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！

龙图腾网获悉江苏绿能汽配科技有限公司申请的专利基于视觉的汽车塑料件表面瑕疵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：CN120125969B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510218936.X，技术领域涉及：G06V10/82；该发明授权基于视觉的汽车塑料件表面瑕疵识别方法是由杜建设计研发完成，并于2025-02-26向国家知识产权局提交的专利申请。

本基于视觉的汽车塑料件表面瑕疵识别方法在说明书摘要公布了：本发明涉及工业智能检测技术领域，公开了基于视觉的汽车塑料件表面瑕疵识别方法。该方法通过获取历史汽车塑料件表面图像并建立数据集，经过预处理、标注及划分后，搭建基于生成对抗网络的深度学习模型进行训练，得到汽车塑料件表面瑕疵识别模型。该模型能够实时采集汽车塑料件表面图像，并识别出划痕、气泡、缺料和熔接线等多种瑕疵类型，适应不同光照条件和拍摄角度的变化。同时，采用动态阈值判定机制和模型解释模块，及时发现并报警瑕疵问题，提高生产效率和产品质量。该方法具有高度的可扩展性和灵活性，为汽车塑料件制造行业的智能化转型提供了有力支持。

本发明授权基于视觉的汽车塑料件表面瑕疵识别方法在权利要求书中公布了：1.基于视觉的汽车塑料件表面瑕疵识别方法，其特征在于，所述方法包括： 步骤S100：获取历史汽车塑料件表面图像，对该图像进行预处理后，建立汽车塑料件表面数据集； 步骤S200：对汽车塑料件表面数据集进行标注，并划分为训练集和验证集； 步骤S300：搭建基于生成对抗网络的深度学习模型； 所述基于生成对抗网络的深度学习模型包括： 生成器网络，采用U-Net架构，包含8层下采样-上采样结构，用于逐步提取和恢复汽车塑料件表面图像特征，每层集成残差块与自注意力机制模块，其中第3-5层嵌入Transformer编码器单元，捕捉长距离依赖关系，学习跨区域瑕疵的特征关联，输出端采用谱归一化卷积层生成512×512高分辨率特征图； 所述生成器网络具体包括： 输入层采用带位置编码的4通道张量，标记瑕疵位置特征； 下采样阶段包含4个残差块，每个残差块由2个3×3谱归一化卷积层构成，中间插入基于SwinTransformer的窗口自注意力模块； 瓶颈层集成3个级联的Transformer编码单元，每个单元包含12个注意力头及2048维前馈网络； 上采样阶段采用亚像素卷积技术，配合自适应实例归一化进行多层次图像特征融合； 输出层采用tanh激活函数，结合通道注意力门控机制生成包含局部细节增强的合成图像； 判别器网络，构建多尺度金字塔式架构，包含3个并行卷积流，分别处理原始分辨率、12降采样及14降采样图像，捕捉汽车塑料件表面不同尺度瑕疵，各支路采用深度可分离卷积与自适应实例归一化技术，适应不同图像特征分布，末端通过门控融合模块集成多尺度图像特征； 所述判别器网络具体包括： 多尺度输入分支采用自适应重采样技术，动态调整各支路输入汽车塑料件表面图片分辨率； 各卷积流包含5个阶段，每阶段采用深度可分离卷积自适应实例归一化组合，并采用LeakyReLU激活函数，提取汽车塑料件表面不同大小和形状瑕疵的多尺度特征； 特征融合模块采用可微分神经架构搜索生成的拓扑结构，集成跨尺度特征交互机制，融合汽车塑料件表面不同大小和形状瑕疵的多尺度特征； 判别头包含区域聚焦机制，通过实时生成的显著性图对关键区域施加3倍权重； 训练过程采用Wasserstein损失函数，集成梯度惩罚和频谱正则化约束，提高判别器网络训练稳定性和收敛速度； 分类模块包含并联的注意力机制层和全连接层，其中注意力机制层采用动态多头自注意力机制，设置12个注意力头并集成通道注意力模块，从不同角度分析汽车塑料件表面瑕疵特征，全连接层采用混合专家系统架构，包含32个专家网络和可学习的门控控制器，判断瑕疵类型； 步骤S400：将训练集输入基于生成对抗网络的深度学习模型中进行训练，训练过程采用验证集进行验证，得到汽车塑料件表面瑕疵识别模型； 步骤S500：实时采集汽车塑料件表面图像，输入汽车塑料件表面瑕疵识别模型得到汽车塑料件表面瑕疵识别结果。

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江苏绿能汽配科技有限公司，其通讯地址为：221200 江苏省徐州市睢宁县永昶路905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”。