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！

龙图腾网获悉心鉴智控(深圳)科技有限公司申请的专利基于超小样本训练高效质检模型的方法及系统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：CN114577812B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202210197654.2，技术领域涉及：G01N21/88；该发明授权基于超小样本训练高效质检模型的方法及系统是由罗晓忠;毛子靖设计研发完成，并于2018-08-15向国家知识产权局提交的专利申请。

本基于超小样本训练高效质检模型的方法及系统在说明书摘要公布了：本发明公开了一种基于超小样本训练高效质检模型的方法及系统，涉及质量检测技术领域，包括：确定采集种类，包括要检测的瑕疵品种类和正常品种类，按照瑕疵大小占总样品大小的百分比分为N个等级，采集小样品；对各种类、各等级的小样品进行模拟扩充；随机抽样组成训练集、验证集合、测试集，并对每个集合打乱排序；SqueezenetPro训练质检模型；测试模型结果；根据精度和测试次数控制下一步跳转；发布完成模型。本发明保证在样本数非常少的情况下，达到几十万样本数训练的深度学习模型的效果，从而更好的应用于工业质量检测中。

本发明授权基于超小样本训练高效质检模型的方法及系统在权利要求书中公布了：1.一种基于超小样本训练高效质检模型的方法，其特征在于，包括： 步骤一、确定采集种类，所述采集种类包括待检测的瑕疵品种类和正常品种类，按照瑕疵大小占总样品大小的百分比分为N个等级，采集小样品； 步骤二、对各种类、各等级的小样品进行模拟扩充； 所述步骤二具体包括： 将第n个等级的第k类瑕疵品和最后一类正常品，通过人工制造的方式扩充至原样品数的＝5倍，即，此时所有等级所有类别的瑕疵品和最后一类正常品扩充后的总数＝5M，k＝1，2，...，K； 将手动模拟后的第n个等级的第k类瑕疵品和最后一类正常品通过统一样本在同一光源Light0、和相机Camera0条件下，以不同角度Anglep、方向Directionp、位置Positionp连续拍照的方式扩充样本数至原来的＝500倍； 其中Anglep∈ANGLE，p＝1，2，...，P，ANGLE是实际生产线上产品可能出现的角度集合；Directionp∈DIRECTION，p＝1，2，...，P，DIRECTION是实际生产线上产品可能出现的方向集合；Positionp∈POSITION，p＝1，2，...，P，POSITION是实际生产线上产品可能出现的位置集合； 通过该项模拟，确定样本数B0=PA=，将每类样品分为训练集合和测试集合； 对每一个b0∈B0样本，通过相机Camera0进行拍照，使得每个b0样本扩充；通过每次拍摄时相机感光的细微差异产生的噪声进行数据扩充，通过连续拍照模拟后得到的样本数为，进而得到训练集合和测试集合； 图像增强算法模拟β0倍的好样品，将图像进行旋转、平移、裁剪、填充、亮度、对比度、色差操作，在不影响产品外观结构和产生瑕疵的情况下将所述好样品进行样本数扩充，即；当k=1,2,…,K-1，对应指代瑕疵品；当k=K时，对应指代正常品； 采用瑕疵品模拟算法对瑕疵品进行β0倍的扩充，对每一类瑕疵品，k=1,2,…,K-1，生成该类瑕疵品的图像库，主要由瑕疵品图像中的瑕疵图像部分的截取、互联网上搜索类似瑕疵部分的图像和基于二维高斯分布的瑕疵图像模拟； 对给定瑕疵类型k和给定瑕疵等级n，随机选择，从中随机选择产品图像及随机选择坐标w0，h0，将图像放置于的w0，h0处模拟生成新的瑕疵品，重复此过程β0次，得到； 将所有,k=1,2,…,K输入生成对抗网络DCGAN模型中，重新生成扩充产生新样本； 获取到产品的三维模型，并在三维模型上基于随机选择坐标w1，h1贴图至产品三维模型中，并在三维模型中加入光源Light0、和相机Camera0以不同角度Anglep、方向Directionp、位置Positionp进行模拟拍照，重复此过程次，得到； 汇总所有生成的新数据，得到，其中，，j=0,1,2，为正整数集；得到训练集合和测试集合； 步骤三、随机抽样组成训练集、验证集和测试集； 步骤四、根据所述训练集、所述验证集和所述测试集，采用SqueezenetPro训练质检模型； 所述步骤四，具体包括： 初始化时将从Conv1层至Conv10层的所有权重WI由SqueezenetV1.1模型权重WI0所替换；如果已经存在SqueezenetPro的训练模型，则将所有权重WI由最新的SqueezenetPro的权重替换；其中，I＝1，2，...，10； 将最顶层的softmax层的隐藏神经元σ替换为K个，即，j=1,2,……,K； 开放SqueezenetPro的Wi提供训练，初始化训练次数tn＝0，j初始值为10，输入数据，采用AdamGradient优化算法训练W10，并观察学习曲线，当Dvalid上的测试结果达到Plateau，标注l e为训练精度，其中e为训练周期epoch，标注为训练结果最小差异，标注E为训练周期的最小上限，当训练精度差异，时，停止训练，并判断l e1是否大于0.99，如果是，则跳转至训练次数判断；如果不是则设置i＝i-1，开放SqueezenetPro的Wi权重提供训练，重新进行SqueezenetPro训练； 判断当前训练次数trainn＜Q是否成立，其中Q为在第n级瑕疵下的总训练次数；如果trainn＜Q，则trainn＝trainn+1，跳转至步骤三进行数据的重新筛选训练；如果trainn＞Q，则跳转至步骤五； 步骤五、测试模型结果；根据精度和测试次数控制下一步跳转； 步骤六、发布完成模型，根据所述步骤五得到的每一瑕疵级别的测试结果给出每一级瑕疵的识别精度，并且保存冻结每一级SqueezenetPro的权重，发布对应的SqueezenetPro模型。

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心鉴智控(深圳)科技有限公司，其通讯地址为：518000 广东省深圳市福田区华强北街道福强社区振华路中电迪富大厦4层；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”。