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！

龙图腾网获悉燕山大学申请的专利基于深度学习的3D打印点阵结构CT图像缺陷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：CN114638819B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202210325459.3，技术领域涉及：G06T7/00；该发明授权基于深度学习的3D打印点阵结构CT图像缺陷检测方法是由郭保苏;张磊;吴凤和;温银堂;张玉燕;张芝威设计研发完成，并于2022-03-29向国家知识产权局提交的专利申请。

本基于深度学习的3D打印点阵结构CT图像缺陷检测方法在说明书摘要公布了：本发明涉及一种基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其包括以下步骤，步骤一：通过工业CT获取缺陷图像数据；步骤二：高斯滤波处理缺陷图像数据；步骤三：构建基于深度学习网络的缺陷检测模型；步骤四：判断缺陷检测模型训练结果是否符合要求；步骤五：将训练好的模型参数用于缺陷检测模型。本发明通过基于双注意力机制的图像缺陷检测模块构建深度学习模型，实现对3D打印点阵结构内部缺陷进行无伤检测，准确高效地提取缺陷信息，分析该缺陷对点阵结构的力学性能影响，具有检测准确率高，实时性好，自动化程度高等优点。

本发明授权基于深度学习的3D打印点阵结构CT图像缺陷检测方法在权利要求书中公布了：1.一种基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特征在于，其包括以下步骤：步骤1：通过工业CT获取缺陷图像数据；使用工业CT扫描3D打印点阵结构件，获取内部缺陷图像数据，并对缺陷图像数据进行保存；步骤2：高斯滤波处理缺陷图像数据；对所有图像数据都要进行高斯滤波，通过镜像、旋转、平移、扭曲、对比度调整和重复像素值操作，对缺陷图像数据进行扩展和增强；高斯滤波的表达方式如下所示： 式中：x表示输入图像横坐标方向像素点的值；y表示输入图像纵坐标方向像素点的值；Gx,y表示高斯函数；σ代表高斯滤波函数的方差；步骤3：构建基于深度学习网络的缺陷检测模型；带有缺陷信息的图像数据被划分为训练集和验证集，图像数据传入基于深度学习的3D打印点阵结构缺陷检测模型进行训练，图像数据依次经过ResizerImages模块，融入双注意力机制的YOLOv4缺陷检测模块，进行缺陷检测；步骤31：构建ResizerModel模块；ResizerModel模块包括卷积层和BatchNorm层，所述卷积层函数的获取方式如下所示：fx＝ρwlxl+bl式中：fx表示卷积层函数；xl表示输入的图像数据矩阵；wl和bl分别表示该层的权重和偏置；ρ表示激活函数；所述BatchNorm层函数的获取方式如下所示： 式中：yi表示BatchNorm层函数；γ和β分别表示第一训练参数和第二训练参数；表示第i个输入的图像数据的矩阵标准化；i表示输入图像数据的编号；步骤32：构建基于双注意力机制的YOLOv4缺陷检测模块；所述双注意力机制由SE注意力机制和CBAM注意力机制共同组成；将所述SE注意力机制需融入到特征提取网络，给特征提取网络通道分配不同的权重；将所述CBAM注意力机制融入到特征提取网络，能够将图像不同位置分配不同权重，更好的突出缺陷位置；步骤33：搭建深度学习神经网络的损失函数；融合ResizerModel模块、双注意力模块的YOLOv4深度学习神经网络的损失函数获取方法如下所示： 式中：LCIOU表示YOLOv4深度学习神经网络的损失函数；IOU表示真实框和检测框的交并比；A表示检测框；B表示真实框；d表示欧氏距离；Azx和Bzx代表检测框和真实框的中心坐标；c为A和B最小包围框的对角线长度；ν和a分别代表对长宽比的第一修正系数和第二修正系数；所述步骤33中的YOLOv4缺陷检测模块融入希尔伯特曲线，在YOLOv4的主干网络最后一层融入希尔伯特展开层，能够更好的保留图像数据缺陷信息；步骤4：判断缺陷检测检测模型训练结果是否符合要求；当验证集在检测网络上的mAP值为95％以上代表模型训练完毕；保存模型参数，所述模型参数包括：迭代次数、优化器型号和所训练权重；所述mAP值获取方法如下所示： 式中：mAP表示平均精度均值；k表示第k个计算区域；N表示计算区域数量；pk代表精确率；rk代表召回率；步骤5：将训练好的模型参数用于缺陷检测模型；将训练好的模型参数嵌入缺陷检测模型，应用到3D打印点阵结构件的内部缺陷检测。

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燕山大学，其通讯地址为：066004 河北省秦皇岛市河北大街西段438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”。