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！

龙图腾网获悉合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室);安徽工业大学申请的专利一种基于非范例类增量学习的印刷电路板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：CN116843620B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310623143.7，技术领域涉及：G06T7/00；该发明授权一种基于非范例类增量学习的印刷电路板缺陷检测方法是由许镇义;史珂豪;康宇;曹洋;柏鹏;黄俊;胡峰设计研发完成，并于2023-05-29向国家知识产权局提交的专利申请。

本一种基于非范例类增量学习的印刷电路板缺陷检测方法在说明书摘要公布了：本发明公开了一种基于非范例类增量学习的印刷电路板缺陷检测方法，包括获取PCB图像，并基于原型排练进行缺陷特征表示学习过程；基于动态结构重组策略获取旧类缺陷的代表范例，保证新类缺陷的无偏训练；采用基于可扩展嵌入空间的缺陷原型选择机制减少蒸馏部分的新旧类缺陷特征混淆；通过平衡校准对缺陷进行分类，得到印刷电路板缺陷结果。本发明通过动态结构重组策略实现循环扩展优化，从而得到缺陷特征结构不变表示。使用主分支蒸馏来通过对齐旧缺陷类上的不变分布缺陷特征知识来保持新网络对旧缺陷特征的区分。使用一种原型选择机制，结合保留的不变缺陷知识和输入的新缺陷样本，以减少相似缺陷类之间的特征混淆。

本发明授权一种基于非范例类增量学习的印刷电路板缺陷检测方法在权利要求书中公布了：1.一种基于非范例类增量学习的印刷电路板缺陷检测方法，其特征在于，具体步骤包括： 步骤S1、获取PCB图像，并基于原型排练进行缺陷特征表示学习过程； 步骤S2、基于动态结构重组策略获取旧类缺陷的代表范例，保证新类缺陷的无偏训练； 步骤S3、采用基于可扩展嵌入空间的缺陷原型选择机制减少蒸馏部分的新旧类缺陷特征混淆，其具体步骤包括： 步骤S31、采用全连接层作为缺陷分类器，将缺陷特征表示映射到缺陷标签空间： ，； 式中，为缺陷特征的映射，为缺陷分类器，为缺陷分类器的可训练参数，表示标准交叉熵损失函数，为输入图像Q中的缺陷标签，表示模型的交叉熵损失； 步骤S32、使用知识蒸馏来度量所获得的缺陷特征表示与前一个模型之间的缺陷特征相似性： ，； 式中，表示欧氏距离，与分别为当前阶段与上一阶段的缺陷特征表示，表示模型的蒸馏损失； 步骤S33、计算新增缺陷样本与所有缺陷原型之间的归一化余弦分数为： ； 式中，为余弦操作，代表正则化操作，表示新增缺陷样本，表示所有缺陷原型； 步骤S34、设置阈值，如果大于阈值，则在其蒸馏损失的相应位置添加一个掩码，如果小于阈值，则在其交叉熵损失的相应部分添加一个掩码，最后将缺陷原型平衡损失作为新阶段的最终优化损失函数： ； 式中，和是损失函数权重，为模型的原型平衡损失； 步骤S4、通过平衡校准对缺陷进行分类，得到印刷电路板缺陷结果。

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合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室);安徽工业大学，其通讯地址为：230000 安徽省合肥市高新区望江西路5089号，中国科学技术大学先进技术研究院未来中心B1205-B1208；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”。