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！

龙图腾网获悉东华大学申请的专利基于CFP-SSD模型的碳纤维预浸料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：CN116452572B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202310467130.5，技术领域涉及：G06T7/00；该发明授权基于CFP-SSD模型的碳纤维预浸料表面缺陷检测方法是由甘学辉;刘香玉;廖壑;张东剑;查一斌;平安;钱小敏;张晓晓;卢瑶瑶设计研发完成，并于2023-04-27向国家知识产权局提交的专利申请。

本基于CFP-SSD模型的碳纤维预浸料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CFP‑SSD模型的碳纤维预浸料表面缺陷检测方法，首先利用图像采集设备实时采集CFP制备过程中产生的预浸料表面缺陷图像，建立碳纤维预浸料图像数据集，然后设计主干特征提取网络模块、额外特征层提取模块与多尺度融合远距离上下文特征提取模块构建CFP‑SSD碳纤维预浸料表面缺陷检测模型，接着设置CFP‑SSD模型的损失函数和训练超参数，通过喂入碳纤维预浸料图像数据集对设计的CFP‑SSD进行训练，获得训练完成的CFP‑SSD模型，最后利用训练后的CFP‑SSD模型对碳纤维预浸料表面缺陷进行检测。本发明的方法对不同尺度大小的缺陷具有较强的识别与定位能力，尤其提升了对小尺度缺陷的识别能力。

本发明授权基于CFP-SSD模型的碳纤维预浸料表面缺陷检测方法在权利要求书中公布了：1.基于CFP-SSD模型的碳纤维预浸料表面缺陷检测方法，其特征在于，包括以下步骤： 1利用图像采集设备实时采集生产过程中的碳纤维预浸料图像，对碳纤维预浸料图像中的缺陷进行人工手动标注矩形框，对每张碳纤维预浸料图像生成对应的标签数据，建立碳纤维预浸料图像数据集； 2对碳纤维预浸料图像数据集进行扩充，将扩充后的碳纤维预浸料图像数据集中的一部分作为训练集，并将原始图片压缩； 3构建CFP-SSD模型； CFP-SSD模型由主干特征提取网络模块、额外特征层提取模块、多尺度融合远距离上下文特征提取模块组成； 主干特征提取网络模块由信号依次单向传递的conv1层、conv2_x层、第一通道注意力机制模块SENet层、conv3_x层、第二通道注意力机制模块SENet层、conv4_x层、第三通道注意力机制模块SENet层组成；主干特征提取网络模块的输入即conv1层的输入为碳纤维预浸料图像，主干特征提取网络模块的输出即第三通道注意力机制模块SENet层的输出为特征图P1； 额外特征层提取模块由结构相同、信号依次单向传递的额外层1、额外层2、额外层3、额外层4、额外层5组成；额外特征层提取模块的输入即额外层1的输入为特征图P1，额外特征层提取模块的输出即额外层5的输出为特征图C6；额外层1、额外层2、额外层3、额外层4的输出分别对应为特征图P2、特征图P3、特征图C4、特征图C5； 多尺度融合远距离上下文特征提取模块的工作流程如下： a将特征图P1、特征图P2、特征图P3均通过卷积核为1×1的卷积降维至512，分别对应得到特征图P1*、特征图P2*、特征图P3*； b对特征图P3*进行上采样，使其与特征图P2*大小一致后将其与特征图P2*进行逐元素相加，得到特征图P2^； c对特征图P2^进行上采样，使其与特征图P1*大小一致后将其与特征图P1*进行逐元素相加融合，得到特征图P1^； d对特征图X均采用膨胀率r＝1、r＝3、r＝5的扩张卷积进行并行特征提取，提取后的特征信息再依次进行逐元素相加融合、卷积核为1×1的卷积得到特征图Y；特征图X为特征图P1^、特征图P2^、特征图P3*，对应的特征图Y分别为特征图P1’、特征图P2’、特征图P3’； e将特征图P1与特征图P1’进行逐元素相加融合得到特征图C1；将特征图P2与特征图P2’进行逐元素相加融合得到特征图C2；将特征图P3与特征图P3’进行逐元素相加融合得特征图C3； f将特征图C1、特征图C2、特征图C3、特征图C4、特征图C5、特征图C6输入到检测器中进行目标分类与位置回归，经过非极大值抑制方法得到缺陷类型以及缺陷位置； 4训练CFP-SSD模型； 设置CFP-SSD模型的损失函数和训练超参数，通过喂入训练集对CFP-SSD模型进行训练； 5检测； 利用图像采集设备实时采集生产过程中的碳纤维预浸料图像，将其输入到训练后的CFP-SSD模型中，得到缺陷类型以及缺陷位置。

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华大学，其通讯地址为：201620 上海市松江区人民北路2999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”。