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！

龙图腾网获悉华侨大学;福建众益太阳能科技股份公司申请的专利一种基于深度学习的带钢表面缺陷检测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：CN116721078B 。

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：202310678776.8，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的带钢表面缺陷检测方法及装置是由杜永兆;陈海信;傅玉青;柯钦怀;陈光焱设计研发完成，并于2023-06-09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带钢表面缺陷检测方法及装置在说明书摘要公布了：本发明公开了一种基于深度学习的带钢表面缺陷检测方法及装置，方法包括：在带钢生产流水线上采集带钢表面的原始图像；对采集的原始图像进行缺陷类别的标注，将原始图像与标注数据整合成带钢表面缺陷数据集；对带钢表面缺陷数据集进行一定比例的划分，得到训练集、验证集和测试集；构建带钢表面缺陷检测模型，模型包括主干网络、聚焦型特征金字塔网络和检测头；使用带钢表面缺陷数据集对网络进行训练获得训练好的模型，保存训练过程中的权值文件；使用训练好的模型对带钢表面缺陷图像进行检测，获得图像中缺陷的类型与位置信息。本发明有效提升了带钢表面缺陷检测的精度和速度。

本发明授权一种基于深度学习的带钢表面缺陷检测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带钢表面缺陷检测方法，其特征在于，包括： 步骤S1，在带钢生产流水线上采集带钢表面的原始图像； 步骤S2，对采集的原始图像进行缺陷类别的标注，将原始图像与标注数据整合成带钢表面缺陷数据集； 步骤S3，对带钢表面缺陷数据集进行比例划分，得到训练集、验证集和测试集； 步骤S4，构建带钢表面缺陷检测模型，模型包括主干网络、聚焦型特征金字塔网络和检测头； 步骤S5，使用带钢表面缺陷数据集对网络进行训练获得训练好的模型，保存训练过程中的权值文件； 步骤S6，使用训练好的模型对带钢表面缺陷图像进行检测，获得图像中缺陷的类型与位置信息； 其中，主干网络提取到三个不同尺度特征层C1、C2和C3，将C1、C2和C3传递至聚焦型特征金字塔网络；聚焦型特征金字塔网络用于完成特征在颈部网络的重校准，获得特征层P1、P2和P3；在检测头部分，用于对特征层P1、P2和P3分别进切分以实现解耦预测； 所述主干网络包括图像分块、线性嵌入、SWTR结构块以及合并块，进行四个阶段的特征提取；在第一阶段中，使用图像分块和线性嵌入对输入图像进行分块并对每个图像块线性地嵌入标记，利用SWTR结构块的注意力机制对线性的图像块进行特征提取；在第二阶段中，使用合并块对传递的特征层进行下采样，并使用SWTR结构块对特征层实现特征提取，得到特征层C1；在第三阶段和第四阶段重复第二阶段的操作获得特征层C2和C3；将主干网络提取得到的三个不同尺度特征层C1、C2和C3传递至聚焦型特征金字塔网络； 所述聚焦型特征金字塔网络包括CBS卷积模块、自适应聚焦块、自适应聚焦残差块和上采样；在聚焦型特征金字塔网络中，利用三个不同尺度的特征层进行强化特征提取；在7×7像素的小特征层方面，对C3进行连续的两个自适应聚焦块并上采样，获得特征层C2’；对C2’继续使用1个自适应聚焦块，进行上采样获得特征层P1’；对C1使用1个自适应聚焦块进行通道调整，并与P1’进行1次加操作，得到特征层P1；在14×14像素的中特征层方面，对C2使用连续的1个自适应聚焦块和1个自适应聚焦残差块，获得特征层P2’，将P2’与C2’进行1次加操作，获得特征层P2；在28×28像素的大特征层方面，对调整的C1进行1次CBS卷积模块的下采样并对其使用两次连续的自适应聚焦块，接着对P2’使用1个自适应聚焦残差块，将两者使用级联操作，对特征层进行CBS卷积模块的通道调整，再次使用1个自适应聚焦残差块并与C3调整后的特征层进行加操作，获得特征层P3。

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华侨大学;福建众益太阳能科技股份公司，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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。