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！

龙图腾网获悉河南科技学院;河南绿丰环保工程有限公司申请的专利一种基于深度学习的印刷电路板表面缺陷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：CN120031872B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202510496935.1，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的印刷电路板表面缺陷检测方法是由徐君鹏;时磊;陈广胜;程瑾昊;高帅鹏;许耀昌;王宇;杨文强;王文滕;李浩;林凯凯;梁顺婷;鲁思雨;李昱梁设计研发完成，并于2025-04-21向国家知识产权局提交的专利申请。

本一种基于深度学习的印刷电路板表面缺陷检测方法在说明书摘要公布了：一种基于深度学习的印刷电路板表面缺陷检测方法，包括RT‑DETR网络算法，在RT‑DETR网络算法的CCFM采样阶段引入DySample模块，并使CCFM采样阶段进行动态上采样；将采用了RetBlock结构的RetBlockC3模块替换RT‑DETR网络算法中的原有RepC3模块；将DA‑ACFN模块集成至RT‑DETR网络中，得到改进后的RT‑DETR网络；利用印刷电路板表面缺陷数据集对改进后的RT‑DETR网络算法进行训练，获得RT‑DETR目标检测模型；将RT‑DETR目标检测模型用于印刷电路板表面缺陷检测；从而提升RT‑DETR网络在印刷电路板缺陷检测中的目标检测精度和鲁棒性。

本发明授权一种基于深度学习的印刷电路板表面缺陷检测方法在权利要求书中公布了：1.一种基于深度学习的印刷电路板表面缺陷检测方法，包括RT-DETR网络算法，其特征在于：深度学习方法包括以下步骤： 步骤1：对RT-DETR网络算法进行改进，具体为： 步骤1.1：在RT-DETR网络算法的CCFM采样阶段引入DySample模块，并使CCFM采样阶段进行动态上采样； 步骤1.2：将采用了RetBlock结构的RetBlockC3模块替换RT-DETR网络算法中的原有RepC3模块； 步骤1.3：将DA-ACFN模块集成至RT-DETR网络中，得到改进后的RT-DETR网络； DA-ACFN模块包括ACFN模块和DASI模块，ACFN模块包括特征拼接模块，特征拼接模块的第一路输入端与下采样模块连接并用于输入低层特征，特征拼接模块的第二路输入与卷积模块连接并用于输入中层特征，特征拼接模块的第三路输入与卷积模块连接并用于输入中层特征；特征拼接模块的若干路输出均经深度可分离卷积模块后依次经跳跃连接模块和1×1卷积模块进行信息整合，获得整合信息，将整合信息与特征拼接模块的一路输出进行跳跃连接，获得融合特征图；通过DASI模块对ACFN模块进行优化，形成改进后的DA-ACFN模块；其中，DASI模块对ACFN模块进行优化的过程为： 步骤1.3.1：接收融合特征图，设融合特征图的维度为C×H×W； 步骤1.3.2：将融合特征图划分为四个组的特征，分别为低层特征、高层特征、背景特征和特征选择部分； 步骤1.3.3：采用Group机制对通道进行划分，并对不同组的特征应用各自的通道注意力策略，获得相应维度的变换特征； 步骤1.3.4：变换特征经过Sigmoid激活函数后进行加权； 步骤1.3.5：将加权后的特征被重新组合，并通过逐通道乘法（×）和加权加法（+）后进行通道拼接；以获得最终优化后的特征表示；完成对ACFN模块的优化； 改进后的RT-DETR网络中，输入图像经过ConvBN和MaxPool2d进行初步特征提取后，再采用多个BasicBlocks层逐步提取特征，最后一个BasicBlock层的一路输出直接送入主干特征提取部分中的第一特征融合模块，另一路输出依次经主干特征提取部分中第一卷积层、AIFI层、第二卷积层后送入第一DA-ACFN模块，第一DA-ACFN模块还接收除最后一个BasicBlock层外的其它BasicBlocks层输出的特征层；第一DA-ACFN模块的一路输出经第三卷积层后送入该第一特征融合模块，另一路输出送入特征融合部分中的Dysample层；将特征融合部分中的CCFM层替换为第二DA-ACFN模块； 步骤2：利用印刷电路板表面缺陷数据集对改进后的RT-DETR网络算法进行训练，获得RT-DETR目标检测模型； 步骤3：将RT-DETR目标检测模型用于印刷电路板表面缺陷检测。

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河南科技学院;河南绿丰环保工程有限公司，其通讯地址为：453000 河南省新乡市红旗区五一路东段；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”。