買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜哈爾濱工業大學(深圳)申請的專利基于圖像的電子元器件缺陷檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115187808B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210761753.9，技術領域涉及：G06V10/764；該發明授權基于圖像的電子元器件缺陷檢測方法是由陳震;王鴻鵬;程正濤;王子涵設計研發完成，并于2022-06-30向國家知識產權局提交的專利申請。

本基于圖像的電子元器件缺陷檢測方法在說明書摘要公布了：本發明提供了一種基于圖像的電子元器件缺陷檢測方法，包括：步驟1：初始訓練數據集；步驟2：訓練初始分類模型；步驟3：判斷是否出現新類別圖像，若是，那么執行步驟4，否則執行步驟A1；步驟4：收集新類別訓練數據；步驟5：增量調整初始模型；步驟6：更新后的分類模型，然后執行步驟A1；步驟A1：對測試圖像進行分類；步驟A2：圖像進入相應的預處理模型。本發明的有益效果是：本發明將持續學習方法引入電容識別任務有效緩解災難性遺忘并提升模型識別準確率，在圖像分類領域中,經過訓練的深度神經網絡分類模型能夠識別出圖像中不同類別的物體,并且已經可以達到較高的識別率。

本發明授權基于圖像的電子元器件缺陷檢測方法在權利要求書中公布了：1.一種基于圖像的電子元器件缺陷檢測方法，其特征在于，包括如下步驟：步驟1：初始訓練數據集；步驟2：訓練初始分類模型；步驟3：判斷是否出現新類別圖像，若是，那么執行步驟4，否則執行步驟A1；步驟4：收集新類別訓練數據；步驟5：增量調整初始模型；步驟6：更新后的分類模型，然后執行步驟A1；步驟A1：對測試圖像進行分類；步驟A2：圖像進入相應的預處理模型；在所述步驟4和步驟5中，若數據集中第二次加入新類別樣本的數據集與訓練步驟中的數據集不同,此時訓練步驟中的新類別樣本的數據集自動變成舊類別樣本的數據集,利用新類別樣本的數據集訓練類增量學習神經網絡，同時利用新類別樣本的數據集,訓練開集識別模型,同時丟棄訓練步驟中訓練好的開集識別模型,使得新的開集識別模型能夠有效地識別出舊類別樣本的數據集與新類別樣本的數據集；保存類增量學習神經網絡記作持續學習最近階段更新后的類增量學習網絡,與此同時,保存訓練步驟中類增量學習神經網絡并記作上一次增量后保留的類增量學習神經網絡；在所述步驟2中，選取AlexNet結構圖，其中代表網絡的前5層卷積層以及后兩層全連接層，最后一層是與類別相關的輸出層，其參數單獨用表示，若加入一個新的分類任務，就將newtask的參數先隨機初始化，表示為，在訓練過程中，使用帶有正則化的SGD優化器訓練網絡；所述步驟2包括：首先固定,不變，然后使用新任務數據集訓練直至收斂；然后再聯合訓練所有參數，，直至網絡收斂；損失函數有兩個，第一個是針對新任務中樣本的正常分類網絡的損失函數，第二個是蒸餾損失函數，分別表示如下： ， ， ，等式2-9中代表網絡的softmax層輸出，代表one-hot類型的groundtruth標簽向量；等式2-9中代表標簽的數量，這個約束項的意義是對于一張圖片，新模型盡可能去學習或者保留這張圖片在舊模型中可能會被預測的舊類別；該電子元器件缺陷檢測方法還包括增強判別步驟，所述增強判別步驟包括：對于分類器針對舊類別薄膜電容樣本和新類別薄膜電容樣本的logits輸出，定義為: ，其中表示為分類網絡Resnet的特征提取器，表示分類網絡模型的全連接層的權值，可以描述為，代表第i類的權值向量；在訓練階段，首先將分類網絡模型的全連接層的權值重寫成下式： ，這里，，通過改變和的相對范數使得模型能夠更好的區分新舊類別薄膜電容的樣本；分別做如下變換：，這里取兩者平均范數之和： ，這樣操作是為了模型可以更好地新舊類別薄膜電容的樣本，此時可以得到 ，此時，保留模型的特征提取器，然后將模型的全連接層的權值為和；定義分類網絡模型經過上述步驟的logits輸出為 ， ，如上述等式所示，通過變化和范數，在舊類別薄膜電容數據集上，比分類效果更好；在新類別薄膜電容數據集上，比分類效果更好。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人哈爾濱工業大學(深圳)，其通訊地址為：518000 廣東省深圳市南山區桃源街道深圳大學城哈爾濱工業大學校區；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。