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！

龙图腾网获悉上海大学申请的专利解耦缺陷特征与成像条件的工业缺陷视觉检测方法与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：CN121544611B 。

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：202610063813.8，技术领域涉及：G06T7/00；该发明授权解耦缺陷特征与成像条件的工业缺陷视觉检测方法与系统是由曾丹;蒋浩然;赵凯;顾忆宵;申小朋设计研发完成，并于2026-01-19向国家知识产权局提交的专利申请。

本解耦缺陷特征与成像条件的工业缺陷视觉检测方法与系统在说明书摘要公布了：本发明属于工业制造技术领域，具体提供解耦缺陷特征与成像条件的工业缺陷视觉检测方法与系统，包括：采集不同工况下工业产品的缺陷样本；其中，缺陷样本包括缺陷图像与对应的缺陷标注；基于缺陷样本，联合基于缺陷区域引导的特征解耦机制以及基于成像模拟的因果不变性学习机制，构建基于区域引导的因果解耦网络模型；对因果解耦网络模型进行多监督损失联合优化训练，获得收敛的因果解耦网络模型；基于收敛的因果解耦网络模型，检测目标工况下的工业产品缺陷，获得缺陷检测结果。本发明能显著提升缺陷检测算法在复杂工业环境中的泛化性与鲁棒性，实现模型在不同工况间的快速、低成本迁移。

本发明授权解耦缺陷特征与成像条件的工业缺陷视觉检测方法与系统在权利要求书中公布了：1.解耦缺陷特征与成像条件的工业缺陷视觉检测方法，其特征在于，包括： 采集不同工况下工业产品的缺陷样本；其中，所述缺陷样本包括缺陷图像与对应的缺陷标注； 基于所述缺陷样本，联合基于缺陷区域引导的特征解耦机制以及基于成像模拟的因果不变性学习机制，构建基于区域引导的因果解耦网络模型； 对所述因果解耦网络模型进行多监督损失联合优化训练，获得收敛的因果解耦网络模型； 基于收敛的因果解耦网络模型，检测目标工况下的工业产品缺陷，获得缺陷检测结果； 所述因果解耦网络模型的结构包括： 特征解耦层，用于提取所述缺陷样本的固有特征以及成像特征，并进行特征拼接，获得拼接特征； 解码器，包含3个deconv-bn-relu堆叠的反卷积层，用于基于所述拼接特征，重构缺陷样本的原始图像，获得重构图像； 缺陷检测头，包含两个并行的全连接层，用于基于所述固有特征，获得缺陷检测结果； 因果干预训练层，用于基于提取的缺陷图像低频特征，获得模拟成像特征，并结合所述固有特征，完成对因果解耦网络模型的因果干预训练； 所述特征解耦层包括： 共享特征编码器，采用预训练的ResNet50模型，用于提取所述缺陷样本的共享特征； 区域预测模块，包含3个conv-bn-relu堆叠的卷积层，用于基于所述共享特征，通过端到端学习，生成与缺陷样本空间分辨率一致的缺陷区域注意力图； 固有特征提取器，用于对所述缺陷区域注意力图进行空间加权，结合所述共享特征，提取与缺陷几何形态本质相关的固有特征； 成像特征提取器，用于基于所述缺陷区域注意力图，获得反向注意力图，并结合所述共享特征，提取与外部因素相关的成像特征； 所述因果干预训练层包括： 成像条件模拟器，以条件式U-Net为核心架构，用于以所述缺陷图像低频特征作为条件，结合随机噪声向量，获得模拟成像特征； 特征拼接层，用于拼接所述模拟成像特征与所述固有特征，对因果解耦网络模型进行因果干预训练； 对所述因果解耦网络模型进行多监督损失联合优化训练的方法包括： 基于所述因果解耦网络模型输出的共享特征、缺陷区域注意力图、固有特征、成像特征、模拟成像特征、重构图像以及缺陷检测结果，计算多监督损失；其中，所述多监督损失包括缺陷检测损失、特征解耦正交损失、图像重构损失、区域聚集损失以及因果干预损失； 基于所述多监督损失，构建总损失函数，通过梯度下降算法更新因果解耦网络模型的参数，完成多监督损失联合优化训练。

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上海大学，其通讯地址为：200444 上海市宝山区上大路99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。