很多 YOLO 项目整理成公开技术文章时最后都会停在“源码 截图 运行命令”的展示层面但如果目标是做专利交底真正要写的不是“我调用了哪个模型”而是“现场遇到什么技术矛盾系统用什么组合手段解决结果如何证明这个组合确实有效”。以“面向边缘设备的复杂场景目标检测自适应增强与误检抑制”项目为例可以把一个边缘 YOLO 项目拆成可写入专利说明书和权利要求的材料专利题目怎么定发明点怎么避开“只是调用开源模型”的弱点说明书如何从技术问题写到具体实施方式权利要求如何抓住核心链路项目源码、真实图片、检测结果、附图和交底文档又如何变成支撑材料。项目本身已经包含完整源码、真实图片验证入口、离线备用流程、中文检测截图、输出 CSV、场景画像图、权利要求草案、专利交底书 Markdown、Word 版交底材料和说明书附图源稿。这些材料不适合在结尾做附件式罗列更应该直接服务于专利文本每个文件支撑哪一个技术问题、哪一个实施步骤、哪一种效果证明。先把发明点从 YOLO 名字里拿出来专利项目最常见的弱点是把题目写成“基于 YOLO 的某某检测系统”。这类题目对项目展示有用但放到专利写作里会显得保护点过窄模型版本可替换检测类别可替换真正值得保护的往往是模型前后的处理链路。本项目更适合的专利名称是一种面向边缘设备的复杂场景目标检测自适应增强与误检抑制方法及系统这个题目把发明点从“YOLO 模型”转移到“边缘复杂场景下的稳定检测机制”。专利题目可以按这个思路组织应用环境 技术矛盾 核心机制 主题类型。这里的应用环境是边缘设备技术矛盾是复杂场景导致漏检和误检核心机制是自适应增强与误检抑制主题类型是方法及系统。写作时不要把yolov8n.pt、YOLO11或某个训练权重写进题目。模型名称可以出现在实施例中但不宜成为权利要求的唯一支点。更稳的写法是目标检测模型可以是 YOLO、RT-DETR、ONNX 检测模型、TensorRT 引擎、OpenVINO 模型或其他部署于边缘设备的检测模型。这样真正被强调的是“场景画像驱动的增强与阈值联动”和“结合区域风险、轨迹稳定性的误检抑制”。项目资源要变成专利证据链专利交底不是把资源目录贴给读者而是把每类项目文件放进对应的专利章节。源码支撑“能够实施”配置支撑“参数可调”运行结果支撑“有益效果”附图源稿支撑“说明书附图”权利要求草案支撑“保护边界”。本项目可以这样使用项目内容具体文件在专利写作中的作用真实 YOLO 验证入口run_real_yolo.py、run_real_yolo.bat使用公开真实图片和 YOLO 小模型跑出实施例结果证明技术链路能落地离线备用验证入口run_demo.py、run.bat、run.sh在没有权重时复现完整流程用于解释固定阈值基线、自适应方案和误检抑制差异场景画像模块src/scene_analyzer.py对应说明书中的“场景画像生成步骤”也对应亮度、对比度、模糊、噪声等从属特征自适应增强模块src/adaptive_enhancer.py对应 Gamma 校正、CLAHE、降噪、锐化等增强参数确定步骤YOLO 适配模块src/yolo_optional_adapter.py说明检测模型可接入 Ultralytics YOLO也可扩展为 ONNX、TensorRT、OpenVINO 等形态轻量候选检测模块src/candidate_detector.py支撑无权重演示流程同时展示动态阈值和候选框筛选逻辑时序误检抑制模块src/temporal_suppressor.py对应连续帧稳定性、区域规则、小框过滤、短时闪烁抑制等权利要求特征统一数据结构src/models.py用SceneProfile和DetectionBox连接不同模型、增强策略、阈值策略和日志输出评估与可视化src/evaluation.py、src/visualization.py支撑指标对比、检测图、场景画像图和项目报告输出配置与任务样例configs/detector_config.json、data/sample_task.json说明目标类别、边缘设备约束、候选阈值、NMS 和自适应策略真实输入图片real_data/input/、real_data/INPUT_SOURCES.md支撑公交街景、夜间道路、雨夜反光、仓储叉车、施工现场等真实场景实施例运行结果images/results/、outputs/支撑检测截图、场景画像、类别统计、检测 CSV 和 JSON 汇总专利材料patent_materials/01_abstract_and_title.md至05_references.md对应摘要、交底书、权利要求、技术方案拆解和参考资料说明书附图源稿patent_materials/drawings/*.mmd可整理成系统架构图、方法流程图、误检抑制图和边缘部署图Word 版交底材料docs/patent_disclosure_and_claims.docx便于提交给老师、企业项目负责人或代理人继续修改权重说明weights/README_WEIGHTS.md说明项目不夹带模型权重真实使用时可下载小模型或替换为自训练权重这个表不是为了列清单而是为了建立“专利证据链”每个主张都能回到项目文件中找到依据。阅读这份材料时技术人员能看到可复用的写法代理人或老师也能快速定位技术方案、实施例、附图和数据来源。技术问题要写现场矛盾不写功能菜单说明书的背景技术不能从“本系统具有图片上传、模型推理、结果展示”等功能开始写。功能菜单只说明项目能做什么不能说明为什么需要这个发明。边缘端目标检测的矛盾更具体夜间道路亮度低车辆尾灯和路面积水会形成强反光仓库和工地有局部强光、遮挡和复杂背景摄像头抖动或目标快速移动后单帧置信度会明显波动。固定阈值在这些场景中容易两头失衡阈值高了弱光或模糊目标被过滤阈值低了反光、噪点和背景纹理又进入报警结果。因此本项目的技术问题可以写成五组1. 低照度、低对比度、运动模糊场景中固定检测阈值容易造成漏检 2. 反光、纹理、噪声和视频压缩失真场景中单帧检测结果容易误报 3. 边缘设备算力有限不适合长期依赖多模型集成或云端复核 4. 传统图像增强与检测阈值相互独立缺少随场景状态联动调整的机制 5. 检测后处理缺少可追溯记录不利于现场调参、报警复核和实施例说明。这里的写法要注意每个技术问题都要能在后文找到对应手段。低照度对应场景画像和自适应增强反光和噪声对应区域规则和误检抑制边缘算力对应轻量指标和可替换模型接口可追溯性对应检测 CSV、场景画像 CSV 和抑制原因记录。写不出对应手段的问题不要硬塞进背景技术。雨夜反光路面这张图没有车辆或行人目标但它很适合作为“反光场景误检抑制”的实施例。增强后路面纹理更清楚YOLO 没有输出有效目标框说明系统不仅要会框出目标也要能在高反光、无目标场景下保持稳定。技术方案要写成链路让模型成为可替换模块专利说明书中的技术方案要让本领域技术人员看完后知道如何实施。该方案可以整理为七个连续步骤S1获取边缘设备采集的图像帧 S2计算亮度、对比度、模糊、噪声和区域异常生成场景画像 S3根据场景画像确定 Gamma、CLAHE、降噪、锐化和尺度参数 S4将增强图像输入目标检测模型得到候选框、类别和置信度 S5根据场景画像和候选框信息确定动态检测阈值 S6结合连续帧轨迹、区域位置、候选框尺寸和类别一致性抑制误检 S7输出最终检测结果并记录保留或抑制原因。对应到源码run_real_yolo.py读取真实图片后会先缩放到稳定推理尺寸再调用analyze_scene()生成场景画像调用enhance_image()生成增强图然后分别对原图和增强图运行 YOLO。增强后的检测结果不会直接照单全收而是继续按dynamic_confidence_threshold()计算当前场景的阈值过滤低置信度候选框并保存中文标注图、检测 CSV 和 JSON 汇总。关键是把 YOLO 表述为“目标检测推理模块”而不是把它写成整个发明。说明书可以说实施例中接入 Ultralytics YOLO 小模型但权利要求应保留“目标检测模型”这个抽象层。只要模型输出能转换为统一DetectionBox后续的场景画像、增强、动态阈值、时序抑制和记录机制就能复用。场景画像和增强要写成可实施特征算法类专利材料最怕只写“系统利用人工智能自动判断场景并优化图像”。这种说法看起来高级但缺少可实施细节。该方案的优势是指标轻量、逻辑清楚适合写入说明书和从属权利要求。场景画像部分使用 OpenCV 计算灰度均值、标准差、拉普拉斯方差和高斯残差。它们分别对应亮度、对比度、模糊响应和噪声响应适合在 CPU 或低功耗边缘设备上执行。graycv2.cvtColor(image_bgr,cv2.COLOR_BGR2GRAY)brightnessfloat(np.mean(gray))contrastfloat(np.std(gray))blur_scorefloat(cv2.Laplacian(gray,cv2.CV_64F).var())smoothcv2.GaussianBlur(gray,(5,5),0)residualgray.astype(np.float32)-smooth.astype(np.float32)noise_scorefloat(np.std(residual))这段代码可以转成专利语言在一个实施例中场景画像分析模块计算输入帧的灰度均值作为亮度指标计算灰度标准差作为对比度指标计算拉普拉斯方差作为模糊指标并计算高斯平滑残差的标准差作为噪声指标根据上述指标生成低照度、低对比度、运动模糊、传感器噪声或正常场景标签。自适应增强则根据场景标签组合策略低照度时执行 Gamma 校正和 CLAHE低对比度时增强局部对比度噪声场景先降噪模糊场景再做轻量锐化。增强参数会写入SceneProfile.enhancement_params后续可以保存到 CSV作为调参和实施例记录。写从属权利要求时具体阈值可以作为实施例出现但不要把保护范围锁死在某个数字上。更稳的表达是“亮度指标低于预设亮度阈值时”“噪声指标高于预设噪声阈值时”“根据场景标签确定至少一种增强参数”。这样既有实现细节又给不同摄像头、不同模型、不同边缘设备留下调整空间。动态阈值和误检抑制要写出联动关系固定conf0.25或conf0.5只是部署参数通常不足以成为强发明点。本项目更有价值的地方是阈值由场景画像动态确定并与后续误检抑制联动。项目中的动态阈值逻辑如下threshold0.48iflow_lightinprofile.scene_tagsorlow_contrastinprofile.scene_tags:threshold-0.08ifmotion_blurinprofile.scene_tags:threshold-0.04ifsensor_noiseinprofile.scene_tags:threshold0.08专利文本不应写死“阈值为 0.48”。更合适的写法是动态检测阈值根据场景标签、候选检测框置信度分布、候选检测框面积、候选检测框所在区域和目标类别中的至少两项联合确定当场景画像包括低照度或低对比度标签时降低候选框保留阈值当场景画像包括噪声或反光风险标签时提高误检风险区域的候选框筛选阈值。夜间道路场景中车辆受距离、车灯、阴影和运动模糊影响检测置信度分布并不均匀。增强后检测仍以汽车和公交车为主动态阈值保留了置信度较稳定的目标同时过滤掉部分低置信度候选。误检抑制则要从单帧扩展到连续帧。反光、背景纹理、压缩噪声、小亮点通常会一闪而过真正的车辆、人员或设备目标则更可能在连续帧中保持位置和类别上的稳定性。src/temporal_suppressor.py保留了一个轻量的 track-before-accept 过滤器。它会为候选框分配轨迹 ID并根据 IoU、命中次数、框尺寸、顶部高亮带、侧边反光区、小框稳定性等规则决定是否抑制。说明书中可表述为对连续图像帧中的候选检测框进行时序关联计算当前候选框与历史轨迹框之间的交并比、中心点距离和类别一致性若候选框仅在单帧出现、位于预设反光区域、尺寸小于小目标阈值且置信度低于场景自适应阈值则将其标记为误检候选并抑制若候选框在连续帧中稳定出现则即使单帧置信度略低也可保留为有效目标。这里可以拆出多个从属权利要求时序关联、反光区域、小目标不稳定过滤、抑制原因记录。比起只写“采用跟踪算法去除误检”这种写法更清楚也更贴近项目代码。权利要求独立项守住组合从属项展开细节权利要求不是说明书的压缩版而是保护范围的表达。这个项目的独立权利要求应抓住完整方法链路而不是抓某个模型或某个参数。可以这样写权利要求 1一种面向边缘设备的复杂场景目标检测自适应增强与误检抑制方法其特征在于包括 获取边缘设备采集的图像帧 对所述图像帧进行场景画像分析得到包括亮度指标、对比度指标、模糊指标、噪声指标和区域异常指标的场景画像 根据所述场景画像确定图像增强参数并基于所述图像增强参数对所述图像帧执行自适应增强得到增强图像 将所述增强图像输入目标检测模型得到候选检测框、类别信息和置信度信息 根据所述场景画像和所述置信度信息确定动态检测阈值并对所述候选检测框进行初步筛选 对连续图像帧中的候选检测框进行时序关联根据候选检测框的连续出现次数、位置稳定性、区域位置和类别一致性判断候选检测框是否为误检 抑制被判定为误检的候选检测框输出保留的目标检测结果及其误检抑制记录。从属权利要求再拆项目中的真实技术点从属方向可限定内容场景画像指标灰度均值、灰度标准差、拉普拉斯方差、平滑残差、区域高亮分布增强参数Gamma、CLAHE、降噪强度、锐化参数、输入尺度、候选保留阈值场景联动规则低照度降低阈值噪声或反光区域提高筛选要求检测模型兼容YOLO、RT-DETR、ONNX、TensorRT、OpenVINO 或其他边缘检测模型候选框统一结构坐标、类别、置信度、来源模型、帧号、轨迹 ID时序关联IoU、中心点距离、类别一致性、连续命中次数区域误检过滤顶部强光带、侧边反光区、背景纹理区、小目标不稳定区输出记录场景画像、增强参数、动态阈值、抑制规则、抑制原因系统权利要求图像采集、场景画像、自适应增强、检测推理、动态阈值、时序抑制、结果输出、配置管理设备和介质权利要求电子设备、计算机可读存储介质权利要求处理时注意四点。第一独立权利要求不要写得像代码执行日志。它要保留必要步骤但不要把文件名、模型权重、具体图片路径写进去。第二从属权利要求不要只重复独立权利要求。每一条都应增加一个新的技术特征例如具体的画像指标、增强参数、区域规则或日志字段。第三实施例可以具体保护范围要适度抽象。yolov8n.pt、5 张公开图片、0.48 这样的数值适合放在实施例中不适合成为唯一保护边界。第四算法要落在技术场景中写。该方案不是单纯数学规则而是围绕边缘摄像头图像处理、目标检测、误检抑制和结果输出的技术链路。用运行结果支撑有益效果有益效果不能只写“提高准确率”“降低误报率”。最好把效果和项目输出对应起来清楚交代数据来源和适用范围。第一组是真实图片 YOLO 小模型验证。run_real_yolo.py使用 5 张公开真实图片覆盖公交街景、夜间道路、雨夜反光路面、仓储叉车和施工现场。运行后原图 YOLO 共得到 23 个候选检测框自适应增强后按动态阈值保留 16 个有效检测框类别包括人员、汽车和公交车。关键输出文件包括images/results/real_yolo_detection_grid.png images/results/real_scene_profiles.png images/results/real_yolo_detection_counts.png outputs/real_yolo_detections_detailed.csv outputs/real_scene_profiles.csv outputs/real_yolo_summary.json公交街景中模型能同时识别公交车和多名行人。街景里有玻璃反射、遮挡和边缘人物项目保留统一DetectionBox数据结构方便后续把 YOLO 输出继续送入区域规则、轨迹稳定性和日志记录模块。仓储叉车场景中YOLO 小模型没有专门的“叉车”类别但仍能识别驾驶员为人员。这个场景说明专利方案不应绑定单一类别真实工程里可以替换为叉车、安全帽、反光衣或工业缺陷模型而场景画像、增强、动态阈值和误检抑制链路仍然复用。施工现场图像包含远近不同的人员目标。结果图使用中文标签和置信度便于放入项目报告、专利实施例或软著说明书。进一步完善实施例时可以补充 FPS、端侧延迟、模型格式、设备温度和误报率统计。第二组是离线备用验证。run_demo.py会自动生成 12 帧合成复杂场景序列用轻量候选检测器模拟候选框再执行自适应增强、动态阈值和时序误检抑制流程。该流程不依赖 YOLO 权重适合展示“固定阈值基线”和“自适应方案”的差异。离线验证结果中固定阈值基线 precision、recall、F1 分别为 0.7632、0.8788、0.8169自适应增强与时序误检抑制方案分别为 0.9118、0.9394、0.9254。固定阈值基线precision0.7632recall0.8788F10.8169 自适应方案precision0.9118recall0.9394F10.9254 合成帧数12 基线检测数38 自适应候选数43 自适应保留数34 抑制检测数9这组数据不能夸大成真实业务指标因为它来自合成序列但它可以支撑“算法流程可复现”“固定阈值与自适应方案存在可观察差异”。真实 YOLO 结果用于证明项目可接入真实模型和公开图片离线结果用于解释技术链路为什么有效。摘要、附图和交底包要为申请服务说明书摘要不是文章摘要也不是资源简介。它要写清发明名称、所属技术领域、解决的技术问题、技术方案要点和主要用途不能写成广告语。本项目摘要可以压缩为本发明公开了一种面向边缘设备的复杂场景目标检测自适应增强与误检抑制方法及系统属于计算机视觉、边缘人工智能和目标检测技术领域。该方法获取边缘摄像头采集的图像或视频帧计算亮度、对比度、模糊程度、噪声强度和区域反光特征以生成场景画像根据场景画像自适应确定图像增强参数和检测阈值参数将增强后的图像输入目标检测模型得到候选检测框再基于置信度、目标尺寸、目标区域、连续帧轨迹和候选框稳定性抑制短时反光、背景纹理、边缘噪声和小区域闪烁误检输出经校验的目标检测结果和可追溯记录。该方案适用于弱光、遮挡、运动模糊、反光和低算力边缘设备场景。如果配摘要附图应优先选择系统架构图或方法流程图而不是检测效果截图。检测截图适合放在实施例和效果展示中摘要附图更适合展示技术特征之间的关系。本项目已经准备了说明书附图源稿patent_materials/drawings/figure_1_system_architecture.mmd patent_materials/drawings/figure_2_method_flow.mmd patent_materials/drawings/figure_3_false_alarm_suppression.mmd patent_materials/drawings/figure_4_edge_deployment.mmd附图可以这样安排附图建议标题说明重点图 1系统结构示意图图像采集、场景画像、自适应增强、检测推理、动态阈值、误检抑制、结果输出图 2方法流程示意图S1 到 S7 的完整流程图 3误检抑制流程示意图区域规则、小目标稳定性、连续帧命中、抑制原因记录图 4边缘部署示意图摄像头、边缘设备、模型推理、日志输出和报警系统申请前交底材料可以按以下清单整理1. 专利名称来自 patent_materials/01_abstract_and_title.md 2. 摘要与关键词说明技术领域、技术问题、方案要点和用途 3. 背景技术围绕低照度、反光、噪声、模糊、固定阈值、边缘算力约束展开 4. 发明目的说明要解决漏检、误检、增强阈值割裂、后处理不可追溯等问题 5. 技术方案整理为 S1-S7 的完整检测链路 6. 系统组成图像采集、场景画像、自适应增强、检测推理、动态阈值、时序抑制、输出记录、配置管理 7. 有益效果结合真实 YOLO 输出和离线基线对比不夸大数据 8. 具体实施方式对应 run_real_yolo.py、run_demo.py 和 src/ 下各模块 9. 权利要求书使用 patent_materials/03_claims_draft.md 作为初稿 10. 附图使用 patent_materials/drawings/ 下的流程图和架构图源稿 11. 实验或运行证据使用 images/results/ 和 outputs/ 下的图表、CSV、JSON 12. 参考资料保留 YOLO、OpenCV、跟踪算法和国家知识产权局相关规范链接。这里还有一个重要取舍交底书要尽量公开到“本领域技术人员能够实施”权利要求则要避免被某个实现细节过度限定。源码、运行结果、配置和图片是实施例证据权利要求要抽象出“为什么这套组合在边缘复杂场景中解决了漏检和误检”的技术关系。总结围绕该项目整理专利材料时重点不是夸 YOLO 模型多强也不是把资源文件逐个介绍一遍而是把工程材料转化成专利语言源码说明实施方式真实图片说明应用场景输出图表说明技术效果配置文件说明参数可调专利材料说明保护边界。从发明点角度看该项目的核心是一条可实现、可验证、可写入权利要求的边缘检测链路场景画像、自适应增强、动态阈值、统一候选框接口、时序误检抑制和可追溯记录。正式申请前还应结合具体产品、真实业务数据、已有专利检索和代理人意见继续收窄权利要求。上述内容用于技术方案梳理、项目展示和专利交底书初稿准备不构成专利授权、法律意见或可授权性承诺。参考资料与图片来源国家知识产权局专利申请相关事项介绍https://www.cnipa.gov.cn/art/2020/6/5/art_1517_92472.html国家知识产权局中华人民共和国专利法实施细则2023 年修订https://www.cnipa.gov.cn/art/2023/12/21/art_98_189197.html国家知识产权局《专利审查指南》https://www.cnipa.gov.cn/attach/0/da9d262dfdfa4b9d82910c98cc3b7cbd.pdf国家知识产权局关于修改《专利审查指南》的决定局令第 84 号https://www.cnipa.gov.cn/art/2025/11/13/art_99_202568.htmlUltralytics YOLO 文档https://docs.ultralytics.com/Ultralytics Predict 模式文档https://docs.ultralytics.com/modes/predict/Ultralytics Export 模式文档https://docs.ultralytics.com/modes/export/OpenCV CLAHE 文档https://docs.opencv.org/4.x/d6/db6/classcv_1_1CLAHE.htmlByteTrack 论文https://arxiv.org/abs/2110.06864BoT-SORT 论文https://arxiv.org/abs/2206.14651仓储叉车图片https://commons.wikimedia.org/wiki/File:Workers_drive_Forklifts_laden_with_USAID_goods_inside_a_large_warehouse_-20110826-FS-LSC-0222-Flickr-_USDAgov.jpg施工现场图片https://commons.wikimedia.org/wiki/File:Construction_workers_not_wearing_fall_protection_equipment.jpg雨夜反光路面图片https://commons.wikimedia.org/wiki/File:Crosswalk_at_night_(51749543044).jpg夜间道路图片https://commons.wikimedia.org/wiki/File:Cars_are_driving_down_the_street_at_night_2025.jpg公交街景图片https://ultralytics.com/images/bus.jpg
边缘 YOLO 自适应检测项目：从工程实现到发明专利写法
发布时间：2026/6/4 12:47:11
很多 YOLO 项目整理成公开技术文章时最后都会停在“源码 截图 运行命令”的展示层面但如果目标是做专利交底真正要写的不是“我调用了哪个模型”而是“现场遇到什么技术矛盾系统用什么组合手段解决结果如何证明这个组合确实有效”。以“面向边缘设备的复杂场景目标检测自适应增强与误检抑制”项目为例可以把一个边缘 YOLO 项目拆成可写入专利说明书和权利要求的材料专利题目怎么定发明点怎么避开“只是调用开源模型”的弱点说明书如何从技术问题写到具体实施方式权利要求如何抓住核心链路项目源码、真实图片、检测结果、附图和交底文档又如何变成支撑材料。项目本身已经包含完整源码、真实图片验证入口、离线备用流程、中文检测截图、输出 CSV、场景画像图、权利要求草案、专利交底书 Markdown、Word 版交底材料和说明书附图源稿。这些材料不适合在结尾做附件式罗列更应该直接服务于专利文本每个文件支撑哪一个技术问题、哪一个实施步骤、哪一种效果证明。先把发明点从 YOLO 名字里拿出来专利项目最常见的弱点是把题目写成“基于 YOLO 的某某检测系统”。这类题目对项目展示有用但放到专利写作里会显得保护点过窄模型版本可替换检测类别可替换真正值得保护的往往是模型前后的处理链路。本项目更适合的专利名称是一种面向边缘设备的复杂场景目标检测自适应增强与误检抑制方法及系统这个题目把发明点从“YOLO 模型”转移到“边缘复杂场景下的稳定检测机制”。专利题目可以按这个思路组织应用环境 技术矛盾 核心机制 主题类型。这里的应用环境是边缘设备技术矛盾是复杂场景导致漏检和误检核心机制是自适应增强与误检抑制主题类型是方法及系统。写作时不要把yolov8n.pt、YOLO11或某个训练权重写进题目。模型名称可以出现在实施例中但不宜成为权利要求的唯一支点。更稳的写法是目标检测模型可以是 YOLO、RT-DETR、ONNX 检测模型、TensorRT 引擎、OpenVINO 模型或其他部署于边缘设备的检测模型。这样真正被强调的是“场景画像驱动的增强与阈值联动”和“结合区域风险、轨迹稳定性的误检抑制”。项目资源要变成专利证据链专利交底不是把资源目录贴给读者而是把每类项目文件放进对应的专利章节。源码支撑“能够实施”配置支撑“参数可调”运行结果支撑“有益效果”附图源稿支撑“说明书附图”权利要求草案支撑“保护边界”。本项目可以这样使用项目内容具体文件在专利写作中的作用真实 YOLO 验证入口run_real_yolo.py、run_real_yolo.bat使用公开真实图片和 YOLO 小模型跑出实施例结果证明技术链路能落地离线备用验证入口run_demo.py、run.bat、run.sh在没有权重时复现完整流程用于解释固定阈值基线、自适应方案和误检抑制差异场景画像模块src/scene_analyzer.py对应说明书中的“场景画像生成步骤”也对应亮度、对比度、模糊、噪声等从属特征自适应增强模块src/adaptive_enhancer.py对应 Gamma 校正、CLAHE、降噪、锐化等增强参数确定步骤YOLO 适配模块src/yolo_optional_adapter.py说明检测模型可接入 Ultralytics YOLO也可扩展为 ONNX、TensorRT、OpenVINO 等形态轻量候选检测模块src/candidate_detector.py支撑无权重演示流程同时展示动态阈值和候选框筛选逻辑时序误检抑制模块src/temporal_suppressor.py对应连续帧稳定性、区域规则、小框过滤、短时闪烁抑制等权利要求特征统一数据结构src/models.py用SceneProfile和DetectionBox连接不同模型、增强策略、阈值策略和日志输出评估与可视化src/evaluation.py、src/visualization.py支撑指标对比、检测图、场景画像图和项目报告输出配置与任务样例configs/detector_config.json、data/sample_task.json说明目标类别、边缘设备约束、候选阈值、NMS 和自适应策略真实输入图片real_data/input/、real_data/INPUT_SOURCES.md支撑公交街景、夜间道路、雨夜反光、仓储叉车、施工现场等真实场景实施例运行结果images/results/、outputs/支撑检测截图、场景画像、类别统计、检测 CSV 和 JSON 汇总专利材料patent_materials/01_abstract_and_title.md至05_references.md对应摘要、交底书、权利要求、技术方案拆解和参考资料说明书附图源稿patent_materials/drawings/*.mmd可整理成系统架构图、方法流程图、误检抑制图和边缘部署图Word 版交底材料docs/patent_disclosure_and_claims.docx便于提交给老师、企业项目负责人或代理人继续修改权重说明weights/README_WEIGHTS.md说明项目不夹带模型权重真实使用时可下载小模型或替换为自训练权重这个表不是为了列清单而是为了建立“专利证据链”每个主张都能回到项目文件中找到依据。阅读这份材料时技术人员能看到可复用的写法代理人或老师也能快速定位技术方案、实施例、附图和数据来源。技术问题要写现场矛盾不写功能菜单说明书的背景技术不能从“本系统具有图片上传、模型推理、结果展示”等功能开始写。功能菜单只说明项目能做什么不能说明为什么需要这个发明。边缘端目标检测的矛盾更具体夜间道路亮度低车辆尾灯和路面积水会形成强反光仓库和工地有局部强光、遮挡和复杂背景摄像头抖动或目标快速移动后单帧置信度会明显波动。固定阈值在这些场景中容易两头失衡阈值高了弱光或模糊目标被过滤阈值低了反光、噪点和背景纹理又进入报警结果。因此本项目的技术问题可以写成五组1. 低照度、低对比度、运动模糊场景中固定检测阈值容易造成漏检 2. 反光、纹理、噪声和视频压缩失真场景中单帧检测结果容易误报 3. 边缘设备算力有限不适合长期依赖多模型集成或云端复核 4. 传统图像增强与检测阈值相互独立缺少随场景状态联动调整的机制 5. 检测后处理缺少可追溯记录不利于现场调参、报警复核和实施例说明。这里的写法要注意每个技术问题都要能在后文找到对应手段。低照度对应场景画像和自适应增强反光和噪声对应区域规则和误检抑制边缘算力对应轻量指标和可替换模型接口可追溯性对应检测 CSV、场景画像 CSV 和抑制原因记录。写不出对应手段的问题不要硬塞进背景技术。雨夜反光路面这张图没有车辆或行人目标但它很适合作为“反光场景误检抑制”的实施例。增强后路面纹理更清楚YOLO 没有输出有效目标框说明系统不仅要会框出目标也要能在高反光、无目标场景下保持稳定。技术方案要写成链路让模型成为可替换模块专利说明书中的技术方案要让本领域技术人员看完后知道如何实施。该方案可以整理为七个连续步骤S1获取边缘设备采集的图像帧 S2计算亮度、对比度、模糊、噪声和区域异常生成场景画像 S3根据场景画像确定 Gamma、CLAHE、降噪、锐化和尺度参数 S4将增强图像输入目标检测模型得到候选框、类别和置信度 S5根据场景画像和候选框信息确定动态检测阈值 S6结合连续帧轨迹、区域位置、候选框尺寸和类别一致性抑制误检 S7输出最终检测结果并记录保留或抑制原因。对应到源码run_real_yolo.py读取真实图片后会先缩放到稳定推理尺寸再调用analyze_scene()生成场景画像调用enhance_image()生成增强图然后分别对原图和增强图运行 YOLO。增强后的检测结果不会直接照单全收而是继续按dynamic_confidence_threshold()计算当前场景的阈值过滤低置信度候选框并保存中文标注图、检测 CSV 和 JSON 汇总。关键是把 YOLO 表述为“目标检测推理模块”而不是把它写成整个发明。说明书可以说实施例中接入 Ultralytics YOLO 小模型但权利要求应保留“目标检测模型”这个抽象层。只要模型输出能转换为统一DetectionBox后续的场景画像、增强、动态阈值、时序抑制和记录机制就能复用。场景画像和增强要写成可实施特征算法类专利材料最怕只写“系统利用人工智能自动判断场景并优化图像”。这种说法看起来高级但缺少可实施细节。该方案的优势是指标轻量、逻辑清楚适合写入说明书和从属权利要求。场景画像部分使用 OpenCV 计算灰度均值、标准差、拉普拉斯方差和高斯残差。它们分别对应亮度、对比度、模糊响应和噪声响应适合在 CPU 或低功耗边缘设备上执行。graycv2.cvtColor(image_bgr,cv2.COLOR_BGR2GRAY)brightnessfloat(np.mean(gray))contrastfloat(np.std(gray))blur_scorefloat(cv2.Laplacian(gray,cv2.CV_64F).var())smoothcv2.GaussianBlur(gray,(5,5),0)residualgray.astype(np.float32)-smooth.astype(np.float32)noise_scorefloat(np.std(residual))这段代码可以转成专利语言在一个实施例中场景画像分析模块计算输入帧的灰度均值作为亮度指标计算灰度标准差作为对比度指标计算拉普拉斯方差作为模糊指标并计算高斯平滑残差的标准差作为噪声指标根据上述指标生成低照度、低对比度、运动模糊、传感器噪声或正常场景标签。自适应增强则根据场景标签组合策略低照度时执行 Gamma 校正和 CLAHE低对比度时增强局部对比度噪声场景先降噪模糊场景再做轻量锐化。增强参数会写入SceneProfile.enhancement_params后续可以保存到 CSV作为调参和实施例记录。写从属权利要求时具体阈值可以作为实施例出现但不要把保护范围锁死在某个数字上。更稳的表达是“亮度指标低于预设亮度阈值时”“噪声指标高于预设噪声阈值时”“根据场景标签确定至少一种增强参数”。这样既有实现细节又给不同摄像头、不同模型、不同边缘设备留下调整空间。动态阈值和误检抑制要写出联动关系固定conf0.25或conf0.5只是部署参数通常不足以成为强发明点。本项目更有价值的地方是阈值由场景画像动态确定并与后续误检抑制联动。项目中的动态阈值逻辑如下threshold0.48iflow_lightinprofile.scene_tagsorlow_contrastinprofile.scene_tags:threshold-0.08ifmotion_blurinprofile.scene_tags:threshold-0.04ifsensor_noiseinprofile.scene_tags:threshold0.08专利文本不应写死“阈值为 0.48”。更合适的写法是动态检测阈值根据场景标签、候选检测框置信度分布、候选检测框面积、候选检测框所在区域和目标类别中的至少两项联合确定当场景画像包括低照度或低对比度标签时降低候选框保留阈值当场景画像包括噪声或反光风险标签时提高误检风险区域的候选框筛选阈值。夜间道路场景中车辆受距离、车灯、阴影和运动模糊影响检测置信度分布并不均匀。增强后检测仍以汽车和公交车为主动态阈值保留了置信度较稳定的目标同时过滤掉部分低置信度候选。误检抑制则要从单帧扩展到连续帧。反光、背景纹理、压缩噪声、小亮点通常会一闪而过真正的车辆、人员或设备目标则更可能在连续帧中保持位置和类别上的稳定性。src/temporal_suppressor.py保留了一个轻量的 track-before-accept 过滤器。它会为候选框分配轨迹 ID并根据 IoU、命中次数、框尺寸、顶部高亮带、侧边反光区、小框稳定性等规则决定是否抑制。说明书中可表述为对连续图像帧中的候选检测框进行时序关联计算当前候选框与历史轨迹框之间的交并比、中心点距离和类别一致性若候选框仅在单帧出现、位于预设反光区域、尺寸小于小目标阈值且置信度低于场景自适应阈值则将其标记为误检候选并抑制若候选框在连续帧中稳定出现则即使单帧置信度略低也可保留为有效目标。这里可以拆出多个从属权利要求时序关联、反光区域、小目标不稳定过滤、抑制原因记录。比起只写“采用跟踪算法去除误检”这种写法更清楚也更贴近项目代码。权利要求独立项守住组合从属项展开细节权利要求不是说明书的压缩版而是保护范围的表达。这个项目的独立权利要求应抓住完整方法链路而不是抓某个模型或某个参数。可以这样写权利要求 1一种面向边缘设备的复杂场景目标检测自适应增强与误检抑制方法其特征在于包括 获取边缘设备采集的图像帧 对所述图像帧进行场景画像分析得到包括亮度指标、对比度指标、模糊指标、噪声指标和区域异常指标的场景画像 根据所述场景画像确定图像增强参数并基于所述图像增强参数对所述图像帧执行自适应增强得到增强图像 将所述增强图像输入目标检测模型得到候选检测框、类别信息和置信度信息 根据所述场景画像和所述置信度信息确定动态检测阈值并对所述候选检测框进行初步筛选 对连续图像帧中的候选检测框进行时序关联根据候选检测框的连续出现次数、位置稳定性、区域位置和类别一致性判断候选检测框是否为误检 抑制被判定为误检的候选检测框输出保留的目标检测结果及其误检抑制记录。从属权利要求再拆项目中的真实技术点从属方向可限定内容场景画像指标灰度均值、灰度标准差、拉普拉斯方差、平滑残差、区域高亮分布增强参数Gamma、CLAHE、降噪强度、锐化参数、输入尺度、候选保留阈值场景联动规则低照度降低阈值噪声或反光区域提高筛选要求检测模型兼容YOLO、RT-DETR、ONNX、TensorRT、OpenVINO 或其他边缘检测模型候选框统一结构坐标、类别、置信度、来源模型、帧号、轨迹 ID时序关联IoU、中心点距离、类别一致性、连续命中次数区域误检过滤顶部强光带、侧边反光区、背景纹理区、小目标不稳定区输出记录场景画像、增强参数、动态阈值、抑制规则、抑制原因系统权利要求图像采集、场景画像、自适应增强、检测推理、动态阈值、时序抑制、结果输出、配置管理设备和介质权利要求电子设备、计算机可读存储介质权利要求处理时注意四点。第一独立权利要求不要写得像代码执行日志。它要保留必要步骤但不要把文件名、模型权重、具体图片路径写进去。第二从属权利要求不要只重复独立权利要求。每一条都应增加一个新的技术特征例如具体的画像指标、增强参数、区域规则或日志字段。第三实施例可以具体保护范围要适度抽象。yolov8n.pt、5 张公开图片、0.48 这样的数值适合放在实施例中不适合成为唯一保护边界。第四算法要落在技术场景中写。该方案不是单纯数学规则而是围绕边缘摄像头图像处理、目标检测、误检抑制和结果输出的技术链路。用运行结果支撑有益效果有益效果不能只写“提高准确率”“降低误报率”。最好把效果和项目输出对应起来清楚交代数据来源和适用范围。第一组是真实图片 YOLO 小模型验证。run_real_yolo.py使用 5 张公开真实图片覆盖公交街景、夜间道路、雨夜反光路面、仓储叉车和施工现场。运行后原图 YOLO 共得到 23 个候选检测框自适应增强后按动态阈值保留 16 个有效检测框类别包括人员、汽车和公交车。关键输出文件包括images/results/real_yolo_detection_grid.png images/results/real_scene_profiles.png images/results/real_yolo_detection_counts.png outputs/real_yolo_detections_detailed.csv outputs/real_scene_profiles.csv outputs/real_yolo_summary.json公交街景中模型能同时识别公交车和多名行人。街景里有玻璃反射、遮挡和边缘人物项目保留统一DetectionBox数据结构方便后续把 YOLO 输出继续送入区域规则、轨迹稳定性和日志记录模块。仓储叉车场景中YOLO 小模型没有专门的“叉车”类别但仍能识别驾驶员为人员。这个场景说明专利方案不应绑定单一类别真实工程里可以替换为叉车、安全帽、反光衣或工业缺陷模型而场景画像、增强、动态阈值和误检抑制链路仍然复用。施工现场图像包含远近不同的人员目标。结果图使用中文标签和置信度便于放入项目报告、专利实施例或软著说明书。进一步完善实施例时可以补充 FPS、端侧延迟、模型格式、设备温度和误报率统计。第二组是离线备用验证。run_demo.py会自动生成 12 帧合成复杂场景序列用轻量候选检测器模拟候选框再执行自适应增强、动态阈值和时序误检抑制流程。该流程不依赖 YOLO 权重适合展示“固定阈值基线”和“自适应方案”的差异。离线验证结果中固定阈值基线 precision、recall、F1 分别为 0.7632、0.8788、0.8169自适应增强与时序误检抑制方案分别为 0.9118、0.9394、0.9254。固定阈值基线precision0.7632recall0.8788F10.8169 自适应方案precision0.9118recall0.9394F10.9254 合成帧数12 基线检测数38 自适应候选数43 自适应保留数34 抑制检测数9这组数据不能夸大成真实业务指标因为它来自合成序列但它可以支撑“算法流程可复现”“固定阈值与自适应方案存在可观察差异”。真实 YOLO 结果用于证明项目可接入真实模型和公开图片离线结果用于解释技术链路为什么有效。摘要、附图和交底包要为申请服务说明书摘要不是文章摘要也不是资源简介。它要写清发明名称、所属技术领域、解决的技术问题、技术方案要点和主要用途不能写成广告语。本项目摘要可以压缩为本发明公开了一种面向边缘设备的复杂场景目标检测自适应增强与误检抑制方法及系统属于计算机视觉、边缘人工智能和目标检测技术领域。该方法获取边缘摄像头采集的图像或视频帧计算亮度、对比度、模糊程度、噪声强度和区域反光特征以生成场景画像根据场景画像自适应确定图像增强参数和检测阈值参数将增强后的图像输入目标检测模型得到候选检测框再基于置信度、目标尺寸、目标区域、连续帧轨迹和候选框稳定性抑制短时反光、背景纹理、边缘噪声和小区域闪烁误检输出经校验的目标检测结果和可追溯记录。该方案适用于弱光、遮挡、运动模糊、反光和低算力边缘设备场景。如果配摘要附图应优先选择系统架构图或方法流程图而不是检测效果截图。检测截图适合放在实施例和效果展示中摘要附图更适合展示技术特征之间的关系。本项目已经准备了说明书附图源稿patent_materials/drawings/figure_1_system_architecture.mmd patent_materials/drawings/figure_2_method_flow.mmd patent_materials/drawings/figure_3_false_alarm_suppression.mmd patent_materials/drawings/figure_4_edge_deployment.mmd附图可以这样安排附图建议标题说明重点图 1系统结构示意图图像采集、场景画像、自适应增强、检测推理、动态阈值、误检抑制、结果输出图 2方法流程示意图S1 到 S7 的完整流程图 3误检抑制流程示意图区域规则、小目标稳定性、连续帧命中、抑制原因记录图 4边缘部署示意图摄像头、边缘设备、模型推理、日志输出和报警系统申请前交底材料可以按以下清单整理1. 专利名称来自 patent_materials/01_abstract_and_title.md 2. 摘要与关键词说明技术领域、技术问题、方案要点和用途 3. 背景技术围绕低照度、反光、噪声、模糊、固定阈值、边缘算力约束展开 4. 发明目的说明要解决漏检、误检、增强阈值割裂、后处理不可追溯等问题 5. 技术方案整理为 S1-S7 的完整检测链路 6. 系统组成图像采集、场景画像、自适应增强、检测推理、动态阈值、时序抑制、输出记录、配置管理 7. 有益效果结合真实 YOLO 输出和离线基线对比不夸大数据 8. 具体实施方式对应 run_real_yolo.py、run_demo.py 和 src/ 下各模块 9. 权利要求书使用 patent_materials/03_claims_draft.md 作为初稿 10. 附图使用 patent_materials/drawings/ 下的流程图和架构图源稿 11. 实验或运行证据使用 images/results/ 和 outputs/ 下的图表、CSV、JSON 12. 参考资料保留 YOLO、OpenCV、跟踪算法和国家知识产权局相关规范链接。这里还有一个重要取舍交底书要尽量公开到“本领域技术人员能够实施”权利要求则要避免被某个实现细节过度限定。源码、运行结果、配置和图片是实施例证据权利要求要抽象出“为什么这套组合在边缘复杂场景中解决了漏检和误检”的技术关系。总结围绕该项目整理专利材料时重点不是夸 YOLO 模型多强也不是把资源文件逐个介绍一遍而是把工程材料转化成专利语言源码说明实施方式真实图片说明应用场景输出图表说明技术效果配置文件说明参数可调专利材料说明保护边界。从发明点角度看该项目的核心是一条可实现、可验证、可写入权利要求的边缘检测链路场景画像、自适应增强、动态阈值、统一候选框接口、时序误检抑制和可追溯记录。正式申请前还应结合具体产品、真实业务数据、已有专利检索和代理人意见继续收窄权利要求。上述内容用于技术方案梳理、项目展示和专利交底书初稿准备不构成专利授权、法律意见或可授权性承诺。参考资料与图片来源国家知识产权局专利申请相关事项介绍https://www.cnipa.gov.cn/art/2020/6/5/art_1517_92472.html国家知识产权局中华人民共和国专利法实施细则2023 年修订https://www.cnipa.gov.cn/art/2023/12/21/art_98_189197.html国家知识产权局《专利审查指南》https://www.cnipa.gov.cn/attach/0/da9d262dfdfa4b9d82910c98cc3b7cbd.pdf国家知识产权局关于修改《专利审查指南》的决定局令第 84 号https://www.cnipa.gov.cn/art/2025/11/13/art_99_202568.htmlUltralytics YOLO 文档https://docs.ultralytics.com/Ultralytics Predict 模式文档https://docs.ultralytics.com/modes/predict/Ultralytics Export 模式文档https://docs.ultralytics.com/modes/export/OpenCV CLAHE 文档https://docs.opencv.org/4.x/d6/db6/classcv_1_1CLAHE.htmlByteTrack 论文https://arxiv.org/abs/2110.06864BoT-SORT 论文https://arxiv.org/abs/2206.14651仓储叉车图片https://commons.wikimedia.org/wiki/File:Workers_drive_Forklifts_laden_with_USAID_goods_inside_a_large_warehouse_-20110826-FS-LSC-0222-Flickr-_USDAgov.jpg施工现场图片https://commons.wikimedia.org/wiki/File:Construction_workers_not_wearing_fall_protection_equipment.jpg雨夜反光路面图片https://commons.wikimedia.org/wiki/File:Crosswalk_at_night_(51749543044).jpg夜间道路图片https://commons.wikimedia.org/wiki/File:Cars_are_driving_down_the_street_at_night_2025.jpg公交街景图片https://ultralytics.com/images/bus.jpg
