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！

龙图腾网恭喜山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院);山东山科智控科技创新有限公司申请的专利一种木材表面缺陷检测方法、系统、介质及设备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：CN119205758B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202411707363.9，技术领域涉及：G06T7/00；该发明授权一种木材表面缺陷检测方法、系统、介质及设备是由程广河;邵奕斐;白金强;郝凤琦;夏俊杰;丁青艳设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本一种木材表面缺陷检测方法、系统、介质及设备在说明书摘要公布了：本发明提出了一种木材表面缺陷检测方法、系统、介质及设备，属于木材表面缺陷检测技术领域。方法包括：获取桉木单板图像，并进行预处理；将预处理后图像输入至木材缺陷识别网络中，利用反深度可分离茎模块提取图像的特征图并进行特征聚合，得到第一特征图；经过矩形自校准模块提取全局特征，形成第二特征图，再使用自适应频率注意力网络模块提取第二特征图的关键频率成分并输出第三特征图；将第三特征图输入到频率增强通道注意力模块中，得到第四特征图；将第四特征图与第一特征图融合，得到第五特征图并通过分割头预测，输出最终识别的树皮缺陷区域。解决了木材缺陷检测过程中，树皮缺陷所导致的网络提取特征效果差，语义分割精度低的问题。

本发明授权一种木材表面缺陷检测方法、系统、介质及设备在权利要求书中公布了：1.一种木材表面缺陷检测方法，其特征在于，包括：获取桉木单板图像，并进行预处理；将预处理后的桉木单板图像输入至木材缺陷识别网络中，利用反深度可分离茎模块提取桉木单板图像的特征图并对所述特征图进行特征聚合，得到第一特征图；其中，反深度可分离茎模块由反深度可分离卷积块和2×2最大池化组成，所述反深度可分离卷积块先使用1×1的PW卷积增加通道数来丰富语义信息，再使用3×3DW卷积来提取局部特征并完善空间信息，以获取更加丰富的语义信息；反深度可分离卷积块如下式： 其中X表示输入的特征图，表示1×1的PW卷积，表示3×3的DW卷积，s与p分别表示步长和填充大小；利用反深度可分离茎模块提取桉木单板图像的特征图并对所述特征图进行特征聚合，得到第一特征图的过程为：将桉木单板图像输入到反深度可分离茎模块第一层的下采样反深度可分离卷积块，初步提取图像中的底层语义信息；将所述底层语义信息输入到反深度可分离茎模块第二层的双分支结构中，增加多尺度和底层纹理特征的捕捉能力，并输出两幅特征图；利用反深度可分离茎模块第三层的反深度可分离卷积块对两幅特征图进行特征聚合，得到第一特征图；将第一特征图输入到木材缺陷识别网络的矩形自校准自适应频率注意力网络模块中，经过矩形自校准模块从水平和垂直两个方向提取全局特征，并形成第二特征图，再使用四层自适应频率注意力网络模块提取第二特征图的关键频率成分并进行增强，每一层的自适应频率注意力网络模块均输出包含语义分割频率信息的第三特征图；将每一层自适应频率注意力网络模块输出的包含语义分割频率信息的第三特征图输入到频率增强通道注意力模块中，融合各层的频率信息并恢复局部信息，得到第四特征图，所述频率增强通道注意力模块先使用1×1卷积将第二层自适应频率注意力网络输出的第三特征图扩充到与第四层自适应频率注意力网络输出的第三特征图相同的通道数，然后将第四层自适应频率注意力网络输出的第三特征图与第三层自适应频率注意力网络输出的第三特征图相加，融合后再使用一个1×1卷积将特征信息整合，使木材缺陷识别网络自己选择对语义分割有用的频率信息；将第三层、第四层自适应频率注意力网络融合后的特征图与第二层自适应频率注意力网络输出的第三特征图重复以上操作，接着利用上采样恢复到与第一层自适应频率注意力网络输出的第三特征图相同的大小，最终获取融合各层的频率信息并恢复局部信息后的第四特征图；其中频率增强通道注意力模块的整个处理过程如下所示， 式中，、、、分别表示矩形自校准自适应频率注意力网络模块中四个自适应滤波器输出的特征图，表示1×1卷积和一个归一化层，表示自适应动态采样，表示残差通道注意力；将第四特征图与第一特征图再进行融合，得到第五特征图，将第五特征图输入给分割头进行预测，输出最终识别的树皮缺陷区域。

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山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院);山东山科智控科技创新有限公司，其通讯地址为：250000 山东省济南市历下区科院路19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”。