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！

龙图腾网获悉湖南大学;江西省通讯终端产业技术研究院有限公司申请的专利基于跨分辨率、多层次知识蒸馏的缺陷自动检测方法及系统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：CN121640194B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202610156207.0，技术领域涉及：G06V10/764；该发明授权基于跨分辨率、多层次知识蒸馏的缺陷自动检测方法及系统是由谢核;秦治强;易俊飞;杨阳;熊成杰;谭亲;周显恩;王耀南设计研发完成，并于2026-02-03向国家知识产权局提交的专利申请。

本基于跨分辨率、多层次知识蒸馏的缺陷自动检测方法及系统在说明书摘要公布了：本发明公开了一种基于跨分辨率、多层次知识蒸馏的缺陷自动检测方法及系统，该方法包括步骤1：获取待检测的智能制造产品图像；步骤2：构建用于智能制造缺陷检测的教师‑学生网络蒸馏模型；步骤3：利用步骤1获得的数据集对步骤2中的教师网络模型进行训练；步骤4：跨分辨率与多层次训练教师‑学生网络蒸馏模型中的学生网络模型；步骤5：利用训练好的学生网络模型，对待检测的智能制造产品图像进行缺陷检测。通过提出一种跨分辨率、多层次知识蒸馏的框架，设计了局部细节与空间结构的协同蒸馏机制；提出了形态自适应语义蒸馏方法，能够更好适用于智能制造产品动态和实时缺陷检测。

本发明授权基于跨分辨率、多层次知识蒸馏的缺陷自动检测方法及系统在权利要求书中公布了：1.一种基于跨分辨率、多层次知识蒸馏的缺陷自动检测方法，其特征在于，包括： 步骤1：获取待检测的智能制造产品图像，并进行预处理和标注，得到数据集； 步骤2：构建用于智能制造缺陷检测的教师-学生网络蒸馏模型，包括教师网络模型和轻量化学生网络模型，两者通过知识蒸馏机制实现特征与检测能力的传递； 步骤3：利用步骤1获得的数据集对步骤2中的教师网络模型进行训练，获得训练结果最佳的教师网络模型； 步骤4：跨分辨率与多层次训练教师-学生网络蒸馏模型中的轻量化学生网络模型； 利用数据集中的缺陷图像以高、低不同分辨率分别输入至所述最佳的教师网络模型和所述轻量化学生网络模型，通过前向传播分别从最佳的教师网络模型和轻量化学生网络模型的特征金字塔网络中提取三个层级特征，分别将提取的两组三个层级特征进行知识提取和知识蒸馏损失计算，将蒸馏损失与轻量化学生网络模型自身的检测损失相结合，通过反向传播算法优化获得训练完成的轻量化学生网络模型； 步骤5：利用训练好的轻量化学生网络模型，对待检测的智能制造产品图像进行缺陷检测； 所述三个层级特征包括细节层级特征、结构层级特征以及语义层级特征； 所述语义层级特征的提取过程通过引入可变形卷积进行自适应空间采样，获得不同形状和尺度的语义目标区域，实现区域选定： ； 其中，F为输入特征图，F’表示通过可变形卷积提取的特征，wi为卷积权重，p表示输入特征图上的原始采样位置，Δpi为由网络学习得到的采样偏移量； 细节蒸馏损失计算过程如下： 步骤A1：对轻量化学生网络模型中输出的学生层级特征的通道空间采用可学习的正交通道投影矩阵进行线性变换； ； 其中，Fs表示轻量化学生网络模型中输出的学生层级特征，是通道对齐后的学生层级特征，表示将矩阵W作用于Fs的通道维度上，W表示可学习的正交投影矩阵，满足WTW=I，Ct≥Cs，I表示单位矩阵，Ct表示教师层级特征Ft的通道数，Cs表示原始学生层级特征Fs的通道数，T矩阵转置符号，B为批次大小，Hs,Ws分别表示学生层级特征的宽度和高度； 步骤A2：采用双线性插值法，将通道对齐后的学生层级特征的空间分辨率调整至与所述最佳教师网络模型输出的教师层级特征Ft的分辨率一致，得到插值后的学生层级特征； 步骤A3：细节特征损失计算； 通过计算Ft与之间像素级的均方误差来约束轻量化学生网络模型学习细节特征，得到细节特征蒸馏损失： ； 其中，表示细节特征蒸馏损失，i表示批次样本的索引，Ft,i和分别表示批次中第i个样本的教师层级特征和学生层级特征；表示矩阵的弗罗贝尼乌斯范数的平方，Ht,Wt表示教师层级特征的宽度和高度。

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湖南大学;江西省通讯终端产业技术研究院有限公司，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路2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。