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！

龙图腾网获悉西北工业大学申请的专利一种构件图像的弱监督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：CN119444698B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411496149.3，技术领域涉及：G06T7/00；该发明授权一种构件图像的弱监督缺陷检测方法是由黄魁东;曾洋设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本一种构件图像的弱监督缺陷检测方法在说明书摘要公布了：本发明提供一种构件图像的弱监督缺陷检测方法，属于数字图像处理和工业检测领域。该方法考虑到注意力机制的显著特点，利用U‑Net++能够在小样本下也能实现较高精度的像素级图像分割的优势，将三重卷积注意力模块与自监督卷积注意力模块引入U‑Net++网络进行结构优化，并且提供一种弱监督方式训练模型。该方法适用于正常样本数量丰富、缺陷样本数量较少情况下的构件图像缺陷检测任务，方法可靠，稳定性好，可有效解决有监督方法与无监督方法存在的问题，并且构件图像覆盖检测表面缺陷的表面图像和检测内部缺陷的CT图像，可应用于构件高精度内外缺陷检测。

本发明授权一种构件图像的弱监督缺陷检测方法在权利要求书中公布了：1.一种构件图像的弱监督缺陷检测方法，其特征在于包括下述步骤： 步骤1：根据构件缺陷检测任务，构建与其图像种类和分辨率相同、对象特性和图像质量相近的缺陷检测数据集，其中以正常样本为主体，缺陷样本仅占少数； 步骤2：构建包含三重卷积注意力模块和自监督卷积注意力模块的U-Net++网络缺陷检测模型：包括15个卷积块、4次下采样MaxPool2d、10次反卷积操作ConvTranspose2d，以及20次跳跃连接；除了输出端和输入端的卷积块外，每个卷积块的结构均为三重卷积注意力模块CTAM+2个卷积层；输入端的卷积块为2个卷积层；四个输出端的卷积块为CTAM+2个卷积层+自监督卷积注意力模块SSPCAB+1个卷积层，其中每个卷积层的结构为Conv2d+BatchNorm2d+ReLu，卷积核大小为3×3； 步骤3：采取一种弱监督训练方式，将缺陷检测数据集中的缺陷样本引入U-Net++网络缺陷检测模型的训练过程，同合成缺陷样本一起完成该缺陷检测模型的训练，具体步骤包括： 1从Perlin噪声中提取缺陷掩码Ma，以缺陷检测数据集作为缺陷数据源Ed； 2将Ma与Ed进行元素乘法运算⊙，由Ma⊙Ed得到中间产物I1； 3将Ma取反得到 与缺陷检测数据集中的正常样本Nd进行元素乘法运算⊙，由得到中间产物I3； 4由Ma⊙Nd得到中间产物I2，I2表现为仅在Ma像素值为1的位置显示Nd的纹理数据； 5对I1、I2、I3进行元素加法运算由得到合成缺陷样本Sd； 6将Sd与缺陷检测数据集中的缺陷样本Rd拼接构成训练数据Td，拼接的方式为在每一批次的Sd中随机添加Rd中的一个或几个缺陷样本； 7选择FocalLoss、FocalTverskyLoss和L1Loss作为损失函数，对U-Net++网络缺陷检测模型的每个预测输出共4个，将其与缺陷标签之间使用深监督，为Ma与Rd真值图的集合，则对于每个损失函数有： 8计算目标损失函数Loss＝FLoss+FTLossλ1+L1Lossλ2，其中λ1与λ2为权重系数，λ1设置为对FTLossFLoss的梯度截断，λ2设置为对L1LossFLoss的梯度截断，使得λ1与λ2为常数； 9设置U-Net++网络缺陷检测模型的相关参数，以上述构建的Td为输入，以为输出，完成该缺陷检测模型的训练； 步骤4：利用训练完成后的U-Net++网络缺陷检测模型进行构件缺陷检测，输入构件的待检测图像，输出该图像的缺陷检测结果图像，若存在缺陷则在结果图像中显示缺陷所在位置及其缺陷外形。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。