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！

龙图腾网恭喜南昌航空大学申请的专利基于深度学习的工业印制电路板图像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：CN119295448B 。

龙图腾网通过国家知识产权局官网在2025-04-01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：202411814891.4，技术领域涉及：G06T7/00；该发明授权基于深度学习的工业印制电路板图像缺陷检测方法是由陈英;郭书斌;邓君康;龙泽烨;乐欣元;谢宇迪;雷飞洋;彭坤;张裕良;周宗来;陈旺设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本基于深度学习的工业印制电路板图像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深度学习的工业印制电路板图像缺陷检测方法，具体为设计一个小型数据集扩充方案，增强数据的多样性；设计深度可分离卷积重构参数化模块构造骨干网络的早期阶段，设计非相邻窗口填充块改进多头自注意力模块组建轻量级神经网络Transformer架构构造骨干网络的后期阶段，设计小目标步长输出改进模块构建目标检测头；设计一个能定位工业印制电路板图像的缺陷检测模型并设计小目标检测策略，提升模型对小目标缺陷学习的速度和精度；设计一个标签去重方案和一个自适应缺陷筛选方案，提升模型预测的准确率。本发明能够提高检测目标小的图像的特征学习能力，且能有效提高对工业印制电路板图像的缺陷检测性能。

本发明授权基于深度学习的工业印制电路板图像缺陷检测方法在权利要求书中公布了：1.一种基于深度学习的工业印制电路板图像缺陷检测方法，其特征是：方法步骤如下：步骤S1：人工标注数据集；将工业印制电路板图像制作成数据集，对数据集中工业印制电路板图像进行人工标注缺陷，获得一个小型数据集，并将获得的小型数据集分为训练集、验证集和测试集；步骤S2：设计步骤S1中获得的小型数据集扩充方案；分为设计组合特征扩充和设计多样式数据扩充二个方案，得到扩充后的数据集；步骤S3：构造骨干网络和目标检测头；分为设计深度可分离卷积重构参数化模块构造骨干网络的早期阶段，设计非相邻窗口填充块改进多头自注意力模块组建轻量级神经网络Transformer架构构造骨干网络的后期阶段，设计小目标步长输出改进模块构建目标检测头；步骤S4：设计能够识别和定位工业印制电路板图像的缺陷检测模型；选择步骤S3中的骨干网络和目标检测头，结合工业印制电路板缺陷图像特征，设计工业印制电路板图像的缺陷检测模型；步骤S5：训练工业印制电路板图像的缺陷检测模型并进行工业印制电路板图像的缺陷检测；将步骤S2得到的扩充后的数据集中的训练集作为步骤S4设计工业印制电路板图像的缺陷检测模型的输入，对工业印制电路板图像的缺陷检测模型进行训练学习，通过训练后的工业印制电路板图像的缺陷检测模型对步骤S2中扩充后的数据集中的验证集进行验证，对步骤S1中的测试集进行缺陷识别和定位，证明工业印制电路板图像的缺陷检测模型的检测性能和泛化性；步骤S6：设计滑动窗口小目标检测策略；步骤S7：设计标签去重方案；针对步骤S6中的滑动窗口重叠区域的缺陷重复预测的问题，设计标签去重方案，筛选重复预测的标签；步骤S8：设计自适应缺陷筛选方案；根据目标缺陷的大小和样式不同的具体情况，设计自适应缺陷筛选方案，使缺陷预测准确率最大化；步骤S3中，构造骨干网络和目标检测头；分为设计深度可分离卷积重构参数化模块构造骨干网络的早期阶段，设计非相邻窗口填充块改进多头自注意力模块组建轻量级神经网络Transformer架构构造骨干网络的后期阶段，设计小目标步长输出改进模块构建目标检测头；其中，设计深度可分离卷积重构参数化模块，具体步骤如下：步骤S31：融合批量归一化层与卷积层；对包含深度可分离卷积和批量归一化层的每条分支进行重构，将批量归一化层和深度可分离卷积融合为一个新的深度可分离卷积层，如公式（1）和公式（2）所示： （1）； （2）；式中，表示新卷积矩阵的权重，表示原始卷积的权重，，和分别为输出通道数、输入通道数和卷积核大小，、、和分别为批量归一化层中的缩放参数、偏移参数、当前批次的标准差和当前批次的均值，表示新的偏置，表示原本的偏置；步骤S32：合并分支；将由深度可分离卷积层和批量归一化层构建的两条分支与由批量归一化组成的一条分支进行合并，需将所有相关的权重矩阵的对应元素以及偏置相加，如公式（3）和公式（4）所示： （3）； （4）；式中，和为重构后的权重矩阵和偏置，为分支总数，为第个新卷积矩阵的权重，为第个新的偏置；其中，设计非相邻窗口填充块改进多头自注意力模块，具体步骤如下：步骤S33：通过个尺寸为窗口，完整且不重叠地划分为分辨率大小高为、宽为、通道数为的输入特征图；步骤S34：选择各个窗口内相同相对位置的结构为特征向量，组成结构为填充块组，共能获得组位置分布特征图全局的填充块组；步骤S35：将位置分布特征图全局的填充块组依次输入神经网络Transformer用于计算多头自注意力；计算全局相关性的同时优化计算复杂度；其中，设计轻量级神经网络Transformer架构，具体步骤如下：步骤S36：构建局部表征模块；使用的卷积层提取局部特征，经过批量归一化层归一化并通过激活函数后，再通过的卷积层扩展特征图为合适的通道数，完成局部表征；步骤S37：进行全局表征；将步骤S36的输出，通过非相邻窗口填充块改进多头自注意力模块、神经网络Transformer和的卷积层，完成全局特征的提取；步骤S38：特征融合；将步骤S37的输出与步骤S36的输入进行密集连接，再通过的卷积层、批量归一化层和激活函数后，完成特征融合，防止梯度消失；其中，设计小目标步长输出改进模块，包括链接骨干网络的网络层改进和输出层检测头改进，具体改进为：步骤S39：链接骨干网络的网络层改进是将原本链接骨干网络步长为32、16、8的网络层，改造为链接骨干网络步长为32、16、8、4的网络层；步骤S310：输出层检测头改进是将输出层由大尺度检测头P5、中尺度检测头P4、小尺度检测头P3替换为中尺度检测头P4、小尺度检测头P3、超小尺度检测头P2；步骤S4中，设计能够识别和定位工业印制电路板图像的缺陷检测模型，具体步骤如下：步骤S41，工业印制电路板图像的缺陷检测模型由骨干网络和目标检测头组成；步骤S42，骨干网络第一层至第四层由深度可分离卷积重构参数化模块进行构建，第五层至第七层由轻量级神经网络Transformer架构进行构建，每一层的输入来自上一层的输出结果；步骤S43，目标检测头通过小目标步长输出改进模块进行构建，实现小目标缺陷检测；工业印制电路板图像的缺陷检测模型实现工业印制电路板图像中的目标缺陷判断。

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南昌航空大学，其通讯地址为：330063 江西省南昌市红谷滩区丰和南大道696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”。