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！

龍圖騰網獲悉長春大學申請的專利一種基于改進YOLOv10的PCB表面缺陷檢測系統及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：CN120125585B 。

龍圖騰網通過國家知識產權局官網在2025-09-09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：202510611943.6，技術領域涉及：G06T7/00；該發明授權一種基于改進YOLOv10的PCB表面缺陷檢測系統及方法是由杜欽生;沈超;張石巖;張寧博;杜佐盛;郭鑫;吳建雨;卞瀛緒設計研發完成，并于2025-05-13向國家知識產權局提交的專利申請。

本一種基于改進YOLOv10的PCB表面缺陷檢測系統及方法在說明書摘要公布了：本發明屬于圖像數據處理領域，涉及一種基于改進YOLOv10的PCB表面缺陷檢測系統及方法，該系統通過對YOLOv10網絡模型進行改進得到，將模型的主干網絡中的C2f模塊替換為多尺度跨階段融合模塊，用于提取圖像的深層特征，捕捉輸入數據中的多尺度信息；在頸部網絡中引入動態感知特征信息增強模塊并應用在P4和P5特征圖的處理中；替換YOLOv10網絡模型的檢測頭為Lag模塊，Lag模塊通過分組歸一化卷積模塊進行通道調整，之后通過共享卷積組，共享卷積組輸出的數據分配至定位卷積模塊和分類卷積模塊。該系統在復雜背景噪聲干擾下，也可實現微小缺陷的檢測，具有檢測精度和效率高等優勢。

本發明授權一種基于改進YOLOv10的PCB表面缺陷檢測系統及方法在權利要求書中公布了：1.一種基于改進YOLOv10的PCB表面缺陷檢測系統，其特征在于，所述系統采用的是訓練好的ESL-YOLO檢測模型，所述ESL-YOLO檢測模型是通過對YOLOv10網絡模型進行改進得到，將YOLOv10網絡模型的主干網絡中最后兩個C2f模塊替換為Esvg模塊；在YOLOv10網絡模型的頸部網絡中，在多尺度特征融合的P4和P5特征圖處理環節中引入Seop模塊；替換YOLOv10網絡模型的檢測頭為Lag模塊； 其中，所述Esvg模塊為多尺度跨階段融合模塊，用于提取圖像的深層特征，捕捉輸入數據中的多尺度信息，Esvg模塊將數據分為兩個分支，一個分支通過n個ESBlock模塊提取圖像多尺度特征，另一個分支保留原始特征，之后拼接原始特征和圖像多尺度特征，最后通過卷積處理后輸出；所述ESBlock模塊采用多分支結構對輸入特征圖進行處理； 所述Seop模塊為動態感知特征信息增強模塊，將數據進行雙路徑處理，一路經平均池化層、卷積層、Softmax函數后輸出；另一路經分組卷積模塊對特征進行多分支細化處理后輸出；最后，兩路輸出進行特征加權，輸出加權后下采樣的特征圖； 所述Lag模塊通過分組歸一化卷積模塊進行通道調整，之后通過共享卷積組，共享卷積組輸出的數據分配至定位卷積模塊和分類卷積模塊；其中，定位卷積模塊負責回歸，分類卷積模塊負責分類； 所述Esvg模塊提取特征信息的方法為：通過使用1*1卷積將輸入特征圖的通道數i改變為指定的輸出通道數m；然后，通過Split操作將輸入分為兩個通道數為0.5*m的分支；其中，第一個分支通過n個ESBlock模塊提取圖像多尺度特征，第二個分支保留原始特征；然后ESBlock模塊經過n個連接與第二個分支拼接，得到通道數為n+2*0.5m的特征圖，最后經過1*1卷積將通道數改變為m得到輸出；所述ESBlock模塊包括第一卷積層、第二卷積層；其中，所述第一卷積層采用3×3標準卷積進行處理，所述第二卷積層采用多尺度卷積模塊； 所述Seop模塊數據處理流程為：對輸入特征x進行雙路徑處理，注意力分支采用3×3全局平均池化以保持空間尺寸，并通過1×1卷積調整通道數，使特征適應后續計算；隨后，通過維度重組操作將bs,ch,2h,2w重新組織為bs,ch,h,w,4，即將2×2鄰域映射到第五維度，形成四個候選下采樣點；之后使用Softmax函數歸一化，使四個候選點的權重總 和為1； GroupConv分支將特征圖分成4個組，每個組使用3×3卷積進行2倍下采樣，使特征圖的尺寸減半，并擴展通道數至4倍；然后，通過維度重組操作將輸出重塑為bs,ch,h,w,4，其中，bs為批量大小，ch為通道數，h為特征圖的高度，w為特征圖的寬度；即每個像素點對應四個候選特征圖，并與注意力分支的權重矩陣進行乘積，實現特征加權；最終，通過sum函數沿第五維求和，輸出精煉后的bs,ch,h,w維度特征； 所述共享卷積組包括兩個3×3分組歸一化卷積模塊，Lag模塊采用頸部網絡中P3、P4、P5三個不同尺度的特征圖作為輸入，首先通過1×1分組歸一化卷積模塊進行通道調整；然后經過融合進入3×3分組歸一化卷積模塊，進一步提取空間信息，形成共享特征表示；隨后，共享特征被再次傳入3×3分組歸一化卷積模塊以強化特征表示，并被分配至定位卷積模塊和分類卷積模塊兩個不同的任務分支中； 所述多尺度卷積模塊的數據處理流程為：首先，通過Split操作將輸入特征圖按比例劃分為三部分，其中50%的特征圖直接保留作為主分支，25%的特征圖通過3×3卷積層進行處理，剩余25%的特征圖則通過5×5卷積層進行特征提取；隨后，三個分支的輸出特征圖在通道維度上進行拼接，并通過1×1卷積進行特征融合； 所述分組卷積模塊將特征圖分成4個組，每個組獨立進行3×3卷積操作，控制通道數ch=64，stride=2； 所述定位卷積模塊和分類卷積模塊采用1×1卷積，定位卷積模塊的輸出通過Scale函數進行尺度自適應校準。

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長春大學，其通訊地址為：130012 吉林省長春市朝陽區衛星路6543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”。