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！

龙图腾网获悉长沙理工大学申请的专利基于双向增强机制与损失优化的小目标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：CN121582531B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610121164.2，技术领域涉及：G06V10/10；该发明授权基于双向增强机制与损失优化的小目标检测方法是由谢七月;龙湘芸;张昕月;武子宸;邹翔;付强;周育才;王信设计研发完成，并于2026-01-29向国家知识产权局提交的专利申请。

本基于双向增强机制与损失优化的小目标检测方法在说明书摘要公布了：本发明公开了一种基于双向增强机制与损失优化的小目标检测方法，在骨干网络部分，采用空间深度转换卷积SPDConv模块替换关键下采样层，以保留小目标的细粒度特征；在网络末端引入集成多尺度池化与双路注意力的HGBlock_PPA模块，增强缺陷特征的表达能力。在特征融合阶段，构建小目标增强金字塔结构，通过引入并融合高分辨率浅层特征图P2，建立双向特征传播路径，结合多层特征拼接与重参数化卷积模块实现特征精炼，强化小目标的特征响应。同时，设计了一种Shape‑NWD‑SD复合损失函数，将边界框建模为高斯分布。本发明在保持模型实时性的同时，显著提升了小目标的检测召回率与定位精度。

本发明授权基于双向增强机制与损失优化的小目标检测方法在权利要求书中公布了：1.一种基于双向增强机制与损失优化的小目标检测方法，其特征在于，包括以下步骤： 步骤S1：采集包含故障目标的原始图像，并进行分类与边界框标注，构建故障检测数据集；随后，将数据集按预定比例划分为训练集、验证集与测试集； 步骤S2：对所述故障检测数据集进行图像预处理； 步骤S3：对RT-DETR的骨干网络进行改进：引入SPDConv模块以替换RT-DETR骨干网络中P2→P3、P3→P4、P4→P5三处下采样层的深度可分离卷积模块，保留细粒度特征；同时，在骨干网络的最后一层加入集成多尺度池化与双路注意力的HGBlock_PPA模块，以增强缺陷特征的表达与融合能力； 步骤S4：构建小目标增强金字塔结构，通过引入并融合高分辨率浅层特征图P2，并利用上采样路径与下采样路径建立双向特征传播路径，结合多层级特征拼接与重参数化卷积模块来提升模型对小尺寸故障的感知与定位能力； 所述步骤S4中构建的小目标增强金字塔结构，包括由自适应特征交互Transformer编码器、上采样路径、下采样路径及多个RepC3模块构成的精炼网络，具体融合过程包括： S4.1：将深层特征图P5进行降维处理后，输入自适应特征交互Transformer编码器进行全局上下文建模，再经精炼后输出特征图Y5； S4.2：将特征图Y5进行上采样，与中层特征图P4降维后的特征进行拼接，经第一组RepC3模块处理，输出特征图Y4； S4.3：将特征图Y4进行上采样，与浅层特征图P3降维后的特征进行拼接，经第二组RepC3模块处理，输出初级融合特征X3； S4.4：将原始高分辨率特征图P2输入专用的SPDConv模块进行处理，生成增强浅层特征； S4.5：将所述初级融合特征X3与所述增强浅层特征进行拼接，经第三组RepC3模块处理，输出用于小目标检测的增强特征图P3_enhanced； S4.6：在所述下采样路径中，将增强特征图P3_enhanced进行下采样，与特征图Y4拼接后经第四组RepC3模块处理，输出中层精炼特征F4；将所述中层精炼特征F4进行下采样，与特征图Y5拼接后经第五组RepC3模块处理，输出深层精炼特征F5； S4.7：将所述增强特征图P3_enhanced、中层精炼特征F4以及深层精炼特征F5输入至RT-DETR解码器进行检测； 步骤S5：设计一种融合形状约束、尺度动态加权与归一化分布度量的Shape-NWD-SD复合损失函数，以精确优化边界框回归过程； 步骤S6：利用所述训练集迭代训练改进后的RT-DETR模型，获取训练好的RT-DETR模型； 步骤S7：将所述测试集输入所述训练好的RT-DETR模型中进行故障检测，获取测试集中每张图像的检测结果。

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长沙理工大学，其通讯地址为：410004 湖南省长沙市天心区赤岭路45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。