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！

龙图腾网获悉厦门市产品质量监督检验院申请的专利基于自建数据集的屏幕风险评估方法、装置、设备及介质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：CN120318623B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202510396088.1，技术领域涉及：G06V10/774；该发明授权基于自建数据集的屏幕风险评估方法、装置、设备及介质是由傅诺毅;葛莉荭;史园;何秋怡;王晶晶;陈志忠设计研发完成，并于2025-03-31向国家知识产权局提交的专利申请。

本基于自建数据集的屏幕风险评估方法、装置、设备及介质在说明书摘要公布了：本发明涉及光电显示技术领域，解决现有技术中显示器件风险评估效率低下和缺乏统一标准问题，提供了一种基于自建数据集的屏幕风险评估方法、装置、设备及介质。该方法包括：对至少两个不同的屏幕样品进行光谱数据采集，分别得到第一数据集和第二数据集；根据预设无监督学习策略对所述第一数据集和所述第二数据集进行分类标注，得到训练集和测试集；根据所述训练集和所述测试集对有监督学习模型进行训练评估，得到训练后的有监督学习模型；将待测显示屏的光谱数据集输入训练后的有监督学习模型，得到待测显示屏的风险评估结果。本发明提高了评估效率，减少了人为因素的干扰，并实现了基于数据驱动的标准化评估。

本发明授权基于自建数据集的屏幕风险评估方法、装置、设备及介质在权利要求书中公布了：1.一种基于自建数据集的屏幕风险评估方法，其特征在于，所述方法包括： 对至少两个不同的屏幕样品进行光谱数据采集，分别得到第一数据集和第二数据集； 根据预设无监督学习策略对所述第一数据集和所述第二数据集进行分类标注，得到训练集和测试集； 根据所述训练集和所述测试集对有监督学习模型进行训练评估，得到训练后的有监督学习模型； 将待测显示屏的光谱数据集输入训练后的有监督学习模型，得到待测显示屏的风险评估结果； 其中，所述根据预设无监督学习策略对所述第一数据集和所述第二数据集进行分类标注，得到训练集和测试集，包括： 对所述第一数据集和所述第二数据集分别进行核密度估计热点分析，得到第一数据集和第二数据集在不同特征维度上的第一数据分布结构和第二数据分布结构； 根据第一数据分布结构，得到聚类参数； 根据所述聚类参数和K-means聚类算法，分别对所述第一数据集和第二数据集进行聚类分析，得到第一聚类分析结果和第二聚类分析结果； 根据所述第一聚类分析结果和所述第二聚类分析结果，分别计算所述第一数据集和所述第二数据集中各数据样本与其对应聚类中心之间的距离值； 根据预设高斯函数映射规则，将所述距离值映射为风险等级标签； 将标注风险等级标签后的第一数据集作为的训练集，并将标注风险等级标签后的第二数据集作为测试集； 所述根据所述训练集和所述测试集对有监督学习模型进行训练评估，得到训练后的有监督学习模型，包括： 将所述训练集输入到基于卷积神经网络构建的有监督学习模型中进行训练； 对有监督学习模型内部决策过程进行可视化分析，计算各特征对预测结果的权重贡献占比； 将所述测试集输入到训练后的有监督学习模型中，输出预测风险等级； 计算所述预测风险等级与所述测试集标注的风险等级之间的误差值； 根据均方误差算法和所述误差值，获取对训练后的有监督学习模型的评估结果； 根据所述权重贡献占比和所述评估结果，对所述有监督学习模型进行微调，得到最终的有监督学习模型； 所述将所述训练集输入到基于卷积神经网络构建的有监督学习模型中进行训练，包括： 根据所述第一数据分布结构，确定有监督学习模型的初始超参数范围； 根据所述初始超参数范围，通过网格搜索或随机搜索获取多个不同超参数组合的备选超参数组； 根据所述训练集，获取每一所述备选超参数组的交叉验证误差值； 将交叉验证误差值最小的备选超参数组作为目标超参数组； 根据所述目标超参数组和所述训练集对所述有监督学习模型进行训练，得到训练后的有监督学习模型。

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市产品质量监督检验院，其通讯地址为：361000 福建省厦门市思明区湖滨南路170号三楼；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。