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！

龙图腾网获悉中南民族大学申请的专利一种获取壁画裂隙开裂参数的方法和系统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：CN120953348B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202510977642.5，技术领域涉及：G06T7/62；该发明授权一种获取壁画裂隙开裂参数的方法和系统是由李成华;郭恺;徐含;石鸿凌;丁昊;江小平设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本一种获取壁画裂隙开裂参数的方法和系统在说明书摘要公布了：本发明公开了一种获取壁画裂隙开裂参数的方法，其使用图像采集设备获取壁画裂隙图像，将壁画裂隙图像输入预先训练好的壁画裂隙分割模型，得到壁画裂隙图像对应的二值图形式的分割结果，并获取图像采集设备与该壁画之间的拍摄距离和拍摄模式；获取标定板图像集合，并对集合中所有图像进行数字化处理以获取图像中基准线的像素长度，并得到图像中基准线的实际长度与像素长度的比值作为标定板图像的比值，并将每个摄影模式获取图像时使用的拍摄距离与标定板图像的比值进行线性回归分析，构建出像素‑实际长度映射关系函数。本发明能够解决现有人工测量法测量效率较低，并会给壁画带来二次损害的技术问题。

本发明授权一种获取壁画裂隙开裂参数的方法和系统在权利要求书中公布了：1.一种获取壁画裂隙开裂参数的方法，其特征在于，包括以下步骤： 1使用图像采集设备获取壁画上的裂隙图像，对该裂隙图像进行预处理，将预处理后的裂隙图像输入预先训练好的壁画裂隙分割MCS模型进行图像分割处理，以得到裂隙图像对应的二值图形式的分割结果，并获取该图像采集设备与该壁画之间的拍摄距离D和图像采集设备获取裂隙图像时所使用的拍摄模式R；壁画裂隙分割模型包含13层，其具体结构如下： 第1层为图像预处理层，其输入是维度为H×W×C的图像，其中H表示图像的高度，W表示图像的宽度，C为图像的通道数，该图像预处理层首先使用双线性插值方法将该图像的长度和宽度均缩放至1024像素，然后，对缩放处理后的图像进行归一化处理，最终输出维度为1024×1024×3的特征图； 第2层为卷积层，其输入为第1层输出的特征图，该卷积层对该特征图进行卷积操作，最终输出维度为64×64×768的特征图； 第3层为视觉变换器ViT网络，其包括N个串联连接的ViT块，其中N的取值为大于1的自然数； 对于每个ViT块而言，其具体结构为： 第3.1层为归一化层，其输入为第2层输出的特征图，该归一化层对该特征图进行归一化处理，以输出维度为64×64×768的特征图； 第3.2层为多头注意力层，其输入为第3.1层输出的特征图，该多头注意力层将该特征图输入多头注意力模块，以输出维度为64×64×768的特征图； 第3.3层为Adapter适配器层，其输入为第3.2层输出的特征图，该Adapter适配器层将该特征图输入Adapter适配器模块，以输出维度为64×64×768的特征图； 第3.4层为残差连接层，其输入为第2层和第3.3层输出的特征图，该残差连接层将这两个特征图进行残差连接，以输出维度为64×64×768的特征图； 第3.5层为归一化层，其输入为第3.4层输出的特征图，该归一化层对该特征图进行归一化处理，以输出维度为64×64×768的特征图； 第3.6层为多层感知机层，输入为第3.5层输出的特征图，该多层感知机层将特征图输入进多层感知机模块，以输出维度为64×64×768的特征图； 第3.7层为Adapter适配器层，其输入为第3.4层输出的特征图，该Adapter适配器层将特征图输入Adapter适配器模块，以输出维度为64×64×768的特征图； 第3.8层为比例缩放层，其输入为第3.7层输出的特征图，该比例缩放层将该特征图乘以缩放因子0.5进行比例缩放，以输出维度为64×64×768的特征图； 第3.9层为残差连接层，其输入为第3.6层和第3.8层输出的特征图，该残差连接层将这两个特征图进行残差连接，以输出维度为64×64×768的特征图； 第4层为卷积层，输入为第3.9层输出的特征图，该卷积层对该特征图进行卷积操作，最终输出维度为64×64×256的特征图； 第5层为归一化层，其输入为第4层输出的特征图，该归一化层对该特征图进行归一化处理，最终输出维度为64×64×256的特征图； 第6层为卷积层，其输入为第5层输出的特征图，该卷积层对该特征图进行卷积操作，最终输出维度为64×64×256的特征图； 第7层为归一化层，其输入为第6层输出的特征图，该归一化层对该特征图进行归一化处理，最终输出维度为64×64×256的特征图； 第8层为特征增强层，其输入为第7层输出的特征图，该特征增强层首先通过一个卷积层将特征图的通道维度升为1024，然后将提升维度后的特征图再输入一个卷积层，最后将卷积得到的特征图输入ReLU激活函数，最终输出维度为64×64×1024的特征图； 第9层为通道压缩层，其输入为第8层输出的特征图，该通道压缩层首先通过一个卷积层提取特征图的局部上下文特征，然后再通过一个卷积层将提取特征后的特征图的通道维度从1024降为512，最后通过一个全局注意力模块对降维后的特征图进行处理，最终输出维度为64×64×512的特征图； 第10层为通道压缩层，其输入为第9层输出的特征图，该通道压缩层首先通过一个卷积层提取特征图的局部上下文特征，然后再通过一个卷积层将提取特征后的特征图的通道维度从512降为256，最后通过一个全局注意力模块对降维后的特征图进行处理，最终输出维度为64×64×256的特征图； 第11层为上采样层，其输入为第10层输出的特征图，该上采样层首先通过两个相同的卷积层提取特征图局部上下文特征，然后再通过一个转置卷积层对提取特征后的特征图进行向上采样，将特征图尺寸恢复为128×128，同时将该特征图通道维度从256降为128，最后通过一个全局注意力模块对降维后的特征图进行处理，最终输出维度为128×128×128的特征图； 第12层为上采样层，其输入为第11层输出的特征图，该上采样层首先通过两个相同的卷积层提取特征图的局部上下文特征，然后再通过一个转置卷积层对提取特征后的特征图进行向上采样，将特征图尺寸恢复为256×256，同时将该特征图通道维度从128降为64，最后通过一个全局注意力模块对降维后的特征图进行处理，最终输出维度为256×256×64的特征图； 第13层为输出卷积层，其输入为第12层输出的特征图，该输出卷积层首先通过空间细化卷积对该特征图中的局部空间进行卷积处理，接着将卷积处理后的特征图进行预测卷积处理，最终输出维度为256×256×2的特征图，即为二值图形式的分割结果； 2生成标定板，利用图像采集设备以多种拍摄模式、多种拍摄距离对该标定板进行拍摄，以获取每种拍摄模式下多张标定板图像组成的标定板图像集合，对该标定板图像集合中的每个标定板图像进行数字化处理，以获取数字化处理后的标定板图像及其中三条基准线的平均像素长度，并获取三条基准线的平均实际长度与平均像素长度两者的比值作为该标定板图像对应的比值，并根据所有标定板图像对应的比值进行线性回归分析，以得到每种拍摄模式对应的像素-实际长度映射函数； 3对步骤1得到的二值图形式的分割结果进行数字化处理，以获取数字化处理后的壁画裂隙的像素长度、像素宽度和像素面积，并根据像素长度、像素宽度、像素面积和步骤2得到的每种拍摄模式对应的像素-实际长度映射函数获取步骤1得到的裂隙图像的实际几何参数。

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中南民族大学，其通讯地址为：430074 湖北省武汉市洪山区民族大道182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。