2in的宽和高进行2倍上采样，UP4表示对第三分支输入特征图X3in的宽和高进行4倍上采样，FDM表示把上采样后的特征图输入到深度提取中提取特征，X2-out表示经过最大池化后的第二分支输出结果，X3-out表示经过平均池化后的第三分支输出结果； 深度通道注意力模块的最后部分是将输入特征图X的三个分支输出结果X1-out、X2-out、X3-out进行堆叠，再与输入特征图X进行加权融合得到目标的权重，输出新特征图： X'＝X×X1-out+X2-out+X3-out8 其中X’表示三个分支输出结果X1-out、X2-out、X3-out进行加权融合后的新特征图； 步骤2.3、在Resunit层的两个CBS结构之间加入深度通道注意力模块，将改进后的Resunit层命名为Resunit*层，同时将Resunit*层引进CSP1_X层中进行提取目标，将改进后的CSP1_X层命名为CSP1_X*层，将CSP1_X*层引入yolox算法中得到改进yolox算法网络模型， 步骤2.4、在预测层选择现阶段表现最好的EIoU损失函数替换原IoU损失函数，EIOU损失函数计算公式如下: 其中，IoU表示真实框A与预测框B的交集与并集之比，b和bgt分别为预测框和真实框的中心点，c为能够同时包含预测框和真实框的最小闭合区域的对角线距离；p为两个中心点之间的欧式距离，α为权重因子，v为纵横比的相似度，wgt表示真实框的宽度，hgt表示真实框的高度，w表示预测帧的宽度，h表示预测帧的高度，LossCIoU表示CIoU函数的损失，LossEIoU表示EIoU函数的损失；LossEIoU损失函数包含三个部分：重叠损失1-IoU，中心距离损失宽高损失前两部分延续CIOU中的方法，但是LossEIoU损失函数的宽高损失直接使目标框与预测框的宽度和高度之差最小，使得收敛速度更快； 在EIOU的基础上结合损失函数FocalLoss提出一种FocalEIOULoss，从梯度的角度出发，把高质量的锚框和低质量的锚框分开，公式如下： LFocal-EIoU＝IoUγLossEIoU15 其中，γ为控制异常值抑制程度的参数，IoU表示真实框A与预测框B的交集与并集之比，LFocal-EIoU表示提出的FocalEIOULoss，得到改进yolox算法网络模型； 步骤3、将训练集中图像输入改进yolox算法网络模型进行训练，通过训练得到优化的yolox算法网络模型； 步骤4、将测试集中图像输入优化的yolox模型进行检测，获得鸟巢检测结果图。

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西安工程大学，其通讯地址为：710048 陕西省西安市碑林区金花南路19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”。