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！

龙图腾网获悉南京师范大学申请的专利一种基于多尺度特征融合的PCB图像缺陷评估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：CN120495286B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202510970255.9，技术领域涉及：G06T7/00；该发明授权一种基于多尺度特征融合的PCB图像缺陷评估方法是由章哲达;谢非;王琦;陈飞;吕宗儒;马嘉庆;戴骏;高斌;李传赞;李娜设计研发完成，并于2025-07-15向国家知识产权局提交的专利申请。

本一种基于多尺度特征融合的PCB图像缺陷评估方法在说明书摘要公布了：本发明公开了一种基于多尺度特征融合的PCB图像缺陷评估方法，包括：采集并保存PCB板的图像数据，对PCB板图像进行筛选并进行预处理；将预处理后的数据进行数据增强处理，然后将数据增强后得到的全部图像划分为训练集和验证集，在数据集中添加配置文件，构成数据集；搭建基于多尺度特征融合的PCB板图像缺陷评估模型；将PCB图像数据集中的训练集和标签文件输入基于多尺度特征融合的PCB板图像缺陷评估模型进行充分训练；通过训练好的评估模型完成PCB板图像缺陷评估。本发明充分考虑现有PCB板图像微小缺陷评估准确性不高的特点，对PCB板图像缺陷评估模型进行了优化改进，设计了C2f_DLKA、Dysample、FFM‑Head模块，解决了现有的PCB板图像中对微小缺陷评估准确率低的问题。

本发明授权一种基于多尺度特征融合的PCB图像缺陷评估方法在权利要求书中公布了：1.一种基于多尺度特征融合的PCB图像缺陷评估方法，其特征在于，包括如下步骤： S1：采集并保存PCB板的图像数据，对PCB板的图像进行筛选并进行预处理； S2：将预处理后的数据进行数据增强处理，然后将数据增强后得到的全部图像划分为训练集和验证集，在数据集中添加配置文件，构成数据集； S3：搭建基于多尺度特征融合的PCB板图像缺陷评估模型； S4：将PCB图像数据集中的训练集和标签文件输入基于多尺度特征融合的PCB板图像缺陷评估模型进行充分训练； S5：通过训练好的基于多尺度特征融合的PCB板图像缺陷评估模型完成PCB板图像缺陷的评估，并输出评估结果； 步骤S3中基于多尺度特征融合的PCB板图像缺陷评估模型采用改进后的YOLOv8n，具体改进包括： 将动态大核卷积注意力机制引入YOLOv8n中主干网络部分的C2f模块，构建了C2f_DLKA模块； 将YOLOv8n的颈部网络中的普通上采样替换为动态上采样结构； 提出了一种PCR复合检测头结构，包括层级交织的特征融合模块和多层检测头，同时结合了细粒度边界框优化和特征增强模块； C2f_DLKA模块中DLKA模块的运行包括： B1：通过深度卷积对输入特征图的每个通道分别进行卷积操作，独立提取各通道内的特征； B2：利用逐点卷积，将深度卷积提取的通道特征进行融合，在减少计算量的同时，实现特征提取与通道间信息整合； B3：在深度可分离卷积基础上，通过深度扩张卷积扩大卷积核的感受野； B4：调整特征图的通道数；通过线性变换，对通道进行压缩或扩张，使输出特征图符合后续网络结构的输入要求，同时进一步融合通道间的信息； 改进后的YOLOv8n中动态上采样的运行包括： C1：借助PyTorch内置函数，将输入特征图通过双线性插值转化为连续特征图，再生成内容感知的采样点； C2：根据生成的采样点确定采样集： 对于静态范围因子，对特征图进行线性变换，将偏移与原始采样网格相加得到采样集； 对于动态范围因子，通过线性投影输入特征生成点级的动态范围因子，进一步调整偏移，确定采样集； C3：得到采样集后，利用网格采样函数，基于采样集对输入特征图进行采样操作，实现上采样过程，输出上采样后的特征图； 改进后的YOLOv8n中PCR复合检测头结构用于将多尺度特征图进行整合，并最终输出PCB图像缺陷的边界框和评估结果，具体包括： 在初始化阶段，模块会依据PCB图像缺陷类别数和特征通道数，构建两个核心分支；其中一个分支专门负责边界框的预测，通过对特征图的深入分析，确定PCB图像缺陷在PCB图像中的位置和尺寸信息；另一个分支聚焦于类别分布预测，判断目标所属的具体类别； 层级交织的特征融合模块FFM用于对输入特征图进行优化融合，同时，借助分布焦点损失模块来细化边界框的预测精度； 在前向传播过程中，输入的多尺度特征图首先会经过FFM的融合处理，将不同尺度特征的优势充分结合，之后再送入检测头，分别进行边界框和类别分布的预测；在训练阶段，输出处理后的特征图，用于模型的参数调整和优化；在推理阶段，则输出最终的评估预测结果。

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南京师范大学，其通讯地址为：210024 江苏省南京市鼓楼区宁海路122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”。