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！

龙图腾网获悉南昌大学申请的专利一种基于深浅层注意特征融合的多尺度路面裂纹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：CN117132889B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202311046653.9，技术领域涉及：G06V20/10；该发明授权一种基于深浅层注意特征融合的多尺度路面裂纹检测方法是由闵卫东;郭文建设计研发完成，并于2023-08-19向国家知识产权局提交的专利申请。

本一种基于深浅层注意特征融合的多尺度路面裂纹检测方法在说明书摘要公布了：本发明提供了一种基于深浅层注意特征融合的多尺度路面裂纹检测方法，采集路面裂纹图像并对图像进行预处理；将图像输入主干网络提取层次特征P2，P3，P4，P5；将P5输入尺度自适应SA模块中获取多尺度信息；将P2，P3，P4输入到Neck中细化特征；所述Neck包括深浅层注意特征融合DSAFF模块和特征细化FR模块；DSAFF模块利用通道注意力获取通道信息，采用分块解耦注意力BDAM模块获取深浅层融合的空间信息，FR用来细化边缘信息；分别输入检测头中获取最终的检测结果；引入SimOTA优化训练时的标签分配方案。本发明能够在增加少量计算的情况捕捉更充分地多尺度特征信息；本发明能够强化网络对损伤区域的特征提取，从而缓解背景区域的干扰。

本发明授权一种基于深浅层注意特征融合的多尺度路面裂纹检测方法在权利要求书中公布了：1.一种基于深浅层注意特征融合的多尺度路面裂纹检测方法，其特征在于：包括以下步骤： S1，采集路面裂纹图像并对图像进行预处理； S2，将图像输入主干网络提取层次特征P2，P3，P4，P5； S3，将P5输入尺度自适应SA模块中获取多尺度信息； S4，将P2，P3，P4输入到Neck中细化特征；所述Neck包括深浅层注意特征融合DSAFF模块和特征细化FR模块；DSAFF模块利用通道注意力获取通道信息，采用分块解耦注意力BDAM模块获取深浅层融合的空间信息，FR用来细化边缘信息； S5，分别输入检测头中获取最终的检测结果； S6，引入SimOTA优化训练时的标签分配方案； 其中，步骤S4中，所述深浅层注意特征融合DSAFF模块包括： DSAFF模块包括两个分支，一个是注意力分支，一个是浅层空间信息获取分支；注意力分支使用通道注意力CA模块和BDAM模块获取通道和空间信息； DSAFF模块先是使用高级特征和低级特征做简单拼接，然后利用通道注意力CA获取通道信息； 浅层空间信息获取分支和CA模块输出后的特征经过处理后进行融合，输入到BDAM模块中来获取深浅层融合的空间信息；浅层空间信息获取分支为一个步长为2的3×3的最大池化进行下采样，然后使用全局最大池化使通道数变为1获取浅层空间信息；CA模块是通过将特征图通过全局平均池化压缩到C×1×1的维度后，使用1×1卷积对其进行缩放后，利用Sigmoid激活来获取通道的重要程度的； BDAM模块首先进行深浅层空间信息融合，过程如下式所示； ； 为融合特征，为拼接特征的第c个通道，C为通道数量，为浅层特征； 进行MN处理，公式如下所示； ； 其中max表示取中的最大值，abs表示中所有数据取绝对值，y是一个自定义的数值； 将划分成若干个区域，再对每个区域进行横纵池化操作，流程如下面公式所示； ； ； 其中、、分别表示第P个patch的横纵向池化后的输出特征和，c、i、j分别表示第几个维度、行和列，其中，； 将特征高频区域和低频区域解耦合，如下式所示； ； ； ； ； 其中、、、分别表示解耦的高低频横纵池化特征图，表示区域特征图，min表示对应位置取小值，max为取大值； 对特征进行Sigmoid激活，如下式所示； ； 其中表示第p个patch第i行第j列的值，表示在Sigmoid之后第i行第j列的值，同理，上式为大于且大于的情况，表示第1行第j列的值；若前者小于，则将相应的变为，后者同理； 步骤S4中，所述特征细化FR模块，包括： 首先经过两个1×1的卷积来调整维度，使得通道数调整为，并形成两个分支；通过级联的3×1和1×3卷积来代替常见的3×3卷积，第一个3×1卷积的输出维度为，后面的1×3卷积输出维度为；其中一个分支经过两个级联的3×1和1×3卷积，将此过程中得到的特征与另一个分支初始输入的特征进行拼接，再通过一个1×1卷积将特征进行融合，形成最终的细化特征。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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。