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！

龍圖騰網獲悉湖南師范大學申請的專利一種基于YOLOv11m應用于邊緣設備的芯片封裝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：CN120219388B 。

龍圖騰網通過國家知識產權局官網在2025-08-15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：202510694812.9，技術領域涉及：G06T7/00；該發明授權一種基于YOLOv11m應用于邊緣設備的芯片封裝缺陷檢測方法是由李幸原;鄧月明;周子愿設計研發完成，并于2025-05-28向國家知識產權局提交的專利申請。

本一種基于YOLOv11m應用于邊緣設備的芯片封裝缺陷檢測方法在說明書摘要公布了：本發明涉及計算機視覺目標檢測領域，提出一種基于YOLOv11m應用于邊緣設備的芯片封裝缺陷檢測方法，其方法包括：獲取芯片封裝缺陷數據集，對其進行數據增強并劃分為訓練集、測試集和驗證集；對該模型網絡結構進行創新，骨干網絡采用Starnet網絡并結合C2CGA和SimAM等模塊，強化特征提取與關鍵特征捕捉，頸部網絡引入GSConv技術和以其為基礎的改進模塊，優化特征金字塔結構，檢測頭借助創新的LWNBDet檢測頭融合多尺度特征，實現高效目標預測；將數據集導入檢測模型訓練，得到改進后的模型；改進后的模型在保持檢測精度的同時，顯著提高檢測速度，減小模型大小與計算量，提升了在邊緣設備部署的可行性。

本發明授權一種基于YOLOv11m應用于邊緣設備的芯片封裝缺陷檢測方法在權利要求書中公布了：1.一種基于YOLOv11m應用于邊緣設備的芯片封裝缺陷檢測方法，其特征在于， 包括如下步驟： 步驟1，拍攝封裝芯片的圖像，對圖像中的缺陷位置進行坐標標記，導出坐標文件與圖像組成數據集； 步驟2，對數據集的數據增強，包括對圖像進行裁剪和拼接，對圖像進行翻轉，調整圖像的亮度、對比度和飽和度； 步驟3，將數據集按照8:1:1的比例劃分為訓練集、測試集和驗證集； 步驟4，搭建YOLOv11-ALE目標檢測模型，其網絡結構包括Backbone模塊、Neck模塊和Head模塊，分別負責特征提取、特征融合以及目標預測； 所述Backbone模塊采用Starnet網絡結構，然后將原有的C2PSA模塊替換為C2CGA模塊，用于調整通道間特征關聯，再增加SimAM注意力模塊強化關鍵特征輸出； 所述Neck模塊，引入輕量級卷積技術GSConv，替換原有的Conv模塊，將標準卷積與深度卷積結合，通過1×1卷積混合通道輸出，然后將原有的C3k2模塊替換為以GSConv為基礎的MSR-VoVGSCSP模塊，經跨級連接與融合策略，完成特征處理與結構優化； 所述Head模塊采用LWNBDet檢測頭，借助雙向特征傳播架構，跨尺度連接融合多尺度特征，以加權方式確定特征重要性； 步驟5，將數據集導入網絡進行訓練，得到改進后的目標檢測模型； 步驟6，將得到的模型的格式轉換為邊緣設備兼容格式，移植到邊緣設備，對芯片封裝缺陷進行檢測； 所述Starnet網絡結構采用四階段分層架構，首先，輸入圖像先經卷積層、批量歸一化和ReLU6激活函數處理，初步提取特征，隨后進入StarBlocks進一步提取特征；其次，再次通過卷積層下采樣，特征圖尺寸進一步減小、通道數增多，接著由StarBlocks提取更抽象特征；然后，重復卷積下采樣過程，特征圖分辨率持續降低、通道數繼續翻倍，經StarBlocks讓特征表達更豐富；最后，又一次卷積下采樣，之后經StarBlocks提取特征，通過全局平均池化和全連接層輸出結果； 將所述Backbone模塊的基準模型網絡結構中C2PSA模塊替換為C2CGA模塊，C2CGA嵌入基準模型后，輸入特征圖按通道切分多組，輸入通道數為1024，分成16組，每組通道數為64，各特征組獨立計算注意力；級聯融合時，前序輸出與當前組拼接處理，增強跨尺度交互，優化網絡結構； 在所述Backbone模塊引入SimAM注意力機制，首先接收上一層輸出的特征圖；接著，基于神經科學的“空間抑制”理論構建能量函數，求解得到各神經元重要性數值，生成涵蓋通道與空間維度的3D注意力權重； 隨后，經sigmoid函數處理這些權重后，與原特征圖逐元素相乘；最終，輸出處理后的特征圖； 所述輕量級卷積技術GSConv將輸入特征圖分為兩組，一組經標準卷積，另一組經深度可分離卷積，后通過通道重排融合特征； 所述MSR-VoVGSCSP模塊，是以GSConv為基礎構建，將輸入特征圖經跨級連接分為兩個分支，在每個分支進行GSConv操作，并引入多尺度的3×3與5×5卷積核并行，處理分支特征，捕捉不同尺度信息，各分支輸出殘差連接傳遞的淺層特征進行逐元素相加融合，再通過拼接融合分支特征； 所述LWNBDet檢測頭以雙向特征傳播架構為基礎，從骨干網絡分層獲取差異化尺度特征集；通過構建交叉層級特征流通路徑，消除冗余單向連接節點，增設同級特征直連通道，并采用自適應權重分配機制對各輸入特征進行參數化處理，經歸一化融合策略優化后，將整合特征輸出至目標定位與分類預測模塊。

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湖南師范大學，其通訊地址為：410081 湖南省長沙市岳麓區麓山路36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”。