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！

龙图腾网获悉东北大学申请的专利多尺度数据驱动深度学习的管道缺陷漏磁检测方法及装置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：CN120992737B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202511517203.2，技术领域涉及：G01N27/83；该发明授权多尺度数据驱动深度学习的管道缺陷漏磁检测方法及装置是由李毅腾;卢森骧;谢宇涵;张为之;王颢骞设计研发完成，并于2025-10-23向国家知识产权局提交的专利申请。

本多尺度数据驱动深度学习的管道缺陷漏磁检测方法及装置在说明书摘要公布了：本申请公开了一种多尺度数据驱动深度学习的管道缺陷漏磁检测方法及装置，涉及管道缺陷检测技术领域，通过生成包含缺陷全局分布与局部细节的多尺度漏磁信号数据集，并利用卷积神经网络自动提取多层级初级特征，克服人工方法泛化差、易遗漏关键信息的缺陷。接着借助多尺度卷积分支与注意力机制，动态增强并加权融合多尺度特征，使模型可同时学习缺陷全局与局部特征，解决传统深度学习难以兼顾二者的问题，并通过特征金字塔的横向连接与上采样融合，让特征兼具高语义信息与高空间细节。最后依靠任务解耦模块独立开展多任务预测、任务对齐模块校准结果一致性，提升复杂场景下检测准确性，实现更精准鲁棒的管道缺陷漏磁检测。

本发明授权多尺度数据驱动深度学习的管道缺陷漏磁检测方法及装置在权利要求书中公布了：1.一种多尺度数据驱动深度学习的管道缺陷漏磁检测方法，其特征在于，包括： 采集管道漏磁信号数据，对所述管道漏磁信号数据进行空间域转换与多尺度表征处理，生成具有缺陷全局分布与局部细节的多尺度漏磁信号数据集，并将所述多尺度漏磁信号数据集作为管道缺陷漏磁检测模型的输入数据； 利用所述管道缺陷漏磁检测模型的层级特征提取模块中的卷积神经网络，对所述多尺度漏磁信号数据集进行特征提取与增强处理，得到多层级初级特征图集合，包括：基于所述层级特征提取模块获取所述多尺度漏磁信号数据集包括的多个特征图，利用所述卷积神经网络的卷积层依次对所述多个特征图进行计算，得到多个第一特征图， 其中，表示所述第一特征图中处的像素值，表示所述特征图的输入通道数，表示所述特征图在第个通道、处的像素值，表示卷积核在第个通道、处的权重，表示卷积核的高度值，表示卷积核的宽度值，表示卷积核的偏置项，表示卷积核的高度索引，表示卷积核的宽度索引，表示所述第一特征图的高度索引，表示所述第一特征图的宽度索引，表示所述特征图的高度索引，表示所述特征图的宽度索引；利用所述卷积神经网络的归一化层对所述多个第一特征图进行特征归一化处理，利用所述卷积神经网络的ReLU激活函数对归一化后的所述多个第一特征图进行非线性激活处理，得到多个非线性特征图， 其中，表示所述非线性特征图中处的像素值，表示归一化后的所述多个第一特征图中处的像素值，表示逐元素操作，表示所述非线性特征图的高度索引，表示所述非线性特征图的宽度索引，表示归一化后的所述多个第一特征图的高度索引，表示归一化后的所述多个第一特征图的宽度索引；利用所述卷积神经网络的最大池化层对所述多个非线性特征图进行最大池化处理，得到多个第二特征图， 其中，表示所述第二特征图在处的像素值，表示所述非线性特征图在处的像素值，表示所述非线性特征图中与输出位置对应的池化区域，表示所述第二特征图的高度索引，表示所述第二特征图的宽度索引，表示所述非线性特征图的高度索引，表示所述非线性特征图的宽度索引；利用所述卷积神经网络的骨干网络对每个所述多个第二特征图进行残差网络层级处理，得到多个初始特征图，利用所述多个初始特征图生成所述多层级初级特征图集合，所述骨干网络由多个残差层构成， 其中，表示所述初始特征图，表示所述第二特征图，表示所述骨干网络的第一个残差层，表示所述骨干网络的第二个残差层，表示所述骨干网络的第三个残差层，表示所述骨干网络的第四个残差层，表示所述骨干网络第一个残差层的输入特征，表示所述骨干网络第二个残差层的输入特征，表示所述骨干网络第三个残差层的输入特征，表示所述骨干网络第四个残差层的输入特征； 利用所述管道缺陷漏磁检测模型的多尺度融合模块中的多尺度卷积分支和注意力机制，对所述多层级初级特征图集合进行动态感受野特征增强与加权融合处理，得到融合多尺度上下文的深层特征图； 基于所述管道缺陷漏磁检测模型的特征金字塔模块，对所述深层特征图进行横向连接与上采样融合操作，得到多尺度目标特征图； 通过所述管道缺陷漏磁检测模型的任务解耦模块和任务对齐模块，对所述多尺度目标特征图执行多任务分支预测与跨任务特征对齐操作，得到所述管道缺陷漏磁检测模型输出的管道缺陷漏磁检测结果。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路3号巷11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。