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;湖南工程学院申请的专利一种基于亮度自适应与多尺度注意力的风电叶片叶尖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：CN121564106B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610079330.7，技术领域涉及：G06T7/73；该发明授权一种基于亮度自适应与多尺度注意力的风电叶片叶尖检测方法与系统是由万琴;戴健涛;樊绍胜;黄凌翔;吴昊天;戴某武设计研发完成，并于2026-01-21向国家知识产权局提交的专利申请。

本一种基于亮度自适应与多尺度注意力的风电叶片叶尖检测方法与系统在说明书摘要公布了：一种基于亮度自适应与多尺度注意力的风电叶片叶尖检测方法与系统，包括如下步骤：S1、首先收集多张包含叶尖在内的风电叶片图像，并进行预处理之后，构建数据集；S2、将原始的YOLOv8网络中骨干网络内的第一个卷积层替换为依次连接的亮度感知评估与分支融合模块、小目标敏感特征提取主干网络以及多尺度上下文注意力模块，替换之后，得到改进的YOLOv8网络；S3、利用数据集对改进的YOLOv8网络进行训练，得到训练后的YOLOv8网络；S4、将训练后的YOLOv8网络部署到设备端，并进行风电叶片叶尖检测，得到检测结果。本发明结合叶片与叶尖联合检测与动态跟踪，提升了叶尖定位稳定性与净空估算精度。

本发明授权一种基于亮度自适应与多尺度注意力的风电叶片叶尖检测方法与系统在权利要求书中公布了：1.一种基于亮度自适应与多尺度注意力的风电叶片叶尖检测方法，其特征在于，包括如下步骤： S1、首先收集多张包含叶尖在内的风电叶片图像，并进行预处理之后，利用预处理后的风电叶片图像构建数据集； S2、将原始的YOLOv8网络中骨干网络内的第一个卷积层替换为依次连接的亮度感知评估与分支融合模块、小目标敏感特征提取主干网络以及多尺度上下文注意力模块，替换之后，得到改进的YOLOv8网络； S3、利用数据集对改进的YOLOv8网络进行训练，得到训练后的YOLOv8网络； S4、将训练后的YOLOv8网络部署到设备端，并进行风电叶片叶尖检测，得到检测结果； 所述S2中的亮度感知评估与分支融合模块包括环境感知模块、黑暗分支、明亮分支、全连接层以及激活函数； 其中，环境感知模块的输出端分别与黑暗分支、明亮分支的输入端连接，环境感知模块用于生成连续光照权重，环境感知模块包括第一分支和第二分支，其中第一分支包括深层卷积层，用于提取深层卷积特征Feat，第二分支用于依据风电叶片图像的多维光照特征计算多维亮度特征Handcrafted； 黑暗分支包括多个依次串联的标准卷积层；明亮分支包括增强卷积层，黑暗分支、明亮分支的输出端均与全连接层以及激活函数依次连接； 所述S2中的小目标敏感特征提取主干网络包括依次连接的亮度增强单元LiteRetinex、特征强化单元EEB； 其中亮度增强单元LiteRetinex采用双卷积分支结构，包括并联的5×5卷积层以及15×15卷积层； 特征强化单元EEB包括依次连接的深度可分离卷积层与轻量通道注意力ECA；轻量通道注意力ECA包括依次连接的全局平均池化层、一维卷积层以及Sigmoid激活函数；且特征强化单元EEB的输出通过残差与亮度增强单元LiteRetinex连接； 所述S3具体包括如下步骤： S31、将数据集输入到改进的YOLOv8网络内的亮度感知评估与分支融合模块中，通过亮度感知评估与分支融合模块内的环境感知模块生成连续光照权重，将连续光照权重分别输入到黑暗分支、明亮分支中，将黑暗分支、明亮分支的输出融合后得到融合特征F*； S32、将融合特征F*输入到小目标敏感特征提取主干网络的亮度增强单元LiteRetinex的双卷积分支结构中，进行特征提取并加权融合，得到增强特征；将增强特征输入到特征强化单元EEB中，得到通道权重，然后依据增强特征以及通道权重求解得到输出特征； S33、将输出特征输入到多尺度上下文注意力模块中，得到具有方向感知的上下文特征图； S34、将输入到改进的YOLOv8网络的检测头Head中，得到检测结果； S35、依据检测结果与真实数据构建总损失函数，并通过总损失对改进的YOLOv8网络的参数进行动态调整； S36、判断是否达到迭代停止条件，如果是，则输出得到训练后的YOLOv8网络，否则循环S31至S36，直至达到迭代停止条件； 所述S31具体包括如下步骤： S311、将数据集输入到改进的YOLOv8网络内的亮度感知评估与分支融合模块中，通过环境感知模块中的第一分支，生成深层卷积特征Feat； S312、在环境感知模块中第二分支内，对风电叶片图像的RGB通道进行加权求和，得到； S313、依据风电叶片图像的高度和宽度计算风电叶片图像的对比度C； S314、依据风电叶片图像的锐度、色调标准差、饱和度均值、全图灰度均值以及对比度C计算得到多维亮度特征Handcrafted； S315、将深层卷积特征Feat以及多维亮度特征Handcrafted输入到全连接层中，经过激活函数得到连续光照权重； S316、将连续光照权重对黑暗分支、明亮分支两个分支进行平滑调控并融合，得到融合特征F*； S314中多维亮度特征Handcrafted的计算式如下： 其中，表示风电叶片图像的色调标准差；表示风电叶片图像的饱和度均值；表示对拉普拉斯响应结果取方差；表示对灰度图像施加拉普拉斯算子；为全图灰度均值；表示单一像素的灰度值； S315中连续光照权重的计算式如下： 其中，和b为可学习参数；表示Sigmoid激活函数； S316中融合特征F*的计算式如下： 其中，、分别表示明亮分支与黑暗分支的输出特征图。

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;湖南工程学院，其通讯地址为：410006 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。