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！

龙图腾网获悉淮阴工学院申请的专利一种基于改进YOLOX的高反光金属表面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：CN115880223B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202211403533.5，技术领域涉及：G06T7/00；该发明授权一种基于改进YOLOX的高反光金属表面缺陷检测方法是由邱军林;周健;邵鹤帅;高丽;蒋晓玲;陈礼青;李敏;叶德阳;马志鹏;于金玉设计研发完成，并于2022-11-10向国家知识产权局提交的专利申请。

本一种基于改进YOLOX的高反光金属表面缺陷检测方法在说明书摘要公布了：本发明公开一种基于改进YOLOX的高反光金属表面缺陷检测方法，构建金属表面缺陷的图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签；构建由主干特征提取网络CSPDarknet‑53、BT‑FPN双向特征融合网络以及分类预测网络YOLOHead三部分组成的改进YOLOX的高反光金属表面缺陷检测模型，减少特征信息的丢失，增强特征融合性能；使用迁移学习获取预训练模型，并结合Mosaic和Mixup数据增强方法训练金属缺陷数据集得到权重w；将权重w输入改进后的YOLOX网络中进行分类预测。与现有技术相比，本发明提升对高反光金属缺陷的检测效果和检测速度，具有较好的实时性。

本发明授权一种基于改进YOLOX的高反光金属表面缺陷检测方法在权利要求书中公布了：1.一种基于改进YOLOX的高反光金属表面缺陷检测方法，其特征在于，包括以下步骤： S1：构建金属表面缺陷的图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签； S2：构建由主干特征提取网络CSPDarknet-53、BT-FPN双向特征融合网络以及分类预测网络YOLOHead三部分组成的改进YOLOX的高反光金属表面缺陷检测模型，减少特征信息的丢失，增强特征融合性能； S3：使用迁移学习获取预训练模型，并结合Mosaic和Mixup数据增强方法训练金属缺陷数据集得到权重w； S4：将权重w输入到改进YOLOX的高反光金属表面缺陷检测模型中进行分类预测； 所述步骤S2的实现过程如下： S2.1：利用Focus、CBS、Resblockbody以及SPP模块构建主干特征提取网络CSPDarknet-53，并在主干特征提取网络CSPDarknet-53与BT-FPN双向特征融合网络之间建立连接； S2.2：利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块，将残差块拆分为主干部分和大残差边shortconv两部分构建CSP结构，采用CBS与CSP结构构建Resblockbody结构，SPP模块由CBS与4个大小为1×1、5×5、9×9以及13×13的池化核所构成； S2.3：使用一种偏重于纹理信息的BT-FPN双向特征融合网络，此网络中增加了自下而上的信息流，并在P4层和P5层增加了快捷连接； S2.4：在BT-FPN的网络结构中，三个输入层P3，P4，P5对应三个Dark模块的Dark3，Dark4，Dark5主干网的输出，其中包括CSP2_X层，CBS块，up-sampling，连接函数；CSP2_X层用CBS模块堆叠代替剩余的小部分堆叠，三个相关的输出公式如下： 其中，Pkout表示第k图像的输出，Conv表示卷积操作，wkj表示第k层第j个节点权重，表示图像第k层第n个节点的输入，特征提取网络总共有三个不同尺度的输出，分别为小目标、中等目标和大目标，因为自底向上的信息流得到增强，进而P4，P5的纹理信息获取能力得到加强； S2.5：从主干特征提取网络CSPDarknet-53的Resblockbody结构中分别引出3个不同尺寸的初步特征层，输入到双向特征融合网络BT-FPN进行特征融合，将特征融合后的3个增强特征层输入到YOLOHead中进行分类预测。

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淮阴工学院，其通讯地址为：223003 江苏省淮安市经济技术开发区枚乘东路1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。