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！

龙图腾网恭喜西安工程大学申请的专利一种基于生成对抗网络的色织物缺陷区域的检测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：CN114119500B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202111305800.0，技术领域涉及：G06T7/00；该发明授权一种基于生成对抗网络的色织物缺陷区域的检测方法是由张宏伟;乔冠华;苏泽斌;张蕾;景军锋设计研发完成，并于2021-11-05向国家知识产权局提交的专利申请。

本一种基于生成对抗网络的色织物缺陷区域的检测方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的色织物缺陷区域的检测方法，具体为：构建基于无监督学习的图像重构修复模型EFFGAN模型；构建包括无缺陷色织物图像的色织物无缺陷图像训练集，然后给无缺陷色织物图像叠加高斯噪声并送入构建的EFFGAN模型中进行训练，得到训练好的EFFGAN模型；将待检测的色织物图像输入到训练好的EFFGAN模型中输出对应的重构图像，再进行检测从而确定缺陷区域。本发明的一种基于生成对抗网络的色织物缺陷区域的检测方法，能够有效地对色织物图像进行重构修复，从而可以快速、准确地检测出色织物缺陷。

本发明授权一种基于生成对抗网络的色织物缺陷区域的检测方法在权利要求书中公布了：1.一种基于生成对抗网络的色织物缺陷区域的检测方法，其特征在于，具体按照如下步骤实施：步骤1，构建基于无监督学习的图像重构修复模型EFFGAN模型，该模型由生成器G与判别器D两部分构成，生成器G的输入层和输出层均为三通道图像结构，生成器以特征金字塔结构FPN为特征提取器；特征金字塔结构FPN包括自底向上依次连接的5个用于特征提取的骨干模块，分别记为C0、C1、C2、C3、C4、以及自顶向下依次连接的3个特征融合模块，分别记为A0、A1、A2，所述骨干模块C4、C3还分别通过横向连接部分后与特征融合模块A0连接，所述骨干模块C2、C1还分别通过横向连接部分后与A1、A2一一对应连接，三个所述特征融合模块的输出以及最上层骨干模块C4和最底层骨干模块C0分别经过横向连接后的输出经过通道串联操作得到特征图，然后特征图经过上采样处理得到重构图像；所述骨干模块以EfficientNetV2网络的MBConv和Fused-MBConv结构组成，或者以MobileNetV2网络的Bottleneckresidualblock结构组成；当采用EfficientNetV2网络时，自底向上依次连接的5个骨干模块具体为：C0部分包括依此连接的一个卷积核大小为3×3，步长为2的卷积层和两个卷积核大小为3×3，步长为1的Fused-MBConv模块；C1部分包括依此连接的四个卷积核大小为3×3，步长为2的Fused-MBConv模块；C2部分包括依此连接的四个卷积核大小为3×3，步长为2的Fused-MBConv模块；C3部分包括依此连接的六个卷积核大小为3×3，步长为2的MBConv模块；C4部分包括依此连接的五个卷积核大小为3×3，步长为1的MBConv模块；五个部分分别对应输出大小为128×128、64×64、32×32、16×16、8×8的特征图，且前一个骨干模块的输出作为后一个骨干模块的输入；采用MobileNetV2网络时，自底向上依次连接的5个骨干模块具体为：C0部分包括依此连接的一个卷积核大小为3×3，步长为2的卷积层和一个卷积核大小为3×3，步长为1的卷积层以及一个卷积核大小为3×3，步长为1的Bottleneckresidualblock模块；C1部分包括依此连接的两个卷积核大小为3×3，步长为2和步长为1的Bottleneckresidualblock模块；C2部分包括依此连接的一个卷积核大小为3×3，步长为2的Bottleneckresidualblock模块和两个卷积核大小为3×3，步长为1的Bottleneckresidualblock模块；C3部分包括依此连接的一个卷积核大小为3×3，步长为2的MBConv模块和三个卷积核大小为3×3，步长为1的Bottleneckresidualblock模块；C4部分包括依此连接的一个卷积核大小为3×3，步长为2的MBConv模块和四个卷积核大小为3×3，步长为1的Bottleneckresidualblock模块；五个部分分别对应输出大小为128×128、64×64、32×32、16×16、8×8的特征图；且前一个骨干模块的输出作为后一个骨干模块的输入；五个所述骨干模块之后的横向连接部分分别为：所述骨干模块C0部分输出的特征图经过一个卷积核大小为1×1，步长为1的卷积层，输出大小为128×128，通道数为64的特征图；所述骨干模块C1部分输出的特征图经过一个卷积核大小为1×1，步长为1的卷积层，输出大小为64×64，通道数为128的特征图；所述骨干模块C2部分输出的特征图经过一个卷积核大小为1×1，步长为1的卷积层，输出大小为32×32，通道数为128的特征图；所述骨干模块C3部分输出的特征图经过一个卷积核大小为1×1，步长为1的卷积层，输出大小为16×16，通道数为128的特征图；所述骨干模块C4部分输出的特征图经过一个卷积核大小为1×1，步长为1的卷积层，输出大小为8×8，通道数为128的特征图；所述特征融合模块A0的操作具体为：将骨干模块C4部分经过横向连接输出的8×8大小的特征图进行2倍上采样后与骨干模块C3部分经过横向连接输出的16×16大小的特征图进行对应元素相加操作后再经过一个卷积核大小为1×1，步长为1的卷积层得到输出特征图；所述特征融合模块A1的操作具体为：将特征融合模块A0输出的特征图经过2倍上采样后与骨干模块C2部分经过横向连接输出的16×16大小的特征图进行对应元素相加操作后再经过一个卷积核大小为1×1，步长为1的卷积层得到输出特征图；所述特征融合模块A2的操作具体为：将特征融合模块A1输出的特征图经过2倍上采样后与C3部分经过横向连接输出的16×16大小的特征图进行对应像素相加操作后再经过一个卷积核大小为1×1，步长为1的卷积层得到输出特征图；通道串联操作具体为：将骨干模块C4经过横向连接部分输出的特征图依次经过两个卷积核大小为3×3，步长为1的卷积层、一个2倍上采样层得到特征图输出；将经特征融合模块A0操作输出的特征图依次经过两个卷积核大小为3×3，步长为1的卷积层、一个4倍上采样层得到特征图输出；将经特征融合模块A1操作输出的特征图依次经过两个卷积核大小为3×3，步长为1的卷积层、一个6倍上采样层得到特征图输出；将经特征融合模块A2操作输出的特征图依次经过两个卷积核大小为3×3，步长为1的卷积层、一个8倍上采样层得到特征图输出；上述四个特征图输出均为输出的特征图大小均为64×64，通道数为128，然后将这四个相同大小的特征图进行通道串联操作，最终生成一个大小为64×64，通道数为256的特征图；特征图经过上采样处理得到重构图像具体为：将通道串联操作得到的特征图依次经过一个卷积核大小为3×3，步长为1的卷积层、一个2倍上采样层后与C0部分经过横向连接输出的特征图进行对应像素相加操作，然后经过依次连接的一个卷积核大小为3×3，步长为1的卷积层、一个2倍上采样层、两个卷积核大小为3×3，步长为1的卷积层、一个tanh激活层，最终恢复为原始图像的分辨率大小，得到重构图像；所述生成器除了骨干模块的其他部分都使用了InstanceNormalization作为标准化方式，激活函数为ReLU；所述判别器D为Patch级别判别器，包括依次连接的三个卷积核大小为4×4，步长为2的卷积层将输入判别器D的图像尺寸压缩为32×32大小、通道数由3逐渐变为256，接着通过两层卷积核大小为4×4，步长为1的卷积层将特征通道数由256变为1，输出最终的判别结果，所述判别器D前四层卷积层后都接有LeakyRelu激活函数，第二层到第四层卷积层与其激活函数间各有一个InstanceNormalization标准化；步骤2，构建包括无缺陷色织物图像的色织物无缺陷图像训练集，然后给无缺陷色织物图像叠加高斯噪声，将叠加噪声后的无缺陷色织物图像送入步骤1构建的EFFGAN模型中，生成器G对输入的图像通过编码与解码操作进行特征提取与恢复，判别器D不断调整梯度反馈给生成器G，指导生成器G的训练，当训练次数达到设定的迭代次数，得到训练好的EFFGAN模型；步骤3，将待检测的色织物图像输入到步骤2训练好的EFFGAN模型中输出对应的重构图像，再进行检测从而确定缺陷区域。

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安工程大学，其通讯地址为：710048 陕西省西安市碑林区金花南路19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”。