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！

龙图腾网获悉广东工业大学申请的专利一种面向齿轮表面缺陷检测的分层多尺度特征分析与动态注意力增强方法及系统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：CN121073945B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202511189640.6，技术领域涉及：G06T7/00；该发明授权一种面向齿轮表面缺陷检测的分层多尺度特征分析与动态注意力增强方法及系统是由吴衡;舒鹏;罗劭娟设计研发完成，并于2025-08-25向国家知识产权局提交的专利申请。

本一种面向齿轮表面缺陷检测的分层多尺度特征分析与动态注意力增强方法及系统在说明书摘要公布了：本发明公开了一种面向齿轮表面缺陷检测的分层多尺度特征分析与动态注意力增强方法及系统包括：通过高清成像设备采集齿轮表面图像；将所述齿轮表面图像输入基于YOLOv11架构的深度学习网络，所述深度学习网络集成分层多尺度特征提取模块和动态蒙特卡洛注意力机制；使用所述分层多尺度特征提取模块提取跨尺度缺陷特征；使用所述动态蒙特卡洛注意力机制生成自适应注意力权重；输出齿轮表面缺陷的位置、类别及置信度。本发明融合多分支异构卷积与蒙特卡洛动态注意力机制，显著提升了对复杂背景下多类型缺陷的识别能力，并有效提高了检测精度与推理速度。

本发明授权一种面向齿轮表面缺陷检测的分层多尺度特征分析与动态注意力增强方法及系统在权利要求书中公布了：1.一种面向齿轮表面缺陷检测的分层多尺度特征分析与动态注意力增强方法，其特征在于，包括： 通过高清成像设备采集齿轮表面图像； 将所述齿轮表面图像输入基于YOLOv11架构的深度学习网络，所述深度学习网络集成分层多尺度特征提取模块和动态蒙特卡洛注意力机制； 使用所述分层多尺度特征提取模块提取跨尺度缺陷特征； 使用所述动态蒙特卡洛注意力机制生成自适应注意力权重； 输出齿轮表面缺陷的位置、类别及置信度； 所述分层多尺度特征提取模块由增强注意力模块、多尺度模块、细节模块、线性模块以及特征融合模块组成； 以尺寸为的齿轮表面图像作为输入，输入图像首先经过卷积模块进入到增强注意力模块中；假设给定输入通过两个平行分支进行处理；第一个是局部表示分支，它采用卷积捕获局部空间关系和微纹理细节，后接批归一化BN和SiLU激活；第二个分支是全局表示分支，先通过全局平均池化压缩空间维度，再通过两个卷积层建模通道间依赖关系，最后扩展回原空间维度；其数学表达式为： ； ； 上式中表示核大小为的卷积层，是批归一化操作，为SiLU激活函数，表示全局平均池化，表示空间维度扩展操作；将局部特征和全局特征在通道维度拼接，再通过卷积降维至通道，实现局部与全局信息自适应融合；该过程融合表达式为： ； 上式中表示通道维度拼接函数；对融合特征应用通道注意力机制：先通过全局平均池化获取通道统计量，再经MLP生成通道权重，最后通过Sigmoid归一化并加权特征图；该过程融合表达式为： ； 上式中表示Sigmoid激活函数，为逐元素乘；对通道增强特征使用卷积生成空间权重图，通过Sigmoid激活，并加权特征图以突出缺陷区域；随后应用Dropout；防止过拟合，再通过残差连接与输入特征相加，得到最终输出特征图： ； 上式中为Dropout操作且使用丢弃率0.1，表示残差连接； 在多尺度模块中，首先，给定输入特征同时通过四个独立卷积分支处理，每个分支针对特定尺度缺陷设计；该过程表示为： ； ； ； ； 上式中，表示膨胀卷积的膨胀率；将四个分支的输出特征图在通道维度拼接，形成高维特征，再通过卷积降维至原始通道数，最后通过残差连接与输入特征相加；该过程表示为： ； 在细节模块中，首先，给定输入特征通过两个并行分支处理；该过程表示为： ； ； 上式中，表示卷积核为的深度可分离卷积；将对原始输入通过自适应平均池化压缩空间信息，通过MLP结构建模通道依赖关系，再通过Sigmoid激活生成通道权重；该过程表示为： ； 上式中，表示自适应平均池化；最后将局部对比特征与通道注意力权重逐通道相乘，再通过残差连接与输入特征相加，保留原始信息流；该过程表示为： ； 在线性模块中，首先，给定输入特征通过四个方向卷积分支处理，每个分支针对特定线性缺陷设计： ； ； ； ； 将四个方向特征图在通道维度拼接，再通过卷积整合方向信息，然后利用批归一化和SiLU激活函数进一步增强非线性表达能力；该过程表示为： ； 最后将原始输入特征由边缘增强分支处理；该分支使用卷积来模拟梯度算子的效果，并通过批归一化和SiLU激活增强非线性表达；最后，将3个关键特征进行残差连接，最终输出特征图；该过程表示为： ； 在特征融合模块中，将四个输入特征图在通道维度拼接，再通过全局平均池化压缩空间信息，生成通道统计向量： ； 随后使用卷积降维至C2，再经SiLU激活，使用另一个卷积进一步降维至4，沿通道维度应用Softmax函数，生成四个归一化权；该过程表示为： ； 上式中表示Softmax激活函数；将权重向量拆分为四个标量权重并通过广播机制与原始特征图逐元素相乘后相加，再通过卷积调整通道数，最后利用批归一化和SiLU激活函数得到最终输出；该过程表示为： ； 上式中； 所述动态蒙特卡洛注意力机制用于增强目标与背景之间的区分能力；所述动态蒙特卡洛注意力机制包括：多尺度混合池化策略，其结合平均池化和最大池化结果，以0.6：0.4比例加权融合，有效感知不同尺度的缺陷；随机分辨率采样机制，在训练阶段采用随机分辨率池化，提高模型的尺度不变性与泛化能力；缺陷类型引导的通道注意力，通过特定缺陷类型的通道加权机制，强化不同缺陷的区分表征；通道混合模块，采用卷积和SiLU激活提升特征表达的非线性能力，最终通过元素级乘法融合注意力权重与输入特征； 使用尺寸为的经分层多尺度特征提取模块处理后的特征图作为输入，训练时随机选择池化分辨率，执行特征图随机打乱成，融合平均池化和最大池化结果；测试时固定使用分辨率并按权重融合；该过程表示为： ； 上式中表示自适应平均池化，表示最大池化；池化后的特征通卷积降维至C4，使用SiLU激活后，利用Dropout0.1来防止过拟合，再使用卷积捕获空间信息，SiLU激活后，使用卷积恢复通道维度，最后用Sigmoid激活生成基础注意力权重；该过程表示为： ； 根据缺陷类型动态调整注意力，训练时随机选择缺陷类型，测试时融合所有缺陷类型的注意力输出；该过程表示为： ； 其中； 上式中表示缺陷类型的数量，表示随机选择操作；最后基础注意力与缺陷注意力加权融合，原始输入Y经通道混合后与融合注意力加权；该过程表示为： 。

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广东工业大学，其通讯地址为：510090 广东省广州市东风东路729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。