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！

龙图腾网获悉东南大学申请的专利一种基于改进YOLOv5的通信信号检测与识别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：CN119051798B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202410512596.7，技术领域涉及：H04L1/00；该发明授权一种基于改进YOLOv5的通信信号检测与识别方法是由张念祖;陈程;田玲;洪伟;黄刚;高懿婷设计研发完成，并于2024-04-26向国家知识产权局提交的专利申请。

本一种基于改进YOLOv5的通信信号检测与识别方法在说明书摘要公布了：本发明公开了一种基于改进YOLOv5的通信信号检测与识别方法，该方法使用了轻量化改进的YOLOv5，即在主干网络中使用轻量化结构改进降低计算量，并通过联合针对性尺度特征融合模块和特征注意模块增强识别能力。通过信号时频图可以实现通信信号存在性、带宽、载频、时长以及调制方式等特征的实时识别提取。该方法提出了一种信号检测识别方案，可以实现信号采集、处理、训练、实时检测识别等一系列功能，且整体便于迁移部署。本发明在通信信号多参数的实时检测识别上具有较高的识别性能，且在各种终端设备的应用部署难度低。

本发明授权一种基于改进YOLOv5的通信信号检测与识别方法在权利要求书中公布了：1.一种基于改进YOLOv5的通信信号检测与识别方法，其特征在于，该方法包括如下步骤： 步骤1、获取通信信号时频图数据集：通过信号仿真得到通信信号仿真数据，再将信号仿真数据转换成信号时频图，得到通信信号时频图目标仿真数据集以及通过仪器、接收设备实测得到的通信信号时频图数据集，对通信信号时频图进行预处理，根据通信信号的时长、带宽、载频、存在性、调制方式的参数进行标注并划分为训练数据集和测试数据集； 步骤2、建立改进YOLOv5的模型，即在YOLOv5的主干网络中使用轻量化结构，并联合针对性尺度特征融合模块和特征注意模块对YOLOv5模型进行改进，针对性尺度特征融合模块基于双向特征金字塔BiFPN进行改进，特征注意模块基于简单无参数注意力模块SimAM注意力机制构成； 所述在YOLOv5的主干网络中使用轻量化结构，该轻量化结构对YOLOv5中的标准Conv单元、CBL单元、Resunit单元、CSP单元作出了轻量化改进，具体包括： 将标准Conv单元进行了流程拆分，形成轻量化Conv单元；首先对标准Conv单元的输入进行平均拆分，拆分为两部分，一部分会按照标准的卷积过程进行卷积，卷积核尺寸不变，但输出通道数减半，得到一半的正常输出特征图；另一部分首先会通过卷积核尺寸1×1的标准卷积，再将卷积输出进行分组卷积，卷积核尺寸不变，输出通道数减半，分组数为输入通道数的14，得到另一半的输出特征图；两部分的输出特征图由拼接层拼接后进行通道重排形成完整的输出特征图； 将CBL单元中的标准Conv单元用轻量化Conv单元替代，同时将标准Conv单元后叠加的BN层与ReLU层置于输出特征图拼接前，由两部分卷积过程输出各自执行，形成轻量化CBL单元； 将CBL单元中的标准Conv单元的卷积过程用分组卷积过程替代，形成分组CBL单元； 将Resunit单元中的CBL单元用轻量化CBL单元和分组CBL单元替代，形成轻量化Resunit单元：首先将Resunit单元的两路过程改为输入平均拆分，拆分为两部分；其中一部分将在Resunit单元中的卷积核尺寸为1×1、3×3的CBL单元替换为卷积核为1×1的改进的CBL单元与卷积核为3×3的分组CBL单元，提取特征；另一部分采用了单独的1×1的CBL单元,负责输出特征尺寸维度的变化，不负责特征提取；最终将Resunit单元中的相加层用拼接层替代，完成拆分部分各输出特征图的组合，并使用通道重排输出完整特征图； 将CSP单元中的CBL单元、Resunit单元由轻量化CBL单元、轻量化Resunit单元替代，并进行结构精简形成了轻量化CSP单元：首先将CSP单元中存在的一路卷积核为1×1的CBL单元和一路卷积核为1×1的标准Conv层合并为一路卷积核为1×1的轻量化CBL单元，后续两路操作共用该轻量化CBL单元的输出；同时将CSP单元输出端的由卷积层、拼接层、BN层、ReLU层组成的卷积单元结构删除，只保留拼接层组合输出特征，并由通道重排完成后续处理； 步骤3、将训练数据集输入改进YOLOv5的模型中进行训练，得到训练好的改进YOLOv5模型； 步骤4、将测试数据集输入到训练好的改进YOLOv5模型，得到检测识别结果。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路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。