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！

龙图腾网获悉广东科盛隆高新技术集团有限公司申请的专利基于迁移学习和场景自适应分割的瓦楞纸缺陷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：CN120339162B 。

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：202510223183.1，技术领域涉及：G06T7/00；该发明授权基于迁移学习和场景自适应分割的瓦楞纸缺陷检测方法是由王涛;曾伟军;席勇设计研发完成，并于2025-02-27向国家知识产权局提交的专利申请。

本基于迁移学习和场景自适应分割的瓦楞纸缺陷检测方法在说明书摘要公布了：本发明公开了一种基于迁移学习和场景自适应分割的瓦楞纸缺陷检测方法，包括：采集瓦楞纸表面图像数据并进行预处理，构建数据集；选取预训练的场景自适应分割的深度学习模型，通过迁移学习进行适配，构建瓦楞纸缺陷检测模型；利用数据集训练并优化瓦楞纸缺陷检测模型；为瓦楞纸缺陷检测模型的每个预测生成解释并提供至用户处；对瓦楞纸缺陷检测模型进行评估与迭代优化。本发明通过引入预训练的自适应切割模型SAM，减少了标注数据的需求，降低了数据收集和处理的难度，计算资源占用少、检测速度快的特点，满足工业生产线的实时检测需求。

本发明授权基于迁移学习和场景自适应分割的瓦楞纸缺陷检测方法在权利要求书中公布了：1.基于迁移学习和场景自适应分割的瓦楞纸缺陷检测方法，其特征在于，包括下述步骤： 采集瓦楞纸表面图像数据并进行预处理，构建数据集； 选取预训练的场景自适应分割的深度学习模型，通过迁移学习进行适配，构建瓦楞纸缺陷检测模型； 利用数据集训练并优化瓦楞纸缺陷检测模型； 为瓦楞纸缺陷检测模型的每个预测生成解释并提供至用户处； 对瓦楞纸缺陷检测模型进行评估与迭代优化； 所述采集瓦楞纸表面的图像数据，具体为： 在标准化的光照条件下从瓦楞纸生产线上采集正常、不同缺陷类型以及不同背景噪声场景的瓦楞纸表面的图像数据，并对采集到的图像数据按缺陷类型进行标注； 所述预处理包括灰度化、滤波去噪、数据增强以及归一化； 所述通过迁移学习进行适配，构建瓦楞纸缺陷检测模型，具体为： 将预训练的深度学习模型的部分或全部层冻结，即在训练过程中不更新这些层的参数，具体为： 设L为模型的总层数，n为冻结层数，则有： ； 其中，表示第i层在冻结状态下的权重，表示预训练状态下的权重； 在模型的末端添加一个或多个自定义层，所述自定义层包括全连接层、卷积层或分类层，所述自定义层参数在训练过程中更新，自定义层的权重； 定义损失函数，具体如下式： ； 其中，为交叉熵损失函数，y是真实标签的分布，是代表对第i个标签的预测，是模型预测的分布； 微调模型，具体为：在迁移学习的过程中，并非一次性解冻所有预训练模型的层进行权重更新，而是根据训练进度或时间逐步增加特定层的权重更新比例β则有： ； 其中，表示第i层在微调过程中的权重，为初始预训练权重，β是随时间或训练进展调整的权重更新比例，表示权重的更新量； 所述利用数据集训练并优化瓦楞纸缺陷检测模型，具体为： 将所述数据集划分为训练集、验证集和测试集，其中，训练集用于瓦楞纸缺陷检测模型的训练，验证集用于瓦楞纸缺陷检测模型的调优和防止过拟合，测试集用于评估瓦楞纸缺陷检测模型的性能； 采用二元交叉熵损失函数，如下式： ； 其中，为二元交叉熵损失函数，N是批次中样本的数量，是第i个样本的真实标签，是瓦楞纸缺陷检测模型预测的概率； 采用Adam或SGD优化器调整模型权重； 在验证集上调整瓦楞纸缺陷检测模型的超参数，所述超参数包括学习率、批次大小以及训练轮数； 在验证集上使用准确率、召回率、F1分数指标评估瓦楞纸缺陷检测模型的性能，并根据评估结果对瓦楞纸缺陷检测模型进行调整和优化； 当瓦楞纸缺陷检测模型在验证集上的性能在连续多个训练轮次中的提升率小于设定阈值时，停止训练； 所述为瓦楞纸缺陷检测模型的每个预测生成解释并提供至用户处，具体为： 利用LIME算法，在瓦楞纸缺陷检测模型预测周围扰动输入数据并学习局部模型来解释预测，如下式，对于每个测试样本： ； 其中，是局部模型和SAM模型预测之间的损失函数，a是局部模型的参数，是扰动数据集中的输入样本，是对应于输入样本的真实标签或目标值，S是扰动数据集，Ω是用于控制模型复杂度的正则项； 将LIME算法生成解释实例在原始瓦楞纸表面图像数据突出显示关键特征； 将生成的解释集成到用户界面中； 利用用户对瓦楞纸缺陷检测模型输出的预测和解释做出的反馈进一步训练和优化瓦楞纸缺陷检测模型； 利用梯度加权类激活映射法将LIME算法生成解释实例在原始瓦楞纸表面图像数据突出显示关键特征，具体为： 通过反向传播计算目标类别相对于模型卷积层特征图的梯度，即； 对所述梯度进行全局平均池化，得到每个特征图的权重： ； 其中，Z是特征图的空间维度； 将所述权重应用到特征图上，生成热力图，表示模型关注的区域： 。

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广东科盛隆高新技术集团有限公司，其通讯地址为：511495 广东省广州市番禺区石壁街石壁一村谢石公路77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。