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！

龙图腾网获悉厦门大学申请的专利一种基于机器学习的富勒烯薄膜缺陷检测方法及采集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：CN119741294B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411965458.0，技术领域涉及：G06T7/00；该发明授权一种基于机器学习的富勒烯薄膜缺陷检测方法及采集系统是由李鑫;林辉煌设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本一种基于机器学习的富勒烯薄膜缺陷检测方法及采集系统在说明书摘要公布了：一种基于机器学习的富勒烯薄膜缺陷检测方法及采集系统，属于机器视觉。解决传统人工检测效率低、精度不高的问题。获取待检富勒烯薄膜的原始图像并构建增强数据集；利用增强数据集训练强鲁棒性网络模型后，将待检测富勒烯薄膜图片输入模型中，识别出薄膜的缺陷精确位置。通过收集并标注富勒烯薄膜图像数据集，进行数据增强处理，构建改进UNet网络模型，并结合EfficientNet骨干网络、通道压缩激励网络模块以及BCE和Dice损失函数进行优化。利用训练好的模型对待检测富勒烯薄膜图像进行缺陷检测，输出缺陷检测结果图片。具有检测精度高、速度快、泛化能力强等优点，适用于复杂工业生产环境下的富勒烯薄膜缺陷检测任务。

本发明授权一种基于机器学习的富勒烯薄膜缺陷检测方法及采集系统在权利要求书中公布了：1.一种基于机器学习的富勒烯薄膜缺陷检测方法，其特征在于包括以下步骤： 1图像收集：收集富勒烯薄膜图像，并对图像中的缺陷进行标注；标注信息包括缺陷的位置和大小； 2数据增强：对数据集进行数据增强，通过旋转、HSV色域变换增加训练图片数量，使模型具有更强的泛化能力，将增强后的数据集划分为训练集、测试集和验证集； 3网络模型设计：采用改进的UNet网络结构作为检测模型，在编码器和解码器之间加入通道压缩激励网络模块，使模型更好的捕捉缺陷与薄膜之间的颜色梯度变化；将UNet的骨干网络更换为EfficientNet，以提升训练和推理速度；结合交叉熵损失函数和Dice损失函数，以平衡模型对缺陷和薄膜本体的检测能力；建立改进UNet富勒烯薄膜缺陷检测网络； 所述通道压缩激励网络模块，通过对特征图进行全局平均池化，然后通过两个全连接层进行非线性变换，最后使用Sigmoid函数生成通道注意力权重，用以强化或抑制特定通道的特征响应；具体公式如下： z＝GlobalAveragePoolingFx s＝σgz,W FscaleFx＝s⊙Fx 其中，Fx是经过卷积操作后的原始特征图，z是全局平均池化后的结果，维度为1×1×C，gz,W表示经过一次全连接层、一次ReLu激活函数、一次全连接层，σ是Sigmoid激活函数，s是输出的通道权重，维度为1×1×C，⊙表示逐元素乘法；Fscale为输出特征图； 所述EfficientNet是一种采用复合缩放策略的卷积神经网络，核心结构是一个3×3卷积层，用于初步提取特征并降低图像的空间维度，然后经过一个用于升维的1×1卷积层，一个k×k的深度可分离卷积和一个通道压缩激励网络模块，最后经过一个用于降维的1×1卷积层； 所述采用改进的UNet网络结构作为检测模型，该模型主要由编码器及下采样路径和解码器及上采样路径两个对称的路径组成； 在编码器中，UNet通过一系列Efficient卷积操作提取特征，每次卷积后应用ReLU激活函数，紧接着2×2的最大池化层将特征图尺寸减半，并且每次下采样后将通道数翻倍，以逐层提取更丰富的特征； 在解码器中，通过3×3卷积操作和2×2上采样层将特征图逐层恢复至原始尺寸，同时减少通道数，并且在每个上采样步骤中，通过跳跃连接将编码器中对应层的特征图与当前上采样后的特征图拼接，以便结合高级和低级特征，保留空间分辨率和细节信息； 在经过所有上采样步骤后，UNet通过一个1×1卷积层将通道数调整至目标类别数量； 4模型训练：在增强数据集上训练改进的UNet模型，通过梯度下降法优化网络参数，得到最优的网络参数并保存；在训练过程中，使用验证集对模型进行性能评估，在训练完成后根据验证集效果调整超参数以防止过拟合； 5缺陷检测：将待检测的富勒烯薄膜图像输入训练好的改进的UNet中，模型输出缺陷检测结果图像。

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厦门大学，其通讯地址为：361005 福建省厦门市思明南路422号；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”。

以上内容由龙图腾AI智能生成。