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！

龙图腾网获悉厦门理工学院申请的专利古建筑木构件缺陷智能检测方法、装置、设备、介质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：CN121639683B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610155390.2，技术领域涉及：G06T7/00；该发明授权古建筑木构件缺陷智能检测方法、装置、设备、介质是由聂芹;曾广涛;王驰明;杜晓凤;侯学华设计研发完成，并于2026-02-04向国家知识产权局提交的专利申请。

本古建筑木构件缺陷智能检测方法、装置、设备、介质在说明书摘要公布了：古建筑木构件缺陷智能检测方法、装置、设备、介质，涉及图像处理技术领域。方法包含：构建包含教师模型和学生模型的异构缺陷检测网络。图像输入至异构缺陷检测网络，通过教师模型和学生模型提取多层级特征图。学生模型输出的特征图与教师模型输出的特征图执行多维度特征自适应对齐与蒸馏。提取教师模型相邻层级的特征图，引入可学习的权重参数对相邻层级特征图进行自适应加权融合，计算融合后的教师目标特征图与对齐后的学生特征图之间的特征蒸馏损失。学生模型的定位分支引入Wasserstein距离度量指标，将预测包围框和真实包围框建模为二维高斯分布计算定位损失，结合特征蒸馏损失对学生模型进行端到端联合训练。

本发明授权古建筑木构件缺陷智能检测方法、装置、设备、介质在权利要求书中公布了：1.一种古建筑木构件缺陷智能检测方法，其特征在于，包含： 构建异构缺陷检测网络，网络包含基于VisionTransformer架构的教师模型和基于卷积神经网络架构的学生模型；教师模型加载预训练参数并在训练过程中冻结参数，学生模型为待训练网络；构建步骤包括：采用基于ViT-B架构的DINOv3模型作为教师模型；教师模型包含由12个依次连接的编码器块构成的Transformer编码器；采用YOLOv11-m模型作为学生模型，所述学生模型包含主干网络和颈部网络，输出包含空间分辨率依次递减的P3、P4、P5三个层级的特征图；其中，将教师模型中靠近输入端的第3和4个编码器块输出定义为浅层编码器特征，与学生模型的P3层级特征图相匹配；将教师模型中部的第7和8个编码器块输出定义为中层编码器特征，与学生模型的P4层级特征图相匹配；将教师模型中靠近输出端的第11和12个编码器块输出定义为深层编码器特征，与学生模型的P5层级特征图相匹配； 获取古建筑木构件图像并输入至异构缺陷检测网络，分别通过教师模型和学生模型提取多层级特征图； 对学生模型输出的特征图与教师模型输出的特征图执行多维度特征自适应对齐与蒸馏，多维度特征自适应对齐包括利用双线性插值算法进行的特征图空间尺度对齐，以及利用卷积层进行的特征图通道维度映射对齐； 提取教师模型中相邻两层的特征图和，将其在通道维度上进行拼接得到拼接特征；将所述拼接特征输入至输出通道数为2的卷积层，生成两个通道的权重映射图；对所述权重映射图在空间位置上执行Softmax操作，得到归一化的权重矩阵和，并计算融合后的教师目标特征图；计算融合后的教师目标特征图与对齐后的学生特征图之间的特征蒸馏损失；其中，相邻两层为第3和4个编码器块、第7和8个编码器块，以及第11和12个编码器块； ； ； ； ； 式中，分别为特征图中三个维度的索引；为的权重；为的权重；为自然指数函数；为第一通道的权重映射图；为第二通道的权重映射图；为学生模型的三个层级的特征图的索引； 学生模型的定位分支中引入归一化Wasserstein距离度量指标，将预测包围框和真实包围框建模为二维高斯分布，通过计算分布间的Wasserstein距离衡量相似度以计算定位损失，并结合特征蒸馏损失对学生模型进行端到端联合训练；训练后的学生模型用于对古建筑木构件图像执行缺陷检测推理并输出缺陷检测结果。

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厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600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。