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！

龍圖騰網獲悉江西科技師范大學申請的專利基于改進YOLOv12模型的機械零件缺陷檢測方法及系統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：CN120279020B 。

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：202510759132.0，技術領域涉及：G06T7/00；該發明授權基于改進YOLOv12模型的機械零件缺陷檢測方法及系統是由尤國平;殷志堅;胡煜丹;萬子怡;余海波;何潔設計研發完成，并于2025-06-09向國家知識產權局提交的專利申請。

本基于改進YOLOv12模型的機械零件缺陷檢測方法及系統在說明書摘要公布了：本申請屬于圖像處理技術領域和工業檢測領域，公開了基于改進YOLOv12模型的機械零件缺陷檢測方法及系統，該方法包括：首先收集有缺陷的機械零件圖像數據集，再使用預處理后的機械零件圖像數據集對改進的YOLOv12機械零件缺陷檢測模型進行訓練，得到優化模型，改進包括：在主干網絡和頸部網絡使用C3k2_RCB特征提取模塊替換原始的C3k2模塊；在頸部網絡使用門控動態空間聚合器GDSAFusion替換原始的Concat模塊；在主干網絡和頸部網絡使用A2C2f_STR替換原始的A2C2f模塊；最后使用優化模型對機械零件進行實時缺陷檢測。本方法通過YOLOv12模型結構的優化，顯著提升了YOLOv12模型在復雜工業環境下對機械零件的缺陷檢測精度和效率，尤其在微小缺陷和復雜背景下的檢測性能得到改善。

本發明授權基于改進YOLOv12模型的機械零件缺陷檢測方法及系統在權利要求書中公布了：1.一種基于改進YOLOv12模型的機械零件缺陷檢測方法，其特征在于，包括以下步驟： 收集有缺陷的機械零件圖像數據集，對所述機械零件圖像數據集進行預處理，所述預處理包括對每張機械零件圖像的缺陷處進行標注、以及進行圖像數據擴充和增強； 使用預處理后的機械零件圖像數據集對改進的YOLOv12機械零件缺陷檢測模型進行訓練，得到優化模型，所述改進的YOLOv12機械零件缺陷檢測模型包括： 在主干網絡和頸部網絡使用C3k2_RCB特征提取模塊替換原始的C3k2模塊； 所述C3k2_RCB特征提取模塊的實現過程包括：初始化所述C3k2_RCB特征提取模塊，包括接收輸入通道數、輸出通道數、RepConvBlock模塊重復次數n、判斷標識、通道縮放系數、卷積特征提取層數以及是否使用殘差連接的標識參數；將特征圖輸入至所述C3k2_RCB特征提取模塊內部的處理單元；所述處理單元根據所述判斷標識動態構建核心處理結構，所述核心處理結構由n個RepConvBlock模塊構成，具體包括：將特征圖通過卷積特征提取層，每經過一個卷積特征提取層，便使用一次特征拆分操作分為兩個特征圖，將其中一個特征圖經過n個RepConvBlock模塊得到的特征圖與特征拆分操作分出來的另一個特征圖使用特征拼接操作結合，最后再通過一個卷積融合層整合特征，得到最終輸出特征圖； 所述RepConvBlock模塊，實現過程包括：將輸入特征圖通過第一3×3深度可分離卷積進行局部特征提取得到局部特征圖；將所述局部特征圖通過一個多分支的投影模塊進行處理，所述投影模塊依次包含歸一化層、可重參數化的空洞卷積、批量歸一化層、通道注意力模塊、第一1×1卷積層、GELU激活函數、第二3×3深度可分離卷積、全局響應歸一化以及第二1×1卷積層；若啟用了殘差縮放，則對所述輸入特征圖進行縮放后與所述投影模塊的輸出相加得到輸出特征；否則，使用殘差連接，直接將所述投影模塊的輸出作為輸出特征； 在頸部網絡使用門控動態空間聚合器GDSAFusion替換原始的Concat模塊； 所述門控動態空間聚合器GDSAFusion的實現過程包括：將輸入特征圖與上下文特征進行通道拼接形成融合特征；將所述融合特征通過3×3深度可分離卷積提取局部特征，再通過歸一化層穩定特征分布；通過查詢－鍵機制計算空間注意力權重，所述查詢－鍵機制使用相對位置偏置；將所述融合特征通過可重參數化的空洞卷積捕獲多尺度上下文信息，再經通道注意力模塊進行通道自適應校準；通過門控機制控制信息流；將所述門控機制處理后的特征與殘差路徑的特征進行加權融合；采用雙層級縮放配合隨機深度丟棄處理所述加權融合后的特征，得到增強的特征圖； 在主干網絡和頸部網絡使用A2C2f_STR替換原始的A2C2f模塊； 所述A2C2f_STR模塊的實現過程包括：將輸入特征張量接入初始卷積層，所述初始卷積層通過低秩映射實現對輸入特征張量的通道維度壓縮，并提取基礎表征能力的特征信息，得到經初始卷積處理后的特征圖；將所述經初始卷積處理后的特征圖暫存于列表數據結構中，并進入由融合跨索引時序交互的視覺建模模塊構成的循環處理環節，在所述循環處理環節中，以所述列表數據結構的尾部元素作為輸入，按序將其傳入各融合跨索引時序交互的視覺建模模塊進行處理，得到經融合跨索引時序交互的視覺建模模塊處理后生成的特征向量；將所述經融合跨索引時序交互的視覺建模模塊處理后生成的特征向量與原始輸入特征張量通過殘差映射機制進行融合，得到最終輸出的融合特征； 所述融合跨索引時序交互的視覺建模模塊的實現過程包括：對經初始卷積處理后的特征圖進行第一層歸一化處理，得到第一歸一化特征；通過可學習參數實現所述第一歸一化特征與經初始卷積處理后的特征圖的自適應權重融合，得到自適應權重融合特征；將所述自適應權重融合特征輸入至跨索引時序交互建模組件，所述跨索引時序交互建模組件利用掃描索引與逆掃描索引進行跨空間維度的時序特征重組與建模，得到經跨索引時序交互建模組件處理的特征；對所述經跨索引時序交互建模組件處理的特征進行第二層歸一化處理，得到第二歸一化特征；將所述第二歸一化特征進入前饋卷積塊完成非線性變換，得到前饋輸出；通過殘差連接將所述經跨索引時序交互建模組件處理的特征與所述前饋輸出融合，得到經融合跨索引時序交互的視覺建模模塊處理后生成的特征向量； 所述跨索引時序交互建模組件的實現過程包括：通過索引生成模塊對輸入至跨索引時序交互建模組件的自適應權重融合特征生成索引對，所述索引對包括掃描索引和逆掃描索引；利用所述掃描索引對輸入至跨索引時序交互建模組件的自適應權重融合特征進行特征重排，得到重排后的一維時序特征；通過時序參數投影層將所述重排后的一維時序特征映射為動態參數；基于狀態空間模型的選擇性掃描引擎對所述動態參數進行時序建模，輸出時序建模后的一維序列特征；通過所述逆掃描索引將所述時序建模后的一維序列特征還原為二維空間特征；通過自適應門控單元生成門控權重，并將所述門控權重與所述二維空間特征逐元素相乘，輸出最終經跨索引時序交互建模組件處理的特征； 使用所述優化模型對機械零件進行實時缺陷檢測。

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江西科技師范大學，其通訊地址為：330100 江西省南昌市紅谷灘新區紅角洲學府大道589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”。