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！

龙图腾网获悉江南大学申请的专利一种基于改进YOLOv8的轻量级酿酒酵母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：CN119919716B 。

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：202411951982.2，技术领域涉及：G06V10/764；该发明授权一种基于改进YOLOv8的轻量级酿酒酵母检测方法是由谢莉;郑健;杨海麟设计研发完成，并于2024-12-27向国家知识产权局提交的专利申请。

本一种基于改进YOLOv8的轻量级酿酒酵母检测方法在说明书摘要公布了：本发明公开一种基于改进YOLOv8的轻量级酿酒酵母检测方法，属于图像处理领域，包括：构建具有增强特征融合特点的EHS‑YOLO模型，选取改进CSPDarkNet53为骨干特征提取网络，并在其后设计改进多尺度金字塔池化层替代快速空间金字塔池化结构；在特征融合网络中设计高效特征筛选金字塔网络代替拼接操作；使用PIoU回归损失函数训练上述模型获得最佳模型检测待测酿酒酵母细胞图像。本发明通过改进多尺度金字塔池化层和高效特征筛选金字塔网络，采用较少模型参数量，实现更优的酿酒酵母细胞的识别准确率，实现轻量化的酿酒酵母细胞检测，大大减轻计算负担，能部署到受限设备以进行高效检测，有利于实现实时发酵过程检测。

本发明授权一种基于改进YOLOv8的轻量级酿酒酵母检测方法在权利要求书中公布了：1.一种基于改进YOLOv8的轻量级酿酒酵母检测方法，其特征在于，包括： 步骤1：准备数据集，将标注后的酿酒酵母细胞图像数据集划分训练集与验证集； 步骤2：构建以YOLOv8为基础的具有增强特征融合特点的EHS-YOLO模型，包括骨干特征提取网络、特征融合网络和检测头，其中，选取改进的CSPDarkNet53作为骨干特征提取网络； 步骤3：在骨干特征提取网络之后设计一个改进多尺度金字塔池化层替代YOLOv8中的快速空间金字塔池化结构以对酿酒酵母细胞图像进行多尺度特征提取； 步骤4：在特征融合网络中，设计高效特征筛选金字塔网络代替原来的颈部结构以结合酿酒酵母细胞图像的低层细节信息与高层语义信息； 步骤5：使用PIoU作为回归损失函数，利用步骤1准备的训练集并基于早停操作对EHS-YOLO模型进行训练；所述PIoU回归损失函数以目标框的边长作为分母，并引入惩罚函数，根据锚框的质量动态调整梯度； 步骤6：将验证集中的酿酒酵母细胞图像输入训练得到的最佳模型进行验证后保存最佳模型； 步骤7：采用最佳模型对待检测的酿酒酵母细胞图像进行检测，获取待检测的酿酒酵母细胞图像的可视化检测结果； 所述步骤3包括： 步骤3-1：对于输入为的特征图，依次经过卷积核大小为11×11的第一最大池化层、卷积核大小为9×9的第一平均池化层处理、卷积核大小为7×7的第二最大池化层和卷积核大小为5×5的第二平均池化层，第一最大池化层输出第一特征图，且第一特征图会进入第一平均池化层进行特征融合，第一平均池化层输出第二特征图，且第二特征图会进入第二最大池化层进行特征融合，第二最大池化层输出第三特征图，且第三特征图会进入第二平均池化层进行特征融合，第二平均池化层输出第四特征图；其中，表示输入特征图的宽，表示输入特征图的高，表示输入特征图的通道数； 步骤3-2：将所述第一特征图、第二特征图、第三特征图和第四特征图拼接后通过1×1卷积得到多尺度融合特征图，所述多尺度融合特征图的表达式为： 其中，表示张量的拼接操作，Conv表示卷积，，其中，表示多尺度融合特征图的宽，表示多尺度融合特征图的高，表示多尺度融合特征图的通道数； 所述步骤4包括： 步骤4-1：将高层初始特征图、中层初始特征图和低层初始特征图分别经过SA模块获得高层中间特征图、中层中间特征图和低层中间特征图； 步骤4-2：将高层中间特征图、中层中间特征图和低层中间特征图分别经过1×1卷积得到相应的高层第一特征图，中层第一特征图和低层第一特征图； 步骤4-3：将高层第一特征图通过反卷积操作上采样到与中层第一特征图相同的维度，获得中层第二特征图，并将中层第二特征图通过反卷积操作上采样到与低层第一特征图相同的维度，获得低层第二特征图； 步骤4-4：将中层第二特征图和低层第二特征图分别经过CA模块进行通道特征加权得到中层第三特征图和低层第三特征图； 步骤4-5：将中层第三特征图与中层第一特征图在对应像素点上进行相乘计算获得中层输出特征图，将低层第三特征图和低层第一特征图在对应像素点上进行相乘计算获得低层输出特征图，中层输出特征图和低层输出特征图的表达式分别为： 其中，表示点乘操作； 步骤4-6：将中层输出特征图和中层第二特征图在对应像素点上进行元素相加获得中层融合特征图，将低层输出特征图和低层第二特征图在对应像素点上进行元素相加获得低层融合特征图，中层融合特征图和低层融合特征图的表达式分别为： 其中，表示对应通道上元素相加，从而实现高层、中层与低层特征的充分融合； 步骤4-7：将高层第一特征图、中层融合特征图和低层融合特征图分别经过跨阶段特征融合模块进行网络优化后再分别输入Detect层输出检测结果。

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江南大学，其通讯地址为：214122 江苏省无锡市滨湖区蠡湖大道1800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。