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！

龙图腾网获悉江苏科技大学申请的专利一种基于改进YOLOv4的热轧带钢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：CN116012337B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310025246.3，技术领域涉及：G06T7/00；该发明授权一种基于改进YOLOv4的热轧带钢表面缺陷检测方法是由王佳;季娟娟;潘巧若;卢道华设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本一种基于改进YOLOv4的热轧带钢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改进YOLOv4的热轧带钢表面缺陷检测方法，获取公开的热轧带钢数据集；使用k‑means++算法对YOLOv4网络的锚框参数值进行修改，选择精度最高的聚类结果作为YOLOv4网络的锚框参数值；构建包括主干特征提取网络、Neck部分与预测输出模块的改进的YOLOv4网络，调整特征图大小来适配整个网络模型，并对该算法做优化地后处理操作；采用改进的YOLOv4网络对训练集与验证集进行训练，采用训练好的改进网络对测试集进行测试。本发明在YOLOv4框架下，使用轻量化Transformer网络架构作为模型的特征提取网络，用较少的参数提取输入对象的全局、局部表征信息；添加ASFF自适应特征融合模块自适应地融合不同尺度特征，丰富大、小目标物的表征信息；最后采用改进的DIoUNMS算法，进一步降低漏检率。

本发明授权一种基于改进YOLOv4的热轧带钢表面缺陷检测方法在权利要求书中公布了：1.一种基于改进YOLOv4的热轧带钢表面缺陷检测方法，其特征在于，包括以下步骤： 1获取公开的热轧带钢数据集，将数据集分为训练集、验证集与测试集，并调整图片大小； 2使用k-means++算法对YOLOv4网络的锚框参数值进行修改，选择精度最高的聚类结果作为YOLOv4网络的锚框参数值； 3构建改进的YOLOv4网络，调整特征图大小来适配整个网络模型；所述改进的YOLOv4网络包括主干特征提取网络、Neck部分与预测输出模块； 4采用改进的YOLOv4网络对训练集与验证集进行训练，采用训练好的改进网络对测试集进行测试； 5将待测试的图片输入到训练好的改进的YOLOv4网络中，来检测热轧带钢表面缺陷，得到图片中缺陷的置信度、类别以及位置； 步骤3所述的Neck部分包括SPP金字塔模块、PANet多尺度融合模块与ASFF特征自适应融合模块；所述的主干特征提取网络采用的是MobileVit网络架构，从网络中抽取三个特征图：64×64×96,32×32×128,16×16×160，用作所述Neck部分的输入；接着，将16×16×160特征图通过3次CBL操作将通道数调整成与YOLOv4适配的大小，得到一个16×16×512的特征图；接着，将其通过所述SPP金字塔模块来增加特征的感受野，使用特征拼接与普通卷积对通道数进行调整，得到一个16×16×512的特征图；接着，将所得的16×16×512特征图与之前从所述主干特征提取网络抽取的前两个特征图：64×64×96,32×32×128特征图，输入到所述的PANet多尺度融合模块进行多尺度特征提取拼接，得到表征信息更多的三个特征图：64×64×128,32×32×256,16×16×512；接着，将得到的三个特征图通过所述ASFF特征自适应融合模块跨尺度地丰富不同尺寸的表征信息，输出三个特征图：64×64×128,32×32×256,16×16×512：接着，将得到的三个特征图通过所述预测输出模块的三个不同大小的特征层进行多尺度检测，得到三个初步的预测结果特征图64×64×C,32×32×C,16×16×C：接着，采用改进的DIoUNMS对初步的预测结果筛选得到最终的输出结果，输出的结果经过转换公式的换算可得到实际预测框的中心点坐标、宽和高； 所述主干特征提取网络是由多个MobileVitblock和MobileNetV2block组成；所述MobileVitblock由Localrepresentations局部表示部分、Globalrepresentations全局表示部分与Fusion融合部分组成；所述Localrepresentations局部表示部分用来提取局部空间信息，利用n×n与1×1的卷积对输入特征进行局部特征提取并投影到高维空间；所述Globalrepresentations全局表示部分用来来学习全局特征，将特征展开为N个non-overlappingflattenedpatches，其中Transformer部分用来对多个patches之间的关系进行编码；所述Fusion融合部分用n×n卷积来融合前两个部分得到的局部、全局特征；所述MobileNetV2block先通过1×1的卷积升维，进一步提取更丰富的特征；然后利用3×3的深度可分离卷积，在使用较少计算量的情况下来提取更大感受野的特征；再利用1×1的卷积将输入的特征图降维，减少参数量；最后再利用残差连接，使其在较少增加计算量与参数量的同时又可以捕获到更多的特征信息； 所述ASFF特征自适应融合模块通过学习后的权重参数自动地融合所输入的三个特征图的多尺度特征信息，加强特征的提取，通过以下公式实现： ASFF-3＝X1→3*α3+X2→3*β3+X3→3*γ3 其中，X1→3为level1特征层通过通道数调整、尺寸缩放，变换至同level3特征层相同大小的特征层；同理，X2→3为level2变换至同level3特征层相同大小的特征层；X3→3为level3特征层；α，β，γ为各自的权重系数，在训练中通过反向传播获得； 所述改进的DIoUNMS为在原DIoU计算公式中添加一个权重系数λ来进一步过滤掉重复检测的预测框，操作步骤具体为： S1：对所有的候选预测框按照置信度值进行降序排列； S2：选择置信度值最高的预测框A添加到输出列表中，并将其从候选列表中删除； S3：计算框A与其他候选预测框的DIoU值，并将大于NMSthreshold的候选预测框视为重叠预测，将其从候选列表中删除； 改进的DIoU值的计算公式为： 其中，λ为权重系数，0λ1，当λ1时,原值被减小，DIoU值增大，在原本的置信度阈值下进一步过滤掉重复检测的预测框； S4：重复步骤S1-S3，直至候选列表为空后，返回输出列表，即真正的预测框。

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科技大学，其通讯地址为：212008 江苏省镇江市京口区梦溪路2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。