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！

龙图腾网获悉西安工程大学申请的专利一种基于多头协同机制的数码印花缺陷检测方法及装置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：CN120807507B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202511299705.2，技术领域涉及：G06T7/00；该发明授权一种基于多头协同机制的数码印花缺陷检测方法及装置是由苏泽斌;高凡平;黄乐天;李鹏飞;张宏伟;张缓缓;姜萌设计研发完成，并于2025-09-12向国家知识产权局提交的专利申请。

本一种基于多头协同机制的数码印花缺陷检测方法及装置在说明书摘要公布了：本发明属于计算机视觉技术领域，公开了一种基于多头协同机制的数码印花缺陷检测方法及装置，该方法包括：获取待检测数码印花图像切片；将待检测数码印花图像切片输入至预先训练好的基于多头协同的数码印花缺陷检测模型，得到缺陷检测结果；该数码印花缺陷检测模型包括骨干网络、编码器模块、解码器模块和输出模块；其中，骨干网络用于提取待检测数码印花图像切片的多尺度特征图，其是在ResNet网络中引入多头注意力、深度可分离卷积、可变形注意力、局部注意力以及滑动窗口注意力的改进网络。本发明显著增强了数码印花缺陷检测模型对微观缺陷和细小纹理缺陷的检测精度，降低了复杂背景干扰和不规则图案变形场景的误检率和漏检率。

本发明授权一种基于多头协同机制的数码印花缺陷检测方法及装置在权利要求书中公布了：1.一种基于多头协同机制的数码印花缺陷检测方法，其特征在于，包括： 获取数码印花图像，并对所述数码印花图像进行预处理，得到待检测数码印花图像切片； 将所述待检测数码印花图像切片输入至预先训练完成的基于多头协同的数码印花缺陷检测模型，得到缺陷检测结果；所述基于多头协同的数码印花缺陷检测模型，包括骨干网络、编码器模块、解码器模块和输出模块； 所述骨干网络，用于提取所述待检测数码印花图像切片的多尺度特征图；所述骨干网络是在ResNet网络中引入多头注意力、深度可分离卷积、可变形注意力、局部注意力以及滑动窗口注意力的改进网络；所述多头注意力应用于所述ResNet网络的STAGE0模块，用于通过多头注意力并行机制，捕获所述待检测数码印花图像切片的局部微观细节和全局结构信息；所述深度可分离卷积应用于所述ResNet网络的STAGE0模块，用于降低数码印花缺陷检测模型的参数规模和计算复杂度；所述ResNet网络的STAGE1模块和STAGE2模块的残差块中均依次应用了局部注意力与滑动窗口注意力，所述ResNet网络的STAGE3模块和STAGE4模块的残差块中均依次应用了局部注意力与可变形注意力； 所述STAGE0模块，包括依次连接的多头注意力子模块、卷积子模块和深度可分离卷积子模块； 所述多头注意力子模块，用于通过局部注意力头提取所述待检测数码印花图像切片的局部特征并计算局部注意力权重，通过全局注意力头提取所述待检测数码印花图像切片的全局特征并计算全局注意力权重，根据所述局部注意力权重和所述全局注意力权重生成归一化权重，根据所述归一化权重、局部特征和全局特征计算得到融合特征； 所述卷积子模块，包括顺次连接的卷积层、批归一化层和激活函数层，用于对所述融合特征进行卷积操作，并输出特征图； 所述深度可分离卷积子模块，用于对所述卷积子模块输出的特征图依次进行深度卷积和逐点卷积得到新的特征图； 所述骨干网络，具体包括：INPUT模块、STAGE0模块、STAGE1模块、STAGE2模块、STAGE3模块、STAGE4模块和OUTPUT模块； 所述STAGE1模块，包括顺次连接的1个第一残差块和2个第二残差块；所述STAGE2模块，包括顺次连接的1个第一残差块和3个第二残差块；所述STAGE3模块，包括顺次连接的1个第一残差块、4个第二残差块和1个第一残差块；所述STAGE4模块，包括顺次连接的1个第一残差块和2个第二残差块； 所述第一残差块，包括第一卷积结构、第二卷积结构、第三卷积结构、第四卷积结构、注意力结构和第一激活函数；其中，输入所述第一残差块的特征图，作为所述第一卷积结构和所述第四卷积结构的输入，所述第一卷积结构、所述第二卷积结构和所述注意力结构顺次连接，所述第四卷积结构的输出连接所述第一激活函数的输入，所述注意力结构和所述第一激活函数的输出均连接所述第三卷积结构的输入，所述第三卷积结构的输出作为所述第一残差块的输出；在所述STAGE1模块和所述STAGE2模块中，所述注意力结构包括依次应用的局部注意力和滑动窗口注意力，在所述STAGE3模块和所述STAGE4模块中，所述注意力结构包括依次应用的局部注意力和可变形注意力； 所述第二残差块，包括第五卷积结构、第六卷积结构、第七卷积结构和第二激活函数；输入所述第二残差块的特征图，作为所述第五卷积结构和所述第二激活函数的输入，所述第五卷积结构的输出连接所述第六卷积结构的输入，所述第六卷积结构和所述第二激活函数的输出均连接所述第七卷积结构的输入，所述第七卷积结构的输出作为所述第二残差块的输出； 所述第一卷积结构、所述第二卷积结构、所述第三卷积结构、所述第五卷积结构和第六卷积结构均包括顺次连接的卷积层、批归一化层和激活函数层；所述第四卷积结构和所述第七卷积结构均包括顺次连接的卷积层和批归一化层； 所述编码器模块，用于根据所述骨干网络输出的多尺度特征图，基于自注意力机制得到多尺度增强特征； 所述解码器模块，用于根据所述多尺度增强特征，利用多头注意力机制输出查询特征； 所述输出模块，用于根据所述查询特征，输出缺陷边界框和类别标签。

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安工程大学，其通讯地址为：710048 陕西省西安市新城区金花南路19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。