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！

龙图腾网获悉江苏科技大学申请的专利一种基于RDD-YOLO算法的钢铁表面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：CN116433593B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202310196836.2，技术领域涉及：G06T7/00；该发明授权一种基于RDD-YOLO算法的钢铁表面缺陷检测方法是由赵超;束鑫;严熙;诸峰;左欣;范燕设计研发完成，并于2023-03-03向国家知识产权局提交的专利申请。

本一种基于RDD-YOLO算法的钢铁表面缺陷检测方法在说明书摘要公布了：本发明公开了一种基于RDD‑YOLO算法的钢铁表面缺陷检测方法，包括：使用Res2Net模块替换YOLOv5的原始backbone网络中的模块CSP‑n以加强特征提取能力；在YOLOv5的Neck部分设计了一个新的特征融合模块双重特征金字塔特征融合模块DFPN，用于融合不同尺度的特征图，进一步提取特征图中的信息；在head部分采用了解耦头的结构来替换原有的YOLOv5检测头。本发明构建双重特征金字塔特征融合模块DFPN以充分利用网络中的所有信息，使其更精细地融合特征，缓解钢铁表面缺陷尺度大小不一的问题；使用DecoupledHead解耦头能够使分类任务与定位框的回归任务分离开，从而使预测更加精准；本发明可用于对复杂场景下钢铁表面缺陷检测任务，并且检测精度较传统的模型有较大的提升。

本发明授权一种基于RDD-YOLO算法的钢铁表面缺陷检测方法在权利要求书中公布了：1.一种基于RDD-YOLO算法的钢铁表面缺陷检测方法，其特征在于，包括以下步骤： 1在带钢表面缺陷图像数据集获取数据样本，将数据样本以特定比例划分训练集与测试集；并对训练集中的图像进行预处理； 2构建基于RDD-YOLO算法的钢铁表面缺陷检测模型，所述钢铁表面缺陷检测模包括backbone部分、neck部分和head部分；所述backbone部分使用Res2Net网络结构模块替换YOLOv5原始backbone网络中的模块CSP-n；所述neck部分采用双重特征金字塔特征融合模块DFPN；所述head部分使用解耦头DecoupledHead替换YOLOv5中原有的检测头； 3利用训练集对钢铁表面缺陷检测模型进行训练，获取最优检测模型； 4利用训练得到的最优检测模型对测试集中的图片进行检测； 5对测试集的检测结果进行检测精度和速度评价；评价指标包括全类平均精度mAP和每秒检测帧数FPS； 步骤2所述使用Res2Net网络结构模块替换YOLOv5原始backbone网络中的模块CSP-n具体实现过程如下： 在一个Res2Net模块中，首先将模块的输入通过一个1×1的卷积核用来调整特征图的维度，接着将输入通道C的特征图划为S等分，分别为x1，x2，x3和x4；对x1不做任何操作直接将其映射到y1部分，x2经过一个3×3的卷积滤波后映射到y2部分，同时与x3进行合并操作，经过与x3对应的3×3卷积核进行卷积操作，将输出映射到y3，同时把这部分结果与x4合并，再经过与x4对应的3×3卷积核进行卷积操作，将输出映射到y4；最后把y1，y2，y3，y4进行concat拼接操作，最后再经过一个1×1的卷积核将特征图的维度还原，与输入维度保持一致； 步骤2所述双重特征金字塔特征融合模块DFPN由两个部分组成，以SPP模块为界，左边部分是YOLOv5原有的颈部结构，SPP模块及其右边的部分是额外增加的部分；首先特征图经过原有的颈部部分得到的三个不同尺寸的特征图；接着这三个尺寸的特征图通过SPP模块进行最大池化操作，然后选取尺寸最小的特征图对其进行一系列的上采样和下采样操作后得到和左半部分三个相同尺度的特征图，同时，在送往预测层的过程中把原有的SPP模块的输出和这三个尺度的特征图进行一个残差连接。

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江苏科技大学，其通讯地址为：212008 江苏省镇江市京口区梦溪路2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。