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！

龍圖騰網獲悉中北大學申請的專利一種融合全局及局部特征的輕量化火焰識別深度學習模型構建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：CN116797867B 。

龍圖騰網通過國家知識產權局官網在2025-09-09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：202310593113.6，技術領域涉及：G06V10/774；該發明授權一種融合全局及局部特征的輕量化火焰識別深度學習模型構建方法是由王斌;趙倩;秦品樂;曾建潮;喬鋼柱設計研發完成，并于2023-05-24向國家知識產權局提交的專利申請。

本一種融合全局及局部特征的輕量化火焰識別深度學習模型構建方法在說明書摘要公布了：本發明公開了一種融合全局及局部特征的輕量化火焰識別深度學習模型構建方法，屬于圖像識別處理技術領域。針對目前火焰識別網絡模型存在網絡參量多、延遲高等問題，本發明提供了一種融合全局及局部特征的輕量化火焰識別深度學習模型，首先采集、收集火焰圖像數據，構建火焰識別數據集；其次，構造輕量級Transformer模塊E?TB；再構建基于輕量級Transformer模塊E?TB和卷積神經網絡的CTB模塊；然后通過ShuffleNetV2模塊和CTB模塊的串聯堆疊實現了從淺到深的逐級特征提取，并最終構建全局和局部特征提取的網絡框架SConvTrans；最后將構建的火焰識別數據集劃分為訓練集和測試集，并利用該數據對構建的網絡框架SConvTrans進行訓練和測試，得到輕量化火焰識別深度學習模型。

本發明授權一種融合全局及局部特征的輕量化火焰識別深度學習模型構建方法在權利要求書中公布了：1.一種融合全局及局部特征的輕量化火焰識別深度學習模型構建方法，其特征在于：包括以下步驟： 步驟1，采集、收集火焰圖像數據，構建火焰識別數據集； 步驟2，構造能提取火焰圖像全局特征的輕量級Transformer模塊E-TB； 步驟3，構建基于輕量級Transformer模塊E-TB和卷積神經網絡的全局和局部特征提取及融合模塊CTB； 步驟4，通過ShuffleNetV2模塊和CTB模塊串聯堆疊實現了從淺到深的逐級特征提取，并最終構建火焰圖像全局和局部特征提取的網絡框架SConvTrans； 步驟5，將構建的火焰識別數據集劃分為訓練集和測試集，并對構建的網絡框架SConvTrans進行訓練和測試，得到輕量化火焰識別深度學習模型； 所述CTB模塊由兩條分支構成，上分支為用于全局表征處理的Transformer分支，下分支為用于局部表征處理的卷積分支，最后將兩條分支提取到的信息進行融合，以達到全局和局部信息的交互； 所述CTB模塊表示為： ； 式中：為輸入特征，為在通道維度對輸入特征進行降維的收縮比例，為輸出特征； 所述CTB模塊具體是：先對輸入維度為的特征圖X，分別通過上分支的個1×1卷積和下分支的個1×1卷積做降維處理，是一個大于0小于等于1的一個收縮比，從而去減少計算量；同時這樣的一個做法是也為了避免直接在通道維度上進行split分割而造成的分支上的信息丟失，然后通過上分支Transformer運算，獲得全局表征信息；下分支通過SV2卷積塊進行運算獲得局部表征信息，SV2也就是ShuffleNetV2中的卷積塊；然后將兩條分支的信息進行Concat拼接，再進行1×1卷積進行信息融合，從而使全局信息和局部信息交互；最后再與原始輸入特征X進行相加，通過1×1卷積進行信息融合得到最終特征Y； 所述火焰圖像全局和局部特征提取的網絡框架SConvTrans；首先通過3*3的卷積實現深度特征提取，通過最大化下采樣MaxPool刪剔除冗余特征，重復堆疊3次ShuffleNetv2模塊和CTB模塊，再通過1*1的卷積實現通道調整，并通過全局平均池化完成空間特征降維；最后，模型通過全連接層完成分類，實現火焰快速識別。

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中北大學，其通訊地址為：030051 山西省太原市學院路3號；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”。