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！

龙图腾网获悉浙江省白马湖实验室有限公司;浙江浙能技术研究院有限公司;浙江大学申请的专利一种基于对比学习的光伏组件无监督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：CN115861190B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202211434097.8，技术领域涉及：G06T7/00；该发明授权一种基于对比学习的光伏组件无监督缺陷检测方法是由寿春晖;邬荣敏;洪凌;丁莞尔;周剑武;赵春晖;周文浩;蒋羽设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本一种基于对比学习的光伏组件无监督缺陷检测方法在说明书摘要公布了：本发明涉及一种基于对比学习的光伏组件无监督缺陷检测方法，包括使用正常样本训练对比学习网络模型；对比学习网络模型包含两个编码器网络和一个物体指向的对称交叉注意力网络；基于编码器网络，得到正常样本的特征分布，采用多元高斯混合分布构建对于正常样本特征的缺陷判别模型；将待测图像输入到编码器网络中得到特征，并基于缺陷判别模型得到图像的检测结果。本发明的有益效果是：本发明能够有效检测到光伏组件的微小、多样的缺陷，只需要正常光伏图像进行训练，能够解决样本不均衡的问题；并能够在缺陷图像数少的情况下实现对未知缺陷的快速且精准的检测，具有环境适应性和鲁棒性强的优点。

本发明授权一种基于对比学习的光伏组件无监督缺陷检测方法在权利要求书中公布了：1.一种基于对比学习的光伏组件无监督缺陷检测方法，其特征在于，包括： 步骤1、构建对比学习网络模型：使用正常样本训练对比学习网络模型；所述对比学习网络模型包含两个编码器网络和一个物体指向的对称交叉注意力网络；所述两个编码器网络包括第一编码器网络和第二编码器网络，第一编码器网络和第二编码器网络的输入为固定尺寸的灰度图像；两个编码器网络具有相同的结构但具有不同的参数，记两个编码器网络的输出分别为f和q；并利用正常光伏图像对两个编码器网络进行训练； 步骤2、构建缺陷判别模型：基于步骤1所述第一编码器网络，得到正常样本的特征分布，采用多元高斯混合分布构建对于正常样本特征的缺陷判别模型； 步骤2包括： 步骤2.1、读取训练好的对比学习网络模型中的第一编码器网络； 步骤2.2、对正常光伏图像特征的每个空间位置拟合多元高斯混合模型； 步骤2.3、基于所述多元高斯混合模型Mij采用马氏距离计算特征中每个空间位置的异常分数值sij，其计算公式为： 其中，为正常图像每个空间位置i,j的特征，μij为均值，σij为对应的方差； 步骤2.4、计算异常判别阈值，包括： 步骤2.4.1、将训练集中的所有图像输入第一编码器网络得到其特征f； 步骤2.4.2、根据所述多元高斯混合模型Mij计算特征f中每个空间位置的异常分数值sij； 步骤2.4.3、取训练集中最大的异常分数值作为异常判别阈值π； 步骤2.5、构建缺陷判别模块，包括： 步骤2.5.1、将待检测图像x输入第一编码器网络得到其特征f； 步骤2.5.2、根据所述多元高斯混合模型Mij计算特征f中每个空间位置的异常分数值sij； 步骤2.5.3、取每个空间位置中异常分数最大的值作为待检测图像x的异常分数s； 步骤2.5.4、指定异常判别阈值为步骤2.4所得阈值π； 步骤2.5.5、判别异常分数是否大于所指定的阈值π，若是，则判断待检测图像x为异常图像；否则，判断待检测图像x为正常图像； 步骤3、将待测图像输入到步骤1所述第一编码器网络中得到特征，并基于步骤2所述缺陷判别模型得到图像的检测结果。

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浙江省白马湖实验室有限公司;浙江浙能技术研究院有限公司;浙江大学，其通讯地址为：310051 浙江省杭州市滨江区长河街道滨盛路1751号1110室；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。