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！

龙图腾网获悉太原科技大学申请的专利一种基于深度学习的表面缺陷实时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：CN115249242B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202210957662.2，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的表面缺陷实时检测方法是由谢刚;谢新林;胡啸;张林;王银;李林娟;张浩雪设计研发完成，并于2022-08-10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表面缺陷实时检测方法在说明书摘要公布了：本发明涉及产品表面缺陷检测技术，具体是一种基于深度学习的表面缺陷实时检测方法，该方法是采用如下步骤实现的：步骤一：制作产品表面缺陷数据集；步骤二：构建MobileNetv3‑CATR主干特征提取网络；步骤三：训练MobileNetv3‑CATR主干特征提取网络；步骤四：将待检测的产品表面缺陷图片输入到MobileNetv3‑CATR主干特征提取网络进行缺陷特征提取；步骤五：将13×13尺度的特征图输入到空间金字塔池化模块；步骤六：构建轻量级加权双向特征金字塔；步骤七：将处理后的13×13尺度的特征图、26×26尺度的特征图、52×52尺度的特征图输入到轻量级加权双向特征金字塔进行缺陷特征融合。本发明有效解决了现有产品表面缺陷检测方法检测实时性差的问题，适用于产品表面缺陷检测。

本发明授权一种基于深度学习的表面缺陷实时检测方法在权利要求书中公布了：1.一种基于深度学习的表面缺陷实时检测方法，其特征在于：该方法是采用如下步骤实现的： 步骤一：制作产品表面缺陷数据集；所述产品表面缺陷数据集包括训练集、验证集、测试集； 步骤二：构建MobileNetv3-CATR主干特征提取网络； 步骤三：先利用产品表面缺陷数据集中的训练集来训练MobileNetv3-CATR主干特征提取网络，再利用产品表面缺陷数据集中的测试集来测试MobileNetv3-CATR主干特征提取网络的检测精度； 步骤四：将待检测的产品表面缺陷图片输入到MobileNetv3-CATR主干特征提取网络进行缺陷特征提取，由此得到三个尺度不同的特征图；所述三个尺度不同的特征图包括：13×13尺度的特征图、26×26尺度的特征图、52×52尺度的特征图； 步骤五：将13×13尺度的特征图输入到空间金字塔池化模块，空间金字塔池化模块利用不同大小的池化核对13×13尺度的特征图进行多样性的尺度处理，由此得到处理后的13×13尺度的特征图； 步骤六：构建轻量级加权双向特征金字塔； 步骤七：先将处理后的13×13尺度的特征图、26×26尺度的特征图、52×52尺度的特征图输入到轻量级加权双向特征金字塔进行缺陷特征融合，再将融合后的三个尺度不同的特征图分别输入到各自的检测头中，由此得到三个尺度不同的检测头，然后对三个尺度不同的检测头进行处理，每个检测头由此得到三组候选框的调整参数，最后根据候选框的调整参数调整候选框的坐标和尺寸，由此生成预测框，从而确定产品表面缺陷的信息；所述三个尺度不同的检测头包括：13×13尺度的检测头、26×26尺度的检测头、52×52尺度的检测头；每组候选框的调整参数均包括：一个置信度参数、四个调整坐标和尺寸的参数、多个类别参数； 所述步骤二中，MobileNetv3-CATR主干特征提取网络的构建步骤具体如下： 首先，利用协调注意力模块和动态激活函数构建CA-Bneck模块； 其次，利用CA-Bneck模块将原MobileNetv3主干特征提取网络中的Bneck模块替换，由此得到重组的MobileNetv3主干特征提取网络； 然后，在重组的MobileNetv3主干特征提取网络中加入Transformer模块，由此得到MobileNetv3-CATR主干特征提取网络； 所述步骤六中，轻量级加权双向特征金字塔的构建步骤具体如下： 首先，删除加权双向特征金字塔中的两个特征层； 其次，在位于同一特征层的原始输入节点和输出节点之间添加额外的边，由此得到轻量级加权双向特征金字塔； 所述步骤七中，在进行缺陷特征融合时，轻量级加权双向特征金字塔对每个特征图都给予一个相同的权重，并在进行拼接操作时进行一个归一化处理。

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太原科技大学，其通讯地址为：030024 山西省太原市万柏林区窊流路66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。