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！

龙图腾网获悉水利部珠江水利委员会技术咨询(广州)有限公司;梧州市水利局申请的专利一种基于深度学习图像处理的堤防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：CN119919418B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510412517.X，技术领域涉及：G06T7/00；该发明授权一种基于深度学习图像处理的堤防表面缺陷检测方法是由牟舵;李远强;宋东东;梁力元;陈基海;邓颖;刘杰寅;李璐旨;李严林设计研发完成，并于2025-04-03向国家知识产权局提交的专利申请。

本一种基于深度学习图像处理的堤防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深度学习图像处理的堤防表面缺陷检测方法，包括：获取堤防表面的堤防表面缺陷图像数据和堤防表面的实时监控视频图像数据；对所述堤防表面缺陷图像数据中的缺陷位置、缺陷类别、缺陷危害等级进行标注，得到标注后的图像数据；对标注后的图像数据进行预处理，得到训练数据集；根据所述训练数据集训练预设的深度学习多任务融合网络，得到堤防表面缺陷检测模型，对所述实时监控视频图像数据进行预处理并将预处理后的实时监控视频图像数据输入到所述堤防表面缺陷检测模型中，输出堤防表面缺陷检测结果。本发明提高了堤防表面缺陷检测效率和准确率。

本发明授权一种基于深度学习图像处理的堤防表面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图像处理的堤防表面缺陷检测方法，其特征在于，包括： 获取堤防表面的堤防表面缺陷图像数据和堤防表面的实时监控视频图像数据； 对所述堤防表面缺陷图像数据中的缺陷位置、缺陷类别、缺陷危害等级进行标注，得到标注后的图像数据； 对标注后的图像数据进行预处理，得到训练数据集； 根据所述训练数据集训练预设的深度学习多任务融合网络，得到堤防表面缺陷检测模型，所述堤防表面缺陷检测模型用于先将预处理图像数据通过第一CNN特征下采样模块进行特征提取和下采样处理，之后将第一CNN特征下采样模块的输出通过缺陷类别任务模块、缺陷危害等级分类任务模块和缺陷位置任务模块这三个任务分支模块处理，其中： 缺陷类别分类任务模块用于将所述第一CNN特征下采样模块的输出通过第二CNN特征下采样模块处理，之后通过全连接模块与LSTM模块进行特征压缩，最终通过全连接模块输出缺陷类别； 缺陷危害等级分类任务模块用于将所述第一CNN特征下采样模块的输出通过第三CNN特征下采样模块处理，之后通过全连接模块与LSTM模块进行特征压缩，最终通过全连接模块输出缺陷危害等级； 缺陷位置任务模块用于将所述第一CNN特征下采样模块的输出通过CNN特征上采样模块处理，输出缺陷的像素坐标； 对所述实时监控视频图像数据进行预处理并将预处理后的实时监控视频图像数据输入到所述堤防表面缺陷检测模型中，输出堤防表面缺陷检测结果； 其中，第一CNN特征下采样模块、第二CNN特征下采样模块、第三CNN特征下采样模块、CNN特征上采样模块均为卷积核通道数递减的模块； 所述第一CNN特征下采样模块的输入尺寸为512*512*3，所述第一CNN特征下采样模块依次使用512、256、128个卷积核模块对输入进行特征提取操作，并进行1*2的池化，得到64*64*128的特征矩阵； 所述缺陷类别分类任务模块依次使用128、64、32的卷积核模块对所述第一CNN特征下采样模块的输出进行特征提取，对提取到的特征进行平坦化之后分别使用512维的全连接与512维的长短期记忆网络进行特征压缩，之后对压缩后的特征进行拼接，最后通过5维的全连接对拼接后的特征进行最终特征收敛作为缺陷的类别的空间特征向量； 缺陷危害等级分类任务模块对所述第一CNN特征下采样模块的输出依次使用128、64、32的卷积核模块进行特征提取，之后对提取到的特征进行平坦化之后分别使用512维的全连接与512维的长短期记忆网络进行特征压缩，对压缩后的特征进行拼接，最后通过4维的全连接对拼接后的特征进行最终特征收敛作为危害等级的空间特征向量； 缺陷位置任务模块对所述第一CNN特征下采样模块的输出分别使用卷积核参数为64、16、1的反卷积模块后得到作为缺陷位置的512*512*1的空间矩阵。

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水利部珠江水利委员会技术咨询(广州)有限公司;梧州市水利局，其通讯地址为：510610 广东省广州市天河区天寿路80号14层；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”。