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！

龙图腾网获悉太原理工大学申请的专利小样本PCB缺陷分类模型的训练方法及分类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：CN116543219B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202310532087.6，技术领域涉及：G06V10/764；该发明授权小样本PCB缺陷分类模型的训练方法及分类检测方法是由续欣莹;王昊东;刘华平;赵文晶;郑梓豪;魏嘉敏设计研发完成，并于2023-05-11向国家知识产权局提交的专利申请。

本小样本PCB缺陷分类模型的训练方法及分类检测方法在说明书摘要公布了：本实施例公开了一种小样本PCB缺陷分类模型的训练方法及分类检测方法。其中，该方法包括：获取初始的小样本PCB缺陷分类模型的训练数据集并划分为若干个支持集和查询集；将支持集和查询集输入到嵌入单元进行特征提取，得到支持集的第一特征和查询集的第二特征，其中，嵌入单元为含有多分支INCO结构的特征提取网络；通过双度量网络对第一特征和第二特征进行目标类型度量，得到目标度量结果；当目标度量结果大于或等于预设阈值时，得到训练好的模型；当目标度量结果小于预设阈值时，通过调整模型中的参数继续进行模型训练。该方法能够对PCB产品表面缺陷进行高效且准确地检测，从而提高小样本PCB缺陷分类的检测精度和检测效率。

本发明授权小样本PCB缺陷分类模型的训练方法及分类检测方法在权利要求书中公布了：1.一种小样本PCB缺陷分类模型的训练方法，其特征在于，包括： 获取初始的小样本PCB缺陷分类模型的训练数据集； 将所述训练数据集划分为若干个任务数据集，其中，每个所述任务数据集包含支持集和查询集； 将所述支持集和查询集输入到嵌入单元进行特征提取，得到所述支持集的第一特征和所述查询集的第二特征，其中，所述嵌入单元为含有多分支INCO结构的特征提取网络； 通过双度量网络对所述第一特征和第二特征进行目标类型度量，得到目标度量结果； 当所述目标度量结果大于或等于预设阈值时，则所述初始的小样本PCB缺陷分类模型训练成功，得到训练好的小样本PCB缺陷分类模型； 当所述目标度量结果小于预设阈值时，则通过调整所述初始的小样本PCB缺陷分类模型中的参数，继续对所述初始的小样本PCB缺陷分类模型进行训练，直至所述初始的小样本PCB缺陷分类模型训练成功； 通过双度量网络对所述第一特征和第二特征进行目标类型度量，得到目标度量结果，包括： 通过所述双度量网络中的关系度量网络对所述支持集的第一特征和所述查询集的第二特征进行目标类型度量，得到第一相似度； 通过所述双度量网络中的余弦度量网络对所述支持集的第一特征和所述查询集的第二特征进行目标类型度量，得到第二相似度； 基于所述第一相似度和所述第二相似度的平均值得到所述目标度量结果； 其中，所述关系度量网络和所述余弦度量网络均包含有RFB感受野块； 通过所述双度量网络中的关系度量网络对所述支持集的第一特征和所述查询集的第二特征进行目标类型度量，得到第一相似度，包括： 计算所述支持集中属于相同类别的全部的支持图像的第一特征的特征均值，并将所述特征均值作为相应类别的特征原型； 通过所述查询集中的查询图像的第二特征分别与各类别的特征原型进行特征级联，得到若干个特征对； 将级联后的所述若干个特征对输入进所述关系度量网络中，计算得到所述第一相似度； 所述第一相似度采用的计算公式如下： ； 式中，表示所述第一相似度，即表示在小样本任务中，第q个样本的第一相似性分数，通过所述第一相似性分数获得第q个样本的类别的one-hot向量；表示嵌入单元；表示所述查询集中的查询样本；表示所述支持集中的支持样本；表示所述关系度量网络；表示所述支持图像和所述查询图像的特征级联操作； 所述关系度量网络的第一损失函数采用的计算公式如下： ； 式中，表示所述第一损失函数；表示所述查询样本的第一预测值；表示所述查询样本的第一真实值； 所述第二相似度采用的计算公式如下： ； 式中，表示所述第二相似度，即表示在小样本任务中，第q个样本的第二相似性分数，通过所述第二相似性分数获得第q个样本的类别的one-hot向量；表示在嵌入单元中的支持样本；表示在嵌入单元中的查询样本；表示所述RFB感受野块和卷积块操作；表示余弦相似层计算； 所述余弦度量网络的第二损失函数采用的计算公式如下： ； 式中，表示所述第二损失函数；表示所述查询样本的第二预测值；表示所述查询样本的第二真实值。

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太原理工大学，其通讯地址为：030002 山西省太原市万柏林区迎泽西大街79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。