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！

龙图腾网恭喜西华大学申请的专利一种红外小目标检测方法与系统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：CN119888204B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510356410.8，技术领域涉及：G06V10/25；该发明授权一种红外小目标检测方法与系统是由夏梅宸;张宇煊;刘志才;彭宏;曾晟珂;唐明伟设计研发完成，并于2025-03-25向国家知识产权局提交的专利申请。

本一种红外小目标检测方法与系统在说明书摘要公布了：本发明公开了一种红外小目标检测方法与系统，属于目标检测技术领域。本发明通过获取原始图像，对原始图像进行缩放处理和归一化处理，获得预处理图像F；将所述预处理图像F输入超融合骨干网络，进行多层级的多尺度特征融合处理，获得超融合特征图；将所述超融合特征图输入卷积注意力融合模块，进行局部特征增强处理和全局特征增强处理，分别得到局部特征图RJ1和全局特征图RQ1；对所述局部特征图RJ1和所述全局特征图RQ1进行拼接融合，再进行解码处理，获得检测结果。本发明从整体上能够有效增强系统对红外目标的识别能力，从而提升对红外小目标的检测精度。

本发明授权一种红外小目标检测方法与系统在权利要求书中公布了：1.一种红外小目标检测方法，其特征在于，所述方法包括： S1，获取红外小目标的原始图像，对红外小目标的原始图像进行缩放处理和归一化处理，获得预处理图像F； S2，将所述预处理图像F输入超融合骨干网络，进行多层级的多尺度特征融合处理，获得超融合特征图； 所述超融合骨干网络包括五个融合处理模块，分别为第一融合处理模块、第二融合处理模块、第三融合处理模块、第四融合处理模块以及第五融合处理模块； 所述第一融合处理模块包括五个结构相同的非线性卷积单元，分别为第一非线性卷积单元（0,0）、第二非线性卷积单元（1,0）、第三非线性卷积单元（2,0）、第四非线性卷积单元（3,0）以及第五非线性卷积单元（4,0）； 所述第二融合处理模块包括四个结构相同的所述非线性卷积单元，分别为第一非线性卷积单元（0,1）、第二非线性卷积单元（1,1）、第三非线性卷积单元（2,1）以及第四非线性卷积单元（3,1）； 所述第三融合处理模块包括三个结构相同的所述非线性卷积单元，分别为第一非线性卷积单元（0,2）、第二非线性卷积单元（1,2）以及第三非线性卷积单元（2,2）； 所述第四融合处理模块包括两个结构相同的所述非线性卷积单元，分别为第一非线性卷积单元（0,3）和第二非线性卷积单元（1,3）； 所述第五融合处理模块包括一个所述非线性卷积单元，为第一非线性卷积单元（0,4）； 所述S2具体包括： 将所述预处理图像F输入所述第一非线性卷积单元（0,0）进行处理，得到16维的特征图P00； 对所述特征图P00进行一次两倍下采样后，再输入所述第二非线性卷积单元（1,0）进行处理，得到32维的特征图P10; 对所述特征图P10进行一次两倍下采样后，再输入所述第三非线性卷积单元（2,0）进行处理，得到64维的特征图P20; 对所述特征图P20进行一次两倍下采样后，再输入所述第四非线性卷积单元（3,0）进行处理，得到128维的特征图P30; 对所述特征图P30进行一次两倍下采样后，再输入所述第五非线性卷积单元（4,0）进行处理，得到256维的特征图P40; 将所述特征图P00、所述特征图P10、所述特征图P20、所述特征图P30以及所述特征图P40拼接融合，输入所述第一非线性卷积单元（0,1）进行处理，得到16维的特征图P01； 对所述特征图P01进行一次两倍下采样后，与所述特征图P10、所述特征图P20、所述特征图P30以及所述特征图P40拼接融合，再输入第二非线性卷积单元（1,1）进行处理，获得32维的特征图P11； 对所述特征图P11进行一次两倍下采样后，与所述特征图P00、所述特征图P20、所述特征图P30以及所述特征图P40拼接融合，再输入第三非线性卷积单元（2,1）进行处理，获得64维的特征图P21； 对所述特征图P21进行一次两倍下采样后，与所述特征图P00、所述特征图P10、所述特征图P30以及所述特征图P40拼接融合，再输入第四非线性卷积单元（3,1）进行处理，获得128维的特征图P31； 将所述特征图P01、所述特征图P11、所述特征图P21、所述特征图P31以及所述特征图P00拼接融合，输入所述第一非线性卷积单元（0,2）进行处理，得到16维的特征图P02； 对所述特征图P02进行一次两倍下采样后，与所述特征图P11、所述特征图P21、所述特征图P31以及所述特征图P10拼接融合，再输入第二非线性卷积单元（1,2）进行处理，获得32维的特征图P12； 对所述特征图P12进行一次两倍下采样后，与所述特征图P01、所述特征图P21、所述特征图P31以及所述特征图P20拼接融合，再输入第三非线性卷积单元（2,2）进行处理，获得64维的特征图P22； 将所述特征图P02、所述特征图P12、所述特征图P22、所述特征图P00以及所述特征图P01拼接融合，输入所述第一非线性卷积单元（0,3）进行处理，得到16维的特征图P03； 对所述特征图P03进行一次两倍下采样后，与所述特征图P12、所述特征图P22、所述特征图P10以及所述特征图P11拼接融合，再输入第二非线性卷积单元（1,3）进行处理，获得32维的特征图P13； 将所述特征图P03、所述特征图P13、所述特征图P00、所述特征图P01以及所述特征图P02拼接融合，输入所述第一非线性卷积单元（0,4）进行处理，得到16维的特征图P04； 将所述特征图P40、所述特征图P31、所述特征图P22、所述特征图P13以及所述特征图P04拼接融合，得到16维的所述超融合特征图； 所述非线性卷积单元包括第一卷积层、第二卷积层以及第一非线性注意力层；所述多尺度特征融合处理包括拼接融合处理和非线性卷积处理，所述非线性卷积处理的步骤具体包括： A1，输入非线性卷积单元的特征图先经过第一卷积层的处理后，再经过第二卷积层的处理，获得特征图J1； A2，将特征图J1输入第一非线性注意力层进行特征加权处理，获得特征图J2； A3，将特征图J2与输入该非线性卷积单元的特征图进行拼接融合后，通过激活函数输出，完成本次非线性卷积处理； S3，将所述超融合特征图输入卷积注意力融合模块，进行局部特征增强处理和全局特征增强处理，分别得到局部特征图RJ1和全局特征图RQ1； S4，对所述局部特征图RJ1和所述全局特征图RQ1进行拼接融合，再进行解码处理，获得检测结果。

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西华大学，其通讯地址为：610039 四川省成都市金牛区土桥金周路999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”。