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基于改进YOLOv8的轻量式光伏电池板缺陷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：CN119693712B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411858852.4，技术领域涉及：G06V10/764；该发明授权基于改进YOLOv8的轻量式光伏电池板缺陷检测方法是由陈俊生;陈沂蒙;刘明杰;朴昌浩;高思航;黄永琪设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本基于改进YOLOv8的轻量式光伏电池板缺陷检测方法在说明书摘要公布了：本发明属于计算机视觉领域，涉及一种基于改进YOLOv8的轻量式光伏电池板缺陷检测方法，包括：获取待检测的光伏电池板缺陷图像，将图像输入到FasterNet主干网络进行多尺度特征提取；将多尺度特征输入到特征融合模块中进行融合，得到融合特征图；将融合特征图输入到目标检测模块中，得到检测结果；所述输出模块用于对检测结果进行输出；本发明通过改进YOLOv8的主干网络和特征融合模块，在计算复杂度、检测精度和实时性等方面相较现有技术具有显著优势，尤其在处理多尺度缺陷、提高精度和增强鲁棒性方面表现突出，能够有效解决现有技术中的计算复杂度高、精度不足以及多尺度缺陷处理能力差的问题。

本发明授权基于改进YOLOv8的轻量式光伏电池板缺陷检测方法在权利要求书中公布了：1.一种基于改进YOLOv8的轻量式光伏电池板缺陷检测方法，其特征在于，包括：获取待检测的光伏电池板缺陷图像，对图像进行预处理；将预处理后的图像输入到轻量式光伏电池板缺陷检测模型中，得到缺陷检测结果；轻量式光伏电池板缺陷检测模型为改进YOLOv8网络，改进YOLOv8网络包括FasterNet主干网络、特征融合模块、目标检测模块以及输出模块； 对轻量式光伏电池板缺陷检测模型进行训练包括：获取原始图像数据集，对数据集中的图像进行预处理，将预处理后的图像作为训练集；将训练集中的数据输入到FasterNet主干网络进行多尺度特征提取；将多尺度特征输入到特征融合模块中进行融合，得到融合特征图；将融合特征图输入到目标检测模块中，得到检测结果；所述输出模块用于对检测结果进行输出；根据检测结果计算模型的损失函数，调整模型的参数，当损失函数收敛时，完成模型的训练； 特征融合模块对多尺度特征进行融合处理包括： 步骤1、将多尺度特征图输入到一个分组卷积层GConv1x1中，得到特征图1； 步骤2、将特征图1输入到深度可分离卷积层中进行空间级别的卷积操作，得到特征图2； 步骤3、对特征图2进行Channel_Shuffle操作，得到特征图3； 步骤4、将特征图3与输入的多尺度特征图进行残差连接，得到特征图4； 步骤5、对特征图4进行分组卷积，得到具体更深层次空间信息和通道信息的特征图5； 步骤6、对特征图5进行多尺度池化，将多尺度池化后的特征图与输入的特征图进行通道维度上的拼接，得到多尺度特征图1；多尺度池化包含三个尺度的池化操，其中池化核层尺寸分别为k=5、k=9和k=13； 步骤7、将特征图5通过一个GConv1x1和一个GConv3x3组合提取特征，得到特征图6，将特征图6与多尺度特征图1进行拼接； 步骤8、在拼接后的特征图上引入SimAM注意力机制，得到特征图7； 步骤9、对特征图7进行分组卷积处理，得到融合特征图； 目标检测模块由三个并行的检测分支组成，每个检测分支分为分类子分支和回归子分支；三个检测分支用于处理不同尺度对应的特征；分类子分支由一个ConvModule卷积模块和一个Conv2d卷积层组成；回归子分支的结构与分类子分支的结构相同； 目标检测模块对融合特征图进行处理包括：接收特征融合模块输出的三个不同尺度特征图；将各个尺度特征图输入到对应的三个检测分支中的两个子分支中；每个子分支通过各自的ConvModule进行特征提取，并使用Conv2d进行特征变换，得到边界框预测结果和类别预测结果；计算分类子分支的损失函数和回归子分支的损失函数；整合三个主检测分支的边界框预测和类别预测结果；使用非极大值抑制算法去除重叠检测框；根据置信度阈值筛选，得到最终的检测结果。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路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。