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！

龙图腾网获悉东莞理工学院申请的专利一种基于小样本微调和可控扩散模型的工业缺陷样本生成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：CN121169823B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202511208947.6，技术领域涉及：G06T7/00；该发明授权一种基于小样本微调和可控扩散模型的工业缺陷样本生成方法是由钟智;李涛;蒋飞;张绍辉;吴兆乾设计研发完成，并于2025-08-27向国家知识产权局提交的专利申请。

本一种基于小样本微调和可控扩散模型的工业缺陷样本生成方法在说明书摘要公布了：本发明提出了一种基于小样本微调和可控扩散模型的工业缺陷样本生成方法，所述方法采用表面缺陷图像小样本数据集，先利用预先构建的图像分布评估模块筛选出模型微调数据集；再对预训练稳定扩散模型的权重进行微调；并通过经训练的空间条件控制神经网络，结合预设标识符作为提示词，生成符合指定缺陷特征的工业缺陷样本；计算工业缺陷生成样本与原始小样本数据集的分布差异值，选取分布差异值小于预设阈值的图像添加到原始小样本数据集中，形成扩充后的训练数据集。本发明利用小样本数据集，微调扩散模型权重，结合包含预设标识符的提示词、空间条件及空间条件控制神经网络，扩充训练样本，降低计算成本，应用范围广。

本发明授权一种基于小样本微调和可控扩散模型的工业缺陷样本生成方法在权利要求书中公布了：1.一种基于小样本微调和可控扩散模型的工业缺陷样本生成方法，其特征在于，所述方法包括： 根据表面缺陷图像小样本数据集，利用预先构建的图像分布评估模块选取模型微调数据集； 根据模型微调数据集对预训练稳定扩散模型进行权重微调，微调过程中采用类先验损失函数联合优化图像重建损失和预训练知识保留损失；通过特殊标识符将缺陷特征绑定至生成模型权重，其中，所述微调数据集包括：缺陷图像及相应标签，标签包括：预设标识符和缺陷类型描述； 根据微调后的稳定扩散模型及经训练的空间条件控制神经网络，输入包含预设标识符的提示词和指定缺陷类型、大小及位置的空间条件，通过空间条件控制神经网络生成分层控制信号，调整稳定扩散模型在去噪过程中的中间特征表示，生成符合指定缺陷特征的工业缺陷样本图像； 所述图像分布评估模块包括：卷积神经网络及Fréchet函数； 所述根据表面缺陷图像小样本数据集，利用预先构建的图像分布评估模块选取出模型微调数据集包括： 采用卷积神经网络CNN提取小样本数据集中各图像的特征向量； 对特征向量进行L2归一化处理，得到归一化后的特征向量； 对归一化后的特征向量随机抽样预设数量，分得多个小组，计算各组特征分布与小样本数据集整体分布的Fréchet距离，从而得到各组数据的分布差异值，选取分布差异值小于预设差异的小组数据作为模型微调数据集； 加载预训练稳定扩散模型和模型微调数据集，冻结CLIP文本编码器和VAE的权重；其中，模型微调数据集包括：缺陷图像及其对应的标签，标签至少包括：预设标识符和缺陷类型描述； 通过扩散过程添加噪声，训练模型预测噪声，联合优化图像重建损失和类先验损失，反向传播更新UNet部分层权重； 保存权重，得到微调后的稳定扩散模型； 所述联合优化图像重建损失和类先验损失的公式如下： 式中：αt、σt、和wt分别为时刻控制噪声扩散时间表和样本质量的项，αtx+σt为根据扩散时间表将真实图像与噪声结合，c为文本条件，λ为标量权重；[]代表对整个损失在真实图像x,文本条件c,噪声采样,和时间步t的分布上求数学期望；代表了对用户输入图像的重建损失；是类先验损失；x为包含目标概念，即真实工业缺陷的图像；xpr为类先验图像；cpr类别先验文本；t及分别表示时间步；、分别表示采样的高斯噪声，服从；αt及σt分别表示与扩散过程相关的权重参数；及wt分别表示时间步和对应的加权系数；表示二范数平方；θ代表参数为θ的UNet噪声预测模型,θ表示UNet噪声预测模型需要微调的参数集合。

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东莞理工学院，其通讯地址为：523808 广东省东莞市松山湖大学路1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。