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！

龙图腾网获悉西部超导材料科技股份有限公司申请的专利基于联合注意力机制的GH4169合金晶粒分割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：CN121788843B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202610255752.5，技术领域涉及：G06V10/26；该发明授权基于联合注意力机制的GH4169合金晶粒分割方法是由邓博文;李科;杨超;王虎;陈鹏远设计研发完成，并于2026-03-04向国家知识产权局提交的专利申请。

本基于联合注意力机制的GH4169合金晶粒分割方法在说明书摘要公布了：本发明公开了基于联合注意力机制的GH4169合金晶粒分割方法，具体为：采集腐蚀处理后GH4169合金的微观组织图像，经预处理后划分为训练集、验证集和测试集；构建基于Transformer和ConvNext的编解码架构的GH4169合金晶粒分割网络；将训练集图像、验证集图像输入网络中进行训练，将测试集图像输入训练好的网络中，实现微观组织图像中的晶粒边界划分；基于晶粒边界划分情况，对晶粒尺寸以及截点数进行统计。采用Transformer与CNN融合的编解码结构，通过SwinTransformer的全局上下文建模能力与CNN的局部特征提取优势实现特征互补，显著提升复杂微观组织中晶粒分割的精度。

本发明授权基于联合注意力机制的GH4169合金晶粒分割方法在权利要求书中公布了：1.基于联合注意力机制的GH4169合金晶粒分割方法，其特征在于，具体按照以下步骤实施： 步骤1，采集腐蚀处理后GH4169合金的微观组织图像，形成数据集，经预处理后划分为训练集、验证集和测试集； 步骤2，构建基于Transformer和ConvNext的编解码架构的GH4169合金晶粒分割网络；具体为： 步骤2.1，GH4169合金晶粒分割网络中基于Transformer架构的编码器模块由两个阶段组成，用于提取微观组织图像中浅层特征以及深层语义特征；具体为： 第一阶段通过PatchPartition和PatchEmbedding操作提取图像的低级局部结构特征；PatchPartition将输入的微观组织图像划分为4×4尺寸的图像块，随后使用卷积核大小为4×4、步长为4、填充为0的卷积层对图像块进行PatchEmbedding，该阶段接一个LayerNorm层，最终输出维度为96的初始特征图； 第二阶段为层级化的特征编码模块，由四个连续阶段Stage1至Stage4组成，Stage1至Stage4分别包含2个TransformerBlock、2个TransformerBlock、6个TransformerBlock、2个TransformerBlock；具体处理流程如下： Stage1：将第一阶段输出的初始特征图输入Stage1中，利用2个TransformerBlock进行特征提取，捕获微观组织图像中的局部几何特征与初步的纹理梯度信息，在保持分辨率不变的情况下，输出尺寸为64×64的特征图； Stage2：将特征图首先经过PatchMerging层，以步长为2的窗口进行空间降采样，将2×2的相邻图像块合并，使特征图长宽减半至32×32，同时将通道数翻倍扩展至192；随后，进入2个TransformerBlock进行处理，提取晶粒区域的上下文关联特征，输出特征图； Stage3：将特征图经过PatchMerging降采样后，尺寸变为16×16，通道数增至384；堆叠6个TransformerBlock，提取抽象的语义特征，输出特征图； Stage4：将特征图再次经过PatchMerging降采样，尺寸变为8×8，通道数达到768；通过2个TransformerBlock处理，提取出全局性的深层语义特征，输出特征图； 步骤2.2，GH4169合金晶粒分割网络中基于ConvNeXt的解码器模块用于逐步恢复空间分辨率并融合编码器提取的多尺度特征，从而实现微观组织图像边界分割，具体为： 步骤2.21，以Stage4输出的特征图作为起始输入，通过双线性插值对特征图进行2倍上采样，将其空间尺寸恢复至16×16；随后，将上采样后的特征图与Stage3输出的特征图在通道维度进行拼接，拼接后的特征图送入CSDA模块中，得到强化后的特征图； 步骤2.22，经CSDA模块强化后的特征图进一步输入ConvNeXtBlock，输出融合特征图； 步骤2.23，解码器对融合特征图再次执行2倍上采样，将特征图尺寸提升至32×32，并与Stage2输出的特征图进行通道拼接，拼接后的特征图依次送入CSDA模块与ConvNeXtBlock处理； 步骤2.24，解码器对步骤2.23得到的特征图执行上采样至64×64，并与Stage1输出的特征图进行拼接；拼接后的特征图依次送入CSDA模块与ConvNeXtBlock处理，得到同时具备高分辨率结构细节与稳定语义表达的解码特征图； CSDA模块的处理过程为： 输入特征图为，输出特征图为；其中，分别为特征图的高、宽，为输入特征图的通道数，为输出特征图的通道数； 将输入的特征图输入通道注意力模块中，在空间维度上分别进行全局平均池化和全局最大池化，以不同的特征压缩方式，获得特征图不同的通道描述向量；将这两个向量分别输入共享权重的卷积层进行特征变换，随后，将两个输出向量通过逐元素相加的方式融合，并通过Sigmoid激活函数生成归一化的通道注意力权重；最后将权重向量与输入的特征图进行逐元素乘法，以实现对不同通道的重要性加权调制，其数学表达如式1至式3所示； 1 2 3 其中，代表空间自适应平均池化分支输出特征图；代表空间自适应最大池化分支输出特征图；代表通道注意力模块输出特征图；代表卷积操作；代表带泄露线性整流单元操作；代表输出空间大小为1的空间自适应平均池化操作；代表输出空间大小为1的空间自适应最大池化操作； 其次，将输入的特征图输入空间注意力模块，对输入的特征图沿通道维度分别执行最大池化和平均池化操作，后将这两个空间图在通道维度进行拼接，输入卷积核大小为的卷积层，通过Sigmoid激活函数输出空间注意力图，并与输入的特征图按空间维度进行逐元素相乘，实现空间维度上的特征重加权；其数学表达如下式4至式6所示： 4 5 6 其中，代表通道自适应平均池化分支输出特征图；代表通道自适应最大池化分支输出特征图；代表空间注意力模块输出特征图；代表输出通道数量为1的通道自适应平均池化操作；代表输出通道数量为1的通道自适应最大池化操作； 在通道注意力模块与空间注意力模块输出之间添加随机失活机制，输出中间特征图为，其数学表达如下式7所示： 7 其中：代表通道维度拼接操作；代表概率为30%的通道随机丢弃操作；代表概率为30%的空间随机丢弃操作； 对式7得到的中间特征图的通道维度扩张至2倍；随后，引入通道重排机制，后再经卷积将特征图还原至目标通道数；引入残差连接，最终实现特征表达能力增强；其数学表达如下式8所示： 8 其中：代表通道重排操作； ConvNeXtBlock首先对输入的特征图施加大核深度可分离卷积，随后，特征图经过LayerNormalization进行归一化处理，归一化后的特征图依次通过逐点卷积构成的通道扩展与压缩路径，引入GELU激活函数，再通过残差连接将输入特征图与变换后的输出特征图进行融合，得到融合特征图； 步骤2.25，通过一次4倍上采样操作，将解码特征图的空间分辨率恢复至与原始输入特征图一致；通过1×1卷积进行通道压缩，最终输出像素级晶粒分割概率图，实现对晶粒区域及边界的分割； 步骤3，将训练集图像、验证集图像输入GH4169合金晶粒分割网络中进行训练，将测试集图像输入训练好的GH4169合金晶粒分割网络中，实现微观组织图像中的晶粒边界划分； 步骤4，基于晶粒边界划分情况，对晶粒尺寸以及截点数进行统计。

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西部超导材料科技股份有限公司，其通讯地址为：710018 陕西省西安市经济技术开发区明光路12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。