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！

龙图腾网获悉沈阳派得林科技有限责任公司申请的专利一种基于主动学习的焊缝缺陷智能识别模型进化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：CN116258175B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202211731003.3，技术领域涉及：G06N3/0464；该发明授权一种基于主动学习的焊缝缺陷智能识别模型进化方法是由张焕群;赵真;赵阳;付明芮设计研发完成，并于2022-12-30向国家知识产权局提交的专利申请。

本一种基于主动学习的焊缝缺陷智能识别模型进化方法在说明书摘要公布了：本发明提供一种基于主动学习的焊缝缺陷智能识别模型进化方法，涉及人工智能主动学习技术领域。该方法首先建立初始模型，将数字化焊缝底片图像进行样本标注并送入到目标检测模型进行训练迭代，获得初级检测器；其次，将检出的结果输入到价值样本挖掘模块，主动筛选出影响模型检出率和易产生误检的缺陷样本；再次，对挖掘的价值样本进行主动标注，建立价值样本标注数据库；最后对全部数据集进行再训练，通过微调模型参数，实现模型的进化升级。本发明提供的方法解决了传统的固定模型对未知缺陷检测能力较低的问题，大幅度提升了长输管道射线影像智能识别能力。

本发明授权一种基于主动学习的焊缝缺陷智能识别模型进化方法在权利要求书中公布了：1.一种基于主动学习的焊缝缺陷智能识别模型进化方法，其特征在于，包括以下步骤： 步骤1把经过数字化底片扫描的焊缝射线图像及其对应的缺陷标签送入检测网络进行训练与优化，获得初始检测模型； 步骤1.1基于数字化图像标注焊缝缺陷训练集，按照矩形框的形式给出缺陷的像素坐标，并形成训练集： ； 其中，n表示训练集样本个数，对于任意给定训练集中的图像，任意图像中的缺陷实例集可以表示为，每张图像的实例标签记作，其中表示为图像中缺陷的个数，上标表示带标签的数据； 步骤1.2对训练集进行数据增强与增广； 通过扩充训练样本来增加模型的泛化能力，并模拟未知场景中样本的多样性，与复杂性，进而大幅度提升初始模型的检测精度；图像增强模块采取高斯噪声、自适应亮度调整、图像平移、图像翻折、图像尺度缩放、多张图像拼接的方式并对实例标签采取相同的操作进而大幅度扩充了数据集，其中表示为扩充数据集后焊缝图像中缺陷的个数； 步骤1.3将焊缝图像分批次的输入到全卷积检测网络中，提取特征表示并输出预测的类别概率与目标位置； 步骤1.4通过优化损失，使用SGD优化器，通过评估恒定的损失波动，保存稳定初始检测模型，损失包括两部分，分别是分类损失与回归损失，如公式1所示： ；其中，为二元分类交叉熵损失函数，为边界框回归损失函数，代表标签的类别概率，代表标签的边框； 根据公式1计算得到的损失值，优化器在迭代过程中将对网络全局参数进行优化，直至损失函数最小，如公式2所示： ； 设定训练轮数上限，使得训练轮数达到时停止训练过程，可获得具备推理未知图像的缺陷分类和定位信息的初级缺陷检测模型； 步骤2基于模型推理的检测结果，即预测的类别概率和目标位置，设计多重价值样本挖掘策略；分别考虑基于信息熵的不确定规则挖掘高置信度确定缺陷样本以及低置信度模糊样本，除此之外考虑到焊缝缺陷之间的高度相似性，基于边界不确定规则设计分类模糊样本查询规则，最后考虑了基于后验统计新的贝叶斯策略对缺陷出现的频次进行样本挖掘； 步骤3将无标记的焊缝图像，送入到初始缺陷检测模型中进行管道焊缝缺陷的分类和边框定位，得到无监督检测结果；检出的结果输入到步骤2中的价值样本挖掘策略模块，主动筛选出影响模型检出率和容易误检的缺陷样本； 步骤3.1数字化底片高度为，判断是否能够将单个或多个缺陷标记框剪成的子图像，通过尾部补零的方式，剪切成多个分辨率的子图； 步骤3.2将多个子图像输入到缺陷检测模型，推理缺陷的类别信息和位置信息，并输入到上述步骤2中的四种采样策略并进行汇总得到有价值的焊缝底片，实现样本的主动挖掘； 步骤4在挖掘出的价值样本中，将长输管线数字化底片上的缺陷进行分段裁剪，使目标检测模型有针对性地对缺陷进行特征采集；将裁剪后的长输管道小片进行人工的专家标注，修正错误的检出结果，标记出未检出的缺陷，形成带有真实标注的价值样本，基于缺陷检测模型进行微调与再训练得到，完成模型的一次进化；所述步骤2具体包括以下步骤： 步骤2.1为挖掘危害性较大的缺陷样本，采用高确信度采样的方法收集样本； 步骤2.2为挖掘模型推理分歧较大的缺陷样本，采用信息熵采样的方法收集样本； 步骤2.3为挖掘具备高相似性的缺陷样本，采用边界采样的方法收集样本； 步骤2.4考虑缺陷类别数目占总体样本的概率，采用贝叶斯采样的方法收集样本；所述步骤2.1具体包括以下内容： 挖掘置信度较高的确定样本，对于焊缝缺陷识别中，危害性较大的缺陷裂纹、未熔合缺陷和条形缺陷，采用高确信度采样的公式： 3； 其中，表示裂纹、条形和未熔合缺陷边界框，是该类别的置信度，选取大于的缺陷作为价值样本，为设定阈值；通过挖掘大量的确定样本，实现了高可信度危害缺陷样本的自动挖掘，从而提升标注的自动化水平；所述步骤2.2具体包括以下内容： 挖掘特征判定分歧较大的信息熵样本,信息熵采样的公式为： 4； 其中，n是缺陷类别数，是第类的概率，对所有概率及其对数的积进行求和，得到类别不确定期望，信息熵考虑了全部类别的概率情况，解决了类别间置信度不明显的问题；所述步骤2.3具体包括以下内容： 对于长输管道焊缝缺陷存在较高的类间相似性问题，边界采样将考虑边界框中预测概率相近的两个类别，并对此类样本进行挖掘，如下所示： 5； 其中，，表示第类和第类缺陷，是差异度阈值，用于筛选出类别相似性较高的缺陷种类；所述步骤2.4具体包括以下内容： 在批量挖掘价值样本的过程中，统计缺陷类别占总体样本的频率，作为该类别置信度的影响因子，计算类别频率下的后验概率，贝叶斯采样BayesSamples的公式为： 6； 7； 其中，是置信度，公式4代表该类别置信度的影响因子，是缺陷类别数，代表总样本数；为防止挖掘开始时影响因子不稳定的问题，设置c为类别基数，类别出现次数越大影响因子越小，贝叶斯采样着重关注类别次数出现不多的小类别样本，解决样本不均衡的问题。

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沈阳派得林科技有限责任公司，其通讯地址为：110000 辽宁省沈阳市皇姑区蒲河街7号3号楼203；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。