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！

龙图腾网获悉北京航空航天大学申请的专利一种结构化知识驱动的工业缺陷检测方法及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：CN119693738B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411858312.6，技术领域涉及：G06V10/774；该发明授权一种结构化知识驱动的工业缺陷检测方法及系统是由李红裔;赵迪;石泽设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种结构化知识驱动的工业缺陷检测方法及系统在说明书摘要公布了：本发明属于工业检测技术领域，公开了一种结构化知识驱动的工业缺陷检测方法及系统，获取与产品相关的制造数据，利用所述制造数据构建一个反映出工业产品缺陷特征与加工过程、环境之间关系的知识图谱；将建立的工业缺陷知识图谱视为异构信息网络，利用异构图神经网络技术对所述工业缺陷知识图谱中的各类实体与关系进行深度特征聚合，形成用于指导多环境因素耦合下的高维特征向量；利用深度迁移学习技术建立工业图像光照模型，模拟不同采集条件下工业产品的图像特征；通过训练条件噪声预测网络，构建基于条件扩散模型的工业产品缺陷数据增强框架，根据所述工业产品缺陷数据增强框架，生成真实且多样化的工业产品图像，完成工业产品缺陷检测。

本发明授权一种结构化知识驱动的工业缺陷检测方法及系统在权利要求书中公布了：1.一种结构化知识驱动的工业缺陷检测方法，其特征在于，所述方法包括： S1：获取与产品相关的制造数据，利用所述制造数据构建一个反映出工业产品缺陷特征与加工过程、环境之间关系的知识图谱，其中，所述制造数据包括机器参数、产品设计、生产流程和历史缺陷记录； S2：将建立的工业缺陷知识图谱视为异构信息网络，利用异构图神经网络技术对所述工业缺陷知识图谱中的各类实体与关系进行深度特征聚合，形成用于指导多环境因素耦合下的高维特征向量； S3：根据所述高维特征向量，利用深度迁移学习技术建立工业图像光照模型，模拟不同采集条件下工业产品的图像特征，其中，采集条件包括光照强度、均匀性、曝光时长因素； S4：根据模拟的不同采集条件下工业产品的图像特征，通过训练条件噪声预测网络，构建基于条件扩散模型的工业产品缺陷数据增强框架，根据所述工业产品缺陷数据增强框架，生成真实且多样化的工业产品图像，完成工业产品缺陷检测； 利用异构图神经网络技术对所述工业缺陷知识图谱中的各类实体与关系进行深度特征聚合，形成用于指导多环境因素耦合下的高维特征向量的方法包括： 根据公式1，对序列化的实体特征进行初始化嵌入： 其中，分别表示环境特征、设备特征与产品特征对应的序列化表示，分别表示环境特征、设备特征与产品特征对应的初始嵌入表示， 分别表示初始化嵌入参数矩阵，分别表示初始化嵌入偏置参数向量， 表示非线性激活函数； 根据公式2定义的特征提取模块，对初始化嵌入特征进行进一步的特征聚合： 2； 其中，分别表示环境特征、设备特征与产品特征对应的层隐变量，GCN表示图卷积机制，GAT表示图注意力机制，表示第层的关系属性矩阵的嵌入参数矩阵，表示邻接矩阵的参数矩阵； 经过多轮的知识图特征聚合后，通过线性层得到缺陷特征引导向量； 利用深度迁移学习技术建立工业图像光照模型的方法包括： 通过从已有的大型的自然场景图像数据集中预训练深度学习模型，然后将预训练后的深度学习模型迁移到已有的典型工业缺陷数据集中；具体地： 在ImageNet大型自然场景数据集上训练基于ResNet架构的深度U-Net网络，从而使U-Net网络学习到充分表征自然场景的关键特征，其中，所述关键特征包括：光照阴影交互、光场梯度以及过曝与欠曝区域； 针对工业产品图像的特性，建立基于金字塔机制的多尺度图像特征增强网络，对多尺度工业产品特征图像进行增强； 使用增强后的多尺度工业产品特征图像对U-Net网络进行初步微调，并根据工业产品的分辨率需求，对U-Net网络进行了预设要求的加深或加宽； 在冻结网络中部分特征提取层的基础上，引入了噪声注入矩阵和噪声采样步长，从而形成一组与注入噪声程度相关的光照模型。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。