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！

龙图腾网获悉东北电力大学申请的专利一种基于改进YOLO11n的海洋牧场底栖生物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：CN120318571B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510387526.8，技术领域涉及：G06V10/764；该发明授权一种基于改进YOLO11n的海洋牧场底栖生物检测方法是由周欣欣;易慧;张金业;李育才;赵鸿浩;杜原泽;郭树强设计研发完成，并于2025-03-31向国家知识产权局提交的专利申请。

本一种基于改进YOLO11n的海洋牧场底栖生物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YOLO11n的海洋牧场底栖生物检测方法，具体包括以下步骤：1建立海洋牧场底栖生物图像数据集；2为数据集中的图像添加标注信息；3构建基于改进YOLO11n的海洋牧场底栖生物检测模型；4采用训练集和验证集对模型进行训练并保存训练好的模型；5采用测试集对模型进行测试，满足精度和泛化性的要求，即获得最终的底栖生物检测模型。相较于现有技术，本发明公开的一种基于改进YOLO11n的海洋牧场底栖生物检测方法，能够加强遮挡目标的检测能力、增强底栖生物与背景的区分度、提高小目标底栖生物的检测能力。

本发明授权一种基于改进YOLO11n的海洋牧场底栖生物检测方法在权利要求书中公布了：1.一种基于改进YOLO11n的海洋牧场底栖生物检测方法，其特征在于，具体包括以下步骤： 步骤1：获取海洋牧场底栖生物图像，形成第一数据集；所述第一数据集中，海洋牧场底栖生物图像可通过水下摄像机进行拍摄、通过自主水下航行器进行拍摄，或者从网络中收集获取； 步骤2：为所述第一数据集中的图像添加标注信息，形成第二数据集，并将所述第二数据集划分训练集、验证集和测试集； 步骤3：构建基于改进YOLO11n的海洋牧场底栖生物检测模型，所述模型包括主干网络、颈部网络、头部网络，所述模型的构建进一步包括步骤3.1至步骤3.3： 步骤3.1：主干网络由依次连接的2个3×3的Conv模块、C3k2-MSEE模块、3×3的Conv模块、C3k2-MSEE模块、3×3的Conv模块、C3k2-MSEE模块、3×3的Conv模块、C3k2-MSEE模块、FPSConv模块和C2PSA模块组成，以此构成新的主干网络结构； 所述C3k2-MSEE模块分两种情况，分别为C3k＝False和C3k＝True，所述的4个C3k2-MSEE模块，前两个是C3k＝False情况的C3k2-MSEE模块，后两个是C3k＝True情况的C3k2-MSEE模块；C3k＝False情况的C3k2-MSEE模块是由1个1×1的Conv模块、1个Split模块、2个MSEE模块、1个Concat模块和1个1×1的Conv模块依次连接组成；C3k＝True情况的C3k2-MSEE模块是由1个1×1的Conv模块、1个Split模块、2个C3k-MSEEN＝2模块、1个Concat模块和1个1×1的Conv模块依次连接组成； 所述C3k-MSEEN＝2模块是由3个Conv模块、2个MSEE模块和1个Concat模块组成，输入通过1个1×1的Conv模块后将输出分为两条支路，第一条支路经过2个MSEE模块、1个Concat模块；第二条支路将1×1的Conv模块的输出输入到1个3×3的Conv模块中然后输入到第一条支路的Concat模块中，然后将Concat模块的输出输入到1个1×1的Conv模块中； 所述MSEE模块是由5条支路组成，前4条支路每条支路都依次经过1个AdaptiveAvgPool模块、1个1×1的Conv模块、1个3×3的Conv模块、1个upsample模块和1个EdgeEnhance模块；第5条支路只有1个3×3的Conv模块；最后将5条支路的输出输入到1个Concat模块而后经过1个1×1的Conv模块； 所述EdgeEnhance模块依次通过1个AvgPool模块、1个EdgeComputing模块、1个1×1的Conv模块和1个FusionAddition模块组成；将MSEE模块中的upsample模块的输出分别跨越连接输入到EdgeComputing模块和FusionAddition模块； 所述主干网络通过前3个C3k2-MSEE模块和C2PSA模块分别输出4种不同尺度的特征信息； 步骤3.2：颈部网络的组成模块包括4个Conv模块、6个SBA模块和6个C3k2模块，颈部网络共分为四条支路，第一条支路的输入是主干网络中的第一个C3k2-MSEE模块的输出，依次经过1个1×1的Conv模块、1个SBA模块和1个C3k2模块，然后将C3k2模块的输出输入到第二条支路的SBA模块中；第二条支路的输入是主干网络的第二个C3k2-MSEE模块的输出，依次经过1个1×1的Conv模块、1个SBA模块和1个C3k2模块，然后将C3k2模块的输出输入到第三条支路的SBA模块中；第三条支路的输入是主干网络的第三个C3k2-MSEE模块，依次经过1个1×1的Conv模块、1个SBA模块和1个C3k2模块，然后将C3k2模块的输出当作颈部网络的第一个输出的同时继续输入到1个SBA模块中后经过1个C3k2模块，将这个C3k2模块的输出当作颈部网络的第二个输出的同时继续输入到1个SBA模块中后经过1个C3k2模块，将这个C3k2模块的输出当作颈部网络的第三个输出的同时输入到第四层的SBA模块中；第四条支路的输入是主干网络中C2PSA模块的输出，依次经过1个1×1的Conv模块、1个SBA模块和1个C3k2模块，然后将C3k2模块的输出当作颈部网络的第四个输出，以此构成新的颈部网络结构； 步骤3.3：头部网络是由4个Multi-SEAMHead检测头组成，每个检测头的输入对应上述颈部网络的4个输出，每个检测头由4个Conv模块、2个DWConv模块、2个Multi-SEAM模块、2个Conv2d模块、1个CIoU模块和1个CLSLoss模块组成； 每个检测头分为两条支路，第一条支路分别经过两个3×3的Conv模块，1个Multi-SEAM模块，1个1×1的Conv2d模块和1个CIoU模块；第二条支路依次经过1个3×3的DWConv模块、1个1×1的Conv模块，1个Multi-SEAM模块，1个3×3的DWConv模块、1个1×1的Conv模块、1个1×1的Conv2d模块和1个CLSLoss模块； 步骤4：利用所述训练集和验证集对所述基于改进YOLO11n的海洋牧场底栖生物检测模型进行训练，将训练好的模型保存为最优模型，进一步包括步骤4.1至步骤4.4： 步骤4.1：设置所述基于改进YOLO11n的海洋牧场底栖生物检测模型训练参数，模型训练参数包括：学习率，动量，权重衰减，优化器，迭代轮数，批处理大小和标签平滑系数； 步骤4.2：将所述训练集和验证集图像以及对应标签输入到所述改进YOLO11n的海洋牧场底栖生物检测模型中，使用反向传播算法计算损失函数对模型参数的梯度，通过最小化损失函数调整模型参数使其逐渐接近最优解； 步骤4.3：使用优化器SGD来更新模型参数，使模型参数朝着梯度下降的方向更新，直到训练集和验证集的损失函数不再下降，同时评价指标mAP、召回率R、准确率P也不再提高时，停止训练，以避免模型过拟合； 步骤4.4：将训练好的模型参数保存，此时的模型为最优模型； 步骤5：采用所述测试集对所述最优模型进行测试，对测试集测试结果进行评估，满足精度要求，即获得最终基于改进YOLO11n的海洋牧场底栖生物检测模型。

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东北电力大学，其通讯地址为：132000 吉林省吉林市长春路169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。