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！

龙图腾网获悉上海交通大学申请的专利一种面向激光焊接制造的状态检测与在线学习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：CN120877020B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202510977360.5，技术领域涉及：G06V10/774；该发明授权一种面向激光焊接制造的状态检测与在线学习方法是由钱久超;范佳伟;金涵设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本一种面向激光焊接制造的状态检测与在线学习方法在说明书摘要公布了：本发明涉及激光焊接质量检测技术领域，具体公开了一种面向激光焊接制造的状态检测与在线学习方法，包括：构建多材料焊接缺陷图像数据集；构建初始焊接缺陷检测模型；根据多材料焊接缺陷图像数据集对初始焊接缺陷检测模型进行训练，以得到训练后的焊接缺陷检测模型；对训练后的焊接缺陷检测模型进行评估，当评估通过后，将当前待检测焊接图像输入到训练后的焊接缺陷检测模型中进行检测，以输出当前待检测焊接图像的缺陷类别检测结果。本发明不仅为激光焊接过程提供了更为精确、实时的质量监测手段，还推动了智能制造技术在焊接领域的应用与发展；通过实现焊接过程的智能化控制，有助于提高工业生产效率，降低生产成本，同时保障产品质量。

本发明授权一种面向激光焊接制造的状态检测与在线学习方法在权利要求书中公布了：1.一种面向激光焊接制造的状态检测与在线学习方法，其特征在于，所述面向激光焊接制造的状态检测与在线学习方法包括如下步骤： 步骤S1：构建多材料焊接缺陷图像数据集； 步骤S2：构建初始焊接缺陷检测模型； 步骤S3：根据所述多材料焊接缺陷图像数据集对所述初始焊接缺陷检测模型进行训练，以得到训练后的焊接缺陷检测模型； 步骤S4：对所述训练后的焊接缺陷检测模型进行评估，当评估通过后，将当前待检测焊接图像输入到所述训练后的焊接缺陷检测模型中进行检测，以输出所述当前待检测焊接图像的缺陷类别检测结果； 所述步骤S3中，还包括： 将所述多材料焊接缺陷图像数据集中不锈钢的6类焊接缺陷图像作为基类数据集，将所述基类数据集输入到所述初始焊接缺陷检测模型中进行训练，以得到当前焊接缺陷检测模型，将当前焊接缺陷检测模型作为后续知识蒸馏基础的教师模型； 接着在所述教师模型的基础上依次引入所述多材料焊接缺陷图像数据集中铝合金的4类焊接缺陷图像作为增量类别，固定所述教师模型的CNN特征提取器的参数，并动态扩展全连接层的输出维度，通过两阶段联合优化策略训练当前焊接缺陷检测模型，以得到每次增量训练后的学生模型，然后对每次增量训练后的学生模型进行多维度性能验证； 其中，两阶段联合优化策略包括通过教师模型生成软标签传递历史分类经验的第一阶段优化策略和融合硬标签交叉熵损失与软标签蒸馏损失的第二阶段优化策略；其中，软标签是指教师模型对所述基类数据集输出的缺陷类别概率分布规律，硬标签是指新焊接缺陷图像的独热编码； 在所述第一阶段优化策略中，采用教师-学生模型架构，教师模型基于所述基类数据集训练完成且参数固定，仅作为知识，学生模型初始时继承教师模型的CNN特征提取器的参数，全连接层按新增类别数动态扩展但参数随机初始化，通过教师模型生成的软标签，学生模型仅优化全连接层的参数，利用分类损失拟合软标签； 在所述第二阶段优化策略中，将旧类焊接缺陷图像与新类焊接缺陷图像按1:1比例混合作为训练集，损失函数为分类损失与蒸馏损失之和，其中蒸馏损失通过特征图重要性加权以约束新旧模型的特征图差异，参数更新时，CNN特征提取器仅更新与新类焊接缺陷图像相关的非关键特征参数，全连接层的旧类别权重冻结、新类别权重以0.01的学习率优化； 在所述第二阶段优化策略中，通过所述特征图重要性加权和蒸馏损失约束特征空间对当前焊接缺陷检测模型进行训练； 1特征图重要性加权：通过泰勒展开计算出CNN特征提取器各层特征图的梯度范数作为重要性，公式为： ； 其中，是第个任务时第层中第个特征图的重要性，是第层中的第个特征图，是旧任务分类损失，表示Frobenius范数； 通过遍历旧任务示例，反向传播获取CNN特征提取器各层特征图的梯度范数，累加到重要性矩阵中，并归一化，重要性矩阵的公式如下： ； 其中，是CNN特征提取器第层中的通道数量； 2蒸馏损失约束特征空间：通过约束新旧模型的特征图差异，保留旧任务关键特征，蒸馏损失的计算公式为： ； 其中，是旧模型在第层中的第个特征图，是新模型在第层中的第个特征图是批量大小，是CNN特征提取器的卷积层总数，是当轮训练的训练样本；前向传播同时获取新旧模型的特征图，计算出蒸馏损失，并与分类损失加权求和以得到总损失； 分类损失的计算公式为： ； 其中，是当轮训练的样本数量，是第个训练样本的真实标签，是第个训练样本的预测概率； 总损失的计算公式为： ； 其中，是蒸馏损失的固定权重参数，是随任务阶段动态调整的权重系数；其中，初始任务时，即=1，CNN特征提取器的参数和全连接层的参数均随机初始化，后续任务时，即1时，通过新类焊接缺陷图像训练，CNN特征提取器的参数部分更新，全连接层的参数动态扩展；其中，全连接层的参数动态扩展机制以全连接层的权重矩阵W为核心，初始基类训练时全连接层的输出维度为6，对应权重矩阵，新增第类训练时权重矩阵扩展为。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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。