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一种基于深度学习的钢坯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：CN119888362B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202510069094.6，技术领域涉及：G06V10/764；该发明授权一种基于深度学习的钢坯检测方法是由田勇;金东正;黄铮迪;王泽昊;宋超伟;王斌;王丙兴设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本一种基于深度学习的钢坯检测方法在说明书摘要公布了：本申请公开了一种基于深度学习的钢坯检测方法，属于钢坯检测技术领域，主要用于热连轧加热炉出炉过程中钢坯的识别与定位。本申请方法的多层特征提取结构嵌入有CSA模块、SPPELAN网络和改进PANET网络，充分考虑了钢坯所处复杂环境，实现从检测图片输入到预测结果输出的端到端网络构建，解决传统方法精度低、实时性差问题。并且运用了残差网络提取图像特征，较好地平衡了网络复杂度与特征有效性，提高了模型对目标关注度与预测准确度。同时，改进的路径聚合网络也使模型更关注不同尺度的钢坯特征，提升了检测精度。故基于此，本申请方法的自动化和智能化程度较高，工业应用前景良好。

本发明授权一种基于深度学习的钢坯检测方法在权利要求书中公布了：1.一种基于深度学习的钢坯检测方法，其特征在于，包括： S1、基于YOLOv8搭建初始深度学习网络模型；所述模型包括Backbone层、Neck层、Head层；所述Backbone层网络为多层特征提取结构，其输入为预处理图像，输出为特征图；所述Neck层网络的输入为所述特征图，输出为特征融合图；所述Head层网络的输入为所述特征融合图，输出为预测的钢坯位置信息、预测框和置信度； S2、在初始C2f模块中的Bottleneck层中融入ShuffleAttention注意力模块后获得融合的CSA模块；所述融入的方式包括：注意力模块的第一层采用分块操作，将输入特征X分为x1、x2...xg个子特征通道；注意力模块的第二层采用对子特征通道进行split操作，将子特征通道分别提取空间和通道注意力；注意力模块的第三层采用拼接操作，将注意力模块第二层操作后得到的空间和通道注意力经过Sigmoid激活函数进行拼接；注意力模块的第四层为融合操作，将所有子特征通道经过拼接操作后融合在一起； 所述多层特征提取结构的层数为五层，所述CSA模块的嵌入位置为所述多层特征提取结构的第三层、第四层和第五层的输出端，其输入为所述特征图，输出为自适应特征图； S3、在所述Backbone层嵌入SPPELAN网络；所述SPPELAN网络的输入为所述自适应特征图，输出为特征表示图； S4、在所述模型中改进传统的路径聚合网络；所述改进传统的路径聚合网络可对所述自适应特征图和所述特征表示图进行采样操作和融合，使所述模型更加关注不同尺度的钢坯特征；所述改进包括：对特征表示图进行2倍上采样操作，并将上采样后的特征表示图与第二自适应特征图进行融合，得到第二初始特征融合图；对第二初始特征融合图进行2倍上采样操作，将上采样后的特征表示图与第一自适应特征图进行融合，得到第一初始特征融合图，即第一特征融合图；对第一特征融合图进行卷积操作后并于第二自适应特征图、第二初始特征融合图进行融合并卷积后得到第二特征融合图；对第二特征融合图进行卷积操作后并于特征表示图、第三自适应特征图融合，并卷积后得到第三特征融合图； S5、获取包含钢坯特征数据的训练样本，划分为训练集和验证集；所述特征数据包括用于示意钢坯位置和范围的钢坯真实框； S6、将所述训练集的特征数据输入所述模型进行模型训练，第一轮训练完成后，利用所述验证集的特征数据计算所述模型损失值进行模型验证，再利用所述损失值执行梯度下降操作更新所述模型的参数；重复所述模型训练和模型验证过程，直至所述损失值不再下降或趋于动态平衡，训练完成，得到钢坯检测网络模型； S7、将待检测钢坯的所述特征数据输入所述钢坯检测网络模型进行预测；所述钢坯检测网络模型的输出为预测的钢坯位置信息、预测框和置信度。

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。