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重校准注意力的工业异常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：CN119762852B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411811497.5，技术领域涉及：G06V10/764；该发明授权一种基于重校准注意力的工业异常检测方法是由曹刘娟;陈馨;张岩;郑侠武;张声传;纪荣嵘设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本一种基于重校准注意力的工业异常检测方法在说明书摘要公布了：本发明公开了一种基于重校准注意力的工业异常检测方法，包括以下步骤：S1、构建工业异常检测模型，并对工业异常检测模型进行初始化；所述工业异常检测模型由教师模型、学生模型和自动编码器组成；S2、采用层级异常评分模块HSQ对工业异常检测模型中网络每层的异常判断能力进行评估，根据异常识别能力给各层分配相应的量化比特宽度，再逐层对工业异常检测模型进行训练后量化；S3、对学生模型和自动编码器进行微调训练；S4、采用微调训练后的工业异常检测模型进行工业异常检测；该方法系统地分解和重新校准注意力图，提高了模型的泛化能力和异常检测精度，具有显著的实用价值和应用前景。

本发明授权一种基于重校准注意力的工业异常检测方法在权利要求书中公布了：1.一种基于重校准注意力的工业异常检测方法，其特征在于，包括以下步骤： S1、构建工业异常检测模型，并对工业异常检测模型进行初始化；所述工业异常检测模型由教师模型、学生模型和自动编码器组成； S2、采用层级异常评分模块HSQ对工业异常检测模型中网络每层的异常判断能力进行评估，根据异常识别能力给各层分配相应的量化比特宽度，再逐层对工业异常检测模型进行训练后量化； 步骤S2中层级异常评分的具体评估过程为： S21、教师模型和学生模型均采用层级异常评分模块HSQ进行处理，将教师模型和学生模型同一深度的层一一对应，并使用每层卷积后输出计算异常得分s，s∈0,1，异常得分s衡量教师模型和学生模型之间的注意力一致性，用于指导将注意力重新分配到缺陷易发区域； S22、第l层的位宽根据异常分数确定，第l层的位宽的计算公式为： 其中，bl为第l层的位宽，1≤l≤N；Φs为根据异常分数得到的比特宽度；Φ·为分段函数，根据分层量化分数确定比特宽度，选择2、3、4和8位作为混合精度；cl为第l层的输出特征的通道数；wl为第l层的输出特征的宽度；hl为第l层的输出特征的高度；为教师模型第l层的输出；为学生模型第l层的输出；为F范数的平方；为所有通道F范数的平方的和； S23、采用块级重建策略逐层对工业异常检测模型进行训练后量化，量化公式为： r＝Sq-Z， 其中，r为量化前的浮点数，其数值范围为rmin,rmax；q为量化后的定点数，其数值范围为qmin,qmax；S为步长，Z为零点，clip为裁剪函数，将值限制在0到255之间； 使用对角Fisher信息矩阵，测量每个块内部的跨层依赖关系，并将任何块的二阶误差转换为块的输出，预激活对角Fisher信息矩阵的对角线等于每个元素的平方梯度，权重目标为： 其中，Δzl为第l层的输出特征的变化，即量化后和量化前的差值；为期望值；为第l层输出特征的Hessian矩阵；·T为转置操作；为最小化量化误差；为优化的变量；为二阶误差的一个期望值形式，衡量了量化后特征变化Δzl对整个损失的影响；表示FIM对角矩阵，其对角元素是关于损失函数L对每个输出特征的一阶梯度的平方； S3、对学生模型和自动编码器进行微调训练； S4、采用微调训练后的工业异常检测模型进行工业异常检测。

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：361000 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。