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！

龙图腾网获悉集美大学申请的专利一种复杂场景下的水面漂浮物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：CN117036656B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202311038529.8，技术领域涉及：G06V10/20；该发明授权一种复杂场景下的水面漂浮物识别方法是由俞万能;曾广淼;王荣杰;李慧慧;商逸帆设计研发完成，并于2023-08-17向国家知识产权局提交的专利申请。

本一种复杂场景下的水面漂浮物识别方法在说明书摘要公布了：本发明涉及水面漂浮物处理技术领域，具体是一种复杂场景下的水面漂浮物识别方法。包括具体步骤如下：网络模型结构设计：Yolov7算法是2022年提出的目标检测算法，在COCO数据集上的测试结果表明，其在速度和精度上的表现都优于YOLOR、YOLOX、Scaled‑YOLOv4、YOLOv5多种目标检测器。针对水面漂浮物的检测问题进行了进一步分析，提出了一种融合注意力机制的目标检测算法Yolov7‑FC，其网络结构中包含Backbone、Attention、FPN和Head层；网络优化方法包括损失函数和图像预处理；本发明提供一种融合注意力机制的水面漂浮物识别算法，针对不同场景的水面漂浮物进行了识别测试，提高了识别精确率与召回率，利用离线小型移动平台进行测试，满足了船载平台实现实时检测的需求的复杂场景下的水面漂浮物识别方法。

本发明授权一种复杂场景下的水面漂浮物识别方法在权利要求书中公布了：1.一种复杂场景下的水面漂浮物识别方法，其特征在于：包括具体步骤如下： S1：网络模型结构设计：Yolov7算法是2022年提出的目标检测算法，在COCO数据集上的测试结果表明，其在速度和精度上的表现都优于YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5多种目标检测器；针对水面漂浮物的检测问题进行了进一步分析，提出了一种融合注意力机制的目标检测算法Yolov7-FC，其网络结构中包含Backbone、Attention、FPN和Head层，代表着网络结构从浅入深的计算不同阶段的框架结构，还包含CBS表示卷积块，它们都由卷积层Conv、批归一化层BN和激活函数silu组成，CBS颜色的不同表示卷积层的卷积核k和步幅s的大小不同；CBM同样表示卷积块，与CBS不同的是，CBM中的激活函数采用sigmoid激活函数，两种激活函数的计算方式，如式1和式2所示： UPS表示上采样层，采用最近邻插值法nearest进行计算；ELAN表示多分支堆叠模块，其中concat表示合并连接计concat，o＝i表示输出通道数等于输入通道数，o＝i2表示输出通道数等于输入通道数的一半；MPMP*表示下采样过渡模块，MaxPool表示最大池化，*表示其中的CBS*块采用o＝i2方式进行输出计算； S2：网络优化方法包括损失函数和图像预处理； 所述损失函数具体为：Yolov7-FC算法的损失函数包含了三个部分：目标物的回归损失Lossreg、分类损失Losscls和位置损失Lossloc；如式10-式14所示： Loss＝λreg·Lossreg+λcls·Losscls+λloc·Lossloc10 其中，λreg、λcls和λloc分别代表了损失函数中三种不同类别损失的权重，Yolov7-FC网络将每一个输入图片先分成K×K个单元格，每个网格中产生M个锚框anchor，每个锚框anchor经过网络进行前项计算后，会得到调整好的边界框，其总数为K×K×M个；和用来判断目标物的中心坐标是否在第i个网格中的第j个锚框中，如果是则前者等于1后者等于0，如果否则反之；Ci为第i个单元格内真实框的置信度，为第i个单元格内预测框的置信度；pik表示第i个单元格中的真实框包含第k个类型的目标的条件概率，表示第i个单元格中的预测框包含第k个类型的目标的条件概率； 所述图像预处理具体为：采用mosaic与mixup结合的方式进行图像数据增强，每次迭代epoch是否采用数据增强方法的判断公式如式23所示： 其中，boll表示布尔运算，amp;表示与运算，θ1和θ2的值为0.5，z的值为0.7。

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集美大学，其通讯地址为：361000 福建省厦门市集美银江路185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。