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！

龙图腾网获悉南京信息工程大学申请的专利基于跨模态文本语义驱动的少样本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：CN120580702B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202511089295.9，技术领域涉及：G06V30/148；该发明授权基于跨模态文本语义驱动的少样本缺陷识别方法是由江结林;邢雅婧;魏顺;刘西应;许小龙;赵英男设计研发完成，并于2025-08-05向国家知识产权局提交的专利申请。

本基于跨模态文本语义驱动的少样本缺陷识别方法在说明书摘要公布了：本发明公开了基于跨模态文本语义驱动的少样本缺陷识别方法，属于图像处理技术领域。本发明针对工业质检场景中异常样本稀缺且缺陷类型动态演化导致的检测模型泛化不足问题，通过建立动态特征重组机制与自适应判别边界，实现仅需少量正常数据即可精准识别未知的缺陷类型；本发明通过文字描述与图像特征的匹配关系，在正常样本上生成与真实缺陷形态相近的模拟样本；当遇到未见过的缺陷类型时，可以根据文字语义自动调整图像纹理的对比标准，准确区分正常区域与异常区域的细微差异，无需依赖真实缺陷数据，进而提高样本缺陷识别精度。

本发明授权基于跨模态文本语义驱动的少样本缺陷识别方法在权利要求书中公布了：1.一种基于跨模态文本语义驱动的少样本缺陷识别方法，其特征在于，包括训练阶段和测试阶段； 在训练阶段： 获取正常图像的全局特征和局部特征，将正常图像的局部特征存入参考库； 构建正常前缀和异常引导词，根据正常前缀生成正常描述集合，根据异常引导词生成异常描述集合，并进行特征提取，得到正常描述特征集合和异常描述特征集合； 将正常图像的全局特征分别与正常描述特征和异常描述特征结合，生成正常特征向量和异常特征向量； 利用异常特征向量得到合成异常图像； 将正常图像和合成异常图像进行标注，利用正常图像和合成异常图像构成训练集，利用训练集训练二分类模型； 在测试阶段： 利用正常图像和缺陷图像构成测试集； 在测试集任选一幅图作为待检测图像，提取待检测图像的全局图像特征和局部图像特征； 正常特征向量和异常特征向量分别与待检测图像的全局图像特征通过最近邻算法计算距离，根据距离差值生成图像级异常分数； 将待检测图像输入至训练后的二分类模型，得到预测结果； 综合图像级异常分数和预测结果得到图像级异常检测分数，将图像级异常分数与预设阈值对比，得到判定结果； 获取正常图像的全局特征和局部特征的步骤包括： 将预处理后的正常图像输入至图像编码器中，在图像编码器中经分块嵌入层划分为像素块序列，通过多头自注意力机制进行提取，得到全局特征和局部特征，其中c表示空间图像被划分后的图像块数量，d表示每个图像块在视觉语言模型Clip中编码得到的特征维度，将正常图像的局部特征图存入参考库S； 根据正常前缀生成正常描述集合，根据异常引导词生成异常描述集合的步骤包括： 将正常前缀记为，表示可进化正常前缀的总个数，表示其中一个可进化正常前缀； 将正常前缀提示词与目标对象名称经双向注意力机制融合，构建形式为的正常语义模板，形成N个正常描述模板，其中表示目标对象类别名称，注意力机制采用缩放点积形式，表示向量序列的拼接操作； 将异常引导词记为，表示异常引导词的总个数，表示其中一个异常引导词； 将类别名称拼接在每个异常引导词的后面，得到一组具体的异常文本描述，表示为，模板型异常描述集合为，形成个异常语义模板，其中M表示对应标注缺陷的类别总数； 通过动态权重融合模块将异常引导词序列与正常语义模板关联，构造形式为的可进化异常模板，形成个可进化异常模板，其中，表示双线性特征交互，为超参数控制可进化模板规模； 将包含个正常描述模板的集合{}作为正常描述集合，将个异常语义模板和个可进化异常模板组成的集合作为异常描述集合。

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南京信息工程大学，其通讯地址为：211899 江苏省南京市江北新区华富路1号数智溪谷4号楼；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。