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！

龍圖騰網恭喜智物云享(南京)信息科技有限公司申請的專利基于圖像處理的非接觸式形變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：CN119251223B 。

龍圖騰網通過國家知識產權局官網在2025-05-02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：202411766982.5，技術領域涉及：G06T7/00；該發明授權基于圖像處理的非接觸式形變檢測方法是由周榮華;徐美玲;施燁輝;顏杜民;羊玢;譚曉晶設計研發完成，并于2024-12-04向國家知識產權局提交的專利申請。

本基于圖像處理的非接觸式形變檢測方法在說明書摘要公布了：本發明公開了基于圖像處理的非接觸式形變檢測方法，方法包括圖像采集、圖像預處理、圖像分割、建立形變檢測模型和非接觸式形變檢測。本發明屬于形變檢測技術領域，具體是指基于圖像處理的非接觸式形變檢測方法，本方案通過設計自適應損失函數調整對不同類別的懲罰，動態更新自適應參數，提高了分割模型在不同類別上的表現，使得模型在處理多樣化形變區域時更加靈活，進而提高后續形變檢測結果的準確性；通過將數據矩陣分解為低秩矩陣和稀疏矩陣，有效區分正常形變模式和異常形變區域；構建目標函數時，引入歷史一致性項，有助于保持形變模式的連貫性，確保檢測穩定性，進而使得形變檢測模型的靈活性，保證形變檢測結果具有更高的精度。

本發明授權基于圖像處理的非接觸式形變檢測方法在權利要求書中公布了：1.基于圖像處理的非接觸式形變檢測方法，其特征在于：該方法包括以下步驟：步驟S1：圖像采集，采集歷史機床形變圖像集；步驟S2：圖像預處理；步驟S3：圖像分割，通過設計自適應損失函數調整對不同類別的懲罰，并動態更新自適應參數；通過反復迭代和更新參數實現圖像分割；步驟S4：建立形變檢測模型，將數據矩陣分解為低秩矩陣和稀疏矩陣，引入歷史一致性項構建目標函數，進而實現形變檢測模型的建立；步驟S5：非接觸式形變檢測，基于建立完成的形變檢測模型實現對待檢測圖像的非接觸式形變檢測；在步驟S3中包括步驟S32：定義自適應損失函數；所用公式如下： ；式中，aeloss是自適應損失函數；C是圖像分割任務中的類別總數，i1是類別索引；是第i1類別預測向量和實際標簽向量之間的角度；ki1是每個類別的調節因子；在步驟S4中，所述建立形變檢測模型具體包括以下步驟：步驟S41：圖像轉換；將形變圖像集中的圖像轉換為矩陣形式，形成數據矩陣，其中每一列代表一個圖像；步驟S42：矩陣分解；將數據矩陣分解為低秩矩陣和稀疏矩陣，低秩矩陣代表正常的形變模式，稀疏矩陣對應異常的形變區域；將矩陣分解表示為優化問題：；使用增廣拉格朗日乘子法求解，分離出正常和異常形變模式；其中，L是低秩矩陣；S是稀疏矩陣；rank·是矩陣的秩；是控制低秩項和稀疏項之間權衡的正則化參數；是矩陣的L1范數；步驟S43：構建目標函數；評估每個圖像與預定義的形變模式之間的匹配程度，形變模式即每個形變評估等級對應的模版；為每個圖像構建目標函數，用于評估該圖像與形變模式的匹配程度；所用公式如下： ；式中，是第n個圖像對應的最優形變模式矩陣即最匹配的形變模式；是在第n個圖像下第i個模式第j個特征值；Imagen是當前進行形變檢測的圖像；是第i個形變模式第j個位置的特征值；m是形變模式總數，n1是特征值總數；α是正則化參數；H·是歷史一致性項，具體為Hamming距離；和分別是第t次和第t-1次的最優形變模式矩陣；步驟S44：模型訓練；基于訓練集隨機生成N1組初始形變模式和對應的特征值，使用目標函數評估當前形變模式的性能，選擇最優的一組作為精英組，基于精英組統計形變模式的特征，更新形變模式對應特征值，生成下一輪的形變模式；當達到最大迭代次數或目標函數收斂時，形變檢測模型訓練完成；步驟S45：模型判定；預先設有形變正確率閾值，當形變檢測模型對測試集的預測正確率高于形變正確率閾值時，形變檢測模型建立完成；否則調整參數并重新劃分數據集訓練形變檢測模型。

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智物云享(南京)信息科技有限公司，其通訊地址為：210000 江蘇省南京市江北新區星火路9號軟件大廈A座502室；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”。