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！

龙图腾网获悉中山大学申请的专利基于伪标签增强的半监督表面缺陷实例分割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：CN119313688B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411357435.1，技术领域涉及：G06T7/11；该发明授权基于伪标签增强的半监督表面缺陷实例分割方法是由赖剑煌;叶标华;康丹青设计研发完成，并于2024-09-27向国家知识产权局提交的专利申请。

本基于伪标签增强的半监督表面缺陷实例分割方法在说明书摘要公布了：本发明提供基于伪标签增强的半监督表面缺陷实例分割方法，包括获取表面缺陷图像数据集；用少量标注的缺陷图像数据训练初始的实例分割网络；将标注的缺陷图像数据输入到学生实例分割网络对其进行训练；将无标注的缺陷图像数据输入到教师实例分割网络、学生实例分割网络中，分别获取每个缺陷实例的掩膜及特征；然后输入到跨监督对比学习模块和通用分布融合模块中；构建对比学习损失函数、获取融合后的伪标签，用伪标签训练学生实例分割网络；并使用学生实例分割网络的参数更新教师实例分割网络的参数。本发明能够应对小数据集规模和缺陷边界模糊的挑战，通过通用分布融合模块能够估计复杂的类别特征分布，提高来自教师模型掩膜伪标签的质量。

本发明授权基于伪标签增强的半监督表面缺陷实例分割方法在权利要求书中公布了：1.基于伪标签增强的半监督表面缺陷实例分割方法，其特征在于，包括如下步骤： S1、获取表面缺陷图像数据集；并对部分缺陷图像进行实例分割格式标注； S2、用少量标注的缺陷图像数据训练初始的实例分割网络；并将初始网络的参数用于初始化学生实例分割网络和教师实例分割网络的参数；具体包括如下步骤： S21、将标注的缺陷图像数据输入到实例分割网络中，缺陷图像经过实例分割网络的特征提取器和解码器后，最终输出缺陷图像的每个实例的预测，包括实例的类别预测类别以及实例的掩膜预测； S22、根据缺陷图像数据的标注中的真实实例的类别和掩膜，计算预测类别和掩膜的损失函数； 其中，预测类别损失函数为交叉熵损失函数；掩膜的损失函数为均方差损失函数： 交叉熵损失函数为：； 均方差损失函数为：； S3、将标注的缺陷图像数据输入到学生实例分割网络中，结合学生实例分割网络的输出和缺陷图像数据的标注，训练学生实例分割网络； S4、将无标注的缺陷图像数据输入到教师实例分割网络中，获取教师实例分割网络输出的每个缺陷实例的掩膜；同时将无标注的缺陷图像数据输入到学生实例分割网络中，获取学生实例分割网络的骨干网络输出的特征； S5、将教师实例分割网络输出的每个缺陷实例的掩膜、以及学生实例分割网络的骨干网络输出的特征输入到跨监督对比学习模块中；构建对比学习损失函数； 缺陷实例的掩膜的取值范围为[0,1]，按照掩膜的值将缺陷实例的掩膜分为四部分，分别为：的部分为简单背景区域，为困难背景区域，的部分为困难缺陷区域，为简单缺陷区域； 对于每个图像的每个实例，所述的学生实例分割网络的骨干网络输出的特征为[]的张量，其中，分别表示特征的通道维度、长和宽； 通过将掩膜的四个部分m1-m4和学生实例分割网络的骨干网络输出的特征进行张量乘法，再进行全局平均池化，获得[,1,1]的向量，即是实例的特征中心；特征中心的类别为对该实例预测的类别，向量的计算表达式为： ； 其中，为全局平均池化操作，对[]的张量在[]维度同时计算均值，得到[c,1,1]的向量； S6、将教师实例分割网络输出的每个缺陷实例的掩膜、以及学生实例分割网络的骨干网络输出的特征输入到通用分布融合模块中，获取融合后的伪标签，用伪标签训练学生实例分割网络； S7、使用学生实例分割网络的参数通过动量迭代更新的方式，更新教师实例分割网络的参数。

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中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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。