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！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用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：CN115526852B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202211152057.4，技术领域涉及：G06V10/25；该发明授权基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用是由朱锟鹏;毛杨坤设计研发完成，并于2022-09-21向国家知识产权局提交的专利申请。

本基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用在说明书摘要公布了：本发明公开了一种基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用，是使用基于深度学习的目标检测网络进行飞溅与熔池的识别与位置捕获，其步骤包括：1、熔融加工图像数据集构建，2、搭建目标检测模型，包括：特征提取模块、特征融合模块、输出模块，3、目标检测模型的训练，4、通过目标检测模型得到待监测的选区激光熔融的近红外加工图像检测结果。本发明能在选区激光熔融加工过程的近红外图像中，精确的提取出图像中的飞溅与熔池位置信息，从而实现实时的加工过程的熔池与飞溅的过程监测，且提出的目标检测模型有着参数量少、运算量少、速度快、检测精度高的特点，进而能为加工过程的实时检测提供重要的帮助。

本发明授权基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用在权利要求书中公布了：1.一种基于目标检测的选区激光熔融过程中熔池与飞溅监测方法，其特征在于，包括如下步骤： 步骤一：构建输入网络的图像数据集： 采集选区激光熔融加工过程中的近红外图像并进行剪裁处理，得到熔融加工图像，并对熔融加工图像中飞溅与熔池的位置和类别进行标注，得到包含标注信息的图像数据集，记为，其中，表示第i张熔融加工图像，C、H和W分别为图像的通道数、高度和长度；表示第i张熔融加工图像中第n个物体的标注信息，表示第i张熔融加工图像中的标注物体数量；且=，其中，代表了第i张熔融加工图像中第n个物体的类别，分别代表第i张熔融加工图像中第n个物体的位置信息，为第n个物体所在真实框的宽、高，为第n个物体所在真实框的中心点坐标；所述物体包括熔池、飞溅； 步骤二：以Yolov5s网络为基础网络模型，搭建目标检测模型，包括：特征提取模块、特征融合模块、输出模块； 步骤2.1：所述特征提取模块由一个SCBA模块、三个CBA模块、个CSP_x模块、两个SCunit模块、一个SPPF模块组成； 步骤2.1.1：所述SCBA模块依次由一个卷积层、一个归一化层、一个激活函数层组成；且SCBA模块中卷积层的卷积核大小为； 任意一个CBA模块依次由一个卷积层，一个归一化层，一个激活函数层组成；且每个CBA模块中卷积层的卷积核大小均为； 任意一个CSP_x模块包括两个支路和一个CBA模块，其中一个支路包括一个CBA模块与x个残差结构，另一个支路包括另一个CBA模块；两个支路的输出通过堆叠操作后相连，再连接第三个CBA模块的输入； 任意一个SCunit模块由一个自校正卷积单元和一个加法器构成，自校正卷积单元的输出与SCunit模块的输入通过加法器相连；其中，所述自校正卷积单元由四个卷积层、一个Sigmoid激活函数、一个平均池化层、一个上采样层、一个加法器、一个乘法器组成；所述自校正卷积单元的输入按照通道数均分为两个部分，第一个部分输入依次经过一个平均池化层、第一个卷积层、一个上采样层后输出，上采样层的输出和第一个部分输入分别与加法器相连后再与Sigmoid激活函数的输入相连；第二个部分输入通过第二个卷积层后输出，第二个卷积层的输出与Sigmoid激活函数的输出分别与过乘法器相连后，再与第三个卷积层的输入相连；第二个部分输入再通过第四个卷积层后输出，第四个卷积层的输出与第三个卷积层的输出通过堆叠操作后，得到自校正卷积单元最终的输出； 所述SPPF模块由两个卷积层、三个最大池化层组成；SPPF模块的输入依次通过第一个卷积层，第一个最大池化层，第二个最大池化层，第三个最大池化层；其中，第一个卷积层的输出与第一个最大池化层的输出、第二个最大池化层的输出、第三个最大池化层的输出通过一个堆叠操作后相连，堆叠操作后的输出通过第二个卷积层后，得到SPPF模块最终的输出； 步骤2.1.2：所述第i张熔融加工图像输入所述特征提取模块中，并依次经过一个SCBA模块、第一个CBA模块和个CSP_x模块的处理后，得到包含浅层语义信息的特征图；再依次经过第二个CBA模块与个CSP_x模块的处理后，得到包含中层语义信息的特征图；再依次经过第一个SCunit模块、个CSP_x、一个SPPF模块、第三个CBA模块、第二个SCunit模块的处理后，得到包含高层语义信息的特征图； 所述特征提取模块将代表不同深度语义信息，，输出给所述特征融合模块； 步骤2.2：所述特征融合模块由两个CBA模块与三个注意力机制CBAM模块组成； 步骤2.2.1：任意一个卷积注意力CBAM模块包括通道注意力模块和空间注意力模块；其中，所述通道注意力模块包括：一个最大池化层、一个平均池化层、两个多层感知机层、一个加法器、一个乘法器、一个Sigmoid激活函数；所述空间注意力模块包括：一个最大池化层、一个平均池化层、一个乘法器、一个卷积层； 卷积注意力CBAM模块的输入依次经过通道注意力模块和空间注意力模块后输出； 通道注意力模块的输入分为两个支路，第一个支路依次包括第一个最大池化层与第一个多层感知机层，第二个支路依次包括第一个平均池化层和第二个多层感知机层； 第一个多层感知机层的输出与第二个多层感知机层的输出分别与加法器相连后再与Sigmoid激活函数的输入相连，Sigmoid激活函数的输出与通道注意力模块的输入通过第一个乘法器相连后输出，第一个乘法器的输出作为通道注意力模块的输出并输入所述空间注意力模块中，所述空间注意力模的输入分别经过第二个最大池化层与第二个平均池化层处理后再通过堆叠操作Concat连接，再与所述卷积层的输入相连，所述卷积层的输出与空间注意力模块的输入分别与第二个乘法器的输入相连，所述第二个乘法器的输出为注意力机制CBAM模块的最终输出； 步骤2.2.2：，，输入所述特征融合模块中，经过第一个CBAM模块的处理后得到输出低维特征图；对进行上采样操作后再依次输入第四个CBA模块、第二个CBAM模块中进行处理后，输出中维特征图；对进行上采样操作后再依次输入第五个CBA模块、第三个CBAM模块中进行处理后，输出高维特征图；将、、通过堆叠操作Concat相连后，得到特征堆叠图； 步骤2.3：所述输出模块由两个CBA模块、一个SCunit模块与YoloHead层组成； 所述YoloHead层为yolov5s网络的解码层，依次经过第六个CBA模块、第七个CBA模块、第三个SCunit模块的处理后，得到特征融合图，所述YoloHead层将特征融合图解码转换为目标检测模型输出特征输出图； 步骤3、采用CIOU_loss损失函数来计算位置损失，采用二值交叉熵损失函数来计算目标置信度损失、分类损失；由所述位置损失、目标置信度损失、分类损失组成的总损失函数Loss； 基于所述包含标注信息的图像数据集，利用梯度下降法对所述目标检测模型进行训练，并计算所述总损失函数Loss以更新模型参数，当所述总损失函数Loss收敛时，得到训练后的目标检测模型； 步骤4、将待监测的选区激光熔融的近红外加工图像输入到训练后的目标检测模型中，得到若干个检测结果，并使用非极大抑制法对若干个检测结果进行筛选后得到目标检测的最终结果；所述最终结果包括：待监测的近红外加工图像中识别到的物体的类别、物体所在检测框的位置信息； 步骤5、根据目标检测的最终结果，将每个检测框绘制到加工图像上，同时采用不同的标注来区分不同类别的检测框。

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中国科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山区蜀山湖路350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”。