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！

龙图腾网获悉哈尔滨工业大学申请的专利Mobile-UNet++大口径光学元件激光诱导损伤分割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：CN117152434B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202311129794.7，技术领域涉及：G06V10/26；该发明授权Mobile-UNet++大口径光学元件激光诱导损伤分割方法是由韩越越;祝世林;陈凤东;刘国栋;唐军;向勇设计研发完成，并于2023-09-04向国家知识产权局提交的专利申请。

本Mobile-UNet++大口径光学元件激光诱导损伤分割方法在说明书摘要公布了：一种Mobile‑UNet++大口径光学元件激光诱导损伤分割方法，属于光学元件损伤检测领域。本发明针对现有深度学习领域中，光学元件激光诱导损伤全监督语义分割依赖大量人工标注，时间效率低的问题。包括：获取原始损伤图像数据集；筛选激光诱导损伤的像素级分割掩模作为原始损伤图像的真值标签，并形成样本图像集；对样本图像分类并数据增强使各类别样本图像个数均衡；制作FODI损伤数据集，并确定训练集与测试集；搭建Mobile‑UNet++模型，进行训练和测试，得到训练后Mobile‑UNet++模型；获取待检测图像，输入至训练后Mobile‑UNet++模型，获得语义分割结果。本发明用于暗场成像的大口径光学元件图像的激光诱导损伤分割。

本发明授权Mobile-UNet++大口径光学元件激光诱导损伤分割方法在权利要求书中公布了：1.一种Mobile-UNet++大口径光学元件激光诱导损伤分割方法，其特征在于包括， 步骤一：获取原始损伤图像数据集； 步骤二：采用SAM获得每张原始损伤图像中所有目标的像素级分割掩模；筛选激光诱导损伤的像素级分割掩模作为原始损伤图像的真值标签，并形成样本图像集； 步骤三：根据目标损伤程度和杂散光干扰强度及形式将样本图像分为多个类别，再通过数据增强，使每个类别的样本图像个数均衡； 步骤四：从每个类别中随机选取相同数量的样本图像制作FODI损伤数据集，并以3:1的比例分为训练集与测试集； 步骤五：以UNet++模型的骨干网络为基础架构搭建Mobile-UNet++模型，Mobile-UNet++模型中将所述骨干网络中的普通卷积替换为深度可分离卷积，并在深度可分离卷积的逐通道卷积中引入空洞卷积；采用训练集训练Mobile-UNet++模型，得到训练后Mobile-UNet++模型；采用测试集评估训练后Mobile-UNet++模型的分割性能； 步骤六：获取待检测图像，输入至训练后Mobile-UNet++模型，获得语义分割结果； 所述Mobile-UNet++模型包括编码器；所述编码器包括五个特征提取层； 每个特征提取层对输入特征通过深度可分离卷积进行特征提取，将五个特征提取层输出的多通道编码结果依次表示为X0,0、X1,0、X2,0、X3,0和X4,0； 第一个特征提取层的深度可分离卷积对样本图像的三通道输入特征进行特征提取，得到第一个特征提取层输出的多通道编码结果X0,0；再依次将前一个特征提取层输出的多通道编码结果进行最大池化操作，将降采样特征输入至相邻下一个特征提取层的深度可分离卷积，得到多通道编码结果X1,0、X2,0、X3,0和X4,0； 每个深度可分离卷积对输入特征依次进行自适应填充、逐通道空洞卷积、批量标准化操作、非线性激活操作和多个用以扩充通道数的逐点1×1卷积获得多通道编码结果。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。