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！

龙图腾网获悉华中科技大学无锡研究院申请的专利一种基于深度学习的裂像自动对焦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：CN116149041B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202310137042.9，技术领域涉及：G02B21/24；该发明授权一种基于深度学习的裂像自动对焦方法是由华智捷;张旭设计研发完成，并于2023-02-20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裂像自动对焦方法在说明书摘要公布了：本发明涉及图像处理技术领域，具体公开了一种基于深度学习的裂像自动对焦方法，包括：在显微镜当前位置采集原始图像；提取原始图像中裂像图案所在的图像子块；利用训练好的深度学习模型对图像子块进行修复，以得到修复后的图像子块；利用相似度算法计算修复后的图像子块中左右裂像图案的相对像素距离；根据提前标定好的关系模型，由相对像素距离预测所述原始图像的散焦距离；根据预测后的散焦距离，移动物镜至目标位置，以完成显微镜自动对焦。本发明实现了从单张图像完成对焦，极大地提高了显微镜自动对焦的速度，并且在预测中利用深度学习模型对图像进行修复，能够更好的对抗图像中复杂前景带来的干扰，有效提高自动对焦的精度和鲁棒性。

本发明授权一种基于深度学习的裂像自动对焦方法在权利要求书中公布了：1.一种基于深度学习的裂像自动对焦方法，其特征在于，包括如下步骤： 步骤S1：在显微镜当前位置采集原始图像； 步骤S2：提取所述原始图像中裂像图案所在的图像子块； 步骤S3：利用训练好的深度学习模型对所述图像子块进行修复，以得到修复后的图像子块； 步骤S4：利用相似度算法计算所述修复后的图像子块中左右裂像图案的相对像素距离； 步骤S5：根据提前标定好的关系模型，由相对像素距离预测所述原始图像的散焦距离； 步骤S6：根据预测后的散焦距离，移动物镜至目标位置，以完成显微镜自动对焦； 其中，所述利用训练好的深度学习模型对所述图像子块进行修复之前，包括： 构建基于对抗生成网络的深度学习模型； 制作用于训练深度学习模型的成对数据样本； 根据所述成对数据样本对所述基于对抗生成网络的深度学习模型进行训练，以生成所述训练好的深度学习模型； 其中，所述基于对抗生成网络的深度学习模型包括生成器和鉴别器，所述生成器为基于深度可分离卷积网络，所述鉴别器为PatchGAN； 所述生成器将接收到的图像先通过3次下采样提取图像特征，然后通过3次上采样生成修复图像； 所述鉴别器输入图像，经过3次下采样后接全连接层处理，并由Sigmoid函数输出评价值； 其中，所述制作用于训练深度学习模型的成对数据样本，包括： 定步长和定行程以采集不同前景下各个焦平面的图像，并提取所有图像中裂像图案所在的图像子块，得到多组焦点堆栈； 根据一个判断准则来确定每组焦点堆栈的基准图像子块，即理想焦平面，并按照所述基准图像子块为每组焦点堆栈中的其他图像子块标注真实的散焦距离； 将所有焦点堆栈中标注为相同散焦距离的图像子块归为一类； 在每一类图像子块中将所有干净前景的图像以取平均的方式拟合成一张新的图像，作为每一类图像子块的标签图像； 将每张复杂前景的图像与其所在类对应的标签图像组成一对数据样本，制作出全部的成对数据样本； 其中，所述根据提前标定好的关系模型，由相对像素距离预测所述原始图像的散焦距离，需要提前标定好相对像素距离与真实散焦距离之间的关系模型，包括： 构建基于梯度提升决策树的关系模型； 制作用于标定关系模型的数据集； 根据数据集对所述基于梯度提升决策树的关系模型进行标定，生成标定好的关系模型； 其中，所述制作用于标定关系模型的数据集包括： 定步长和定行程以采集干净前景下各个焦平面的图像，并提取所有图像中裂像图案所在的图像子块，得到多组焦点堆栈； 利用相似度算法估计所有图像子块中左右裂像图案的相对像素距离； 根据判断准则来确定每组焦点堆栈的基准图像子块，即理想焦平面，并按照此基准图像子块为每组焦点堆栈中的其他图像子块标注真实散焦距离； 将每张图像子块所对应的相对像素距离和真实散焦距离作为一对数据样本，制作所有图像子块的数据集。

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华中科技大学无锡研究院，其通讯地址为：214174 江苏省无锡市惠山区堰新路329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”。