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！

龙图腾网获悉电子科技大学申请的专利一种多尺度增强和选择性对比LCD缺陷检测方法及系统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：CN119515828B 。

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：202411580539.9，技术领域涉及：G06F17/00；该发明授权一种多尺度增强和选择性对比LCD缺陷检测方法及系统是由陈怀新;罗思杰;黄莹;杨若雨设计研发完成，并于2024-11-07向国家知识产权局提交的专利申请。

本一种多尺度增强和选择性对比LCD缺陷检测方法及系统在说明书摘要公布了：本发明公开一种多尺度增强和选择性对比LCD缺陷检测方法及系统，其特征在于，包括以下步骤：获取显示屏图像信号数据信息，并进行图像裁剪标注处理；构建一个基于FasterR‑CNN结合双向特征金字塔的两阶段目标检测模型作为基线网络，并对图像裁剪标注处理结果进行特征提取处理；通过辅助分支网络对特征提取处理结果进行目标、特征多尺度增强处理；通过主网络多尺度特征增强后的特征进行选择性对比损失计算处理，以提高类间距离；基于自适应解耦模块对目标特征多尺度增强处理结果进行特征解耦处理，以解决分类和回归之间的相互干扰；实现解决显示屏小样本缺陷中类间混淆、尺度差异大的问题，具有识别精度高、泛化性强的优点。

本发明授权一种多尺度增强和选择性对比LCD缺陷检测方法及系统在权利要求书中公布了：1.一种多尺度增强和选择性对比LCD缺陷检测方法，其特征在于，包括以下步骤： S101、获取显示屏图像信号数据信息，并进行图像裁剪标注处理； S102、构建一个基于FasterR-CNN结合双向特征金字塔的两阶段目标检测模型作为基线网络，并对图像裁剪标注处理结果进行特征提取处理，包括以下步骤： 以ResNet101为主干网络，提取显示屏图像的多尺度特征图，然后通过双向特征金字塔的多层次的双向特征融合机制，将来自不同尺度的特征图信息进行整合； 通过候选区域生成网络基于融合后的特征图来预测潜在的目标区域，并在不同的尺度特征图上生成一组预定义的锚点，锚点的大小和纵横比不同，以适应不同尺寸和形状的目标； 对于每个候选区域，使用ROIAlign操作从BiFPN输出的多尺度特征图中提取出固定大小的特征，以供后续的分类和边界框回归使用，再通过ROIAlign对候选区域进行特征对齐； 基于ROI检测头对每个候选区域分别进行分类和边界框回归，最终通过非极大值抑制输出目标检测结果； S103、通过辅助分支网络对特征提取处理结果进行目标和特征多尺度增强处理，包括以下步骤： 辅助分支网络中的特征提取网络和特征融合网络的主网络采用相同架构，并且两网络之间参数共享； 通过多尺度目标生成k个不同的比例的对象； 通过根据目标金字塔中各尺度目标生成特征图，通过RPN和ROI检测进一步细化匹配； 将训练完成后的辅助分支进行去掉，以不影响推理时间； S104、通过主网络多尺度特征增强后的特征进行选择性对比损失计算处理，以提高类间距离，包括以下步骤： 基于选择性对比损失函数提高缺陷类间的区分度，并通过感兴趣区域进行检测、分类和回归平行； 对于小批量N个RoI框特征首先将候选区域特征采用一层的多层感知机进行编码zi＝MLPfi，嵌入向量zi和zj之间的距离dzi,zj来度量样本对的相似性； 当候选区域与真实标注框的重叠度大于设定阈值u时，样本对才会参与对比损失的计算，损失函数的表达式如下所示： 其中，为损失函数，u设置成0.7，fi、fj均为候选区域特征，yj为目标真实框，LW,Y,fi,fj为损失计算，W为模型参数，Y表示相似或者不相似的情况，IOU为真实标注框的重叠度； 损失的计算方式LW,Y,fi,fj采用对比学习计算方式对高置信度向量对比计算，向量对比计算的表达式如下所示： 其中，和表示经过归一化的特征向量，m表示相同样本对之间的最小距离，y＝1表示样本对为异类，从而迫使不同类别样本之间的距离大于m，y＝0表示样本对是同类样本对，则计算他们之间的实际距离，为候选区域特征fi和候选区域特征fj对在特征空间中的距离，欧式距离计算的表达式如下式所示： dzi,zj＝||zi-zj||2 其中，d为欧式距离，zi和zj分别表示第i和第j个嵌入向量； S105、基于自适应解耦模块对目标和特征多尺度增强处理结果进行特征解耦处理，以解决分类和回归之间的相互干扰，包括以下步骤： 通过使用不同的卷积来替代原来共用的卷积或者全连接，对目标和特征多尺度增强处理结果进行特征解耦； 采用变异的卷积替代常规卷积，对于分类采用动态蛇形卷积SnakeConv不规则的特征提取方式获得增强模型对细长和迂回结构的检测能力；对于回归采用坐标卷积CoordConv在提取特征的同时记录位置坐标获得更好对目标框回归； 经分类和回归解耦后的特征会分别经过并行的空间注意力与通道注意力对特征进行加强，之后分别通过极化函数ψ.进行分类和回归； 极化后的特征表达式如下所示： Mc＝σC1×1reluC1×1avgpoolf Ms＝σC7×7[maxpoolF；avgpoolf] 其中，Ms为空间注意力，Mc为通道注意力，Mf为空间和通道增强后的特征图，F′为极化函数后的输出特征，σ为激活函数，C为1×1的卷积，avgpool为平均池化，ψ为极化函数。

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电子科技大学，其通讯地址为：610000 四川省成都市高新区(西区)西源大道2006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”。

以上内容由龙图腾AI智能生成。