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！

龙图腾网获悉西安电子科技大学;琶洲实验室(黄埔)申请的专利基于动态视觉传感器和Yolox的不规则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：CN119540127B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202410287510.5，技术领域涉及：G06T7/00；该发明授权基于动态视觉传感器和Yolox的不规则缺陷检测方法是由吴金建;夏铭珺;陈周熠;马居坡设计研发完成，并于2024-03-13向国家知识产权局提交的专利申请。

本基于动态视觉传感器和Yolox的不规则缺陷检测方法在说明书摘要公布了：本发明公开了一种基于动态视觉传感器和Yolox的不规则缺陷检测方法，括：获取图像序列，并输入预先训练好的缺陷检测模型，使其执行如下步骤：针对每个事件帧，利用Focus结构提取得到二倍下采样特征图，经DCNV3结构进行可变形卷积后输入至CSPDarknet53网络，得到第一特征图，并将第一特征图输入PAFPN，生成不同尺度的第二特征图；获取所有事件帧对应的相同尺度的第二特征图并输入至时空特征聚合模块，计算得到每个尺度下的第一\二\三相似度矩阵；根据每个尺度下的第一\二\三相似度矩阵以及所有事件帧对应的相同尺度的第二特征图，计算得到多个时序融合特征图，并输入解耦头，得到各个事件帧的缺陷检测结果。本发明对不同尺度、不规则形状的缺陷实现良好的检测效果。

本发明授权基于动态视觉传感器和Yolox的不规则缺陷检测方法在权利要求书中公布了：1.一种基于动态视觉传感器和Yolox的不规则缺陷检测方法，其特征在于，包括： 获取图像序列及预先训练好的缺陷检测模型，所述图像序列包括连续的多个事件帧，所述预先训练好的缺陷检测模型包括：Focus结构、DCNV3结构、CSPDarknet53网络、路径聚合特征金字塔PAFPN、时空特征聚合模块和解耦头；所述图像序列包括连续的三个事件帧： 第一事件帧、第二事件帧和第三事件帧，所述三个事件帧均基于动态视觉传感器获得； 将所述图像序列输入预先训练好的缺陷检测模型，使其执行如下步骤： 针对每个事件帧，利用Focus结构提取得到所述事件帧的二倍下采样特征图，所述二倍下采样特征图经DCNV3结构进行可变形卷积后输入至CSPDarknet53网络以进行特征提取，得到第一特征图，并将所述第一特征图输入路径聚合特征金字塔PAFPN，生成第一尺度的第二特征图、第二尺度的第二特征图和第三尺度的第二特征图； 获取所有事件帧对应的相同尺度的第二特征图并输入至时空特征聚合模块，计算得到每个尺度下的第一相似度矩阵、第二相似度矩阵和第三相似度矩阵，包括： 分别获取第一事件帧、第二事件帧和第三事件帧对应的第一尺度的第二特征图，并输入时空特征聚合模块，计算得到第一尺度下的第一相似度矩阵；所述第一尺度下的第一相似度矩阵包括：第一相似度矩阵A、第一相似度矩阵B和第一相似度矩阵C； 分别获取第一事件帧、第二事件帧和第三事件帧对应的第一尺度的第二特征图，并输入时空特征聚合模块，计算得到第一尺度下的第一相似度矩阵的步骤，包括： 将第一事件帧对应的第一尺度的第二特征图与第二事件帧对应的第一尺度的第二特征图在分别卷积后进行点积运算，得到第一相似度矩阵A； 将第二事件帧对应的第一尺度的第二特征图在卷积后与自身进行点积运算，得到第一相似度矩阵B； 将第二事件帧对应的第一尺度的第二特征图与第三事件帧对应的第一尺度的第二特征图在卷积后进行点积运算，得到第一相似度矩阵C； 分别获取第一事件帧、第二事件帧和第三事件帧对应的第二尺度的第二特征图，并输入时空特征聚合模块，计算得到第二尺度下的第二相似度矩阵； 分别获取第一事件帧、第二事件帧和第三事件帧对应的第三尺度的第二特征图，并输入时空特征聚合模块，计算得到第三尺度下的第三相似度矩阵； 根据每个尺度下的第一相似度矩阵、第二相似度矩阵和第三相似度矩阵以及所有事件帧对应的相同尺度的第二特征图，计算得到多个时序融合特征图；所述第二尺度下的第二相似度矩阵包括：第二相似度矩阵A、第二相似度矩阵B和第二相似度矩阵C，所述第三尺度下的第三相似度矩阵包括：第三相似度矩阵A、第三相似度矩阵B和第三相似度矩阵C； 根据每个尺度下的第一相似度矩阵、第二相似度矩阵和第三相似度矩阵以及所有事件帧对应的相同尺度的第二特征图，计算得到多个时序融合特征图的步骤，包括： 根据第一尺度下的第一相似度矩阵A、第一相似度矩阵B、第一相似度矩阵C以及第一事件帧、第二事件帧、第三事件帧对应的第一尺度的第二特征图，计算得到第一时序融合特征图，包括： 分别将第一相似度矩阵A与第一事件帧对应的第一尺度的第二特征图进行点积运算、将第一相似度矩阵B与第二事件帧对应的第一尺度的第二特征图进行点积运算、将第一相似度矩阵C与第三事件帧对应的第一尺度的第二特征图进行点积运算，得到第一加权特征、第二加权特征和第三加权特征； 利用卷积操作融合所述第一加权特征、第二加权特征和第三加权特征，再通过残差结构与第二事件帧对应的第一尺度的第二特征图进行融合，得到第一时序融合特征图； 根据第二尺度下的第二相似度矩阵A、第二相似度矩阵B、第二相似度矩阵C以及第一事件帧、第二事件帧、第三事件帧对应的第二尺度的第二特征图，计算得到第二时序融合特征图； 根据第三尺度下的第三相似度矩阵A、第三相似度矩阵B、第三相似度矩阵C以及第一事件帧、第二事件帧、第三事件帧对应的第三尺度的第三特征图，计算得到第三时序融合特征图； 将所述多个时序融合特征图输入解耦头，得到各个事件帧的缺陷检测结果。

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西安电子科技大学;琶洲实验室(黄埔)，其通讯地址为：710071 陕西省西安市太白南路2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。