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！

龙图腾网获悉天津工业大学申请的专利基于多模态动态融合与双路协同检测的表面异常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：CN120726054B 。

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：202511234964.7，技术领域涉及：G06T7/00；该发明授权基于多模态动态融合与双路协同检测的表面异常检测方法是由耿磊;热阿宛·吾肯;肖志涛;张芳;刘彦北;吴骏;王雯设计研发完成，并于2025-09-01向国家知识产权局提交的专利申请。

本基于多模态动态融合与双路协同检测的表面异常检测方法在说明书摘要公布了：本发明公开了基于多模态动态融合与双路协同检测的表面异常检测方法，包括如下步骤：步骤一，构建增强型多模态数据集；步骤二，建立几何‑语义协同感知网络；步骤三，建立双路径协同工作的多模态融合深度学习缺陷检测模型；步骤四，模型部署与检测。本发明通过几何‑语义协同感知、残差敏感度增强与智能决策优化三级架构，解决了现有方法中多模态特征融合效率低、微缺陷检测灵敏度不足及缺陷边界难以界定的问题，有助于提高物体表面质检的精度与效率。

本发明授权基于多模态动态融合与双路协同检测的表面异常检测方法在权利要求书中公布了：1.基于多模态动态融合与双路协同检测的表面异常检测方法，其特征在于，包括如下步骤： 步骤1：构建增强型多模态数据集，其中增强型多模态数据集包括三维点云数据和二维纹理图像； 步骤2：根据步骤1中构建的增强型多模态数据集的结构，建立几何-语义协同感知网络，用于提取并融合跨模态特征； 步骤3：在步骤2提取和融合后的跨模态特征基础上，建立双路径协同的多模态融合深度学习缺陷检测模型并进行训练； 步骤3中建立的双路径协同的多模态融合深度学习缺陷检测模型包括特征匹配路径和生成重建路径两部分；特征匹配路径使用改进的FPFH描述符构建三维几何特征库，并结合PatchCore算法建立二维纹理特征库，再通过K近邻搜索计算特征相似度以定位潜在的异常区域；生成重建路径使用扩散驱动的去噪扩散模型对输入图像进行逐步修复，生成无缺陷的参考图像，并计算该参考图像与原始图像之间的差异得到重建残差，以进一步判断缺陷区域；两条路径的输出结果通过残差敏感度增强模块进行融合，实现对异常区域的精准检测；去噪扩散模型为： ； 其中，为噪声调度系数，为基于神经网络预测的噪声项，和为扩散过程的控制参数，为重采样噪声强度，为标准高斯噪声；通过去噪，生成无缺陷的参考图像；将该参考图像与原始图像进行差分，得到的重建残差图用以表征潜在的缺陷区域； 步骤3的双路径协同的多模态融合深度学习缺陷检测模型还包括残差敏感度增强模块，用于提高异常检测的精度；该模块采用自适应加权融合策略，将特征匹配路径输出的特征图F与生成重建路径输出的缺陷热力图H进行融合，得到融合特征图G，其融合计算公式为： ； 其中融合权重根据局部异常点云密度、重建残差强度以及空间一致性动态调整，通过该自适应融合，使得异常区域的特征在融合结果中得到增强表达；同时，结合密度自适应的动态阈值机制，系统根据局部点云密度和残差分布实时计算缺陷判定阈值，当残差值超过阈值时即判定对应区域为异常，从而输出像素级的缺陷热力图及其边界框，实现精确标定缺陷位置；该密度自适应阈值机制有效优化了缺陷区域的判定标准，进一步提升了检测的灵敏度和定位精度； 步骤4：根据训练后的模型输入待检测物体的多模态数据，进行缺陷检测，输出像素级的缺陷热力图及对应的边界框，实现高精度的表面缺陷检测与定位。

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天津工业大学，其通讯地址为：300000 天津市西青区宾水西道399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。