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！

龙图腾网获悉中南大学申请的专利一种基于特征预融合与掩膜引导的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：CN116805310B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202311034675.3，技术领域涉及：G06T7/00；该发明授权一种基于特征预融合与掩膜引导的表面缺陷检测方法是由赵于前;王辉;张帆;阳春华;桂卫华设计研发完成，并于2023-08-17向国家知识产权局提交的专利申请。

本一种基于特征预融合与掩膜引导的表面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特征预融合与掩膜引导的表面缺陷检测方法，主要解决现有缺陷检测技术对弱区分度、小尺度缺陷检测结果准确率低的问题。其实施方案为：1获取数据集与检测标签；2构建缺陷检测模型；3构建损失函数；4训练缺陷检测模型；5推理并获得检测结果。本发明构建的表面缺陷检测模型，通过特征预融合进行感受野的扩大与信息扩散，实现特征图内上下文的增强，有效提升了对弱区分度缺陷的检测准确率；通过多阶段特征融合引入缺陷边界框的掩膜标签，使得缺陷区域信息密度升高，提升了小尺度缺陷的检测准确率。

本发明授权一种基于特征预融合与掩膜引导的表面缺陷检测方法在权利要求书中公布了：1.一种基于特征预融合与掩膜引导的表面缺陷检测方法，其特征在于包括以下步骤： 1获取数据集与检测标签： 获取表面缺陷数据集及对应的检测标签； 2构建缺陷检测模型：该模型由主干网络BoneNet、特征预融合模块FPF、多阶段融合模块MSF、检测头Header构成，具体构建过程包括以下步骤： 2-a构建主干网络BoneNet：以DarkNet53-CSP作为主干网络，输入图像经过主干网络处理，得到三个不同尺度的特征图f1、f2和f3，其中f1表示尺度最小的特征图，f3表示尺度最大的特征图； 2-b构建特征预融合模块FPF：该模块由三个感受野模块RFB和三个信息扩散模块ID构成；将步骤2-a获取的特征图f1、f2、和f3分别作为三个感受野模块RFB的输入，得到处理结果与将与特征图组一起输入到第一个信息扩散模块ID1，得到输出结果将经过上采样处理后与特征图组一起输入到第二个信息扩散模块ID2，得到输出结果将经过上采样处理后与特征图组一起输入到第三个信息扩散模块ID3，得到输出结果 所述信息扩散模块ID构建如下： 信息扩散模块的输入包括一个基准特征图与一个特征图组其中与分别表示三个不同尺度的特征图；与经过采样层处理后，分别得到与基准特征图尺度相同的特征图与与分别与基准特征图逐像素相乘后，得到加权特征图与与在通道维度进行拼接，拼接结果经过第一个语义交互模块CCBM1处理后，得到中间特征fmid；fmid与加权特征图在通道维度进行拼接，拼接结果经过第二个语义交互模块CCBM2处理后，得到信息扩散模块ID的输出结果fid； 在第一个信息扩散模块ID1中，以作为输入的基准特征图；在第二个信息扩散模块ID2中，以的上采样结果作为输入的基准特征图；在第三个信息扩散模块ID3中，以的上采样结果作为输入的基准特征图；三个信息扩散模块都以作为其输入的特征图组 2-c构建多阶段融合模块MSF：将步骤2-b中特征预融合模块FPF生成的特征图和分别在通道维度按照比例1:N进行分割，生成两组特征图和第一组特征图经过第一个双向特征金字塔模块FPNPAN1处理后，生成初融合多尺度特征图组将其中具有最大尺度的初融合特征图经过卷积模块处理后得到掩膜预测结果；初融合多尺度特征图组中的三个特征图与第二组特征图中的三个特征图依据不同尺度分别在通道维度进行拼接，得到和将和一起输入到第二个双向特征金字塔模块FPNPAN2后，得到多阶段融合模块MSF的最终融合结果和 2-d构建检测头Header：检测头由三个卷积模块构成，将步骤2-c中多阶段融合模块MSF生成的最终融合结果和分别经过三个卷积模块处理，处理结果合并后得到最终检测结果； 3构建损失函数： 构建如下混合损失函数Lmix： Lmix＝Lmask+LOD 其中Lmask为掩膜预测结果与掩膜标签之间的损失，LOD为目标检测结果与目标检测标签之间的损失，Lmask的构建如下： Lmask＝LBCE_mask+Liou_mask 其中LBCE_mask为掩膜预测结果与掩膜标签之间的二元交叉熵损失，Liou_mask为掩膜预测结果与掩膜标签之间的交并比损失，分别定义为： 其中P表示掩膜预测图，Gt表示掩膜标签图，二者尺寸相同，H表示图的高，W表示图的宽，Pi,j和Gti,j分别表示P和Gt中i,j点的像素值，Pi,j为实数且Pi,j∈0,1，Gti,j为整数且Gti,j∈[0,1]，log·表示求自然对数，表示逐像素相加操作，表示逐像素相乘操作，|·|表示求取图像中所有像素的和； 该步骤中LOD构建如下： LOD＝Liou_box+LBCE_obj+LCE_cls 其中Liou_box为预测框与真实框之间的IOU损失，LBCE_obj为预测框的置信度损失，LBCE_cls为预测框的类别损失，分别定义如下： LBCE_obj＝-ylogconf+1-ylog1-conf box1表示预测框，box2表示真实框，area_inter·表示求取交集面积，area_union·表示求取并集面积，y表示置信度标签，conf表示置信度预测值，pk表示缺陷的类别标签，clsk表示缺陷的类别预测值；n为正整数，表示缺陷类别的个数，log·表示求自然对数； 4训练缺陷检测模型： 利用步骤1得到的数据集训练步骤2构建的缺陷检测模型；使用步骤3构建的混合损失函数Lmix计算模型输出的预测结果与标签之间的误差；训练过程中使用Adam算法更新模型参数，并使用L-2正则化作为约束，经过E个epoch的训练后，得到训练好的表面缺陷检测模型； 5推理并获得检测结果： 将测试图像经过归一化处理后，输入至训练好的缺陷检测模型，模型输出结果经过非极大值抑制后得到最终的缺陷检测结果。

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中南大学，其通讯地址为：410083 湖南省长沙市麓山南路932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。