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！

龙图腾网获悉福州大学申请的专利基于噪声消除训练和降维注意力机制的安全帽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：CN116758485B 。

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：202310816812.2，技术领域涉及：G06V20/52；该发明授权基于噪声消除训练和降维注意力机制的安全帽检测方法是由柯逍;陈文垚设计研发完成，并于2023-07-05向国家知识产权局提交的专利申请。

本基于噪声消除训练和降维注意力机制的安全帽检测方法在说明书摘要公布了：本发明提出了一种基于噪声消除训练和降维注意力机制的安全帽检测方法，首先通过获取安全帽数据图片以及预处理构建安全帽检测数据集，然后构建噪声消除训练框架代替二分图匹配算法，对每个目标物体的ground‑truth信息添加噪声，引入注意力掩码，对噪声对象进行分组，最后将噪声对象输入Transformer解码器。此外，本发明对Transformer架构中的多头注意力机制进行改进，将关键特征通过一维全局平均池化解耦为一维行特征和一维列特征，然后依次进行行注意力和列注意力，最后进行加权求和。本发明利用子特征融合与跨层感知增强卷积模块构建轻量化的特征提取网络，并将其作为骨干网络加入基于Transformer架构的DETR网络，得到一个轻量化的DETR检测网络。

本发明授权基于噪声消除训练和降维注意力机制的安全帽检测方法在权利要求书中公布了：1.一种基于噪声消除训练和降维注意力机制的安全帽检测方法，其特征在于，包括以下步骤； 步骤S1：获取安全帽数据图片，并预处理，构建安全帽检测数据集； 步骤S2：构建噪声消除训练框架，对每个目标物体的ground-truth信息添加噪声，引入注意力掩码，对噪声对象进行分组，最后将噪声对象输入Transformer解码器； 步骤S3：对Transformer架构中的多头注意力机制进行改进，将关键特征通过一维全局平均池化解耦为一维行特征和一维列特征，然后依次进行行注意力和列注意力，最后对两部分一维注意力结果进行加权求和； 步骤S4：利用子特征融合与跨层感知增强卷积模块构建轻量化的特征提取网络，并将其作为骨干网络加入基于Transformer架构的DETR网络，得到一个轻量化的DETR检测网络； 步骤S5：对DETR目标检测算法的训练超参数进行调优，利用安全帽检测数据集训练DETR目标检测网络得到安全帽检测模型，并利用安全帽检测模型对输入图像进行检测； 步骤S2具体为： 步骤S21：在DETR检测网络中对每个检测物体的类别信息和坐标框信息添加噪声，并在损失函数中添加噪声消除模块的损失； 步骤S22：在DETR检测网络的自注意力模块中添加注意力掩码，将噪声对象分为多个去噪组，注意力掩码被划分为去噪部分和匹配部分，确保匹配部分和去噪部分之间，去噪组和去噪组之间不存在信息交互；注意力掩码的计算方式具体为： 其中，P和M分别表示去噪组和ground-truth对象的数量，N是匹配部分的查询数；注意力掩码的前P×M行和列表示去噪部分，其余表示匹配部分；aij＝1表示第i个查询看不到第j个查询，否则将aij设为0； 步骤S23：将噪声对象输入Transformer解码器，通过学习噪声对象和ground-truth对物体类别和坐标框进行预测；其中ground-truth表示物体类别和坐标框的真实信息； 步骤S21具体为： 步骤S211：加入类别噪声，以给定概率随机将目标物体的真实类别替换为其他的任何一个类别； 步骤S212：加入坐标框噪声，坐标框噪声分为两类：中心点位移和尺度缩放；对于中心点位移，保证中心点仍然在真实框内部并进行随机移动；对于尺度缩放，对坐标框的长和宽进行随机缩放； 步骤S213：在损失函数中添加噪声消除模块的损失，与坐标框损失、类别损失以及其他损失结合作为最终损失值，损失函数的公式如下： 其中，x,y,w,h表示目标对象检测框的预测坐标信息，是目标对象检测框对应的真实坐标；λcoord为边界框预测损失权重，λnoobj为不包含目标对象的预测框的置信度预测损失权重；表示检测对象是否出现在第i个网格中，如果是则为1，否则为0；代表第i个网格中的第j个候选框是否负责预测当前对象，如果是则为1，否则为0；则与的含义相反；表示分类概率，即当前预测框中目标属于某个类别的概率；表示第i个网格中的第j个候选框在预测结果中的置信度，为真实值；Tloss表示网络去噪训练信息；在检测时，图像被划分为S×S个网格，在每个网格中生成B个候选框，c表示目标类别，class表示总类别； 步骤S3具体为： 步骤S31：将二维特征通过一维全局平均池化解耦为一维行特征和一维列特征； 步骤S32：分别对解耦后得到的一维行特征和一维列特征进行行级注意力和列级注意力的处理，注意力权重图具体为： 其中，softmax表示归一化指数函数，e表示自然对数函数的底数，zi为第i个节点的输出值，C为输出节点的个数，即分类的类别个数；Attrow和Attcol分别表示行、列级别的注意力权重图，Nq代表预先设定的查询数量，Qrow和Qcol分别表示行级别和列级别的Query特征，和分别表示行级别和列级别的Key特征的转置，DK表示Key特征的维度，Query、Key和Value是自注意力机制中的特征矩阵； 步骤S33：将经过行注意力和列注意力处理后的结果按行列维度进行加权求和，具体为： 其中，和分别表示对特征按列维度和行维度进行加权求和，V表示Value特征； 步骤S4具体为： 步骤S41：利用卷积模块、逐点卷积模块和深度卷积模块构建三种类型的子特征融合和跨层感知增强模块：SFCE-Block-A、SFCE-Block-B和SFCE-Block-C； 其中，SFCE-Block-A包括3×3卷积模块和1×1逐点卷积模块； SFCE-Block-B依次包括1×1卷积模块、3×3卷积模块、3×3深度卷积模块和1×1逐点卷积模块； SFCE-Block-C依次包括3×3深度卷积模块、1×1卷积模块、3×3卷积模块、1×1卷积模块、3×3卷积模块和3×3深度卷积模块； 用于结合通道信息与空间信息，以增强网络对于细节的捕捉能力； 步骤S42：利用子特征融合和跨层感知增强模块和STEM模块构建轻量化特征提取网络，特征提取网络的第一层使用STEM模块，之后接1个SFCE-Block-A，11个SFCE-Block-B和7个SFCE-Block-C： 步骤S43：利用所述轻量化特征提取网络以及Transformer的解码器和编码器构建形成轻量化DETR目标检测网络。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。