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！

龙图腾网获悉重庆大学申请的专利一种基于神经网络的断路断桥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：CN121033399B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202511563153.1，技术领域涉及：G06V10/25；该发明授权一种基于神经网络的断路断桥识别方法是由任浩然;唐小林;陈孝锦;郭侃;范浩原设计研发完成，并于2025-10-30向国家知识产权局提交的专利申请。

本一种基于神经网络的断路断桥识别方法在说明书摘要公布了：本发明涉及一种基于神经网络的断路断桥识别方法，属于智能驾驶与计算机视觉技术领域。该方法为通过将少量真实的断路断桥图片以及构建模型、仿射变换、利用生成式对抗网络得到的图片，进行数据增强，制作数据集，再将其导入到增加了MSCAM与LWM模块的YOLOv8改进神经网络中进行深度学习，训练得到最佳权重参数，将其用于检测断路断桥。将车载摄像头拍摄到的画面视频导入到已训练的神经网络中，然后判断视频中的物体是否达到阈值，如果达到则说明存在断路断桥。本发明能有效利用少量数据进行训练，同时利用改进的YOLOv8神经网络训练，可以使得识别精度更高、距离更远。

本发明授权一种基于神经网络的断路断桥识别方法在权利要求书中公布了：1.一种基于神经网络的断路断桥识别方法，其特征在于，该方法具体包括以下步骤： S1：收集断路断桥图片，进行数据标注与数据增强，制作断路断桥数据集； S2：利用MSCAM模块与LWM改进YOLOv8神经网络模型，并增加小目标检测头；其中，MSCAM模块表示多尺度卷积注意力增强模块，LWM表示小波神经网络； 所述MSCAM模块用于替代YOLOv8主干网络中的部分卷积结构，其包括MSCB块、CAB块与SAB块，通过在特征提取过程中融合多尺度卷积与多维度注意力机制，实现对空间特征与通道特征的联合增强；其中，MSCB块表示多尺度卷积块，CAB块表示通道注意力块，SAB块表示空间注意力块； 所述CAB块‌通过全局平均池化和最大池化提取通道信息，生成权重系数后利用Sigmoid函数加权原始特征图，增强关键通道特征；所述SAB块，通过池化操作生成空间注意力图，指导模型聚焦特征图中的关键区域，提升定位精度；所述MSCB块，采用不同卷积核并行处理，融合多尺度特征以适应不同大小的物体； 所述LWM具体包括：利用离散小波变换将输入特征图分解为低频近似、水平高频、垂直高频和对角线高频四个子带，实现对图像结构与细节信息的天然多尺度分离；随后，SAB子模块独立作用于每个子带，通过轻量化的注意力机制学习并施加自适应权重，增强关键信息；最后，逆离散小波变换将加权处理后的子带精确重构回空间域，融合形成增强后的输出特征图； 改进的YOLOv8神经网络模型的图像处理流程包括以下步骤： S21：将图片输入到模型的主干网络中；每个卷积层使用3×3卷积核在图像上滑动进行卷积运算，提取图像的局部特征；卷积层的步幅为2，每个卷积层都会将输入的特征图尺寸减半；卷积层按照64,128,256,512,1024逐渐增加通道数；C2f_LWM模块首先使用1×1卷积来调整特征图的通道数，然后再使用3×3卷积来提取局部空间信息，C2f_LWM模块中的小波变换通过多尺度空频特征融合、轻量化压缩及抗噪优化，让改进的YOLOv8在复杂场景下提取多尺度目标特征；SPPF模块是快速空间池化金字塔层，池化核的大小为5；输出图将进入MSCAM模块，MSCAM模块通过多尺度卷积融合与通道-空间注意力加权，自适应强化关键特征并抑制冗余信息； S22：将主干网络提取的特征图输入到颈部网络进行特征融合，通过多次上采样、特征融合，最终于19、22、25、28层将特征图输入给检测头进行检测；动态检测头预测目标的边界框坐标：对融合后的特征图进行3×3卷积操作，激活函数为ReLU函数，再使用1×1卷积调整通道维度到回归参数，为4个值：x，y，w，h；其中x和y分别表示边界框的中心点的水平坐标和垂直坐标；w和h分别表示边界框的宽度和高度，最终输出目标的类别和边界框； S3：利用改进的YOLOv8神经网络模型对断路断桥数据集进行深度学习，提取断路断桥特征，训练得到最佳的权重参数； S4：将车载摄像头拍摄到的画面视频导入到训练好的改进的YOLOv8神经网络模型中，模型自主判断视频中的物体是否达到阈值，如果达到则说明存在断路断桥，识别成功。

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大学，其通讯地址为：400044 重庆市沙坪坝区沙坪坝正街174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。