買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉西南石油大學申請的專利一種基于多支路卷積神經網絡的射線圖像焊縫缺陷識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116228682B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310068601.5，技術領域涉及：G06T7/00；該發明授權一種基于多支路卷積神經網絡的射線圖像焊縫缺陷識別方法是由羅仁澤;唐祥;王磊;余泓;鄧治林;羅任權;譚亮;李華督設計研發完成，并于2023-02-06向國家知識產權局提交的專利申請。

本一種基于多支路卷積神經網絡的射線圖像焊縫缺陷識別方法在說明書摘要公布了：本發明所提供的一種基于多支路卷積神經網絡的射線圖像焊縫缺陷識別方法，由基礎卷積網絡層和多個分類分支組成，與傳統卷積神經網絡相比，本發明利用多個分類分支進行缺陷識別，并且分類分支通過分類分支生成器自適應地產生，首先，基礎卷積網絡層對缺陷初步分類后，得到每個缺陷種類下的錯誤率，然后按照錯誤率從高到低的順序合并缺陷種類，接著根據合并的缺陷種類的數量生成分類分支，最后利用分類分支對合并缺陷做進一步分類，模型利用基礎卷積網絡層和分類分支對圖像中缺陷種類進行兩次分類，能有效提高模型的準確率。

本發明授權一種基于多支路卷積神經網絡的射線圖像焊縫缺陷識別方法在權利要求書中公布了：1.一種基于多支路卷積神經網絡的射線圖像焊縫缺陷識別方法，其特征在于包括以下步驟： 步驟一：對原始圖像進行圖像預處理，圖像預處理操作包括灰度拉伸、中值濾波，得到圖像預處理后的圖像，灰度拉伸公式為： 其中，g為灰度拉伸后的像素值，取值范圍為區間[0,gmax]內的整數，gmax為拉伸后圖像的最大像素值，取值范圍為正整數，并且gmax大于fmax，f為原始圖像的像素值，fmax為原始圖像的最大像素值，fmin為原始圖像的最小像素值，為向下取整，中值濾波利用原始像素值的m×n窗口大小內所有像素值的中值代替原始像素值，m、n的取值范圍均為正整數； 步驟二：將步驟一中預處理后的圖像作為輸入圖像，再將該輸入圖像縮放成a×b×c的張量，a、b、c的取值范圍均為正整數，然后進行標準化，標準化的公式為： 其中，u為標準化后的值，取值范圍為區間[-1,1]，v為標準化前的值，取值范圍為任意實數，m為所有待標準化的圖像的像素值的均值，取值范圍為任意實數，δ為所有待標準化的圖像的像素值的標準差，取值范圍為任意實數； 步驟三：將標準化后的張量作為模型的輸入，搭建多支路卷積神經網絡進行缺陷識別，該網絡結構在傳統卷積神經網絡基礎上增加了N個分類分支，并且N個分類分支通過分支生成器自適應地生成，其中，N的取值范圍為正整數，搭建自適應多分支的卷積神經網絡包括以下步驟： 1搭建ResNet50網絡作為基礎卷積網絡層，并且在訓練集上進行訓練，訓練完成的基礎卷積網絡層在驗證集上分類缺陷，得到對應的錯誤率，訓練集的圖像為Itrain張管道焊縫的射線圖像，驗證集的圖像為Iverify張管道焊縫的射線圖像，Itrain和Iverify的取值范圍為正整數，訓練集的標簽和驗證集的標簽為圖像中缺陷的種類c，取值范圍為區間[0,C-1]上的整數，C為缺陷種類的數量，取值范圍為正整數，訓練完成的模型選擇在訓練過程中交叉熵損失最小的模型，交叉熵損失的公式為： 其中，H為交叉熵損失，qi為第i張圖像的模型輸出向量中的最大值，取值范圍為區間[0,1]； 2根據1中驗證集上的錯誤率利用分支生成器生成分類分支，錯誤率的公式為： 其中，Pi,j為種類i被錯誤地分類為種類j的錯誤率，取值范圍為區間[0,1]，Ii為驗證集中種類i的圖像數量，取值范圍為正整數，Ii,j為模型將種類i分類為種類j的圖像數量，取值范圍為正整數，分支生成器生成分支的步驟為第3步到第5步； 3保持i的值不變，比較對應的Pi,j的值，最大的Pi,j作為模型在驗證集中關于種類i的最大錯誤率，記為pi,j； 4改變i的值，得到模型在驗證集中所有種類的最大錯誤率pi,j，接著設置閾值t，取值范圍為區間[0,1]，利用閾值對所有種類的pi,j進行篩選，保留大于或等于閾值的pi,j，去除小于閾值的pi,j； 5對4篩選后的pi,j進行降序排序，將最大的pi,j對應的兩個種類進行種類合并，合并方式是如果種類i被錯誤地分類為種類j，那么將種類i合并到種類j中，并且種類i和種類j均不能再合并到其它種類中，接著繼續使用剩下的pi,j中的最大值重復上述種類合并過程，直到所有的pi,j被使用，最后給所有的合并種類均生成一個分類分支； 6對所有的分類分支進行訓練，每個分支均單獨訓練，訓練集為1中訓練集的部分圖像，這部分圖像含有合并種類中的缺陷，訓練集的標簽為圖像中缺陷的種類c，取值范圍為區間[0,Ci-1]上的整數，Ci為缺陷種類的數量，表示第i個合并種類中包含的缺陷種類的數量，取值范圍為正整數，訓練時共享基礎卷積網絡層中前L層卷積層，L的取值范圍為正整數，該部分卷積層在訓練時參數不進行更新，訓練完成的模型選擇在訓練過程中交叉熵損失最小的模型，交叉熵損失的公式與1中相同； 7基礎卷積網絡層和N個分類分支都訓練完成后，對基礎卷積網絡層和N個分類分支進行組合，先利用基礎卷積網絡層進行缺陷分類后，再利用N個分類分支對合并種類進行分類，N個分類分支都與基礎卷積網絡層共享前L層卷積層，最終得到圖像中包含的缺陷的種類。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西南石油大學，其通訊地址為：610500 四川省成都市新都區新都大道8號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。