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！

龍圖騰網獲悉心鑒智控(深圳)科技有限公司申請的專利基于超小樣本訓練高效質檢模型的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：CN114577812B 。

龍圖騰網通過國家知識產權局官網在2025-08-22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：202210197654.2，技術領域涉及：G01N21/88；該發明授權基于超小樣本訓練高效質檢模型的方法及系統是由羅曉忠;毛子靖設計研發完成，并于2018-08-15向國家知識產權局提交的專利申請。

本基于超小樣本訓練高效質檢模型的方法及系統在說明書摘要公布了：本發明公開了一種基于超小樣本訓練高效質檢模型的方法及系統，涉及質量檢測技術領域，包括：確定采集種類，包括要檢測的瑕疵品種類和正常品種類，按照瑕疵大小占總樣品大小的百分比分為N個等級，采集小樣品；對各種類、各等級的小樣品進行模擬擴充；隨機抽樣組成訓練集、驗證集合、測試集，并對每個集合打亂排序；SqueezenetPro訓練質檢模型；測試模型結果；根據精度和測試次數控制下一步跳轉；發布完成模型。本發明保證在樣本數非常少的情況下，達到幾十萬樣本數訓練的深度學習模型的效果，從而更好的應用于工業質量檢測中。

本發明授權基于超小樣本訓練高效質檢模型的方法及系統在權利要求書中公布了：1.一種基于超小樣本訓練高效質檢模型的方法，其特征在于，包括： 步驟一、確定采集種類，所述采集種類包括待檢測的瑕疵品種類和正常品種類，按照瑕疵大小占總樣品大小的百分比分為N個等級，采集小樣品； 步驟二、對各種類、各等級的小樣品進行模擬擴充； 所述步驟二具體包括： 將第n個等級的第k類瑕疵品和最后一類正常品，通過人工制造的方式擴充至原樣品數的＝5倍，即，此時所有等級所有類別的瑕疵品和最后一類正常品擴充后的總數＝5M，k＝1，2，...，K； 將手動模擬后的第n個等級的第k類瑕疵品和最后一類正常品通過統一樣本在同一光源Light0、和相機Camera0條件下，以不同角度Anglep、方向Directionp、位置Positionp連續拍照的方式擴充樣本數至原來的＝500倍； 其中Anglep∈ANGLE，p＝1，2，...，P，ANGLE是實際生產線上產品可能出現的角度集合；Directionp∈DIRECTION，p＝1，2，...，P，DIRECTION是實際生產線上產品可能出現的方向集合；Positionp∈POSITION，p＝1，2，...，P，POSITION是實際生產線上產品可能出現的位置集合； 通過該項模擬，確定樣本數B0=PA=，將每類樣品分為訓練集合和測試集合； 對每一個b0∈B0樣本，通過相機Camera0進行拍照，使得每個b0樣本擴充；通過每次拍攝時相機感光的細微差異產生的噪聲進行數據擴充，通過連續拍照模擬后得到的樣本數為，進而得到訓練集合和測試集合； 圖像增強算法模擬β0倍的好樣品，將圖像進行旋轉、平移、裁剪、填充、亮度、對比度、色差操作，在不影響產品外觀結構和產生瑕疵的情況下將所述好樣品進行樣本數擴充，即；當k=1,2,…,K-1，對應指代瑕疵品；當k=K時，對應指代正常品； 采用瑕疵品模擬算法對瑕疵品進行β0倍的擴充，對每一類瑕疵品，k=1,2,…,K-1，生成該類瑕疵品的圖像庫，主要由瑕疵品圖像中的瑕疵圖像部分的截取、互聯網上搜索類似瑕疵部分的圖像和基于二維高斯分布的瑕疵圖像模擬； 對給定瑕疵類型k和給定瑕疵等級n，隨機選擇，從中隨機選擇產品圖像及隨機選擇坐標w0，h0，將圖像放置于的w0，h0處模擬生成新的瑕疵品，重復此過程β0次，得到； 將所有,k=1,2,…,K輸入生成對抗網絡DCGAN模型中，重新生成擴充產生新樣本； 獲取到產品的三維模型，并在三維模型上基于隨機選擇坐標w1，h1貼圖至產品三維模型中，并在三維模型中加入光源Light0、和相機Camera0以不同角度Anglep、方向Directionp、位置Positionp進行模擬拍照，重復此過程次，得到； 匯總所有生成的新數據，得到，其中，，j=0,1,2，為正整數集；得到訓練集合和測試集合； 步驟三、隨機抽樣組成訓練集、驗證集和測試集； 步驟四、根據所述訓練集、所述驗證集和所述測試集，采用SqueezenetPro訓練質檢模型； 所述步驟四，具體包括： 初始化時將從Conv1層至Conv10層的所有權重WI由SqueezenetV1.1模型權重WI0所替換；如果已經存在SqueezenetPro的訓練模型，則將所有權重WI由最新的SqueezenetPro的權重替換；其中，I＝1，2，...，10； 將最頂層的softmax層的隱藏神經元σ替換為K個，即，j=1,2,……,K； 開放SqueezenetPro的Wi提供訓練，初始化訓練次數tn＝0，j初始值為10，輸入數據，采用AdamGradient優化算法訓練W10，并觀察學習曲線，當Dvalid上的測試結果達到Plateau，標注l e為訓練精度，其中e為訓練周期epoch，標注為訓練結果最小差異，標注E為訓練周期的最小上限，當訓練精度差異，時，停止訓練，并判斷l e1是否大于0.99，如果是，則跳轉至訓練次數判斷；如果不是則設置i＝i-1，開放SqueezenetPro的Wi權重提供訓練，重新進行SqueezenetPro訓練； 判斷當前訓練次數trainn＜Q是否成立，其中Q為在第n級瑕疵下的總訓練次數；如果trainn＜Q，則trainn＝trainn+1，跳轉至步驟三進行數據的重新篩選訓練；如果trainn＞Q，則跳轉至步驟五； 步驟五、測試模型結果；根據精度和測試次數控制下一步跳轉； 步驟六、發布完成模型，根據所述步驟五得到的每一瑕疵級別的測試結果給出每一級瑕疵的識別精度，并且保存凍結每一級SqueezenetPro的權重，發布對應的SqueezenetPro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心鑒智控(深圳)科技有限公司，其通訊地址為：518000 廣東省深圳市福田區華強北街道福強社區振華路中電迪富大廈4層；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”。