買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉杭州電子科技大學申請的專利一種基于深度學習的遙感目標四邊形框快速檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114299011B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111617324.6，技術領域涉及：G06T7/00；該發明授權一種基于深度學習的遙感目標四邊形框快速檢測方法是由戴國駿;金仁操;支浩仕;張樺;吳以凡;周文暉;黃金來設計研發完成，并于2021-12-27向國家知識產權局提交的專利申請。

本一種基于深度學習的遙感目標四邊形框快速檢測方法在說明書摘要公布了：本發明公開了一種基于深度學習的遙感目標四邊形框快速檢測方法，本發明方法預測結果精準，對目標進行四邊形框的回歸，精準描述了目標的輪廓；對于圖像特征的提取，使用了融合多層特征的深度神經網絡，有利與小目標眾多的遙感場景的目標檢測；優化訓練過程，在正負樣本分配的過程中采用SimOTA策略，提高了模型對不同大小目標的均衡預測能力；對結果進行閾值過濾，篩選掉干擾目標，提高識別精度；檢測速度快，達到了實時檢測的水平，有實際應用的價值。

本發明授權一種基于深度學習的遙感目標四邊形框快速檢測方法在權利要求書中公布了：1.一種基于深度學習的遙感目標四邊形框快速檢測方法，其特征在于，包括以下步驟： 步驟1、收集衛星遙感圖像，待檢測的物體類別進行四邊形框的標注，建立衛星遙感圖像目標檢測數據集； 步驟2、利用衛星遙感圖像目標檢測數據集對設計好的遙感目標四邊形框快速檢測模型進行訓練； 步驟3、將模型部署到相應的設備上，對采集到的衛星遙感圖像進行實時的檢測； 步驟1具體實施步驟如下： 1-1.數據采集，首先收集包含待預測物體的衛星遙感圖片，并使收集到的圖像中的待預測物體種類的數量盡量地均衡； 1-2.數據標注，對收集到的圖像使用rolabelImg進行人工四邊形框標注，標出想要預測的物體； 1-3.數據預處理，對標注好的大像素高分辨率圖像，切割成可輸入模型的大小為640x640的圖片，并相應調整標注文件； 1-4.數據集劃分和數據保存，標注完的結果保存為.txt文件，保存的關鍵信息包括目標框順時針排列的四個端點的坐標x1,y1,x2,y2,x3,y3,x4,y4和目標類別id；以1：9比例劃分測試集和訓練集并把所有圖片的絕對地址逐行分別保存到不同.txt文件中；其中測試集充當驗證集； 步驟2中利用衛星遙感圖像目標檢測數據集對遙感目標四邊形框快速檢測模型進行訓練，需要進行多輪訓練，訓練次數根據實際情況設定，具體實現如下： 遙感目標四邊形框快速檢測模型基于YOLOX模型改進而來； 2-1.數據載入，數據增強；在數據載入的過程中加載的annotation為目標框順時針排列的四個端點的坐標和目標類別id；如果要保證訓練出的模型有足夠的泛化性，就需要保證有足夠多的數據來進行訓練，當只有有限的數據或者為了達到一個更好的泛化性，需要對有限的數據進行數據增強；所述的數據增強方法包括隨機仿射變換、色彩抖動、對比度變換、噪聲擾動、Mosaic數據增強；在每一輪訓練的數據載入時，加載的圖片會打亂后，再進行上述的數據增強，然后輸入到模型進行訓練，每輪訓練時采用的數據增強參數不同； 2-2.網絡主體遙感目標四邊形框快速檢測模型使用CSP-darknet作為Backbone進行提取特征；訓練集數據首先經過Focus模塊，即通過分割進行下采樣得到原圖二分之一大小的輸入，再依次經過CBS模塊，CSP1_1模塊，CBS模塊，CSP1_3模塊得到一階段特征，再經過CBS模塊，CSP1_3模塊得到二階段特征，最后經過CBS模塊，SPP模塊，CSP2_1模塊最終完成所有特征的提取； 2-3.特征融合；遙感目標四邊形框快速檢測模型采用與YOLOX相同的FPN結構進行特征融合，FPN自上向下，將高層的特征信息，通過上采樣的方式進行傳遞融合，得到三個通道尺度分別為20x20,40x40,80x80大小的特征圖，進行后續的目標預測； 2-4.網絡輸出；遙感目標四邊形框快速檢測模型在每個通道通過解偶方式的輸出大小分別為HxHxC,HxHx1,HxHx4的預測張量，分別表示目標的類別，目標的前景背景預測，目標的水平框表示，其中HxH表示特征圖大小,取值分別為20x20,40x40,80x80,C表示物體的種類，其中目標的水平框表示的四個參數分別表示框相對與錨框的中心點和長寬,最終得到8400個預測目標；改進的遙感目標四邊形框快速檢測模型，輸出的目標框參數為目標框相對于錨框的仿射矩陣的6個參數,a,b,c,d,e,f，通過與對應的錨框的四個頂點坐標作矩陣乘法所得到的四點坐標即是四邊形框的四個頂點坐標； 2-5.正負樣本分配；遙感目標四邊形框快速檢測模型先根據錨中心點和目標框的坐標相對位置的進行初篩，然后采用YOLOX的SimOTA策略進行正負樣本分配； 首先對每個錨框，尋找目標框中心點落在錨框范圍內的所有目標框；再對每個目標框以目標框中心點為基準，設置邊長為4的正方形，挑選在正方形內的所有錨框；同時滿足上述兩個條件的錨框目標框對即為初篩結果；根據初篩結果，提取網絡預測的候選檢測框位置、前景背景目標分數和類別分數，結合目標框計算Loss函數；對于每個目標框，挑選10個IOU最大的候選框；最后根據總Loss最小的原則給每個目標框分配預測框； 2-6.損失函數Loss；遙感目標四邊形框快速檢測模型損失函數由前景背景損失、分類損失和框回歸損失三部分組成，其中前景背景損失和分類損失采用交叉熵損失，框回歸損失采用仿射矩陣參數的L1損失； 交叉熵損失計算公式如下所示： 其中參數的含義如下： M:類別的數量； yic:符號函數0或1，如果樣本i的真實類別等于c取1，否則取0； pic:觀測樣本i屬于類別c的預測概率； 仿射參數的L1損失計算公式如下： 其中，參數定義如下： N:目標框總數； Mi:分配給第i個目標框的預測框總數； xij:目標框i的第j個預測框的六個參數； 目標框i的六個參數； 總Loss計算如下： Loss＝λobjLossobj+λclsLosscls+λboxLossbox 其中，參數定義如下： Lossobj:前景背景損失； λobj:前景背景損失權重； Losscls:分類損失； λcls:分類損失權重； λbox:框回歸損失權重； 2-7.模型驗證；在每一輪模型訓練結束后，對驗證集的圖片進行測試，驗證模型的訓練效果； 2-8.在設定的訓練輪數結束后，選取驗證結果最好的模型權重作為后續部署用的參數； 步驟3中將模型部署到相應的設備上，對采集到的衛星遙感圖像進行實時的檢測，實現如下： 3-1.部署： 將訓練好的遙感目標四邊形框快速檢測模型轉換到相應部署框架的格式，部署到相應的設備上； 3-2.檢測： 將遙感設備實時采集的圖像，輸入到遙感目標四邊形框快速檢測模型進行預測；對于每一個預測框有一個置信度，預設置信度高于0.3為一個疑似目標，并進行NMSNon-MaximumSuppression過濾，即當兩個預測框交并比大于一個閾值時，則認為兩個預測框標定的是同一個目標，對同一個目標一般存在多個預測框，在這些預測框中選取置信度最高的框作為最后的結果；輸出其坐標信息和類別信息。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市下沙高教園區2號大街；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。