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！

龙图腾网获悉哈尔滨工业大学申请的专利一种用于沥青混合料CT图像的深度学习分割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：CN119762520B 。

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：202411821186.7，技术领域涉及：G06T7/136；该发明授权一种用于沥青混合料CT图像的深度学习分割方法是由梁尊东;谭忆秋;邢超;刘波设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本一种用于沥青混合料CT图像的深度学习分割方法在说明书摘要公布了：一种用于沥青混合料CT图像的深度学习分割方法，涉及集料图像分割技术领域。采集沥青混合料CT图像并去除空隙部分，通过伽马射束硬化校正算法完成图像的均衡化处理，选取滤波窗口，采用基于图像局部信息的自适应双边滤波降噪算法对图像降噪处理，改进U‑Net模型，采用Inception卷积模块替代标准卷积操作，残差连接替代跳层连接，引入空间注意力机制，采用联合损失函数，选取图像样本，对集料进行标注，通过数据增强提高样本量形成训练集，用于模型的训练，训练好后用于分割其它图像。其通过对CT图像进行均衡化、降噪处理以及采用改进U‑Net模型，能够实现集料‑胶浆边界信息的精确分割，避免集料粘连问题。

本发明授权一种用于沥青混合料CT图像的深度学习分割方法在权利要求书中公布了：1.一种用于沥青混合料CT图像的深度学习分割方法，其特征在于：包括以下步骤： 步骤一：采集沥青混合料CT图像采用工业CT对沥青混合料的试件进行扫描获取断面图像，然后对断面图像进行二值化处理，并采用大津法去除断面图像中的空隙部分； 步骤二：图像均衡化处理通过伽马射束硬化校正算法提升试件中心部分灰度值，完成断面图像的均衡化处理； 步骤三：降噪算法窗口选取结合平均梯度幅值、局部方差以及图像视觉保真度VIF三个指标，在后续断面图像处理中选用5×5的滤波窗口； 步骤四：图像降噪处理采用基于图像局部信息的自适应双边滤波降噪算法，根据断面图像的局部方差来自适应调整空间标准差和值域标准差，其计算方法如下： wi,j,x,y＝fs||i,j‑x,y||,σsi,j·fr|Ii,j‑Ix,y|,σri,jWi,j＝∑x,y∈Ωwi,j,x,y式中，表示窗口Ω内的局部方差，μlocali,j表示窗口Ω内的局部均值，Ω表示以i,j为中心的窗口，|Ω|表示窗口内的像素总数，σri,j表示自适应空间标准差，σsi,j表示自适应值域标准差，σs·base表示基础空间标准差，取值为2，fs表示空间域权重，||i,j‑x,y||表示像素x,y和i,j之间的欧式距离，fr表示值域权重，|Ii,j‑Ix,y|表示像素x,y和i,j之间的灰度值差值，wi,j,x,y表示滤波权重，Wi,j表示归一化因子，Iouti,j表示输出图像像素值； 步骤五：卷积模块改进基于U‑Net模型的深度学习结构得到改进U‑Net模型，采用Inception卷积模块替代U‑Net模型下采样和上采样过程中每个阶段的两次3×3的卷积操作和接入的ReLu激活函数； 步骤六：连接模块改进在改进U‑Net模型中引入残差连接替代跳层连接，在改进U‑Net模型的下采样过程中，每个阶段的Inception卷积模块中引入空间注意力机制，为断面图像中不同区域分配不同的权重，赋予断面图像中关键区域更高的权重，关键区域指集料‑胶浆界面区域； 步骤七：损失函数改进在改进U‑Net模型的图像分割任务中采用联合损失函数，表示如下： Ljoint＝LBCE+λ·Lboundary式中，N表示图像的像素个数，ytrue表示真实标签，ypred表示模型预测结果，表示sigmoid激活函数，λ＝0.3； 步骤八：训练集图像标注及样本扩充针对沥青混合料的试件选取多张不同层位的断面图像作为样本，对样本中的集料进行标注，并通过数据增强提高样本量形成训练集； 步骤九：模型训练及图像分割将扩充后的训练集用于改进U‑Net模型的训练，并保存联合损失函数最小值的训练参数，将训练好的改进U‑Net模型用于分割其它断面图像。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。