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基于多尺度DETR的航空发动机叶片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：CN117173449B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202310879506.3，技术领域涉及：G06V10/764；该发明授权基于多尺度DETR的航空发动机叶片缺陷检测方法是由程德俊;张含冰;李泽健;张胜文;张春燕;方喜峰设计研发完成，并于2023-07-17向国家知识产权局提交的专利申请。

本基于多尺度DETR的航空发动机叶片缺陷检测方法在说明书摘要公布了：本发明公开了基于多尺度DETR的航空发动机叶片缺陷检测方法，先采集有缺陷叶片的X射线图像数据集,并对不平衡数据集进行数据增强；然后将特征提取网络中提取到的特征图输入多尺度融合注意力机制模块,得到加权特征图；之后将加权特征图输入多尺度特征融合模块,经过跨尺度特征融合后输出最终特征图；将添加了位置编码的特征图和目标查询序列与Transformer进行交互,并利用R‑Focalloss计算损失并进行反向传播优化模型；最后将实际工业场景中获得的缺陷图片输入网络进行检测,得到最终的检测结果，该方法通过模型训练和工业应用检验,可以提高叶片缺陷检测精度，提高检测速度，具有较高的实用价值。

本发明授权基于多尺度DETR的航空发动机叶片缺陷检测方法在权利要求书中公布了：1.基于多尺度DETR的航空发动机叶片缺陷检测方法，其特征在于：具体包括以下步骤： S1：采集有缺陷叶片的X射线图像数据集，并对不平衡数据集进行数据增强； 所述X射线图像数据集是通过对叶片进行专用的X摄像机摄像并经过电脑处理过后得到的数据集，所述数据增强的方法分别是Mixup、Mosaic和Mix-Mos方法，缓解数据不平衡以及防止数据过拟合，具体的： 所述Mixup方法通过线性插值或拼接不同图像,生成具有新结构和新概率分布的图像,增加数据集的多样性，假设两张训练图像和对应的标签，通过Mixup生成的新图像和标签的计算如下： 是一个在之间的随机值，控制两张原图像的混合比例，在接近0.5时，新样本包含更丰富的原样本信息，最大限度地增强数据的多样性,提高模型的泛化能力； 所述Mosaic方法通过图像拼接构建全新的训练图像，并维持原图像的完整标签信息，最大限度地增强数据的多样性，为模型提供更丰富的语义信息，提高检测与识别性能； 所述Mix-Mos方法首先采用Mixup方法进行数据增强,随后应用Mosaic方法，通过Mixup获得图像内容的连续性,通过Mosaic获得图像信息的丰富度； S2：将S1中经过数据增强后的图像数据输入特征提取网络Resnet50中,分别取出Resnet50中block2、block3、block4和block5的四层特征图，所述其中block2和block3提取低维特征，表征目标的轮廓和纹理这些几何结构信息；所述block4和block5提取高维特征，表达图像的语义信息； S3：将S2中提取到的特征图输入基于卷积通道注意力机制改进的多尺度融合注意力机制模块中,采用多尺度自注意力机制对特征图进行加权融合,得到加权特征图，其中多尺度融合注意力机制是基于卷积通道注意力机制进行了改进，具体包括以下步骤： S3.1：通过卷积和上采样将特征图维度扩展到与block3特征图的相同维度，并沿着通道方向将四个特征图进行拼接，得到的特征图，维度记为； S3.2：将特征图经过两层的卷积层，分别记为和，padding设置为1，得到特征图和； S3.3：按照公式1和公式2得到融合特征层和： S3.4：对和通过均值池化进行降维，得到的权重和的维度为； S3.5：将和输入FC层，FC层包括两层全连接和最后一层sigmoid激活函数，得到最终的融合权重； S3.6：将融合权重与原始特征图相乘得到经过多尺度融合注意力机制加权特征图； S4：将S3中的加权特征图输入多尺度特征融合模块,经过跨尺度特征融合后输出最终特征图； S5：将S4输出的最终特征图添加位置编码,与目标查询序列一起输入Transformer编码器； S6：将S5得到的添加了位置编码的特征图和目标查询序列与Transformer进行交互,并利用R-Focalloss计算损失并进行反向传播优化模型，完成整个目标检测过程，目标检测过程通过完整的DETR实现，DETR包括S1-S4中的特征提取网络和S5-S6中的Transformer，采用Transformer的架构来代替CNN使得目标检测网络更好的获取全局信息； S7：将实际工业场景中获得的缺陷图片输入网络进行检测，得到最终的检测结果。

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江苏科技大学，其通讯地址为：212003 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。