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！

龙图腾网获悉泉州装备制造研究所申请的专利用于航空结构件制孔的连接孔损伤区域半监督分割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：CN120912893B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202511449993.5，技术领域涉及：G06V10/26；该发明授权用于航空结构件制孔的连接孔损伤区域半监督分割方法是由杨永泰;王盟圣;于沅鑫;梅标设计研发完成，并于2025-10-11向国家知识产权局提交的专利申请。

本用于航空结构件制孔的连接孔损伤区域半监督分割方法在说明书摘要公布了：本发明属于航空制造技术领域，具体涉及用于航空结构件制孔的连接孔损伤区域半监督分割方法，基于机器人制孔的连接孔损伤半监督分割网络的递进式训练，设计连接孔损伤区域半监督分割网络的训练的总损失函数，通过联合连接孔损伤半监督分割网络的递进式训练模型与总损失函数，得到训练后的分割网络，进而基于该分割网络进行连接孔损伤区域的鲁棒、准确分割，获得准确的连接孔损伤区域；本发明可以实现航空结构件机器人制孔时视觉检测图像中连接孔损伤区域的鲁棒准确分割，获得准确的连接孔损伤区域，可为航空结构件机器人制孔时的连接孔质量检测提供直接和重要基础。

本发明授权用于航空结构件制孔的连接孔损伤区域半监督分割方法在权利要求书中公布了：1.用于航空结构件制孔的连接孔损伤区域半监督分割方法，其特征在于：基于机器人制孔的连接孔损伤半监督分割网络的递进式训练，设计连接孔损伤区域半监督分割网络的训练的总损失函数，通过联合连接孔损伤半监督分割网络的递进式训练模型与总损失函数，得到训练后的分割网络，进而基于该分割网络进行连接孔损伤区域的鲁棒、准确分割，获得准确的连接孔损伤区域； 具体包括以下步骤： S1、采用连接孔损伤区域半监督分割模型将连接孔损伤区域从视觉检测图像背景区域中分割出来，并标注图像数据集； S2、基于S1构建以轻量化TransUNet为分割网络、结合一致性正则化和伪标记的连接孔损伤半监督分割网络的递进式训练模型，具体包括以下步骤： S21、对TransUNet进行轻量化处理，减少Transformer模块的堆叠数量； S22、进行分割模型待检测类别定义和标注图像数据，结合未标注图像数据，建立半监督分割训练数据集； S23、利用已标注图像数据集和未标注图像数据集进行连接孔损伤区域分割网络的训练，具体过程为： S231、训练初期，先使用全监督方法，基于已标注数据集，进行轻量化TransUNet分割网络的全监督训练； S232、训练中期，利用已标注数据和未标注数据进行训练； 已标注数据训练部分，对于已标注数据的原始图像，利用人工标注的标签和预测结果计算损失值； 未标注数据训练部分，对未标注图像分别进行一次弱扰动和两次强扰动后将其输入分割网络，得到分割结果、和； S233、训练后期，随着训练推进分割网络的分割准确性逐步提高，伪标签准确性也会逐步提升，将中预测的像素类别置信度作为判断指标，以动态阈值作为判断标准； 当时，将弱扰动分割结果作为伪标签，利用强扰动输出的和训练模型，得到未标注部分的损失值和； S3、设计一种递进式强弱一致性损失函数，用于连接孔损伤区域半监督分割网络的训练，其中，使用Dice和CrossEntropy损失计算预测值和真实值或伪标签之间的误差，基准孔半监督分割网络训练的总损失函数为： ； 对于基于已标注数据的训练部分，监督项损失值是基于预测模型得到的预测图像和人工标注的真实标签之间的损失； 对于未标注数据的训练部分，监督项损失值为图像层面强扰动方式产生的预测图像与弱扰动伪标签之间的损失，强扰动分支产生的预测图像与伪标签之间的损失以及另一强扰动分支产生的预测图像与伪标签之间的损失的加权和； S4、采用S2以轻量化TransUNet为分割网络、结合一致性正则化和伪标记的连接孔损伤半监督分割网络的递进式训练模型； 采用S3的连接孔损伤半监督分割网络训练的递进式强弱一致性损失函数，进行分割网络的训练、测试和验证，得到训练后的分割网络，进而可以基于该分割网络进行连接孔损伤区域的鲁棒、准确分割； ； 其中： ，分别为已标注和未标注图像数据集； 为监督项损失值； 为对应于已标注和未标注数据训练的损失值的权重； 为当前训练轮数； 为训练初期和中期之间的轮数节点； 为训练后的分割网络函数； 分别为原始连接孔图像和分割后的连接孔损伤特征区域。

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泉州装备制造研究所，其通讯地址为：362000 福建省泉州市台商投资区洛阳镇上浦村吉贝511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。