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！

龙图腾网获悉济南大学;智联信通科技股份有限公司申请的专利基于多尺度动态融合的车轮零部件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：CN120071000B 。

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：202510180882.2，技术领域涉及：G06V10/764；该发明授权基于多尺度动态融合的车轮零部件检测方法是由李忠涛;高隆基;田常立;寻广岩;姚庆刚;陈倩;庄敏设计研发完成，并于2025-02-19向国家知识产权局提交的专利申请。

本基于多尺度动态融合的车轮零部件检测方法在说明书摘要公布了：本发明提出了基于多尺度动态融合的车轮零部件检测方法，涉及图像识别技术领域，本发明提出了车轮零部件检测流程，包括图像预处理模块，主干网络模块，特征融合模块，目标检测模块，同时提出的MSA‑T模块，DWFA模块，DAD‑Head模块，MSA‑T模块通过多尺度卷积核提取不同感受野的局部特征，自注意力机制能够捕获长距离依赖和全局上下文信息，DWFA模块通过动态权重生成机制，根据不同输入特征的贡献度自适应调整融合比例；多尺度特征的对齐和融合，在捕捉小目标的细粒度的同时，不丢失高层语义信息，DAD‑Head模块通过动态权重分配机制，专门针对分类任务和回归任务的特征需求进行优化。

本发明授权基于多尺度动态融合的车轮零部件检测方法在权利要求书中公布了：1.基于多尺度动态融合的车轮零部件检测方法，其特征在于，包括以下步骤： S1、车轮零部件图像数据集制作，对车轮零部件使用工业摄像头进行拍照，得到车轮零部件图像，将其中需要检测的位置进行标注，需要检测的位置为轮辐气孔，将其他物体标注为无关目标，标注完成后，得到车轮零部件图像数据集； S2、构建图像预处理模块，包括图片缩放和归一化处理； S3、构建主干网络模块，包括RepVGG模块和MSA-T模块，MSA-T模块包括多尺度卷积特征提取MSC、Flatten操作、Transformer自注意力计算、多尺度特征还原； S4、构建特征融合模块，包括DWFA模块，DWFA模块包括特征对齐、动态权重生成、动态加权特征融合，增强输出特征； S5、构建目标检测模块，包括DAD-Head模块和后处理模块，DAD-Head模块包括动态特征任务分配、分类分支、回归分支； 在S2步骤中，对于图像预处理模块，输入一张图片I∈RH×W×C，对图片进行归一化、尺寸调整，得到预处理后的输入特征，xin＝PreprocessI，Preprocess是预处理函数； 在S3步骤中，对于主干网络模块，输入图像特征，xin∈IH×W×C，其中，H，W分别是特征的高度和宽度，C是通道数，通过RepVGG提取多层次局部特征，xRepVGG＝RepVGGxin，其中xRepVGG包含多尺度特征，将图像特征xRepVGG输入到MSA-T模块中，MSA-T模块包括多尺度卷积特征提取MSC、Flatten操作、Transformer自注意力计算、多尺度特征还原，图像特征xRepVGG输入到MSC模块，使用三个不同尺度的卷积核，分别提取局部特征，生成三个分支特征，x1＝Convk＝1xRepVGG，x2＝Convk＝3xRepVGG，x3＝Convk＝5xRepVGG，其中，k＝1，k＝3，k＝5，代表不同卷积核的大小，将不同卷积核提取的特征通过逐通道拼接融合为多尺度特征，xMSC＝Concatx1,x2,x3，其中xMSC∈RH×W×3C；对xMSC使用1×1卷积调整通道数为d，并将其展平为序列形式，xflat＝FlattenConvk＝1xMSC，其中xflat∈RH·W×d；将输入xflat投影为查询Q、键K、值V，Q＝XflatWQ，K＝xflatWk，V＝xflatWV，其中，WQ，WK，WV∈Rd×d是可学习的投影矩阵，计算查询Q和键K的点积并经过Softmax归一化得到注意力权重，其中A∈RH·W×H·W是注意力矩阵，使用注意力权重A加权值V得到增强后的特征，xatt＝AV，权重A和矩阵V相乘其中xatt∈RH·W×d；将增强后的特征从序列形式还原为二维特征图，xreshape＝Reshapexatt，其中xreshape∈RH×W×d，使用残差连接整合输入特征与增强特征，xMST-A＝xreshape+Convk＝1xMSC，其中xMST-A∈RH×W×d为主干网络模块的输出，包含多尺度特征和全局自注意力增强信息； 在S4步骤中，对于特征融合模块，将主干网络模块的输出特征作为输入特征，MST-A模块输出多尺度特征，xMST-A＝{x1，x2，x3}，其中是低层细粒度特征，是中层语义特征，是高层语义特征，将x1，x2，x3输入到DWFA模块中，将不同尺度的特征调整为相同的分辨率和通道数H×W×C，x′1＝Downsamplex1，x′2＝x2，x′3＝Upsamplex3，其中，Downsample·是使用卷积核k＝3的下采样操作，Upsample·是使用双线性插值进行上采样操作；将对齐后的特征拼接并生成动态权重αi，xcat＝Concatx′1，x′2，x′3，使用全局池化和全连接层生成融合权重αi＝SoftmaxFCGlobalPoolxcat，其中，αi＝{α1，α2，α3}∈R3表示每个尺度的动态权重，满足使用动态权重对特征进行加权求和，其中，xDWFA∈RH×W×C是融合后的输出特征；将融合特征通过卷积调整通道数，并加上残差连接，xout＝xDWFA+Convk＝1xcat，特征融合模块最终输出特征为xout∈RH×W×C； 在S5步骤中，对于目标检测模块，将特征融合模块输出特征xout∈RH×W×C输入到DAD-Head模块中，特征既包含空间信息，也包含分类和回归所需的上下文语义信息；DAD-Head模块通过动态权重机制将xout分配到分类和回归两个任务分支，利用全局池化和1×1卷积生成分类和回归任务的特征权重，wcls,wreg＝σConvk＝1GlobalPoolxout，wcls，wreg∈RC是逐通道的权重，σ是Sigmoid激活函数，用于将归一化到[0,1]，根据生成的权重，将xout分别加权到分类分支和回归分支，xcls＝xout·wcls，xreg＝xout·wreg，·是逐通道点乘，xcls∈RH×W×C是用于分类的特征，xreg∈RH×W×C是用于回归的特征；分类分支负责预测每个像素点的类别概率，pclass＝SoftmaxConvk＝1xcls，其中pclass∈RH×W×K，K是目标类别数，每个像素点i，j对于第k类的概率为其中zki，j是第k类的Logit值，对于每个像素点，类别预测的索引为置信度为回归分支预测每个像素点对应的目标边界框参数，bbox＝Convk＝1xreg，其中bbox∈RH×W×4，每个像素点i，j的输出为bbox，i，j＝{xcenter，ycenter，w，h}，其中xcenter，ycenter为边界框中心点的坐标，w，h为边界框的宽度和高度，将特征图上的边界框参数映射到原始图片，其中W0，H0为原始图像的高度和宽度；进入后处理阶段，过滤掉置信度低于阈值Tconf的预测框，保留框＝{bbox，i|sconf，i＞Tconf}，Tconf为0.5～0.6，对于置信度高的框，按照置信度从高到低排序，并计算候选框之间的交并比IoU，对于交并比IoUbbox，i，bbox，j＞TIoU的框，只保留置信度较高的框bbox，i，TIoU为0.5～0.6，最终输出为Output＝{classi，sconf，i，bbox，i|i＝1,2，...，N}，其中N为经过后处理后的目标数量，每个目标对象包含类别索引classi，置信度sconf，i，边界框参数bbox，i。

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济南大学;智联信通科技股份有限公司，其通讯地址为：250024 山东省济南市市中区南辛庄西路336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。