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！

龙图腾网获悉福州大学申请的专利融合跨域迁移和异常检测的纺织品缺陷识别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：CN116051479B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202211679870.7，技术领域涉及：G06T7/00；该发明授权融合跨域迁移和异常检测的纺织品缺陷识别方法是由江灏;王犇;陈静;缪希仁设计研发完成，并于2022-12-26向国家知识产权局提交的专利申请。

本融合跨域迁移和异常检测的纺织品缺陷识别方法在说明书摘要公布了：本发明涉及一种融合跨域迁移和异常检测的纺织品缺陷识别方法。引入半监督学习机制，深度挖掘源域和目标域的特征分布，并利用生产对抗的方式实现领域迁移，在织物样式发生变化时仍能准确识别。针对织物的小尺度表面缺陷，设计一种基于多层级特征匹配的无监督异常检测方法，利用知识蒸馏和多层级特征匹配机制，使模型更具针对性，无需标注便能准确检测织物缺陷，实现织物的低成本、高精度识别。

本发明授权融合跨域迁移和异常检测的纺织品缺陷识别方法在权利要求书中公布了：1.一种融合跨域迁移和异常检测的纺织品缺陷识别方法，其特征在于，包括如下步骤： 步骤1、织物图像数据预处理 通过机器采集织物图像作为原始数据集，对原始数据集中的初始数据进行处理，挑选出一种固定样式作为源域，其他样式整合作为目标域； 步骤2、建立织物数据图像库 将图像集分为正常图像、大尺度形态类缺陷图像和小尺度表面缺陷图像，并对形态类缺陷图像中的部分数据进行标注，保留标记信息； 步骤3、织物的形态类缺陷识别 针对织物中的大尺度形态类缺陷，提出一种改进的半监督跨域神经网络SSDANN，由特征提取器、标签预测器和域判别器组成；特征提取器通过源域和带标记的目标域来实现不同风格数据之间的映射；域判别器通过无监督学习方式来实现数据从源域到目标域的迁移； 在SSDANN训练过程中，分别将源域和目标域数据输入到特征提取器提取织物的深度特征，后续将特征信息送入标签预测器G和域判别器D这两个分支；源域数据进行有监督学习，并对标签预测器进行优化；源域数据和未标记的目标域数据输入到域判别器进行无监督学习，混淆源域和目标域之间的特征信息； 步骤4、织物的表面缺陷检测 针对织物中的小尺度表面缺陷，提出一种无需缺陷数据参与训练的异常检测方法：首先，针对通用领域和织物领域的领域差异问题，采用知识蒸馏技术提升深度模型对织物图像特征表达能力；其次，设计多层级特征提取方法，构建正常数据特征记忆单元，生成并存储正常织物样本的多层级隐含特征；最后，提出基于记忆单元的多层级特征匹配机制，通过最近邻检索算法计算待测试样本的异常分数，判断织物状态； 所述无需缺陷数据参与训练的异常检测方法，构建了基于小尺度表面缺陷的多层级特征匹配网络，包括两个结构相同的CNN模型，训练样本为正常织物图像；公共领域模型作为教师T，负责传授知识，模型的网络权重参数固定不变；织物领域模型作为学生S，吸收并学习知识，在训练过程中依据损失值更新网络权重参数；假设和分别表示训练样本I经过教师T和学生S所输出的第l层特征图，训练的总损失函数通过下式表述： 其中，vecx表示对特征图执行向量化操作，将特征矩阵转化为1维的特征向量，训练过程中用随机梯度下降算法更新学生模型； 在训练阶段，以正常织物图像为输入，提取出多层级特征匹配网络的各层隐含特征图，构建基于正常数据的多层级特征记忆单元；在测试阶段，针对某个测试样本，提取出测试样本的多层级特征匹配网络的各层隐含特征图，与基于正常数据的多层级特征记忆单元进行多层级特征匹配，计算出当前样本的异常分数，若此分数超过预定阈值，则判定织物存在表面缺陷； 假设ΦlIi∈Rw×h×c表示第i个样本经过多层级特征匹配网络后的第l层特征图，w、h和c分别代表宽度、高度和通道数；基于正常数据的多层级特征记忆单元的表达式如下： 其中，P表示全局平均池化，将任意尺寸大小的输入拉伸为一个1维向量，N表示正常样本总数，l∈{1,2,3,4}对应经典残差网络ResNet中四个不同下采样尺度特征层级； 假设基于正常数据的多层级特征记忆单元M中第i个正常样本的l层级特征为待测试样本的l层级特征表示为fl，则l层初始的异常分数通过下式表示： 其中，的物理含义为测试样本特征与基于正常数据的多层级特征记忆单元内对应特征的最小欧式距离；综合考虑多个近邻特征，设计一个异常分数校正模块来提升异常分数的置信度；异常分数修正因子表示为： 其中Nk表示k最近邻检索，选出离测试特征fl最近的k个近邻记忆特征；最终异常分数s即表示为： 当异常分数超过预定阈值时，即可判断样本出现异常，即该织物图像存在小尺度表面缺陷。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。