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！

龙图腾网获悉中南大学申请的专利一种先验调制的动态视觉自注意模型带钢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：CN116385386B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310317203.2，技术领域涉及：G06T7/00；该发明授权一种先验调制的动态视觉自注意模型带钢缺陷检测方法是由罗旗舞;苏姣姣;阳春华;桂卫华设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种先验调制的动态视觉自注意模型带钢缺陷检测方法在说明书摘要公布了：本申请涉及缺陷视觉检测领域，针对前景缺陷与背景杂波之间存在噪声模糊性，影响检测精度，编码后的图像特征与对象查询之间语义鸿沟，降低收敛速度的问题，本申请提供了一种先验调制的动态视觉自注意模型带钢缺陷检测方法，包括：步骤S10、骨干网络，提取具有不同层级分辨率与语义的多尺度图像特征图；步骤S20、编码网络，基于门控网络对多尺度特征实现动态交互聚集，以编码后的多尺度特征图实现对前景缺陷与背景杂波的区分。与相关技术相比，本申请较传统基于卷积以及基于视觉自注意模型的方法可以获得不同复杂度、不同形态分布的缺陷的更加优越的检测效果，同时具有能够满足产线要求的运行速度、训练速度快的有益效果。

本发明授权一种先验调制的动态视觉自注意模型带钢缺陷检测方法在权利要求书中公布了：1.一种先验调制的动态视觉自注意模型带钢缺陷检测方法，其特征在于，包括： 步骤S10、骨干网络，提取具有不同层级分辨率与语义的多尺度图像特征图； 步骤S20、编码网络，基于门控网络对多尺度特征实现动态交互聚集，以编码后的多尺度特征图实现对前景缺陷与背景杂波的区分； 步骤S30、语义对齐器，联系编码器与解码器，使得解码网络中的查询与编码网络中的特征处于同一嵌入空间； 步骤S40、解码网络，在先验的调制下，对语义对齐后的查询与编码特征进行交叉注意，并利用天然堆叠架构进行多尺度特征融合，最终实现边界框预测； 步骤S10包括如下子步骤： 步骤S11、对输入的图像通过骨干网络ResNet50进行特征提取，得到第三阶段到第五阶段的不同分辨率的特征图i=1,2,3；C1=512,C2=1024,C3=2048； 步骤S12、对得到三层级特征图I1、I2、I3进行卷积核为1，步长为1的变换为256维度，得到Z1，Z2，Z3；并对分辨率最高的I1进行卷积核为3，步长为2的变换为256维度的Z4，最终得到具有相同通道数的四尺度图像特征图i=1,2,3,4;d=256，并将其合并成一个序列Z； 步骤S20包括如下子步骤： 步骤S21、给定输入特征图x沿着通道维度d分成两部分，然后分别以α.d和1-α.d的通道占比流入注意力和卷积两个分支，其中，长期全局信息被注意力分支提取，对角短期局部信息被卷积特定提取； 步骤S22、应用参考点PqPqx,Pqy引导的变形自我注意力对流入的α.d比例的多尺度特征图捕捉上下文，表示为： 其中，Zq为查询的内容特征，Pq为参考点，xl是流入注意力通道的l个尺度的特征图，W为权重，ΔPmlqk为参考点的偏移量，Amlqk为标量特征权重，表示将序列重新转回多尺度，最终得到处理后的全局特征图xglobal； 步骤S23、应用核为3的卷积对1-α.d通道的特征图来增强局部信息，通过GLU函数和全连接层FC对其进行非线性变换，得到处理后的局部特征图xlocal，上述过程表示为： 步骤S24、将步骤S22得到的xglobal与步骤S23得到xlocal通过前馈网络FFN进行混合； 步骤S25、利用轻量门控网络实现对编码器堆叠层数的选择，其中门控网络fGC为轻量级的策略网络，表示保留或删除每个编码器块的决策，选择3阶段ResNet作为架构，将6维伯努利分布定义为策略行为，表示为： 其中，w是参数化策略网络fGC的权重，s是sigmoid函数后网络的输出，uk=0表示丢弃编码器，而uk=1表示保留编码器； 步骤S26、通过对正确的预测给予大量奖励、对不正确的预测给予惩罚来激发最小编码块，表示为： 其中，P衡量编码器的使用百分比，控制精度和效率之间的权衡，在浅层识别出容易的缺陷，并为难样本保留更多的表达能力，最终得到编码后的动态选择后的多尺度特征图E。

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中南大学，其通讯地址为：410000 湖南省长沙市岳麓山左家垅；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。