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！

龙图腾网获悉四川大学申请的专利一种基于深度学习的锂电池表面缺陷智能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：CN120495764B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202510593829.5，技术领域涉及：G06V10/764；该发明授权一种基于深度学习的锂电池表面缺陷智能检测方法是由季殊灿;汤臣薇;邢靖玉;张翰辰;陈浩铭;张书铖设计研发完成，并于2025-05-09向国家知识产权局提交的专利申请。

本一种基于深度学习的锂电池表面缺陷智能检测方法在说明书摘要公布了：本发明公开了一种基于深度学习的锂电池表面缺陷智能检测方法，包括：S1、对采集的锂电池表面图像进行无监督聚类辅助缺陷标注，并进行缺陷增强处理，构建锂电池表面图像数据集；S2、利用相关领域的未标注缺陷图像对YOLOv8模型进行自监督预训练，并保留YOLOv8模型骨干网络的预训练权重；S3、构建改进YOLOv8模型，并将骨干网络的预训练权重迁移至改进YOLOv8模型中；S4、利用锂电池表面图像数据集对改进YOLOv8模型进行训练，得到缺陷检测模型；S5、将待检测的锂电池表面图像输入至缺陷检测模型中，得到缺陷检测结果。本发明方法实现了测锂电池表面缺陷检测的高精度与高效率。

本发明授权一种基于深度学习的锂电池表面缺陷智能检测方法在权利要求书中公布了：1.一种基于深度学习的锂电池表面缺陷智能检测方法，其特征在于，包括以下步骤： S1、对采集的锂电池表面图像进行无监督聚类辅助缺陷标注，并进行缺陷增强处理，构建锂电池表面图像数据集； S2、利用相关领域的未标注缺陷图像对YOLOv8模型进行自监督预训练，并保留YOLOv8模型骨干网络的预训练权重； S3、构建改进YOLOv8模型，并将骨干网络的预训练权重迁移至改进YOLOv8模型中； S4、利用锂电池表面图像数据集对改进YOLOv8模型进行训练，得到缺陷检测模型； S5、将待检测的锂电池表面图像输入至缺陷检测模型中，得到缺陷检测结果； 所述步骤S1包括以下分步骤： S11、基于生成对抗网络对采集的锂电池表面图像去噪，得到去噪锂电池表面图像； 其中，所述生成对抗网络的生成器为U‑Net网络，判别器为PatchGAN网络； S12、对去噪锂电池表面图像依次进行标准化、归一化、数据增强、图像裁剪和重标定处理，获得标准锂电池表面图像； S13、构建无监督聚类模型对标准锂电池表面图像进行聚类，并结合专家意见，确定各聚类簇的标签并标注； S14、对缺陷标准锂电池表面图像进行基于Perlin噪声的缺陷增强处理，扩充缺陷标准锂电池表面图像的数据量； S15、将缺陷增强处理后的缺陷标准锂电池表面图像和正常标准锂电池表面图像一并组成锂电池表面图像数据集； 所述步骤S13中，所述无监督聚类模型中的层次化聚类模块引入互信息约束进行逐层聚类时的聚类目标为： 每一层的聚类优化目标为： 式中，表示逐层聚类的总损失，表示第l层聚类时的聚类损失，表示用于衡量当前层和上一层聚类结果之间差异的散度函数，和分别表示当前层和上一层的聚类结果，表示使得KL散度最小的模型参数，表示使KL散度最小的聚类中心集合，表示特征向量i属于聚类j的隶属度，表示第i个特征向量在聚类中的分配强度，表示聚类j的样本总数； 互信息约束表示为： 式中，表示特征向量与聚类类别之间的互信息，表示聚类类别分配的概率分布，表示聚类类别的熵，表示对特征向量与聚类类别的联合分布的期望。

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四川大学，其通讯地址为：610041 四川省成都市一环路南一段24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。