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！

龍圖騰網獲悉水利部珠江水利委員會技術咨詢(廣州)有限公司;梧州市水利局申請的專利一種基于深度學習圖像處理的堤防表面缺陷檢測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：CN119919418B 。

龍圖騰網通過國家知識產權局官網在2025-08-26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：202510412517.X，技術領域涉及：G06T7/00；該發明授權一種基于深度學習圖像處理的堤防表面缺陷檢測方法是由牟舵;李遠強;宋東東;梁力元;陳基海;鄧穎;劉杰寅;李璐旨;李嚴林設計研發完成，并于2025-04-03向國家知識產權局提交的專利申請。

本一種基于深度學習圖像處理的堤防表面缺陷檢測方法在說明書摘要公布了：本發明公開了一種基于深度學習圖像處理的堤防表面缺陷檢測方法，包括：獲取堤防表面的堤防表面缺陷圖像數據和堤防表面的實時監控視頻圖像數據；對所述堤防表面缺陷圖像數據中的缺陷位置、缺陷類別、缺陷危害等級進行標注，得到標注后的圖像數據；對標注后的圖像數據進行預處理，得到訓練數據集；根據所述訓練數據集訓練預設的深度學習多任務融合網絡，得到堤防表面缺陷檢測模型，對所述實時監控視頻圖像數據進行預處理并將預處理后的實時監控視頻圖像數據輸入到所述堤防表面缺陷檢測模型中，輸出堤防表面缺陷檢測結果。本發明提高了堤防表面缺陷檢測效率和準確率。

本發明授權一種基于深度學習圖像處理的堤防表面缺陷檢測方法在權利要求書中公布了：1.一種基于深度學習圖像處理的堤防表面缺陷檢測方法，其特征在于，包括： 獲取堤防表面的堤防表面缺陷圖像數據和堤防表面的實時監控視頻圖像數據； 對所述堤防表面缺陷圖像數據中的缺陷位置、缺陷類別、缺陷危害等級進行標注，得到標注后的圖像數據； 對標注后的圖像數據進行預處理，得到訓練數據集； 根據所述訓練數據集訓練預設的深度學習多任務融合網絡，得到堤防表面缺陷檢測模型，所述堤防表面缺陷檢測模型用于先將預處理圖像數據通過第一CNN特征下采樣模塊進行特征提取和下采樣處理，之后將第一CNN特征下采樣模塊的輸出通過缺陷類別任務模塊、缺陷危害等級分類任務模塊和缺陷位置任務模塊這三個任務分支模塊處理，其中： 缺陷類別分類任務模塊用于將所述第一CNN特征下采樣模塊的輸出通過第二CNN特征下采樣模塊處理，之后通過全連接模塊與LSTM模塊進行特征壓縮，最終通過全連接模塊輸出缺陷類別； 缺陷危害等級分類任務模塊用于將所述第一CNN特征下采樣模塊的輸出通過第三CNN特征下采樣模塊處理，之后通過全連接模塊與LSTM模塊進行特征壓縮，最終通過全連接模塊輸出缺陷危害等級； 缺陷位置任務模塊用于將所述第一CNN特征下采樣模塊的輸出通過CNN特征上采樣模塊處理，輸出缺陷的像素坐標； 對所述實時監控視頻圖像數據進行預處理并將預處理后的實時監控視頻圖像數據輸入到所述堤防表面缺陷檢測模型中，輸出堤防表面缺陷檢測結果； 其中，第一CNN特征下采樣模塊、第二CNN特征下采樣模塊、第三CNN特征下采樣模塊、CNN特征上采樣模塊均為卷積核通道數遞減的模塊； 所述第一CNN特征下采樣模塊的輸入尺寸為512*512*3，所述第一CNN特征下采樣模塊依次使用512、256、128個卷積核模塊對輸入進行特征提取操作，并進行1*2的池化，得到64*64*128的特征矩陣； 所述缺陷類別分類任務模塊依次使用128、64、32的卷積核模塊對所述第一CNN特征下采樣模塊的輸出進行特征提取，對提取到的特征進行平坦化之后分別使用512維的全連接與512維的長短期記憶網絡進行特征壓縮，之后對壓縮后的特征進行拼接，最后通過5維的全連接對拼接后的特征進行最終特征收斂作為缺陷的類別的空間特征向量； 缺陷危害等級分類任務模塊對所述第一CNN特征下采樣模塊的輸出依次使用128、64、32的卷積核模塊進行特征提取，之后對提取到的特征進行平坦化之后分別使用512維的全連接與512維的長短期記憶網絡進行特征壓縮，對壓縮后的特征進行拼接，最后通過4維的全連接對拼接后的特征進行最終特征收斂作為危害等級的空間特征向量； 缺陷位置任務模塊對所述第一CNN特征下采樣模塊的輸出分別使用卷積核參數為64、16、1的反卷積模塊后得到作為缺陷位置的512*512*1的空間矩陣。

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水利部珠江水利委員會技術咨詢(廣州)有限公司;梧州市水利局，其通訊地址為：510610 廣東省廣州市天河區天壽路80號14層；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”。