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！

龙图腾网获悉南京航天数智科技有限公司申请的专利一种基于背景下采样的小规模缺陷检测模型效率提升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：CN116740040B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202310764597.6，技术领域涉及：G06T7/00；该发明授权一种基于背景下采样的小规模缺陷检测模型效率提升方法是由王鑫;陈林;毕辉;宋智军;倪艺洋设计研发完成，并于2023-06-27向国家知识产权局提交的专利申请。

本一种基于背景下采样的小规模缺陷检测模型效率提升方法在说明书摘要公布了：本发明涉及一种基于背景下采样的小规模缺陷检测模型效率提升方法，所述方法包括以下步骤：步骤1：输入定义过程，步骤2：对输入图像利用特征骨干网络计算特征；步骤3：对于主干网络的输出特征，将其输入两个任务网络：中心点预测和宽高预测，进行估计目标矩形框；该技术方案采用本发明所提出的背景下采样方法能够在特征学习的池化过程中去掉更多的背景点，保留更多缺陷目标点，从而提高模型的检测精度。

本发明授权一种基于背景下采样的小规模缺陷检测模型效率提升方法在权利要求书中公布了：1.一种基于背景下采样的小规模缺陷检测模型效率提升方法，其特征在于，所述方法包括以下步骤： 步骤1：输入定义过程， 步骤2：对输入图像利用基于背景下采样的特征骨干网络计算特征； 步骤3：对于主干网络的输出特征，将其输入两个任务网络：中心点预测和宽高预测，进行估计目标矩形框； 步骤1：输入定义过程，具体如下：对于输入彩色图像I∈RW×H×3，其中W×H表示图像的宽和高，图像中缺陷目标所在的位置用矩形框表示，其中和分别表示图像中的第i个缺陷目标的左上角和右下角点坐标，在模型的计算过程中，矩形框被转换为中心点及其到矩形边框的距离其中表示矩形框中心点的坐标；分别表示中心点到矩形边框的距离，检测模型的任务是对图像中每个目标的矩形中心点及其到边框的距离进行估计，从而实现缺陷目标的检测； 步骤2：对输入图像利用特征骨干网络计算特征,具体如下：对输入图像利用特征骨干网络计算特征，在特征骨干网络，采用卷积神经网络来实现，该神经网络由卷积块堆叠而成，其中，每个卷积块由卷积层和池化层，卷积层采用不同深度的3*3卷积核来实现； 池化层具体如下： 首先，对于输入图像，在第一个卷积块中，使用了两个深度为128的3*3卷积层，经过两次卷积后得到特征图其中W1、H1、d1分别表示特征图的宽高和通道数；对于该特征图，将其输入到背景解码器中，计算特征图中每点对应的背景概率Y； 其次，为了实现对特征图中的每个特征点属于背景的概率，在训练过程，将每个缺陷目标的矩形框通过高斯核映射到对应的热图表示上其中参数2表示该热图有两个通道分别对应目标类和背景，表示缺陷目标所在热图上每个点的数值，其中σ是目标大小自适应的标准差，同理，表示背景热图上每个背景目标的数值，对于解码器的损失，采用focal损失来训练模型，具体如下： 其中Yxyt表示xy位置预测是第t类的概率，是标签，t取值只有0或者1两类，α和β设置为2和4； 最后，背景下采样，为了采样时去除背景点，在得到背景概率后，将背景概率与特征进行融合，形成新的特征图，具体如下，并在新的特征图上进行步长为2*2的最大池化； fi′x，y＝fix，y*Yi0x，y 其中fix,y表示卷积层输出的特征图，Yi0x,y为表示每个点为背景点的概率值；f′ix,y为背景下采样模块输出的特征图； 卷积块堆叠：输入图像经过4个卷积块的网络输出最终的特征，其中，第一个和第二个卷积块结构相同，均包含有2个128*3*3的卷积层和1个步长为2*2的背景池化层，第三个卷积由2个256*3*3的卷积层和1个步长为2*2的背景池化层组成，最后一个卷积块由4个512*3*3的卷积层和和1个步长为2*2的背景池化层组成，对于每个卷积块，背景池化中均需要计算背景损失，因此，整个主干网络的损失定义如下： 步骤3：对于主干网络的输出特征，将其输入两个任务网络：中心点预测和宽高预测，进行估计目标矩形框，具体如下： 对于中心点预测网络和宽高预测网络，采用和背景解码器相似的架构，由3*3卷积层，批归一化层、Relu层，两个1*1卷积层组成，其中，最后的两个1*1的卷积层，一个用于预测宽高，另一个用于预测中心点，对于用于预测中心点的卷积层，其后面接着一个Sigmod层作为最后的输出，同样需要将中心点坐标转换成对应的热图其中中W4.H4.C分别表示第4个卷积块输出的特征图的宽高以及缺陷目标的类别数量，对于中心点的预测损失和宽高预测损失本发明分别用focal损失和L1损失来计算，具体如下： 其中，Ycxyt表示xy位置预测是第t类缺陷的概率，表示xy位置是第t类缺陷的标签，表示xy位置上预测的矩形的宽和高，N表示特征图上像素点的总数，最后，本发明所提出方法的整体损失定义如下： L＝Lbg+Lc+Lwh。

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南京航天数智科技有限公司，其通讯地址为：210012 江苏省南京市雨花台区软件大道180号大数据1号楼6F；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。