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！

龙图腾网获悉豫章师范学院申请的专利一种基于条件化适配器的统一异常检测方法与系统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：CN120526232B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202511015740.7，技术领域涉及：G06V10/764；该发明授权一种基于条件化适配器的统一异常检测方法与系统是由付淇;张宇豪;洪如霞;张永选;谢彩云;李亦欣;邹丽强设计研发完成，并于2025-07-23向国家知识产权局提交的专利申请。

本一种基于条件化适配器的统一异常检测方法与系统在说明书摘要公布了：本发明提出一种基于条件化适配器的统一异常检测方法与系统，该方法包括：利用大型语言模型生成领域相关的文本提示集合，在视觉编码器和文本编码器内植入LoRA适配器并冻结原始参数，第一阶段冻结视觉编码器，提取文本特征与医学图像的视觉表征，构建加权对比损失训练文本编码器LoRA，生成文本锚点特征，第二阶段冻结文本编码器，复用加权对比损失驱动视觉编码器LoRA训练，实现视觉特征与文本锚点的条件化对齐，最终对测试图像同时执行分类与分割任务。本发明通过将“文本锚点学习”和“视觉特征对齐”两个过程完全解耦，使得每个阶段的优化目标都变得单一且明确，从而保证了训练过程的稳定性和高效性，更容易收敛至一个全局最优解。

本发明授权一种基于条件化适配器的统一异常检测方法与系统在权利要求书中公布了：1.一种基于条件化适配器的统一异常检测方法，其特征在于，所述方法包括如下步骤： 步骤1、获取领域相关的种子问题，并输入至大型语言模型中进行处理，以得到包含正常文本提示与异常文本提示的文本提示集合； 步骤2、加载包含视觉编码器与文本编码器的预训练的视觉‑语言模型，将LoRA适配器分别植入至视觉编码器与文本编码器中，并将视觉编码器与文本编码器的原始权重参数进行冻结，以得到微调的视觉‑语言模型； 步骤3、在第一阶段，将植入文本编码器内的LoRA适配器设置为可训练状态，并利用微调的视觉‑语言模型分别对医学图像与文本提示集合进行特征提取，以分别得到视觉表征与文本特征，基于视觉表征与文本特征构建第一阶段的加权对比学习损失函数，利用第一阶段的加权对比学习损失函数对文本编码器进行训练，得到第一阶段训练后的文本编码器； 步骤4、在第二阶段，将植入视觉编码器内的LoRA适配器设置为可训练状态，利用第一阶段训练后的文本编码器对文本提示集合进行特征提取，得到文本锚点特征，基于视觉表征与文本锚点特征构建第二阶段的加权对比学习损失函数，利用第二阶段的加权对比学习损失函数对视觉编码器进行训练，得到第二阶段训练后的视觉编码器，利用第一阶段训练后的文本编码器与第二阶段训练后的视觉编码器构成训练后的视觉‑语言模型； 步骤5、输入待测图像，利用训练后的视觉‑语言模型对待测图像与文本提示集合进行特征提取，并分别构建分类任务与分割任务，以分别得到图像级的异常分数与异常分割图； 其中，在所述步骤3中，在第一阶段，将植入文本编码器内的LoRA适配器设置为可训练状态，并利用微调的视觉‑语言模型分别对医学图像与文本提示集合进行特征提取，以分别得到视觉表征与文本特征，基于视觉表征与文本特征构建第一阶段的加权对比学习损失函数，利用第一阶段的加权对比学习损失函数对文本编码器进行训练，得到第一阶段训练后的文本编码器，具体包括如下子步骤： 在第一阶段，将微调的视觉‑语言模型中文本编码器内植入的LoRA适配器设置为可训练状态，并冻结植入视觉编码器内的LoRA适配器； 利用微调的视觉编码器对医学图像进行特征提取，以得到块特征序列； 将块特征序列输入至轻量级多尺度视觉特征融合模块中进行处理，以得到视觉表征，对应过程中存在如下关系式： ； 其中，表示视觉表征，表示轻量级多尺度视觉特征融合模块，表示块特征序列，表示视觉编码器的层深度索引，表示预定义的集合； 利用微调的文本编码器对文本提示集合进行特征提取，以得到文本特征； 基于视觉表征与文本特征构建得到第一阶段的加权对比损失函数，对应过程中存在如下关系式： ； 其中，表示第一阶段的加权对比学习损失，表示取对数，表示指数函数，表示经过余弦相似度计算，表示与医学图像对应的正样本文本特征；表示温度超参数，用于调节分布的锐度；表示关键的梯度权重因子，表示第个可学习的文本特征向量； 利用第一阶段的加权对比学习损失函数对文本编码器进行训练，以得到第一阶段训练后的文本编码器，对应过程中存在如下关系式： ； 其中，表示最优的文本LoRA参数，表示取使函数达到最小值的参数，表示文本编码器中可训练的LoRA参数，表示在整个训练数据集上的的平均值，表示医学图像，表示单个“正样本”文本提示，表示视觉编码器，表示视觉编码器中被冻结的原始参数，表示文本编码器，表示文本编码器中被冻结的原始参数，表示单个“负样本”文本提示； 其中，在所述步骤4中，在第二阶段，将植入视觉编码器内的LoRA适配器设置为可训练状态，利用第一阶段训练后的文本编码器对文本提示集合进行特征提取，得到文本锚点特征，基于视觉表征与文本锚点特征构建第二阶段的加权对比学习损失函数，利用第二阶段的加权对比学习损失函数对视觉编码器进行训练，得到第二阶段训练后的视觉编码器，利用第一阶段训练后的文本编码器与第二阶段训练后的视觉编码器构成训练后的视觉‑语言模型，具体包括如下子步骤： 在第二阶段，冻结第一阶段训练后的文本编码器内植入的LoRA适配器，将微调的视觉‑语言模型中视觉编码器内植入的LoRA适配器设置为可训练状态； 利用第一阶段训练后的文本编码器对文本提示集合进行特征提取，得到文本锚点特征； 基于视觉表征与文本锚点特征构建得到第二阶段的加权对比学习损失函数，对应过程中存在如下关系式： ； 其中，表示第二阶段的加权对比学习损失，表示文本锚点特征，表示第个固定的文本特征向量； 利用第二阶段的加权对比学习损失函数对视觉编码器进行训练，得到第二阶段训练后的视觉编码器，对应过程中存在如下关系式： ； 其中，表示最优的视觉LoRA参数，表示视觉编码器中可训练的LoRA参数； 利用第一阶段训练后的文本编码器与第二阶段训练后的视觉编码器构成训练后的视觉‑语言模型； 其中，在所述步骤5中，输入待测图像，利用训练后的视觉‑语言模型对待测图像与文本提示集合进行特征提取，并分别构建分类任务与分割任务，以分别得到图像级的异常分数与异常分割图，具体包括如下子步骤： 输入待测图像，利用第二阶段训练后的视觉编码器对待测图像进行特征提取，得到增强视觉特征； 利用第一阶段训练后的文本编码器对文本提示集合进行特征提取，以分别得到正常文本锚点特征与异常文本锚点特征，对应过程中存在如下关系式： ； 其中，表示正常文本锚点特征，表示正常文本提示的总数，表示第条正常文本提示，表示异常文本锚点特征，表示异常文本提示的总数，表示第条异常文本提示； 计算增强视觉特征、正常文本锚点特征与异常文本锚点特征之间的余弦相似度，得到图像级的异常分数，对应过程中存在如下关系式： ； 其中，表示图像级的异常分数，表示增强视觉特征； 通过分类阈值对图像级的异常分数进行判断，当图像级的异常分数大于分类阈值时，判定待测图像为异常样本；反之，则判定为正常样本； 分别计算每个深度层的块特征序列与异常文本锚点特征的余弦相似度，生成异常热力图，对应过程中存在如下关系式： ； 其中，表示热力图中第个位置的值，表示从第层提取的代表图像第个位置的块特征向量； 将不同深度层的异常热力图依次经过上采样与加权融合处理，以得到融合后的总热力图，对应过程中存在如下关系式： ； 其中，表示融合后的总热力图，表示异常热力图的数量，表示经过上采样处理； 对融合后的总热力图进行高斯滤波处理，得到异常分割图，对应过程中存在如下关系式： ； 其中，表示异常分割图，表示一个标准差为的高斯核，表示卷积操作。

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豫章师范学院，其通讯地址为：330000 江西省南昌市梅岭大道1999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”。