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！

龙图腾网获悉绍兴文理学院申请的专利一种特征解耦与任务对齐的工业焊缝缺陷检测方法及系统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：CN121258972B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202511773240.X，技术领域涉及：G06T7/00；该发明授权一种特征解耦与任务对齐的工业焊缝缺陷检测方法及系统是由苏文杰;范恩;於宁瑶;李琪;王若涵;尉鹏飞设计研发完成，并于2025-11-28向国家知识产权局提交的专利申请。

本一种特征解耦与任务对齐的工业焊缝缺陷检测方法及系统在说明书摘要公布了：本发明公开一种特征解耦与任务对齐的工业焊缝缺陷检测方法及系统，方法包括：输入工业焊缝缺陷检测图像，利用多尺度特征聚焦与扩散网络，通过聚合多尺度上下文线索并将其自适应地扩散至多个检测层，以增强多尺度特征及信息互补；引入多层次上下文融合模块，在每一个增强的尺度内部显式建模局部与全局的上下文依赖关系；采用任务对齐动态交互头，通过任务解耦、可变形卷积以及动态特征选择机制，以使分类和定位任务在特征层面的空间与语义动态对齐；将经增强和精炼后的特征输入预测网络，对工业焊缝缺陷进行检测。本发明通过多尺度特征增强、任务对齐和上下文融合，以提升焊缝缺陷检测的精度与鲁棒性。

本发明授权一种特征解耦与任务对齐的工业焊缝缺陷检测方法及系统在权利要求书中公布了：1.一种特征解耦与任务对齐的工业焊缝缺陷检测方法，其特征在于，包括如下步骤： 步骤S1，输入工业焊缝缺陷检测图像，利用多尺度特征聚焦与扩散网络1，通过聚合多尺度上下文线索并将其自适应地扩散至多个检测层，以增强多尺度特征及信息互补； 步骤S2，引入多层次上下文融合模块2，在每一个增强的尺度内部显式建模局部与全局的上下文依赖关系； 步骤S3，采用任务对齐动态交互头3，通过任务解耦、可变形卷积以及动态特征选择机制，以使分类和定位任务在特征层面的空间与语义动态对齐； 步骤S4，将经增强和精炼后的特征输入预测网络，对工业焊缝缺陷进行检测； 步骤S1包括如下步骤： 步骤S11，利用特征聚焦机制，从YOLOv11骨干网络4中提取连续多个尺度的特征映射，并采用多分支并行卷积结构来聚合多尺度上下文线索； 步骤S12，利用特征扩散机制，将融合得到全局上下文线索有效地反馈给每一个原始尺度，以提升各尺度的表征能力； 步骤S13，将多尺度增强特征输出至多层次上下文融合模块2和任务对齐动态交互头3； 步骤S2包括如下步骤： 步骤S21，基于多尺度特征聚焦与扩散机制输出的多尺度增强特征，对每个尺度上的增强特征使用卷积进行通道对齐和维度压缩，并对降维后的增强特征并行提取局部与全局上下文； 步骤S22，将局部分支和全局分支的输出特征在通道维度进行拼接，并使用逐点卷积进行融合提炼； 步骤S23，将融合后的上下文特征进行投影操作后，与原始的增强特征进行残差相加，输出该尺度的、注入多层次上下文的更强特征， 式中，表示使用卷积进行对齐投影；和分别表示局部与全局上下文的建模操作；表示融合与语义提炼函数；表示残差投影映射； 步骤S3包括如下步骤： 步骤S31，将多层次上下文融合模块2输出的多尺度更强特征均通过共享卷积进行参数复用，并引入可学习的尺度因子进行逐层尺度调节； 式中，不同尺度的更强特征集合为；，表示实数集，表示尺度下的更强特征，表示通道数，表示该更强特征图的高度，表示该更强特征图的宽度；，表示经共享卷积处理后的特征，表示共享卷积的输出通道；表示调节特征尺度的因子，，表示正实数集；表示经尺度和语义统一的共享交互特征； 步骤S32，对共享交互特征进行全局平均池化以获取全局上下文向量，结合共享交互特征和全局上下文向量以生成初始的分类特征和回归特征， 式中，表示全局平均池化操作；表示用于结合共享特征和全局上下文以生成初始分类特征的卷积操作函数；表示用于结合共享特征和全局上下文以生成初始回归特征的卷积操作函数； 步骤S33，将精炼后的回归特征和分类特征分别通过独立的卷积投影到最终的预测空间，并结合DFL模块生成高置信度的检测结果； 在步骤S33中，分类特征和回归特征的精炼过程为： 步骤S331，在回归分支中引入可变形卷积，将共享交互特征动态生成采样点偏移量和调制掩码，并使用预测出的采样点偏移量和调制掩码对初始回归特征应用可变形卷积，生成精炼后的回归特征， 式中，表示用于根据共享交互特征动态生成采样点偏移量和调制掩码的函数；表示Sigmoid激活函数，用于将输出值归一化； 步骤S332，在分类分支中引入动态特征选择机制，将共享交互特征动态预测出前景置信度图，并将前景置信度图与初始分类特征进行逐元素相乘，生成精炼后的分类特征， 式中，表示用于根据共享交互特征动态预测出前景置信度图的函数；表示用于对精炼后的分类特征进行处理以生成最终分类预测结果的卷积操作函数；表示逐元素相乘。

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绍兴文理学院，其通讯地址为：312000 浙江省绍兴市越城区城南大道1077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”。

以上内容由龙图腾AI智能生成。