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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于深度学习的钢铁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：CN118735901B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202410955963.0，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的钢铁表面缺陷检测方法是由周晓飞;江岱阳;鲍柳昕;乔通;章国道;张继勇设计研发完成，并于2024-07-17向国家知识产权局提交的专利申请。

本一种基于深度学习的钢铁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的钢铁表面缺陷检测方法，该方法首先获取带钢表面缺陷数据集，并进行预处理。其次构建深度特征提取网络，进行特征提取，得到深度特征，并构建级联特征融合模块，进行深度特征的融合。然后基于深度特征提取网络相应阶段的输出特征，通过卷积注意力模块，进行特征的注意力增强，获得重标定的特征。最后基于重标定的特征和融合后的深度特征，进行边缘引导和显著目标融合，输出检测结果。本发明在处理复杂的缺陷场景时，能够准确进行缺陷检测。

本发明授权一种基于深度学习的钢铁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的钢铁表面缺陷检测方法，其特征在于，包括以下步骤： 步骤1.获取带钢表面缺陷数据集，并通过加噪、翻转和归一化进行预处理； 步骤2.构建深度特征提取网络，对数据集进行特征提取，得到深度特征； 所述深度特征提取网络，使用ResNet-34构建三个高中低分辨率的卷积分支； 对于高分辨率卷积分支，ResNet-34的conv1中的卷积核为7×7的卷积层被卷积核为3×3的卷积层所替代；同时，丢弃conv1最后的最大池化层；然后，结合conv2_x，构建了一个新的卷积块Conv-E1；在此之后，Conv-E2、Conv-E3和Conv-E4分别采用了ResNet-34的三个残差学习块：conv3_x、conv4_x和conv5_x；此外，在Conv-E4之后部署了一个最大池化层和三个残差块，构成编码器卷积块中的Conv-E5； 对于中分辨率的卷积分支，在ResNet-34的第一个卷积块Conv-E1之前添加一个最大池化层； 对于低分辨率的卷积分支，在ResNet-34的第一个卷积块Conv-E1之前添加一个最大池化层，其余结构均与高分辨率卷积分支相同； 根据三个卷积分支，分别获得三个深度语义特征和 步骤3.构建级联特征融合模块，进行深度特征的融合； 所述级联特征融合模块具体实现过程如下： 将深度特征传递给一个卷积块Conv中，得到增强的深度特征 其中，Conv中的每个卷积层之后都是一个批归一化处理层和一个ReLU层； 之后，利用双线性插值法将增强的深度特征通过上采样操作调整到与相同的大小，将这两个深度特征组合，并传递到一个卷积块中： 其中up×2.表示通过双线性插值进行2倍上采样操作，+为元素级求和运算； 将深度语义特征以及两个增强的深度特征和也传递到一个卷积块中，得到增强的深度特征 其中，up×4.是指采用双线性插值的4倍上采样操作； 最后，部署一个卷积块ConvB，其中包含间隔的三个扩展的卷积层、三个批归一化处理层和三个ReLU层，得到融合后的语义特征FD： 步骤4.基于深度特征提取网络相应阶段的输出特征，通过卷积注意力CBAM模块，进行特征的注意力增强，获得重标定的特征； 步骤5.基于重标定的特征和融合后的深度特征，进行边缘引导和显著目标融合，输出检测结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。