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！

龙图腾网获悉江西科技师范大学申请的专利基于改进YOLOv12模型的机械零件缺陷检测方法及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：CN120279020B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510759132.0，技术领域涉及：G06T7/00；该发明授权基于改进YOLOv12模型的机械零件缺陷检测方法及系统是由尤国平;殷志坚;胡煜丹;万子怡;余海波;何洁设计研发完成，并于2025-06-09向国家知识产权局提交的专利申请。

本基于改进YOLOv12模型的机械零件缺陷检测方法及系统在说明书摘要公布了：本申请属于图像处理技术领域和工业检测领域，公开了基于改进YOLOv12模型的机械零件缺陷检测方法及系统，该方法包括：首先收集有缺陷的机械零件图像数据集，再使用预处理后的机械零件图像数据集对改进的YOLOv12机械零件缺陷检测模型进行训练，得到优化模型，改进包括：在主干网络和颈部网络使用C3k2_RCB特征提取模块替换原始的C3k2模块；在颈部网络使用门控动态空间聚合器GDSAFusion替换原始的Concat模块；在主干网络和颈部网络使用A2C2f_STR替换原始的A2C2f模块；最后使用优化模型对机械零件进行实时缺陷检测。本方法通过YOLOv12模型结构的优化，显著提升了YOLOv12模型在复杂工业环境下对机械零件的缺陷检测精度和效率，尤其在微小缺陷和复杂背景下的检测性能得到改善。

本发明授权基于改进YOLOv12模型的机械零件缺陷检测方法及系统在权利要求书中公布了：1.一种基于改进YOLOv12模型的机械零件缺陷检测方法，其特征在于，包括以下步骤： 收集有缺陷的机械零件图像数据集，对所述机械零件图像数据集进行预处理，所述预处理包括对每张机械零件图像的缺陷处进行标注、以及进行图像数据扩充和增强； 使用预处理后的机械零件图像数据集对改进的YOLOv12机械零件缺陷检测模型进行训练，得到优化模型，所述改进的YOLOv12机械零件缺陷检测模型包括： 在主干网络和颈部网络使用C3k2_RCB特征提取模块替换原始的C3k2模块； 所述C3k2_RCB特征提取模块的实现过程包括：初始化所述C3k2_RCB特征提取模块，包括接收输入通道数、输出通道数、RepConvBlock模块重复次数n、判断标识、通道缩放系数、卷积特征提取层数以及是否使用残差连接的标识参数；将特征图输入至所述C3k2_RCB特征提取模块内部的处理单元；所述处理单元根据所述判断标识动态构建核心处理结构，所述核心处理结构由n个RepConvBlock模块构成，具体包括：将特征图通过卷积特征提取层，每经过一个卷积特征提取层，便使用一次特征拆分操作分为两个特征图，将其中一个特征图经过n个RepConvBlock模块得到的特征图与特征拆分操作分出来的另一个特征图使用特征拼接操作结合，最后再通过一个卷积融合层整合特征，得到最终输出特征图； 所述RepConvBlock模块，实现过程包括：将输入特征图通过第一3×3深度可分离卷积进行局部特征提取得到局部特征图；将所述局部特征图通过一个多分支的投影模块进行处理，所述投影模块依次包含归一化层、可重参数化的空洞卷积、批量归一化层、通道注意力模块、第一1×1卷积层、GELU激活函数、第二3×3深度可分离卷积、全局响应归一化以及第二1×1卷积层；若启用了残差缩放，则对所述输入特征图进行缩放后与所述投影模块的输出相加得到输出特征；否则，使用残差连接，直接将所述投影模块的输出作为输出特征； 在颈部网络使用门控动态空间聚合器GDSAFusion替换原始的Concat模块； 所述门控动态空间聚合器GDSAFusion的实现过程包括：将输入特征图与上下文特征进行通道拼接形成融合特征；将所述融合特征通过3×3深度可分离卷积提取局部特征，再通过归一化层稳定特征分布；通过查询－键机制计算空间注意力权重，所述查询－键机制使用相对位置偏置；将所述融合特征通过可重参数化的空洞卷积捕获多尺度上下文信息，再经通道注意力模块进行通道自适应校准；通过门控机制控制信息流；将所述门控机制处理后的特征与残差路径的特征进行加权融合；采用双层级缩放配合随机深度丢弃处理所述加权融合后的特征，得到增强的特征图； 在主干网络和颈部网络使用A2C2f_STR替换原始的A2C2f模块； 所述A2C2f_STR模块的实现过程包括：将输入特征张量接入初始卷积层，所述初始卷积层通过低秩映射实现对输入特征张量的通道维度压缩，并提取基础表征能力的特征信息，得到经初始卷积处理后的特征图；将所述经初始卷积处理后的特征图暂存于列表数据结构中，并进入由融合跨索引时序交互的视觉建模模块构成的循环处理环节，在所述循环处理环节中，以所述列表数据结构的尾部元素作为输入，按序将其传入各融合跨索引时序交互的视觉建模模块进行处理，得到经融合跨索引时序交互的视觉建模模块处理后生成的特征向量；将所述经融合跨索引时序交互的视觉建模模块处理后生成的特征向量与原始输入特征张量通过残差映射机制进行融合，得到最终输出的融合特征； 所述融合跨索引时序交互的视觉建模模块的实现过程包括：对经初始卷积处理后的特征图进行第一层归一化处理，得到第一归一化特征；通过可学习参数实现所述第一归一化特征与经初始卷积处理后的特征图的自适应权重融合，得到自适应权重融合特征；将所述自适应权重融合特征输入至跨索引时序交互建模组件，所述跨索引时序交互建模组件利用扫描索引与逆扫描索引进行跨空间维度的时序特征重组与建模，得到经跨索引时序交互建模组件处理的特征；对所述经跨索引时序交互建模组件处理的特征进行第二层归一化处理，得到第二归一化特征；将所述第二归一化特征进入前馈卷积块完成非线性变换，得到前馈输出；通过残差连接将所述经跨索引时序交互建模组件处理的特征与所述前馈输出融合，得到经融合跨索引时序交互的视觉建模模块处理后生成的特征向量； 所述跨索引时序交互建模组件的实现过程包括：通过索引生成模块对输入至跨索引时序交互建模组件的自适应权重融合特征生成索引对，所述索引对包括扫描索引和逆扫描索引；利用所述扫描索引对输入至跨索引时序交互建模组件的自适应权重融合特征进行特征重排，得到重排后的一维时序特征；通过时序参数投影层将所述重排后的一维时序特征映射为动态参数；基于状态空间模型的选择性扫描引擎对所述动态参数进行时序建模，输出时序建模后的一维序列特征；通过所述逆扫描索引将所述时序建模后的一维序列特征还原为二维空间特征；通过自适应门控单元生成门控权重，并将所述门控权重与所述二维空间特征逐元素相乘，输出最终经跨索引时序交互建模组件处理的特征； 使用所述优化模型对机械零件进行实时缺陷检测。

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西科技师范大学，其通讯地址为：330100 江西省南昌市红谷滩新区红角洲学府大道589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”。