基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法技术

本发明专利技术提供一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，涉及纹饰检测技术领域，包括：将图像输入CDDA‑YOLOv8模型，通过跨阶段部分卷积模块进行轻量化特征提取，分割特征图并结合跳跃连接与部分卷积操作输出CSPPC特征图；将该特征图输入DAT模块进行特征增强，生成动态采样偏移量并提取变形特征值；在ASFF网络中引入DWR模块，进行多尺度特征融合，并根据特征图清晰度、注意力聚焦度和特征一致性指标，评估图像质量；通过增加P2检测头生成高分辨率特征图，与融合特征图进行跨尺度融合，输出纹饰目标检测结果，本发明专利技术提高了检测的精度，在纹饰目标检测领域具有显著的应用价值。

【技术实现步骤摘要】

本专利技术涉及纹饰检测，具体为一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法。

技术介绍

1、随着文化遗产数字化保护需求的提升，传统纹饰的自动化检测已成为文物修复、风格断代与纹样智能分析的核心技术。在博物馆数字化场景中，超高精度扫描要求检测算法适配8000万像素级文物图像处理，需在复杂背景干扰下识别青铜器饕餮纹、瓷器缠枝莲纹等纹饰的拓扑结构；考古现场三维重建需在亚毫米级精度中区分漆器云气纹与织物联珠纹的细微笔触差异；非物质文化遗产保护中，要求对褪色壁画、残损木雕等低对比度纹饰保持90%以上特征完整度，并准确识别回形纹、万字纹等几何纹样的拓扑变异特征。此外，移动端纹饰检索系统对模型轻量化部署的严苛需求，以及多朝代纹饰风格迁移任务中跨域特征融合的挑战，凸显了高精度、高效率纹饰检测技术的迫切性。

2、yolov8在传统纹饰检测场景中虽具备基础检测能力，但其原生架构在文化遗产数字化需求下面临显著局限性：c2f模块的多层级特征融合机制在处理高分辨率文物图像时产生计算冗余，导致移动端部署效率受限；主干网络固定模式的卷积核难以适应纹饰拓扑结构的形态多本文档来自技高网...

【技术保护点】

1.一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于，具体步骤包括：

2.根据权利要求1所述的一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于：所述CDDA-YOLOv8模型是基于YOLOv8架构改进的检测模型，其改进包括：采用跨阶段部分卷积CSPPC模块替换原始C2f模块、在骨干网络中集成可变形注意力DAT模块、采用动态自适应空间特征融合D-ASFF网络替代原特征金字塔网络、以及增加P2小目标检测头；

3.根据权利要求1所述的一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于：生成DAT增强特征图，所依据的具体...

【技术特征摘要】

1.一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于，具体步骤包括：

2.根据权利要求1所述的一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于：所述cdda-yolov8模型是基于yolov8架构改进的检测模型，其改进包括：采用跨阶段部分卷积csppc模块替换原始c2f模块、在骨干网络中集成可变形注意力dat模块、采用动态自适应空间特征融合d-asff网络替代原特征金字塔网络、以及增加p2小目标检测头；

3.根据权利要求1所述的一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于：生成dat增强特征图，所依据的具体逻辑为：首先在csppc特征图上选择多个呈均匀分布的参考点，计算基于查询向量的动态采样偏移量，根据动态采样偏移量调整参考点位置得到变形采样点，并通过双线性插值在变形采样点位置处提取变形点特征值，结合多头注意力机制对变形点特征值进行加权融合，输出dat增强特征图；

4.根据权利要求1所述的一种基于轻卷积与变形注意力的纹饰多尺度特征融合检测方法，其特征在于：将dat增强特征图输入至d-asff网络进行多尺度特征融合，所依据的具体逻辑为：通过可扩张式残差dwr模块提取多尺度上下文信息，再基于自适应空间特征融合asff网络生成自适应权重图，对不同层级特征进行加权融合，输出d-asff融合特征图，所述dwr可扩张式残差模块包括区域残差分支和语义残差分支，dwr模块的输出与asff网络的自适应权重图生成模块连接。

【专利技术属性】
技术研发人员：李婷，赵劭旸，郝晓翼，马倩倩，祁思宇，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：