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！

龙图腾网恭喜西南石油大学申请的专利一种基于轻量化级联网络的布匹瑕疵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：CN115205274B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202210887548.7，技术领域涉及：G06T7/00；该发明授权一种基于轻量化级联网络的布匹瑕疵检测方法是由王杨;严子杰;黄大帅;魏家田;张舒;王一帆设计研发完成，并于2022-07-26向国家知识产权局提交的专利申请。

本一种基于轻量化级联网络的布匹瑕疵检测方法在说明书摘要公布了：本发明公开了一种基于轻量化级联网络的布匹瑕疵检测方法。包括构造适用于布匹缺陷检测的YOLOv5s‑GSBiFPN轻量化检测模型。在主干网络特征提取阶段，设计了全新的双路注意力CSPGhostSE结构，并通过堆叠多层CSPGhostSE结构提取深层特征。在特征融合阶段使用了三层堆叠的加权双向金字塔BiFPN结构，充分融合多尺度特征。其次针对检测缺陷特征不明显样本易出现误检的问题，提出了检测+分类的级联网络架构，对预测框进一步进行是否为瑕疵的二分类判断过滤误检。本发明设计的轻量化级联检测模型显著提升了小目标和困难样本检出能力，误检较少且模型较小，易于实现低性能设备端部署。

本发明授权一种基于轻量化级联网络的布匹瑕疵检测方法在权利要求书中公布了：1.一种基于轻量化级联网络的布匹瑕疵检测方法，其特征在于，该方法包括下列步骤：1使用工业相机和LED照明设备构建照明良好，成像稳定的拍摄环境，采集布匹图像；所述拍摄环境，采用正面照明的方式，将相机与光源放置在同一侧，与待验布匹保持平行；2采集包含不同缺陷的瑕疵布匹图像，并对布匹图像进行数据增强，扩充数据集样本数，平衡不同类别的缺陷样本数量；采用分段标注策略对布匹图像的缺陷区域进行标注，使标注矩形框贴合缺陷区域；包含缺陷的样本标注完成后，按照1:1比例添加不含缺陷的布匹图像作为负样本；然后将所有样本以8:2比例，划分为训练集与测试集，构建布匹缺陷数据集；3构造YOLOv5s-GSBiFPN轻量化布匹瑕疵检测模型；构建双路注意力CSPGhostSE结构作为主干网络的核心特征提取模块；并通过堆叠多层CSPGhostSE结构提取深层特征，然后将特征输入SPPF模块中映射到固定维度；在特征融合阶段使用三层堆叠的加权双向金字塔BiFPN结构，充分融合多尺度特征并输入到3个检测头中分别检测大中小尺度的缺陷目标；详细步骤包含：3.1构建双路注意力CSPGhostSE结构；所述双路注意力CSPGhostSE结构包含两条支路，每条支路均由GhostConv幻影卷积、SE注意力模块和CBS模块组成；支路1包含依次连接的CBS模块、堆叠多层步长为1的GhostBottleneck结构和一个步长为2的GhostBottleneck结构；支路二包含依次连接的CBS模块和一个步长为2的GhostBottleneck结构；两条支路输出特征通过Concat操作进行合并，经批归一化层和激活函数后输入到下层网络中；所述CBS模块包含卷积核大小为1*1的Conv2d卷积层、批归一化BN层以及激活函数SiLU层；输入特征经由1*1的Conv2d卷积层进行变换，卷积核数量设定为输入特征图的12，调节输出特征通道数；所述步长为1的GhostBottleneck结构，包含两层结构；上层为依次连接的两个GhostConv幻影卷积和SE注意力模块；下层为短连接结构，直接映射原输入特征；通过相加的方式融合两层特征；所述步长为2的GhostBottleneck结构在上层两个GhostConv幻影卷积中间增加了一个步长为2的深度卷积DWConv层，SE注意力模块位于DWConv层之后；所述GhostConv幻影卷积，首先使用普通卷积产生基础特征，然后对卷积得到基础特征使用深度卷积，对基础特征图逐通道进行线性变换，生成另一半ghost特征图，最后将基础特征和ghost特征图进行拼接；3.2在特征融合阶段使用三层堆叠的加权双向金字塔BiFPN结构替换原PAN结构，在多尺度特征融合中，根据不同分辨率特征对网络最后输出贡献度不同做加权区分，融合多尺度特征，融合公式定义为： 其中，o为融合特征输出，wi为可学习权重，∈为一个极小数值，避免分母为0，Ii为第i个输入特征；为当前层中间特征，为当前层输入特征，为下一层输入特征，Resize为采样操作，控制特征维度，Conv为卷积操作；为当前层输出特征，为上一层输出特征；4优化损失函数，采用焦点损失函数FocalLoss计算分类损失；5组建二分类数据集，构造二级分类网络；所述二分类数据集，均来自布匹缺陷数据集，通过裁剪的方式获取，不细分缺陷类别，只包括含缺陷样本和非缺陷样本两种类别；所述含缺陷样本，是根据原标注框信息，在宽度和高度上拓展2个像素，超出原始图片宽高时不做拓展，对原图进行裁剪获得；所述非缺陷样本，是根据已有缺陷区域的平均尺寸，在不含缺陷的布匹图像中随机裁剪获得；所述二级分类网络，采用ResNet18分类模型结构；6训练改进的轻量布匹瑕疵检测模型和二分类模型；训练迭代至模型损失曲线接近于0且趋于平缓时，停止训练，获得最优模型；7构建检测加分类的级联网络架构；所述检测加分类的级联网络架构，由一级检测网络和二级分类网络构成；一级检测网络负责定位和分类布匹图像中的缺陷，输出预测框，二级分类网络，负责对检测网络输出的预测框区域，进一步进行是否包含缺陷的二分类判断，对检测结果进行过滤；8将待测布匹图像输入到级联网络模型中，进行缺陷检测，输出布匹缺陷的检测结果和缺陷目标位置信息。

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石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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”。