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！

龙图腾网恭喜西南科技大学申请的专利基于多任务自适应模型的轧制金属表面缺陷自动标注方法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：CN119444759B 。

龙图腾网通过国家知识产权局官网在2025-03-14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：202510039534.3，技术领域涉及：G06T7/00；该发明授权基于多任务自适应模型的轧制金属表面缺陷自动标注方法是由李强;赵家琦;文毅;路锦正设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本基于多任务自适应模型的轧制金属表面缺陷自动标注方法在说明书摘要公布了：本发明公开了基于多任务自适应模型的轧制金属表面缺陷自动标注方法，包括：S1、采集轧制金属表面图像，对其预处理及增强后进行数据标注，构建轧制金属表面缺陷数据集；S2、构建多任务自适应模型，并利用数据集对其训练，得到缺陷自动标注模型；S3、将待标注的金属表面图像输入至缺陷自动标注模型中，通过执行目标检测任务输出表面缺陷标注结果。该方法结合多任务学习框架，实现对轧制工艺中金属表面缺陷的目标检测与实例分割任务的联合训练，并在推理阶段专注于目标检测任务，以提升标注效率，本发明标注方法显著减少人工成本，能够广泛应用于轧制工艺金属的工业缺陷检测和数据自动标注场景，适用于复杂工业环境中的缺陷图像自动标注任务。

本发明授权基于多任务自适应模型的轧制金属表面缺陷自动标注方法在权利要求书中公布了：1.基于多任务自适应模型的轧制金属表面缺陷自动标注方法，其特征在于，包括以下步骤：S1、采集轧制金属表面图像，对其预处理及增强后进行数据标注，构建轧制金属表面缺陷数据集；S2、构建多任务自适应模型，并利用轧制金属表面缺陷数据集对其训练，得到缺陷自动标注模型；所述训练包括依次单次训练和自适应重标记循环机制训练；所述缺陷自动标注模型包括骨干网络、特征提取与融合模块和多任务预测头；所述骨干网络用于提取输入图像从低级到高级的特征信息；所述特征提取与融合模块用于根据骨干网络提取的特征信息，提取具有全局上下文信息和长程依赖关系的多层特征映射，并进行跨层级自适应融合，进而提取ROI特征；所述多任务预测头用于利用提取的ROI特征同时进行目标检测和实例分割的预测，得到标注结果；S3、将待标注的金属表面图像输入至缺陷自动标注模型中，通过执行目标检测任务输出表面缺陷标注结果；所述步骤S2中，所述骨干网络为经过预训练的ResNeXt-50网络，包括依次连接的初始卷积层、最大池化层以及四个阶段的残差块；所述骨干网络提取特征信息的方法具体为：S21、通过初始卷积层对输入图像处理，得到第一特征图；S22、通过最大池化层对第一特征图处理，得到第一特征映射；S23、将第一特征映射依次通过四个阶段的残差块处理，得到对应的第二特征映射、第三特征映射、第四特征映射和第五特征映射；S24、将第一~第五特征映射组成不同的语义层次和空间分辨率的特征映射，作为提取的从低级到高级的特征信息；所述步骤S2中，所述特征提取与融合模块包括残差注意力特征金字塔网络、跨层级自适应融合网络和区域提议网络；所述特征提取与融合模块提取ROI特征的方法具体为：S25、在残差注意力特征金字塔网络中，基于引入的残差结构的注意力机制，将特征信息中的高层语义信息与低层空间信息融合，得到捕获全局上下文信息和长程依赖关系的多层特征映射；S26、利用跨层级自适应融合网络对多层特征映射进行不同尺度的特征融合，得到各层的融合特征图；S27、利用区域提议网络从融合特征图中生成候选区域，并将生成的候选区域经过非极大值抑制，得到各融合特征图中固定尺寸的ROI特征；所述多任务预测头包括类别目标检测分支和实例分割分支；其中，所述目标检测分支用于对每个ROI特征进行分类和边界框回归，所述实例分割分支用于对每个ROI特征内的目标进行像素级掩码预测；所述目标检测分支对每个ROI特征进行分类和边界框回归的方法具体为：将ROI特征通过两个共享的全连接层提取共享全局特征，将共享全局特征通过分类分支的全连接层输出类别概率分布，同时将共享全局特征通过回归分支的全连接层输出边界框的回归参数；所述实例分割分支采用基于全卷积网络的结构，并引入注意力机制和特征融合策略，其对ROI特征内的目标进行像素级掩码预测的方法具体为：S28、将ROI特征通过四个连续的卷积层处理，获得卷积特征；S29、将卷积特征分别通过基于全局平均池化的空间注意力机制和基于两个全连接层的通道注意力机制进行特征增强，分别得到应用通道注意力权重的特征图和应用空间注意力的特征图；S30、将应用空间注意力权重和通道注意力权重的特征图进行上采样，并融合低层特征，获得增强融合特征图；S31、将增强融合特征图通过一个卷积层并使用ReLU激活函数激活，再通过一个卷积层调整其通道数，获得对应的掩码预测结果；所述步骤S2中，对多任务自适应模型进行训练的方法具体为：A1、对多任务自适应模型中的骨干网络进行预训练，对特征提取与融合模块和多任务预测头中的各层权重参数采用正态分布随机初始化；A2、利用当前训练集对多任务自适应模型进行训练，并在每个训练步长后使用验证集评估其性能指标；A3、当性能指标在连续设定步长阈值内下降幅度小于预设值时，触发早停策略，模型收敛，完成单次训练，进入自适应重标记循环机制训练；A4、在自适应重标记循环机制训练过程中，将未标注的金属表面图像输入至当前多任务自适应模型中，输出对应的标注预测结果；A5、根据标注预测结果的置信度和不确定性，采用预设阈值进行样本筛选，并根据筛选结果形成新的伪标签和或人工标注数据，并将其加入至训练集，形成扩充训练集，返回步骤A2；A6、重复步骤A2~A5，直到模型性能提升幅度小于预设阈值，完成模型训练，得到缺陷自动标注模型。

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西南科技大学，其通讯地址为：621010 四川省绵阳市涪城区青龙大道59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”。