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！

龙图腾网获悉哈尔滨工业大学申请的专利基于数据驱动的金属表面缺陷语义分割网络的训练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：CN116152498B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202310174129.3，技术领域涉及：G06V10/26；该发明授权基于数据驱动的金属表面缺陷语义分割网络的训练方法是由王伟波;张钊;田笑妍设计研发完成，并于2023-02-28向国家知识产权局提交的专利申请。

本基于数据驱动的金属表面缺陷语义分割网络的训练方法在说明书摘要公布了：本发明公开了一种基于数据驱动的金属表面缺陷语义分割网络与训练方法，以解决金属表面质量监控中存在的缺陷像素数量与分布不均衡、低对比度、边界轮廓难以精确拟合的技术难题，属于图像处理领域。本发明包括基于U22Net的双注意力多尺度残差聚合网络、缺陷类别权重计算方法、缺陷迁移拓扑方法、双边界关注的损失计算方法。以上网络与训练方法依次通过聚合图像的多尺度信息并施加注意力、改变类别的权重因子、将缺陷像素区域拓扑到无缺陷图像中、对地面真值边界与预测结果边界施加双重关注来解决上述技术问题。实践证明，本方法提高了金属表面缺陷数据集密集分类的精度，满足了制造业对金属表面质量监控的迫切需求。

本发明授权基于数据驱动的金属表面缺陷语义分割网络的训练方法在权利要求书中公布了：1.基于数据驱动的金属表面缺陷语义分割网络的训练方法，其特征在于，双注意力多尺度残差聚合网络以U2Net为自动编码器并提取输入图像的六个多尺度特征信息，通过级联的双注意力模块对多尺度特征图信息施加空间与通道两个层次的注意力，并利用Res分支模块引入输入图像关键边界信息，采用特征图拼接与多监督训练的方式反向传播更新网络模型参数；所述方法的步骤包括： 缺陷类别权重计算方法，结合像素出现的数量比例与在数据集的分布比例，调整网络模型学习过程中的类别权重系数因子；结合缺陷像素数量占比与含缺陷图像的比例，采用关键的系数计算公式，确定训练过程中金属表面缺陷数据集中各个类别的权重因子；缺陷类别权重计算方法，若数据集中有N个类别，则定义第i个类别的权重信息wi如下所示： 其中，代表数据集中第i类别的像素占比，代表着含有第i类别缺陷的图像占比，因为数据集中含有多个类别，因此各个类别权重可以组成一个向量，本方法采用下式计算类别权重向量： 其中median为中值算子，通过上式，可以获得网络各个类别的权重因子； 缺陷迁移拓扑方法，提取含缺陷图像中的缺陷区域并拓扑到无缺陷图像中，并将含缺陷图像中的缺陷区域地面真值记作数据增强后的图像地面真值并输出；分析数据集样本，确定每一个样本是否含有缺陷区域，训练过程中，按照一定概率将有缺陷样本的缺陷区域经过水平与竖直方向的镜像翻转，拓扑到无缺陷样本中，形成新的样本图，并保留缺陷区域的地面真值作为地面真值输出； 双边界关注的损失计算方法，同时对地面真值图像与预测图像提取边界轮廓，并通过高斯滤波器在边界轮廓区域施加注意力，形成边界注意力信息矩阵；双边界关注包含有对于地面真值图像的边界关注与对于预测图像的边界关注，从两个方向上逼近于地面真值信息，过程中采用Sobel算子进行轮廓提取，并利用高斯滤波器滤波，从而在边界区域附近形成输入图像尺度大小的边界注意力信息矩阵；在训练的前半部分，采用单一的类别权重损失，在网络参数基本稳定后，在训练后期采用类别损失与双边界关注并行的损失计算方法； 由边界引入的权重因子矩阵如下所示： 其中表示在像素x处的边界权重信息，表示像素点x距离地面真值边界的距离，表示像素点x距离预测边界的距离，为高斯滤波器的标准差，实验中取5.0，为一个常数，实验中取0.1，保证对其他区域也有一定的关注度； 实验中如果用双边界关注直接训练，在训练初期，预测的边界损失较大，会对训练的稳定性有影响，为了解决上述问题，在前一半训练过程中不采用双边界关注，只采用类别权重进行计算，损失如下所示： 其中，sup为多监督分支的数量，代表图像中所有像素的集合，C为数据集中类别数量，x为图像上像素的预测信息，y为地面真值信息，w为类别权重，由类别权重计算方法计算得出； 在训练的后期，采用双边界权重计算损失，损失如下所示： 其中，为比例因子常数，实验中设为1.0。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。