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！

龙图腾网获悉贵州民族大学申请的专利一种基于深度学习的铝型材表面缺陷分类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：CN116188361B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202211437048.X，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的铝型材表面缺陷分类方法及装置是由谭棉;王林;冯夫健;王杰;汤华椿;严晓波;夏大文设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本一种基于深度学习的铝型材表面缺陷分类方法及装置在说明书摘要公布了：本申请公开了一种基于深度学习的铝型材表面缺陷分类方法及装置，用于提升对铝型材表面缺陷分类的检测性能。本申请方法包括将缺陷样本图像输入到初始模型，通过残差网络第一段对缺陷样本图像进行特征提取获取第一特征图；通过带权非局部模块和残差网络第二段对第一特征图进行特征增强得到第二特征图；将第二特征图输入残差网络第三段进行特征提取得到第三特征图；通过特征融合辅助分类器对第二特征图和第三特征图进行特征融合得到第四特征图；对第三特征图和第四特征图进行损失计算并利用反向传播算法对模型参数优化；执行上述步骤进行迭代训练直至损失收敛或达到预设迭代次数，得到缺陷分类模型，该模型用于进行铝型材表面缺陷的分类检测。

本发明授权一种基于深度学习的铝型材表面缺陷分类方法及装置在权利要求书中公布了：1.一种基于深度学习的铝型材表面缺陷分类方法，其特征在于，所述方法包括： 从铝型材图像训练集中获取携带缺陷标签的缺陷样本图像； 将所述缺陷样本图像输入到初始模型，所述初始模型包括残差网络、带权非局部模块、特征融合辅助分类器和特征映射模块； 通过所述残差网络的第一段对所述缺陷样本图像进行特征提取，获取所述第一段输出的第一特征图； 通过所述带权非局部模块和所述残差网络的第二段对所述第一特征图进行特征增强，得到第二特征图； 将所述第二特征图输入所述残差网络的第三段进行特征提取，得到第三特征图； 通过所述特征融合辅助分类器对所述第二特征图和所述第三特征图进行特征融合，得到第四特征图； 通过所述特征映射模块对所述第三特征图和所述第四特征图进行损失计算，并根据损失结果利用反向传播算法对模型参数进行更新优化； 输入所述铝型材图像训练集中的缺陷样本图像到所述初始模型中并执行上述步骤进行迭代训练直至损失收敛或达到预设迭代次数，得到训练后的缺陷分类模型，所述缺陷分类模型用于进行铝型材表面缺陷的分类检测； 所述残差网络包括主干模块、第一阶段模块、第二阶段模块、第三阶段模块和第四阶段模块，所述第一阶段模块、所述第二阶段模块、第三阶段模块和第四阶段模块依次由3、4、6、3个残差结构模块构成； 所述通过所述残差网络的第一段对所述缺陷样本图像进行特征提取，获取所述第一段输出的第一特征图包括： 将所述缺陷样本图像依次输入所述主干模块和第一阶段模块中进行图像特征提取，得到第一特征图； 所述通过所述带权非局部模块和所述残差网络的第二段对所述第一特征图进行特征增强，得到第二特征图包括： 将所述第一特征图输入所述带权非局部模块中进行特征增强，得到目标特征图； 将所述目标特征图输入所述第二阶段模块中进行特征提取，得到第二特征图； 所述将所述第二特征图输入所述残差网络的第三段进行特征提取，得到第三特征图包括： 将所述第二特征图依次输入第三阶段模块和第四阶段模块中进行图像特征提取，得到第三特征图； 所述通过所述特征映射模块对所述第三特征图和所述第四特征图进行损失计算包括： 通过所述特征映射模块对所述第三特征图进行展平、全连接和softmax归一化操作，确定所述第三特征图的第一预测概率向量；根据所述第一预测概率向量和标签真实值计算交叉熵损失，得到第一损失； 对所述第四特征图进行展平、全连接和softmax归一化操作，确定所述第四特征图的第二预测概率向量；根据所述第二预测概率向量和标签真实值计算交叉熵损失，得到第二损失； 根据所述第一损失和所述第二损失计算总损失； 所述残差结构模块包括两个1×1卷积模块和一个3×3卷积模块，所述主干模块为7×7卷积模块； 所述带权非局部模块包括通道注意力模块，所述将所述第一特征图输入所述带权非局部模块中进行特征增强，得到目标特征图包括： 向所述带权非局部模块中输入大小为H×W×C的第一特征图，并分别经过θ线性变换、φ线性变换和g线性变换得到特征图Xθ、特征图Xφ和特征图Xg； 将所述特征图Xθ输入到通道注意力模块获取通道注意力权重向量λ=[λ1,λ2,…,λk,…,λC]，其中，C为所述特征图Xθ的通道数，k为索引值； 将所述通道注意力权重向量λ与特征图Xθ进行对应元素相乘，再与特征图Xφ进行矩阵乘法获取相似度矩阵SM； 将所述相似度矩阵SM进行Softmax归一化得到空间注意力图AM； 将所述空间注意力图AM与所述特征图Xg进行矩阵乘法后使用1×1卷积模块进行卷积； 将卷积后得到的特征图与所述第一特征图进行对应元素的相加运算，得到目标特征图； 所述通过所述特征融合辅助分类器对所述第二特征图和所述第三特征图进行特征融合，得到第四特征图包括： 将所述第二特征图和所述第三特征图输入特征融合辅助分类器中，通过亚像素卷积对所述第三特征图进行上采样，以使得所述第三特征图与所述第二特征图的空间尺寸相同； 将第二特征图和采样后的第三特征图进行拼接得到第四特征图。

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贵州民族大学，其通讯地址为：550025 贵州省贵阳市花溪区董家堰；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。