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！

龙图腾网获悉上海工程技术大学申请的专利一种煤岩显微组分组自动分割模型的构建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：CN117011646B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202311037144.X，技术领域涉及：G06V10/774；该发明授权一种煤岩显微组分组自动分割模型的构建方法是由奚峥皓;周新涛;吴明阳;胡晋玮;杨君怡设计研发完成，并于2023-08-17向国家知识产权局提交的专利申请。

本一种煤岩显微组分组自动分割模型的构建方法在说明书摘要公布了：本发明公开了一种煤岩显微组分组自动分割模型的构建方法，其包括：全监督学习阶段：将有标签图像按批次输入卷积神经网络，以最小化分割头处的交叉熵损失和表征头处的对比损失为目标对煤岩显微组分组自动分割模型进行优化以得到教师模型；伪标签学习阶段：以教师模型作为初始的学生模型；教师模型对无标签图像进行伪标签推断，得到伪标签图像；根据像素的概率分布熵以区分可靠像素与不可靠像素；将可靠像素加入学生模型，以最小化分割头处的交叉熵损失和表征头处的对比损失为目标对学生模型进行优化；不可靠像素参与对比学习过程对学生模型进行优化。本方法构建的模型仅需要少量标注的煤岩显微图像，即可实现对煤岩显微图像的高质量自动化分割。

本发明授权一种煤岩显微组分组自动分割模型的构建方法在权利要求书中公布了：1.一种煤岩显微组分组自动分割模型的构建方法，所述煤岩显微组分组自动分割模型包括从输入图像提取特征图的卷积神经网络以及对所述特征图进行处理的分割头和表征头，构建过程包括以下步骤： S1、全监督学习阶段：将有标签图像按批次输入卷积神经网络，以最小化分割头处的交叉熵损失和表征头处的对比损失为目标对所述煤岩显微组分组自动分割模型进行优化，从而得到教师模型； S2、伪标签学习阶段：以教师模型作为初始的学生模型；采用各批次无标签图像进行训练过程中，教师模型首先对无标签图像进行伪标签推断，得到伪标签图像；计算伪标签图像中每个像素的概率分布熵以区分可靠像素与不可靠像素；将可靠像素加入学生模型进行训练，以最小化分割头处的交叉熵损失和表征头处的对比损失为目标对所述学生模型进行优化；不可靠像素参与对比学习过程，对所述学生模型进行优化； 所述有标签图像以及所述无标签图像均为煤岩显微图像； 步骤S1中，像素表征i的对比损失的表达式为： 其中：Pi和Ni分别为像素i的正样本和负样本的像素表征集合，i+和i‑则为分别在Pi和Ni中选取的正负样本像素表征，'·'表示内积，τ0是温度系数；正样本和负样本包括选取自像素表征记忆库的困难正样本和困难负样本以及随机选取自当前批次特征图中的普通正样本和普通负样本； 所述像素表征记忆库中，每个像素类别c具有对应的像素表征记忆队列，所述像素表征记忆库还包括区域均值表征记忆库；所述区域均值表征记忆库中存储有当前批次有标签图像对应的特征图中，每个像素类别c对应的各像素表征的像素表征均值； 每个批次的有标签图像输入到卷积神经网络后根据输出的特征图对所述区域均值表征记忆库进行更新，并随机选取预定数目的像素，根据该像素被标注的类别将对应的像素表征填充至相应像素表征记忆队列的尾部； 选取困难正样本和困难负样本的过程中，计算像素i的像素表征与所述像素表征记忆库中各表征的内积，并选取内积最大和最小的若干表征作为困难正样本和困难负样本； 从当前批次特征图中随机选取自普通正样本和普通负样本的过程中，从当前批次输出的特征图中随机选取预定数量的像素表征，计算被选取的各像素表征与像素i的像素表征之间的内积，将内积大于0的被选取像素表征作为简单正样本，将内积小于0的被选取像素表征作为简单负样本。

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上海工程技术大学，其通讯地址为：201620 上海市松江区龙腾路333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。