科创中国
基于特征分段神经网络的防护材料瑕疵检测方法及系统
发布时间: 2025-08-17
基本信息
合作方式：
合作开发
成果类型：
软件著作权
行业领域：
新一代信息技术产业,新兴软件和新型信息技术服务
成果介绍
本成果针对防护材料生产中 “瑕疵检测效率低、微小瑕疵识别难” 的行业痛点，依托北京理工大学自主研发力量，提出基于特征分段神经网络的智能检测解决方案。传统防护材料瑕疵检测依赖人工或通用图像识别技术，存在两大问题：一是复杂背景下微小瑕疵（如 0.1mm 级划痕、气泡）漏检率超 20%；二是检测速度慢（单张图像处理需 1-2 秒），难以适配生产线高速运转需求。
为解决上述问题，成果创新构建 “特征分段神经网络”：通过高分辨率图像采集模块获取材料表面图像后，网络自动将图像按纹理、颜色、结构等特征分段，针对不同区域采用差异化提取策略（如粗糙表面强化边缘检测，光滑表面优化灰度分析），再通过瑕疵重构算法生成清晰瑕疵轮廓。实际测试显示，该方法对 0.05mm 级瑕疵识别准确率达 98% 以上，漏检率降至 3% 以下，单张图像处理时间缩短至 0.3 秒，满足生产线实时检测需求。
目前成果已获授权专利，处于概念阶段，核心技术可直接集成至现有生产线检测系统。应用后可替代人工检测及传统机器视觉方案，为防护材料生产企业提供 “高速、高精度” 质量管控工具，助力提升产品合格率及生产效率。
成果亮点
本成果在防护材料瑕疵检测领域突破传统技术局限，核心优势显著：
一是特征分段检测机制创新：传统神经网络对图像采用 “统一提取策略”，难以兼顾不同材质区域的瑕疵特征（如防护布料的纤维纹理与涂层表面的光滑区域）。本成果通过特征分段算法，将图像按材质特性自动划分为 3-5 个区域，针对每个区域优化特征提取参数（如纤维区侧重形态特征，涂层区侧重灰度变化），使微小瑕疵（0.05-0.1mm）识别灵敏度较通用算法提升 40%，解决 “复杂背景下小瑕疵漏检” 的行业难题。
二是瑕疵重构与快速运算技术：创新引入 “多尺度特征融合 + 轻量化网络架构” 设计，在保留关键特征的同时压缩模型参数（参数量减少至传统模型的 60%），单张图像处理时间从 1-2 秒缩短至 0.3 秒，检测效率满足生产线 “每秒 3-5 张” 的高速需求。同时，通过瑕疵重构算法对模糊瑕疵区域进行增强，使瑕疵轮廓清晰度提升 50%，便于后续人工复核及缺陷溯源。
团队介绍
团队以北京理工大学相关研发团队为核心，按贡献排序如下：
1. 项目负责人（核心研究者）：北京理工大学教授，长期从事智能检测与神经网络应用研究，主导本成果的整体技术路线设计，包括特征分段算法与瑕疵重构模型的研发，在计算机视觉领域发表多篇核心论文，是该专利的主要发明人。
2. 算法研发组：负责特征分段神经网络的架构优化与参数调试，解决不同材质区域的特征提取适配性问题，提升检测精度与速度，为技术落地提供算法支撑。
3. 应用测试组：对接防护材料生产场景，完成技术在不同材质（布料、涂层、板材）上的测试与参数微调，验证技术的实际适配性，积累应用数据。
团队成员涵盖计算机科学、材料工程等交叉学科背景，分工明确，配合高效，具备从算法研发到场景应用的全流程研发能力，为成果后续转化奠定基础。
成果资料
产业化落地方案
下载app