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机器人制孔的基准孔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：CN120913210B 。

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：202511450001.0，技术领域涉及：G06V20/70；该发明授权用于航空结构件机器人制孔的基准孔半监督分割方法是由杨永泰;王盟圣;张金煜;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。

本用于航空结构件机器人制孔的基准孔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机器人制孔的基准孔半监督分割方法，基于机器人制孔的基准孔半监督分割网络的训练，设计基准孔半监督分割网络训练的总损失函数，通过联合基准孔半监督分割网络的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基准孔的鲁棒、准确分割，获得准确的基准孔特征区域；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基准孔的鲁棒准确分割，获得准确的基准孔特征区域，可为航空结构件机器人制孔时的基准孔准确检测定位提供直接和重要基础。

本发明授权用于航空结构件机器人制孔的基准孔半监督分割方法在权利要求书中公布了：1.用于航空结构件机器人制孔的基准孔半监督分割方法，其特征在于：基于机器人制孔的基准孔半监督分割网络的训练，设计基准孔半监督分割网络训练的总损失函数，通过联合基准孔半监督分割网络的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基准孔的鲁棒、准确分割，获得准确的基准孔特征区域； 具体包括以下步骤： S1、采用基准孔半监督分割模型将基准孔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U-Net为分割网络的基准孔半监督分割网络的训练模型，具体包括以下步骤： S21、利用已标注图像数据集对分割网络进行训练，得到全监督部分的损失值； S22、利用未标注图像数据集对分割网络进行训练； S221、对其进行随机弱扰动得到单张未标注图像，随机弱扰动方式包括图像裁剪、图像翻转、图像缩放； S222、进行次图像层面的随机强扰动，得到图像，图像层面的随机强扰动方式包括噪声、颜色增强、模糊处理、剪切融合、多角度旋转； S223、进行次特征层面的随机强扰动，得到特征图，所述特征层面的随机强扰动方式为特征空间随机丢弃； S224、采用分割网络对、和进行预测，分别得到对应预测图像、和； S225、设计基于针对性后处理的弱扰动分支伪标签的可靠性增强模块，在模型输出弱扰动预测图像后，计算每一个预测分割区域在整个图像区域所占百分比，当该分割区域占比在0.02%-0.5%之间时则保留该分割区域，反之删除； S226、将作为和的伪标签，进行分割网络训练，得到未标注数据的两种强扰动图像训练的损失值之和； S3、设计综合Diceloss和CrossEntropyloss的扰动一致性损失函数，用于基准孔半监督分割网络的训练，其中，使用Diceloss和CrossEntropyloss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 ； ； 采用无标注数据的不可靠特征的强扰动分支贡献度调节策略，具体包括以下步骤： S31、分别计算图像层面强扰动和特征层面强扰动的预测图像和的像素点的信息熵构成的熵图和； S32、设置信息熵的相应的动态阈值和，统计图像层面强扰动分支和特征层面强扰动分支的预测图像和的不可靠像素点数量和； ； S33、基于不可靠像素点数量和，计算第个图像层面强扰动和第个特征层面强扰动对应的损失值的权重； ;； S4、采用S2构建的以U-Net为分割网络、考虑强弱一致性、基于多可靠性的基准孔半监督分割网络的训练模型； 采用S3的基准孔半监督分割网络训练的总损失函数，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基准孔的鲁棒、准确分割； ； 其中： 分别为对应于已标注和未标注数据训练的损失值的权重； 分别为采用已标注和未标注数据训练的损失值； ，第个图像层面强扰动和第个特征层面强扰动对应的损失值的权重; 分别为第个图像层面强扰动和第个特征层面强扰动对应的损失值； 分别为预测图像和的任一像素点的信息熵； 为训练后的分割网络函数； 分别为原始基准孔图像和分割后的基准孔特征区域。

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。