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！

龙图腾网获悉长三角先进材料研究院;集萃新材料研发有限公司申请的专利一种基于深度学习的连接件剖面图像自动分割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：CN113971676B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202111224198.8，技术领域涉及：G06T7/11；该发明授权一种基于深度学习的连接件剖面图像自动分割方法是由仝超;黄理;赵海龙;陈秋任;李钼石;刘钊;方宇东;谈俊;胡晓雅;黄诗尧;包祖国;韩维建设计研发完成，并于2021-10-20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连接件剖面图像自动分割方法在说明书摘要公布了：本发明公开了一种基于深度学习的连接件剖面图像自动分割方法，针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件；选择或搭建基于图像实例分割的深度学习模型；针对选择或搭建的深度学习网络模型进行训练环境的搭建；设置深度学习网络模型的训练参数；将训练样本加入深度学习网络模型进行训练，训练完成后得到的深度学习模型用于连接件的剖面图像自动分割。

本发明授权一种基于深度学习的连接件剖面图像自动分割方法在权利要求书中公布了：1.一种基于深度学习的连接件剖面图像自动分割方法，其特征在于，所述方法包括以下步骤： 步骤1，训练集制作：针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；对样本图像进行标注的标注工具选择Labelme、CVAT、VIA、PixlAnnotationTool、EISeg中的一种或者多种组合；所获得的文本文件为JSON或者XML的格式，用于记录具体的板材、紧固件信息及其连接后形成的区域手动分割结果； 步骤2，将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件； 步骤3，选择或搭建基于图像实例分割的深度学习模型；深度学习框架选择Tensorflow、Keras、Pytorch、Caffe、Theano、PaddlePaddle、MXNet、CNTK、Chainer、Deeplearning4j中的一种；图像实例分割的深度网络模型为FCN、U-Net、SegNet、Mask-RCNN、PolarMask、TensorMask、MaskScoringRCNN、YOLACT系列、SOLO系列、DeepLab系列中的一种及基于它们的衍生模型；所述步骤3中选择的深度学习网络模型的改进包括如下： （1）针对不同连接工艺，需调整神经网络的卷积层、池化层、全连接层，达到预期的分割效果； （2）深度学习网络模型预测分支，需添加掩码平滑处理层，减少噪声对工程测量的影响； （3）输出的分割图像，同一实例，需根据具体实例位置及预测结果固定掩码颜色，便于具体工程分析； （4）将预测的掩码映射至原图，便于直观对比分割效果，同时，需单独输出掩码图像，减少拍摄背景与掩码图像颜色冲突，避免造成后期工程自动分析误差； 步骤4，针对选择或搭建的深度学习网络模型进行训练环境的搭建；环境搭建是指CUDA版本，VisualStudio版本，python版本，框架版本及其他依赖包； 步骤5，设置深度学习网络模型的训练参数；深度学习网络模型的参数设置包括学习率、优化器、批次大小、激活函数、迭代次数中的一种或多种组合；深度学习网络模型的优化器选择Adam、Adamax、Nadam、BGD、SGD、MBGD、Momentum、Adagrad、Adadelta或RMSprop中的一种或多种组合；深度学习网络模型的激活函数选择Softmax、Sigmoid、Tanh、Relu、LeakyRelu、PRelu、RRelu、Elu、Selu、Swish或Maxout； 步骤6，将训练样本加入步骤3中选定的深度学习网络模型进行训练，训练完成后得到适用于该连接件剖面图像自动分割的深度学习模型； 步骤7，将待检测的图像输入步骤6中训练得到的深度学习网络模型，深度学习网络模型输出预测掩码图像，根据掩码图像中实例的分割效果，重复步骤5及步骤6进行模型优化。

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长三角先进材料研究院;集萃新材料研发有限公司，其通讯地址为：215132 江苏省镇江市相城区青龙港路286号1号楼；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”。