Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 长沙矿冶研究院有限责任公司侯奔获国家专利权

长沙矿冶研究院有限责任公司侯奔获国家专利权

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!

龙图腾网获悉长沙矿冶研究院有限责任公司申请的专利深度网络结构的磨料板结检测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:CN121213571B

龙图腾网通过国家知识产权局官网在2026-04-14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:202511771331.X,技术领域涉及:G06T7/00;该发明授权深度网络结构的磨料板结检测方法及系统是由侯奔;高静;毛桂庭设计研发完成,并于2025-11-28向国家知识产权局提交的专利申请。

深度网络结构的磨料板结检测方法及系统在说明书摘要公布了:本发明公开了深度网络结构的磨料板结检测方法及系统,该检测方法的内置多维自适应特征增强模块,包括多尺度特征提取单元、通道自适应注意力单元、空间自适应注意力单元以及残差连接单元,多尺度特征提取单元负责捕捉不同粒度下的特征信息;通道自适应注意力单元通过权重分配强化关键特征通道的表达;空间自适应注意力单元用于突出特征图中与磨料板结相关的空间区域;残差连接单元则将增强后的特征与原始输入融合,既保障了梯度的有效传播,也简化了模型的学习过程。通过多尺度感知与通道空间双重注意力机制的协同作用,该模块能够有效增强磨料板结在复杂背景中微弱、不规则的特征表现,从而显著提升检测系统的识别能力与鲁棒性。

本发明授权深度网络结构的磨料板结检测方法及系统在权利要求书中公布了:1.一种深度网络结构的磨料板结检测方法,其特征在于,包括以下步骤: 将采集的磨料图像输入至预先训练好的板结检测模型中,得到磨料是否板结的检测结果; 所述板结检测模型包括多尺度特征提取网络、多尺度特征融合网络以及预测网络; 所述多尺度特征提取网络包括多个依次串联、用于提取不同尺度特征的特征提取子网络,每个特征提取子网络的输出端均与所述多尺度特征融合网络的输入端连接;每个特征提取子网络均包括深度卷积模块以及多维自适应特征增强模块,所述深度卷积模块的输出端与所述多维自适应特征增强模块的输入端连接; 所述多维自适应特征增强模块包括多尺度特征提取单元、通道自适应注意力单元、空间自适应注意力单元以及残差连接单元;所述多尺度特征提取单元从多维自适应特征增强模块的输入端获取输入特征,所述多尺度特征提取单元的输出端与通道自适应注意力单元的输入端连接,通道自适应注意力单元的输出端与空间自适应注意力单元的输入端连接,所述空间自适应注意力单元的输出端与所述残差连接单元的输出端连接,所述残差连接单元的输入端还从所述多维自适应特征增强模块的输入端获取输入特征,并将所述输入特征与所述空间自适应注意力单元输出的特征进行融合; 所述多尺度特征融合网络包括:自顶向下融合路径、自底向上融合路径以及上下文聚合单元; 按输出特征的尺度小至大对所述特征提取子网络进行排序,所述自顶向下融合路径按所述排序依次对所述特征提取子网络的特征依次进行上采样融合,并将每次上采样融合后的上采样融合特征发送至自底向上融合路径,所述自底向上融合路径用于将所述上采样融合特征按尺度大小从大至小依次进行下采样融合,并将每次下采样后的下采样融合特征以及尺度最大的上采样融合特征发送至上下文聚合单元,所述上下文聚合单元用于对发送来的下采样融合特征以及尺度最大的上采样融合特征进行特征增强; 所述预测网络包括多个预测头,所述预测头包括:依次连接多个特征重建模块以及输出模块,所述特征重建模块包括:依次连接的第一卷积层、批归一化层、ReLU激活层以及双层上采样单元;所述输出模块包括:依次连接的第二卷积层、批归一化层、ReLU激活层、第三通道调整层、sigmoid激活层; 所述多个预测头包括检测预测头和分割预测头,所述板结检测模型的损失函数为: 其中,为总损失,k表示预测头的总数量,表示第z个检测预测头的损失权重系数,表示第z个检测预测头的检测损失,表示分割预测头的损失权重系数,是分割预测头的分割损失,表示检测损失,为置信度损失,使用二元交叉熵损失,判断每个预测框中是否包含目标:其中是当前特征图上所有预测位置的总数,是真实标签,如果位置i包含板结则为1,否则为0,是模型预测的位置i包含板结的置信度,为类别分类损失,衡量模型在判断为包含板结的位置上,正确识别出磨料板结这一类别的能力,是被分配为正样本的预测位置总数,是真实类别标签,对于板结类别总是1,是模型预测的位置j属于“板结”类别的概率,是边界框回归损失,用于优化预测框与真实框之间的位置和大小,使用基于IoU的损失,是被分配为正样本的预测位置总数,是模型预测的第k个边界框,是与第k个预测框对应的真实边界框,是标准的IoU函数,是分割损失,用于衡量模型在每个像素点上预测其是否属于板结的准确性,是掩码图的总像素数,是真实掩码中像素p的标签,是模型预测的像素p属于板结的概率。

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长沙矿冶研究院有限责任公司,其通讯地址为:410000 湖南省长沙市岳麓区麓山南路966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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。