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！

龙图腾网获悉中南大学申请的专利一种基于跨模态提示学习与视觉引导的印刷电路板缺陷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：CN120471929B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202510979872.5，技术领域涉及：G06T7/00；该发明授权一种基于跨模态提示学习与视觉引导的印刷电路板缺陷检测方法及系统是由黄巍;李君健;孔维尧;王森章;王建新设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本一种基于跨模态提示学习与视觉引导的印刷电路板缺陷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模态提示学习与视觉引导的印刷电路板缺陷检测方法及系统，包括以下步骤：获取无缺陷PCB图像样本，得到训练数据集；构建初始印刷电路板检测模型；使用训练数据集对初始印刷电路板检测模型进行训练，得到印刷电路板检测模型；使用印刷电路板检测模型，完成印刷电路板缺陷检测。本发明方法提出一种基于PCB结构与物理先验的合成异常生成策略，并引入双通道存储库机制，通过难例挖掘策略，筛选出对模型训练最有价值的合成异常样本，从而提供视觉异常模式指导。本发明采用结合对比损失和三元组损失的双约束对齐优化策略，调整了视觉与文本特征的映射关系，实现了跨模态对齐和清晰的正常异常边界。本发明所提出的方法能够显著提升在数据稀疏条件下PCB缺陷检测的准确性、鲁棒性和泛化能力。

本发明授权一种基于跨模态提示学习与视觉引导的印刷电路板缺陷检测方法及系统在权利要求书中公布了：1.一种基于跨模态提示学习与视觉引导的印刷电路板缺陷检测方法，其特征在于，包括以下步骤： S1. 获取正常无缺陷印刷电路板图像样本，得到训练数据集； S2. 基于跨模态提示学习与视觉引导，构建初始印刷电路板检测模型；所述初始印刷电路板检测模型包括提示构建模块、异常生成与筛选模块、特征空间模块、特征提取模块以及缺陷判断与定位模块； S3. 结合对比损失与三元组损失进行双约束优化，使用步骤S1得到的训练数据集对步骤S2所述的初始印刷电路板检测模型进行训练，得到印刷电路板检测模型； S4. 使用步骤S3得到的印刷电路板检测模型，输入实时获取的PCB图像进行检测，完成印刷电路板缺陷检测； 所述异常生成与筛选模块包括异常样本生成模块、双通道储存库和难例筛选模块；所述异常样本生成模块采用基于结构和物理先验引导的合成方法，在考虑PCB设计规则和材料特性的情况下生成合成异常样本具体为：在生成特定缺陷类型的合成异常样本时，利用那个相应的先验知识约束对应缺陷的生成参数； 所述双通道储存库中为每个正常图像样本维护一个对应且独立的先进先出队列，队列的容量预设为k；当特定正常图像样本新生成一个合成异常样本时，将其加入对应的先进先出队列的头部，若此时队列中合成异常样本数量大于k，则将队列尾部的样本移除； 所述难例筛选模块通过计算每个合成异常样本的损失感知权重，来衡量合成异常样本对于当前模型状态的难易程度，使用以下算式表示： ，其中，为合成异常样本的损失感知权重；为基于正常图像样本的第j个合成异常样本；为模型对异常样本前向传播后得到的总损失值； 难例筛选模块基于损失感知权重，在双通道储存库中进行双通道采样获取难例合成异常样本；所述双通道采样包括内部队列采样和外部队列采样；在训练过程中，当处理到一个正常图像样本时，从储存库中筛选出用于当前训练步的两个难例合成异常样本，两个难例合成异常样本分别为内部队列采样和外部队列采样得到；所述内部队列采样为从该正常图像样本在双通道储存库中自身对应的先进先出队列中选取具有最大损失感知权重的样本； 所述外部队列采样从除该正常图像样本在双通道储存库中自身对应的先进先出队列外，选取具有最大损失感知权重的样本；通过双通道采样策略，在训练时将两个难例合成异常样本与原始正常样本一起进行训练，从而提供了具有针对性的视觉异常引导。

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中南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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。