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！

龙图腾网获悉东北电力大学申请的专利一种基于改进SwinIR的路面缺陷图像超分辨率重建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：CN120339071B 。

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：202510445367.2，技术领域涉及：G06T3/4053；该发明授权一种基于改进SwinIR的路面缺陷图像超分辨率重建方法是由周欣欣;王相雨;康慧莹;高雄;赵鸿皓;杜原泽设计研发完成，并于2025-04-10向国家知识产权局提交的专利申请。

本一种基于改进SwinIR的路面缺陷图像超分辨率重建方法在说明书摘要公布了：本发明公开了一种基于改进SwinIR的路面缺陷图像超分辨率重建方法，具体包括以下步骤：步骤1：获取路面缺陷图像，构建第一数据集；步骤2：基于第一数据集生成第二数据集；步骤3：构建基于改进SwinIR的路面缺陷图像超分辨率重建模型；步骤4：设计结合Wasserstein距离的改进L1损失函数；步骤5：采用第二数据集中的训练集和验证集对模型进行训练；步骤6：利用第二数据集的测试集对模型进行性能评估；步骤7：将步骤5训练得到的模型权重与第一数据集共同输入改进的SwinIR模型，输出高分辨率图像。相较于现有技术，本发明提出的基于改进SwinIR的路面图像超分辨率重建方法，能够有效提升路面缺陷图像的分辨率，增强路面缺陷细节恢复能力。

本发明授权一种基于改进SwinIR的路面缺陷图像超分辨率重建方法在权利要求书中公布了：1.一种基于改进SwinIR的路面缺陷图像超分辨率重建方法，其特征在于，具体包括以下步骤： 步骤1：获取路面缺陷图像，构建第一数据集；所述第一数据集中，路面缺陷图像可通过数码相机进行拍摄、从行车记录仪或者监控视频中获取； 步骤2：基于第一数据集生成第二数据集，所述第二数据集通过对第一数据集进行两倍下采样，生成与高分辨率图像相对应的低分辨率图像对，并将其划分为训练集、验证集和测试集； 步骤3：构建基于改进SwinIR的路面缺陷图像超分辨率重建模型，所述模型包括浅层特征提取模块、深层特征提取模块和高质量修复模块，模型的构建进一步包括步骤3.1至步骤3.3： 步骤3.1：将第二数据集的低质量图像训练集和验证集输入浅层特征提取模块，所述浅层特征提取模块使用3×3卷积层提取初始特征，生成初步特征图； 步骤3.2：将初步特征图输入至深层特征提取模块，所述深层特征提取模块由5个RSTB模块、5个SimAM注意力机制以及1个3×3卷积组成，其中，每个RSTB模块包含6个STL层和1个深度可分离卷积模块； 步骤3.3：将深层特征提取模块的输出送至高质量修复模块进行图像重建，所述高质量修复模块由上采样模块和一个3×3卷积组成；所述上采样模块使用PixelShuffle方法对特征图进行上采样，提升图像分辨率；上采样后的特征图再通过3×3卷积层进行进一步细化，有效修复图像细节，最终输出高质量的重建图像； 步骤4：设计结合Wasserstein距离改进的L1损失函数，其计算公式为： LTotal＝loss_weight×LL1+wass_weight×LWass1 其中，LL1表示L1Loss，用于衡量预测值与真实值之间的绝对差异；LWass表示Wasserstein距离损失，用于衡量预测值和真实值之间的分布差异；loss_weight和wass_weight分别为L1Loss和Wasserstein距离的权重； L1Loss的计算公式为： Wasserstein距离的计算公式为： 其中，fxi和yi分别表示第i个样本的预测值及相应真实值，n为样本的个数，Hist·表示直方图化操作； 步骤5：利用第二数据集的训练集和验证集对步骤3所述的基于改进SwinIR的路面缺陷图像超分辨率重建模型进行训练，并保存训练好的模型及权重，所述步骤5，进一步包括步骤5.1至步骤5.4： 步骤5.1：设置所述基于改进SwinIR的路面缺陷图像超分辨率重建模型训练参数； 步骤5.2：将第二数据集的训练集和验证集图像对输入到改进的SwinIR路面缺陷图像超分辨率重建模型中，使用反向传播算法计算损失函数对模型参数的梯度，根据梯度更新模型的参数，使损失函数逐渐减小； 步骤5.3：监控训练过程中的损失函数值和性能指标，训练集的损失函数不再下降，同时评价指标PSNR和SSIM也不再提高时，停止训练以避免模型过拟合； 步骤5.4：在训练完成后，从中选取最优模型并保存训练权重； 步骤6：采用第二数据集的测试集对所述步骤5.4选取的最优模型进行测试，并对测试结果进行评估，若模型的PSNR和SSIM满足泛化性要求，即获得最终基于改进SwinIR的路面缺陷图像超分辨率重建模型，所述步骤6进一步包括步骤6.1至步骤6.3： 步骤6.1：将所述测试集图像对输入到所述步骤5选取的最优模型中进行测试； 步骤6.2：计算模型性能指标PSNR，所述PSNR的具体计算公式如下： 其中，xi,j和yi,j分别表示图像x和图像y在第i,j像素位置的值；m和n表示图像的宽和高，MAXx为图像x中最大像素值； 计算模型性能指标SSIM，所述SSIM的具体计算公式如下： 其中，μx和μy分别表示两个图像x和y的局部均值，用来估计亮度；c1和c2是常数项，防止除数为零；和表示图像x和y的局部方差，用来衡量图像的对比度；σxy表示图像x和y的协方差，用来衡量图像之间的结构相似性； 步骤6.3：评估测试集的性能指标，若测试集的PSNR和SSIM指标与训练集相近，说明模型满足泛化性的要求，获得最终基于改进SwinIR的路面缺陷图像超分辨率重建模型； 步骤7：将第一数据集与步骤5保存的训练权重一起输入到改进后的SwinIR路面缺陷图像超分辨率重建模型进行重建，即获得最终的超分辨率重建图像。

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东北电力大学，其通讯地址为：132000 吉林省吉林市长春路169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。