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！

龙图腾网获悉西南石油大学申请的专利一种基于多支路卷积神经网络的射线图像焊缝缺陷识别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：CN116228682B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202310068601.5，技术领域涉及：G06T7/00；该发明授权一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法是由罗仁泽;唐祥;王磊;余泓;邓治林;罗任权;谭亮;李华督设计研发完成，并于2023-02-06向国家知识产权局提交的专利申请。

本一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法在说明书摘要公布了：本发明所提供的一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法，由基础卷积网络层和多个分类分支组成，与传统卷积神经网络相比，本发明利用多个分类分支进行缺陷识别，并且分类分支通过分类分支生成器自适应地产生，首先，基础卷积网络层对缺陷初步分类后，得到每个缺陷种类下的错误率，然后按照错误率从高到低的顺序合并缺陷种类，接着根据合并的缺陷种类的数量生成分类分支，最后利用分类分支对合并缺陷做进一步分类，模型利用基础卷积网络层和分类分支对图像中缺陷种类进行两次分类，能有效提高模型的准确率。

本发明授权一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法在权利要求书中公布了：1.一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法，其特征在于包括以下步骤： 步骤一：对原始图像进行图像预处理，图像预处理操作包括灰度拉伸、中值滤波，得到图像预处理后的图像，灰度拉伸公式为： 其中，g为灰度拉伸后的像素值，取值范围为区间[0,gmax]内的整数，gmax为拉伸后图像的最大像素值，取值范围为正整数，并且gmax大于fmax，f为原始图像的像素值，fmax为原始图像的最大像素值，fmin为原始图像的最小像素值，为向下取整，中值滤波利用原始像素值的m×n窗口大小内所有像素值的中值代替原始像素值，m、n的取值范围均为正整数； 步骤二：将步骤一中预处理后的图像作为输入图像，再将该输入图像缩放成a×b×c的张量，a、b、c的取值范围均为正整数，然后进行标准化，标准化的公式为： 其中，u为标准化后的值，取值范围为区间[-1,1]，v为标准化前的值，取值范围为任意实数，m为所有待标准化的图像的像素值的均值，取值范围为任意实数，δ为所有待标准化的图像的像素值的标准差，取值范围为任意实数； 步骤三：将标准化后的张量作为模型的输入，搭建多支路卷积神经网络进行缺陷识别，该网络结构在传统卷积神经网络基础上增加了N个分类分支，并且N个分类分支通过分支生成器自适应地生成，其中，N的取值范围为正整数，搭建自适应多分支的卷积神经网络包括以下步骤： 1搭建ResNet50网络作为基础卷积网络层，并且在训练集上进行训练，训练完成的基础卷积网络层在验证集上分类缺陷，得到对应的错误率，训练集的图像为Itrain张管道焊缝的射线图像，验证集的图像为Iverify张管道焊缝的射线图像，Itrain和Iverify的取值范围为正整数，训练集的标签和验证集的标签为图像中缺陷的种类c，取值范围为区间[0,C-1]上的整数，C为缺陷种类的数量，取值范围为正整数，训练完成的模型选择在训练过程中交叉熵损失最小的模型，交叉熵损失的公式为： 其中，H为交叉熵损失，qi为第i张图像的模型输出向量中的最大值，取值范围为区间[0,1]； 2根据1中验证集上的错误率利用分支生成器生成分类分支，错误率的公式为： 其中，Pi,j为种类i被错误地分类为种类j的错误率，取值范围为区间[0,1]，Ii为验证集中种类i的图像数量，取值范围为正整数，Ii,j为模型将种类i分类为种类j的图像数量，取值范围为正整数，分支生成器生成分支的步骤为第3步到第5步； 3保持i的值不变，比较对应的Pi,j的值，最大的Pi,j作为模型在验证集中关于种类i的最大错误率，记为pi,j； 4改变i的值，得到模型在验证集中所有种类的最大错误率pi,j，接着设置阈值t，取值范围为区间[0,1]，利用阈值对所有种类的pi,j进行筛选，保留大于或等于阈值的pi,j，去除小于阈值的pi,j； 5对4筛选后的pi,j进行降序排序，将最大的pi,j对应的两个种类进行种类合并，合并方式是如果种类i被错误地分类为种类j，那么将种类i合并到种类j中，并且种类i和种类j均不能再合并到其它种类中，接着继续使用剩下的pi,j中的最大值重复上述种类合并过程，直到所有的pi,j被使用，最后给所有的合并种类均生成一个分类分支； 6对所有的分类分支进行训练，每个分支均单独训练，训练集为1中训练集的部分图像，这部分图像含有合并种类中的缺陷，训练集的标签为图像中缺陷的种类c，取值范围为区间[0,Ci-1]上的整数，Ci为缺陷种类的数量，表示第i个合并种类中包含的缺陷种类的数量，取值范围为正整数，训练时共享基础卷积网络层中前L层卷积层，L的取值范围为正整数，该部分卷积层在训练时参数不进行更新，训练完成的模型选择在训练过程中交叉熵损失最小的模型，交叉熵损失的公式与1中相同； 7基础卷积网络层和N个分类分支都训练完成后，对基础卷积网络层和N个分类分支进行组合，先利用基础卷积网络层进行缺陷分类后，再利用N个分类分支对合并种类进行分类，N个分类分支都与基础卷积网络层共享前L层卷积层，最终得到图像中包含的缺陷的种类。

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西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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”。