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！

龙图腾网获悉成都理工大学申请的专利一种地质勘探场景下的小目标视觉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：CN120612561B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202511120661.2，技术领域涉及：G06V10/764；该发明授权一种地质勘探场景下的小目标视觉检测方法是由熊锐;傅恒;谢才铸;徐川设计研发完成，并于2025-08-12向国家知识产权局提交的专利申请。

本一种地质勘探场景下的小目标视觉检测方法在说明书摘要公布了：本发明属于图像识别技术领域，公开了一种地质勘探场景下的小目标视觉检测方法，获取初始训练样本，初始训练样本包含地质领域中需要检测的小目标类型；构建初始深度学习网络模型；初始深度学习模型包含主干网络CSPDarknet、混合特征融合模块ASFF、地质目标特征构建模块和地质特征识别模块和一个FastestDet检测头；将初始训练样本输入到初始深度学习网络模型中进行训练，得到训练好的深度学习网络模型；将待检测图片输入训练好的深度学习网络模型VDST‑GA输出预测的目标位置和目标类型。本发明弥补了传统目标检测模型在提取微小目标所损失的特征信息，使模型更加关注小目标区域，减少背景噪声的干扰，具有准确性强、自适应性好和生产效率高的优点。

本发明授权一种地质勘探场景下的小目标视觉检测方法在权利要求书中公布了：1.一种地质勘探场景下的小目标视觉检测方法，其特征在于：包括如下步骤： S1，获取初始训练样本； S2，构建初始深度学习网络模型；初始深度学习模型包含主干网络CSPDarknet、特征融合模块ASFF、地质目标特征构建模块、地质特征识别模块和一个FastestDet检测头； 初始深度学习网络模型构建，具体如下： S21，构建主干网络CSPDarknet、特征融合模块ASFF和FastestDet检测头； S22，构建地质目标特征构建模块，地质目标特征构建模块包含特征提取模块和双阶核卷积单元两个子模块； 构建所述特征提取模块整体采用编码器-解码器结构，特征提取模块基于生成式对抗网络进行构建，并通过设计三个动态注意力模块DCBAM，分别获取不同权重的加权特征图FCBAM1、FCBAM2、FCBAM3，三个注意力DCBAM模块分别位于输入端、编码器与解码器之间、输出端三个位置；此外，为了判别所述特征提取模块生成的数据样本和真实数据样本中的特征，在特征提取模块尾部还嵌入判别器网络；特征提取模块构建过程如下： S221，将输入的特征图输入到第一个DCBAM模块中，得到经过初次注意力加权的特征图FCBAM1，F∈RH×W×C表示特征图，其是一个矩阵R且矩阵大小为H，W，C，H和W分别代表矩阵的长和宽，C代表矩阵的通道数，初次注意力加权如式5所示： 5； 上式中，Channelattention1表示第一个通道注意力权重；Spatialattention1表示第一个空间注意力权重；FCBAM1表示经过初次注意力加权的特征图；表示累积操作；表示特征加权运算；Dynamic·表示门控决策函数，其具体计算公式如下式所示： 6； 式中，Finput表示输入的特征图；W1、W2为可学习参数；μFinput表示对Finput进行通道平均激活；σFinput表示Finput的标准差；eFinput表示Finput的香农熵；b1和b2表示控制隐藏层激活的阈值； S222，将FCBAM1送入编码器中，编码器包含三次二维卷积；经过编码器里面包含的三次二维卷积后，FCBAM1尺寸变为原来的0.5倍大小，计算公式如式7所示： 7； 上式中，Encoder表示编码器，FCBAM1表示经过初次注意力加权的特征图，表示经过编码器重新编码后的特征图； S223，在得到编码器的输后，再将其送入第二个DCBAM模块，再次对其进行注意力加权得到第二次注意力加权的特征图FCBAM2计算公式如式8所示： 8； 上式中，Dynamic·表示门控决策函数；Channelattention2表示第二个通道注意力的权重；表示对进行通道注意力加权；Spatialattention2表示第二个空间注意力的权重；表示对进行空间注意力加权；表示累积操作；表示特征加权运算； S224，将FCBAM2送入解码器，在解码器部分，包含一个尺度不变的二维卷积和三个上采样操作，经过解码器的卷积后，特征的尺寸变为原来的4倍大小，计算公式如式9所示： 9； 上式中，FCBAM2表示经过第二次注意力加权的特征图；Decoder表示解码器；表示经过解码器解码后的特征图； S225，在得到后，再经过输出端的第三个DCBAM模块的注意力加权得到最终恢复了小目标特征信息的特征图FCBAM3，计算公式如式10所示： 10； 式中，Dynamic·表示门控决策函数；Channelattention3表示第三个通道注意力的权重；表示对进行通道注意力加权；Spatialattention3表示第三个空间注意力的权重；表示对进行空间注意力加权；表示累积操作；表示特征加权运算； S226，为了判别所述特征提取模块提取的数据样本和真实数据样本中的特征，在特征提取模块尾部还嵌入判别器网络，所述判别器网络包括一个二维卷积和三个下采样操作，具体为：将所述特征提取模块生成的特征Ffake和真实的特征Freal分别送入判别器网络中，得到输出向量后，计算两者之间的判别损失，计算公式如式11所示： 11； 上式中，Ffake表示特征提取模块的生成特征；Freal表示真实特征；||表示Freal与Ffake之间进行或运算；JUDG表示判别器网络；Doutput表示判别器网络的输出的判别损失； S23，构建地质特征识别模块，通过结合图像的光谱信息，并对图像的光谱特征进行空间注意力、通道注意力以及自注意力，并将多注意力融合光谱特征映射成图像特征； S24，将地质目标特征构建模块、地质特征识别模块、特征融合模块ASFF和FastestDet检测头嵌入到主干网络CSPDarknet模块中得到初始深度学习网络模型； S3，将初始训练样本输入到初始深度学习网络模型中进行训练，得到训练好的深度学习网络模型； S4，将待检测图片输入训练好的深度学习网络模型输出预测的地质小目标位置和目标类型。

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成都理工大学，其通讯地址为：610059 四川省成都市二仙桥东三路1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。