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！

龙图腾网恭喜杭州电子科技大学申请的专利一种半监督深度学习缺陷检测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：CN114998202B 。

龙图腾网通过国家知识产权局官网在2025-06-17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：202210446071.9，技术领域涉及：G06T7/00；该发明授权一种半监督深度学习缺陷检测方法是由刘叶清;郑小青;郑松;孔亚广;江爱朋设计研发完成，并于2022-04-26向国家知识产权局提交的专利申请。

本一种半监督深度学习缺陷检测方法在说明书摘要公布了：本发明公开了一种半监督深度学习缺陷检测方法，将训练样本数据按有无标签分类；初始化学生卷积神经网络Fsm的权重参数m；初始化教师卷积神经网络参数Ftm＝CopyFsm，教师卷积神经网络和参数均从学生卷积神经网络复制；获得了学生卷积神经网络Fsm和教师卷积神经网络Ftm以及始化权重参数后，对学生卷积神经网络和教师卷积神经网络进行训练；获得经过训练的网络可用学生卷积神经网络进行缺陷检测工作，将需要被检测的数据输入学生卷积神经网络，学生卷积神经网络预测其有无缺陷或者属于哪一类缺陷。本发明基于半监督深度学习架构Fixmatch和平均教师模型的缺陷检测方法，需要少量标签数据即可实现高精度的工业产品表面缺陷自动检测。

本发明授权一种半监督深度学习缺陷检测方法在权利要求书中公布了：1.一种半监督深度学习缺陷检测方法，其特征在于，包括以下步骤： S10，将训练样本数据按有无标签分类； S20，初始化学生卷积神经网络Fsm的权重参数m； S30，初始化教师卷积神经网络参数Ftm=CopyFsm，教师卷积神经网络和参数均从学生卷积神经网络复制； S40，获得了学生卷积神经网络Fsm和教师卷积神经网络Ftm以及始化权重参数后，对学生卷积神经网络和教师卷积神经网络进行训练； S50，获得经过训练的学生卷积神经网络和教师卷积神经网络，至此可用学生卷积神经网络进行缺陷检测工作，将需要被检测的图片数据输入学生卷积神经网络，学生卷积神经网络预测其有无缺陷或者属于哪一类缺陷； 所述S10具体包括将训练样本数据分成有标签数据样本X={xb,yb:b1,....,B1}和无标签数据样本U={ub:b1,....,B2},其中xb是有标签数据样本的图片数据，yb是其标签数据，ub是其无标签样本数据的图片数据，设置训练批次Bi，Bi表示第i个批次数量，包括B1=32或B2=128； 所述S20中学生卷积神经网络Fsm采用resnet34网络架构，同时结合SNAM注意力模块来提升网络提取图像特征的分辨能力，即在resnet的残差模块末端添加SNAM注意力模块，具体为图像特征输入经过两个卷积层Conv1和Conv2后进入SNAM注意力模块，然后将特征输出与输入特征相加； 所述SNAM注意力模块在NAM注意力机制上使用批归一化的比例因子来表示权重的重要性，比例因子测量的是方差，方差越大，说明通道包含的信息越丰富，通道信息就越重要，具体公式为： 1 其中，是图像特征输入，和分别为小批次B的平均值和方差；γ和β分布表示可训练的比例因子和位移； 所述SNAM注意力模块的输出特征由下式得到： 2 其中，F 1 是输入特征，BN是批归一化层即BN层，W是权值向量，sigmoid是sigmoid激活函数，γ为每个通道的比例因子，每一个通道经过批归一化BN计算后再乘以一个权值，其权值为，其中，T是超参数，T决定锐化程度，C是通道数量，γ i 和γ j 分别表示第i个通道和第j个通道的比例因子，输入特征F 1 经过BN层后，其每个通道乘以一个权值w i 后再被输入sigmoid激活函数，至此，SNAM注意力模块计算完毕； 所述S40中训练是以批次数据为单位将训练数据输入神经网络进行训练，即一次训练过程中将B1个有标签数据和B2个无标签数据输入神经网络； 所述S40中定义当前叙述的是t时刻的训练流程，其中使用fixmatch的数据增强方式，即采取弱增强数据扩增方式计算有标签数据的预测值和计算无标签数据的伪标签，采取强增强数据扩增方式计算无标签数据的预测值。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区；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”。