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！

龙图腾网获悉常州先进制造技术研究所申请的专利一种基于小样本学习的大型工件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：CN116026844B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202310154917.6，技术领域涉及：G01N21/88；该发明授权一种基于小样本学习的大型工件检测方法是由赵娜娜;吴晶华;王玉成;黄烨鑫;叶晓东;王芸设计研发完成，并于2023-02-23向国家知识产权局提交的专利申请。

本一种基于小样本学习的大型工件检测方法在说明书摘要公布了：本发明公开了一种基于小样本学习的大型工件检测方法，是将六轴机械臂设置在自由升降平台上，并在六轴机械臂上通过旋转云台设置有第一工业相机，智能旋转臂是在底盘上设置有可转动的旋转柱，并在旋转柱的顶部设置有导轨，在导轨上通过另一旋转云台设置有第二工业相机，该方法包括：1、拍摄工件侧面和顶面的各个检测点所对应的工件区域，从而得到工件侧面的A个图像数据和工件顶面的B个图像数据；2、将图像数据转换为灰度图像后进行预处理，并生成多份灰度样本图像；3构建基于InceptionV3网络的小样本图像识别模型并训练后用于实现对待检测的样本图像进行类别识别。本发明具有识别率高、便于产品更新，能满足大型工件表面检测要求。

本发明授权一种基于小样本学习的大型工件检测方法在权利要求书中公布了：1.一种基于小样本学习的大型工件检测方法，其特征在于，应用于六轴机械臂和智能旋转臂构成的检测环境中，所述六轴机械臂设置在自由升降平台上，并在所述六轴机械臂上通过旋转云台设置有第一工业相机，用于在高度范围内对工件的侧部进行旋转拍摄，所述智能旋转臂在底盘上设置有可转动的旋转柱，并在所述旋转柱的顶部设置有导轨，在所述导轨上通过另一旋转云台设置有第二工业相机，所述第二工业相机在所述导轨上移动并对工件的顶部进行旋转拍摄；所述大型工件检测方法是按如下步骤进行： 步骤1针对工件侧面形状，根据侧面检测需求，设定A个检测点，从而根据A个检测点对所述六轴机械臂的运动轨迹进行规划，使得所述六轴机械臂带动第一工业相机按照规划的运动轨迹进行移动的同时，拍摄工件侧面的各个检测点所对应的工件区域，从而得到工件侧面的A个图像数据； 步骤2针对工件顶部形状，根据顶部检测需求，预先设置B个检测点，从而根据B个检测点对智能旋转臂的运动轨迹进行规划，使得所述智能旋转臂带动第二工业相机按照规划的运动轨迹进行移动的同时，拍摄工件顶部的各个检测点所对应的工件区域，从而得到工件顶面的B个图像数据； 步骤3判断图像数据的颜色空间，若为彩色图像，则直接转换为灰度图像，否则，保留表示原始图像即为灰度图像； 步骤4利用图像处理算法对灰度图像进行单样本的增强： 步骤4.1根据灰度图像中的工件位置，利用式1对任意一张灰度图像进行多目标粗分割，得到分割后的二值图像： 1 式1中，表示灰度图像在位置点处的像素值，表示黑像素值，表示白像素值，表示分割阈值；表示分割后的二值图像在位置点处的像素值； 步骤4.2利用双线性插值法分别对分割后的二值图像在x方向上进行两次线性插值后再在y方向上进行一次线性插值，从而得到标准化后的二值图像： 步骤4.3对标准化后的二值图像进行数据增强处理，包括：镜像与对称操作、尺度变换操作、旋转操作、平移操作，从而生成多份样本图像，以完成单样本的增强； 步骤5利用图像处理算法生成对抗网络GAN对灰度图像进行单样本的增强： 构建由生成网络G和判别网络D所组成的生成对抗网络GAN，并对任意一张灰度图像进行处理，从而生成多份样本图像； 步骤6将步骤4和步骤5所生成的多份样本图像合并为样本库，并为样本库中的每张图像样本设置对应类别标签； 步骤7构建基于InceptionV3网络的小样本图像识别模型，包括：六层卷积层、两层池化层、混合层、全连接层和dropout层； 所述样本库中任意一张样本图像F输入小样本图像识别模型中，并由第一层卷积层对所述样本图像F进行卷积操作，得到降维后的图像数据F1； 第二层卷积层对图像数据F1进行卷积操作，得到降维后的图像数据F2； 第三层卷积层对图像数据F2进行卷积操作，得到降维后的图像数据F3； 第一层池化层对图像数据F3进行最大池化操作，得到池化后的图像数据F4； 第四层卷积层对图像数据F4进行卷积操作，得到降维后的图像数据F5； 第五层卷积层对图像数据F5进行卷积操作，得到降维后的图像数据F6； 第六层卷积层对图像数据F6进行第六层卷积操作，得到降维后的图像数据F7； 所述混合层对图像数据F7进行八次卷积操作，得到图像特征数据F8； 第二层池化层对图像特征数据F8进行最大池化操作，得到池化后的图像特征数据F9； 所述全连接层对图像特征数据F9进行全连接操作，得到图像特征数据T； 所述dropout层对图像特征数据T进行操作，得到特征数据G； 利用softmax函数对特征数据G进行分类得到各个类的概率值，并以最大概率值作为样本图像F所对应的类别； 步骤8以最小化交叉熵损失函数为目标，通过Adam优化算法对小样本图像识别模型进行训练，并更新其网络参数，直到损失函数收敛为止，从而得到训练好的小样本图像识别模型，用于实现对待检测的样本图像进行类别识别。

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常州先进制造技术研究所，其通讯地址为：213164 江苏省常州市武进区常武中路801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”。