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！

龙图腾网获悉西安交通大学申请的专利一种基于特征冗余损失的非对称自监督熔池缺陷识别方法及相关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：CN119540650B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411703761.3，技术领域涉及：G06V10/764；该发明授权一种基于特征冗余损失的非对称自监督熔池缺陷识别方法及相关系统是由王宇;李冬冬;黄先;张明泉设计研发完成，并于2024-11-26向国家知识产权局提交的专利申请。

本一种基于特征冗余损失的非对称自监督熔池缺陷识别方法及相关系统在说明书摘要公布了：本发明提供了一种基于特征冗余损失的非对称自监督熔池缺陷识别方法及相关系统，属于工业质量监测与缺陷识别领域。通过对无标签熔池数据集进行视图增强策略，增强模型学习不变和区分特征的能力；引入自监督学习网络架构，从熔池图像的增强视图中提取低维表示；引入特征冗余损失作为目标损失函数，最大限度地减少这些向量的分量之间的冗余，增大各分量表示的独立性，进而解除分量表示相互之间的耦合，保证网络学习的正确收敛。该方法能够学习多种无标签熔池图像的不变特征知识，充分利用全部有用信息，实现基于对熔池缺陷状态的识别，并能输出指示性强和精度高的单个熔池图像健康状态评价。

本发明授权一种基于特征冗余损失的非对称自监督熔池缺陷识别方法及相关系统在权利要求书中公布了：1.一种基于特征冗余损失的非对称自监督熔池缺陷识别方法，其特征在于，包括如下步骤： 获取不同质量等级的熔池图像数据集，包括无标签熔池图像及其对应标签； 对无标签熔池图像进行图像增强，得到该图像的两种视图vA和vB； 基于无标签熔池图像的增强视图，构建自监督学习网络框架中，引入特性冗余损失函数进行反向传播训练，得到代表熔池图像的低维特征表示； 具体的： 构建一个在线网络和目标网络，在线网络由权重集合定义，目标网络权重定义为； 将视图vA至于在线网络中，得到图像vA预测表示；视图vB至于目标网络中，得到图像vB的低维表示zB； 对和zB进行L2标准化，根据标准化得到的结果进行损失函数计算； 对L2标准化得到的进行第一项损失函数计算，初始默认损失函数如下： 在计算完该损失函数时，再将vB置于在线网络，将vA置于目标网络，计算出损失函数的对称损失； 得到的损失函数为：； 引入特征冗余损失函数，测量两个网络的输出之间的互相关矩阵，得到最终的损失函数； 引入的特征冗余损失函数为： 其中是一个正常数，用来权衡特征冗余损失函数中第一项与第二项的重要性，为批次维度的在线网络和目标网络的输出和zB之间的互相关矩阵，用下面的公式计算： 此时，这里，b代表的是同一批次中的不同样本，即互相关矩阵的每个元素是以批次的维度计算的；i和j为网络输出向量不同维度的索引，是一个方阵，其值介于-1和1之间，分别对应完全不相关和完全相关； 在自监督网络架构中引入特征冗余损失后得到的最终损失函数为： 其中，为引入的特征冗余损失函数，为引入特征冗余损失函数的对称损失； 利用梯度下降方法实现最小化损失函数，并在最小化损失函数的过程中更新在线网络与目标网络的参数，得到代表熔池图像的低维特征表示； 将低维特征表示及其对应标签分为训练集和测试集； 在训练完成的自监督学习网络后接入SVM分类器，基于训练集对SVM分类器进行训练，SVM分类器被训练后，对测试集中待测样本进行缺陷分类识别，根据可靠性评价相关指标判断缺陷的质量等级。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。