欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2026100768150
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,包括如下步骤:S1、采集多张关于汽车零部件缺陷的原始图像,并构建数据集;

S2、构建汽车零部件缺陷检测网络,包括依次连接的预训练的骨干网络、多尺度特征融合模块、解码模块;

S3、从数据集选取一张原始图像输入到预训练的骨干网络中,得到多尺度特征;将多尺度特征输入到多尺度特征融合模块进行特征融合,得到融合后的特征图;然后将融合后的特征图输入到解码模块进行图像重建并整合,得到整合后的重建图像;

S4、求解原始图像和整合后的重建图像之间的欧氏距离,并将求解的结果作为重建损失,利用重建损失动态调整汽车零部件缺陷检测网络的权重,循环迭代S3至S4,直至最小化重建损失,得到训练后的汽车零部件缺陷检测网络;

S5、将训练后的汽车零部件缺陷检测网络部署到设备端,并进行实际的汽车零部件缺陷检测,将检测差异达到设定差异阈值的检测结果作为实际的汽车零部件缺陷识别结果;

所述S3具体包括如下步骤:

S31、将原始图像x输入到预训练的骨干网络中,预训练的骨干网络中的多层特征提取模块分别对原始图像x进行不同尺度的特征提取,得到多尺度特征图;多尺度特征图包括多个不同尺度的特征图;

S32、将多尺度特征图输入到多尺度特征融合模块中,将多个不同尺度的特征图的高度、宽度和通道数调整到一致,得到多个调整后的特征图;然后采用注意力机制对多个调整后的特征图进行融合,得到融合后的特征图;

S33、将融合后的特征图输入到解码模块中,重建每个尺度的图像并整合,得到整合后的重建图像;

所述S33具体包括如下步骤:

S331、将融合后的特征图输入到CMamba解码器内的第一采样层中,进行上采样或者下采样,得到一个尺度的特征图,采用公式表示为:;

其中,表示由上采样或者下采样得到的特征图;表示上采样或者下采样操作;、分别表示特征图的高度和宽度;

S332、将特征图输入到CMamba解码器内的Hybrid模块中,得到输出特征,计算式具体如下:;

其中是第三卷积层,用于提取局部特征,是捕获全局上下文信息的子模块,,是平衡局部和全局信息的权重,为Hybrid模块的输出特征,融合了局部和全局信息;表示解码模块的参数;表示卷积模块中的偏置项,是第三卷积层的可学习参数;表示Mamba模块的可学习参数集合,包括其内部所有权重和门控参数;

S333、然后依据特征图并通过转置卷积层内的运算操作求解得到第s个尺度的重建图像,采用公式表示为:;

其中,表示转置卷积层内的运算操作;

S334、采用逐层金字塔式重建策略并依据当前尺度的重建图像的上采样结果以及输出特征求解下一个尺度的重建图像,采用公式表示为:;

其中,表示第s个尺度的重建图像的上采样结果;

S335、循环S331至S334多次,求解得到多个不同尺度的重建图像,然后对多个不同尺度的重建图像进行整合,得到整合后的重建图像,采用公式表示为:;

其中,为第个尺度的融合权重;S表示尺度的总数。

2.根据权利要求1所述的基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,所述骨干网络包括多层并联的特征提取模块,每层特征提取模块至少包括依次连接的第一卷积层、归一化层、激活函数;

所述多尺度特征融合模块包括依次连接的上采样层、第二卷积层、注意力机制;

所述解码模块包括多个串联的CMamba解码器,每个CMamba解码器均包括依次连接的第一采样层、Hybrid模块和转置卷积层;其中Hybrid模块包括并联的第三卷积层和捕获全局上下文信息的子模块。

3.根据权利要求1所述的基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,所述S31中特征提取的过程采用公式表示为:;

其中,表示第i层特征提取模块提取得到的特征图;表示第i层特征提取模块;表示i-1层特征提取模块提取得到的特征图;表示第i层特征提取模块的参数,包括对应特征提取模块的卷积核权重和偏置;n表示骨干网络中特征提取模块的层数。

4.根据权利要求3所述的基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,所述S32具体包括如下步骤:S321、将多尺度特征图输入到多尺度特征融合模块中,首先通过上采样层对多个不同尺度的特征图分别进行上采样,使得多个不同尺度的特征图的高度和宽度保持一致,得到多个上采样特征图,采用公式表示为:;

其中,表示对特征图进行上采样得到的上采样特征图;表示上采样操作;、分别表示上采样特征图的高度和宽度;

S322、将多个上采样特征图分别输入到第二卷积层中,将通道数调整为一致,得到多个调整后的特征图,采用公式表示为:;

其中,表示对上采样特征图进行卷积操作得到的调整后的特征图;表示第二卷积层;表示实数集;C表示调整后的特征图的通道数;

S323、采用注意力机制融合多个调整后的特征图,得到融合后的特征图,采用公式表示为:;

其中,表示第i个调整后的特征图的融合权重,计算式如下:;

其中,表示第i个调整后的特征图;表示第j个调整后的特征图;表示以自然常数e为底的指数函数。

5.根据权利要求4所述的基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,所述S4中重建损失的计算式为:;

其中,表示重建损失;表示求解欧氏距离。

6.根据权利要求5所述的基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,所述S5包括如下步骤:S51、将训练后的汽车零部件缺陷检测网络部署到设备端,并将实际的汽车零部件图像输入到训练后的汽车零部件缺陷检测网络中;

S52、预训练的骨干网络中的多层特征提取模块分别对汽车零部件图像进行不同尺度的特征提取,得到多尺度特征图;

S53、将S52中的多尺度特征图输入到多尺度特征融合模块中,得到融合后的特征图;

S54、将S53中的融合后的特征图输入到解码模块中,重建每个尺度的图像并整合,得到整合后的重建图像;

S55、求解S54中整合后的重建图像与S51中实际的汽车零部件图像之间的检测差异,并将检测差异达到设定差异阈值的检测结果作为实际的汽车零部件缺陷识别结果。

7.根据权利要求6所述的基于多尺度特征融合的汽车零部件缺陷检测方法,其特征在于,所述S55中检测差异的计算式如下:;

其中,表示实际的汽车零部件图像;表示S54中整合后的重建图像;表示检测差异。

8.一种汽车零部件缺陷检测系统,其特征在于,包括设备端,设备端被配置或者执行权利要求1至7任一项所述的汽车零部件缺陷检测方法。