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！

龙图腾网恭喜湖南景为电子科技有限公司申请的专利一种基于小样本深度学习的玻璃屏微小划痕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：CN119359720B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202411919961.2，技术领域涉及：G06T7/00；该发明授权一种基于小样本深度学习的玻璃屏微小划痕检测方法及系统是由伍东辉;蔡海应;蔡海华设计研发完成，并于2024-12-25向国家知识产权局提交的专利申请。

本一种基于小样本深度学习的玻璃屏微小划痕检测方法及系统在说明书摘要公布了：本发明提出了一种基于小样本深度学习的玻璃屏微小划痕检测方法及系统，以解决当前玻璃屏生产加工工艺中微小划痕缺陷检测的难点和不足。首先，设计了一个小样本深度学习模型，通过微小划痕样本图像训练模型、模型微调等步骤，实现了在小样本环境下高效训练。随后，对图像采集装置采集的图像，利用训练完成的深度学习模型进行识别，综合判断三色光下的图像识别玻璃屏是否存在微小划痕缺陷，并通过显示装置展示识别结果。本发明应用三色光源辅助和高分辨率图像采集技术结合小样本深度学习模型解决了玻璃屏微小划痕检测难题，通过数据增强、预训练和模型微调等技术，实现了在小样本情况下高准确性的缺陷检测。

本发明授权一种基于小样本深度学习的玻璃屏微小划痕检测方法及系统在权利要求书中公布了：1.一种基于小样本深度学习的玻璃屏微小划痕检测方法，其特征在于，包括以下步骤：步骤S1，根据图像采集装置分批次在红绿蓝三种单独的色光下依次采集玻璃屏图像，每批次得到三张玻璃屏图像，并将每批次采集的三张玻璃屏图像发送给识别服务器；步骤S2，预先采集一定量的存在微小划痕和无划痕的玻璃屏图像并制作样本图样，所述识别服务器根据样本图样进行小样本深度学习模型的训练，得到训练完成的小样本深度学习模型；所述小样本深度学习模型包含特征提取模块Net1、特征三金字塔网络Net2、特征融合模块Net3及分割输出头模块Net4；所述特征提取模块Net1包含串联的6层网络，结构均为：第1、3、5层为卷积层，卷积核数量分别为4、8、16，卷积核大小为3x3，步长为1，填充方式为"same"，使用ReLU激活函数；第2、4、6层为池化层，采用最大池化方式，池化核大小为2x2，步长为2，填充方式均“same”；所述Net1输入为640x640的样本图像X，输出为640x640x16的1号高维特征X1， ；所述特征三金字塔网络Net2为3个卷积网络分支Net21、Net22、Net23的并联，每个分支包含串联的10层网络，结构均为：第1、2、3、5、6、7、9层为卷积层，卷积核大小为3x3，步长为1，填充方式均为"same"，使用ReLU激活函数；第4、8、10层为池化层，池化核大小为2x2，步长为2，填充方式为"valid"，采用最大池化方式；所述Net2输入为所述1号高维特征X1，输出为80x80x256的2号高维特征X2， ；其中，为光色掩码，为矩阵乘法； ；所述特征融合模块Net3为所述特征三金字塔网络结构末尾添加的6层串联网络，结构均为：第1、3、5层为反卷积层，卷积核个数分别为128、64、16，卷积核大小为3x3，步长为1，填充方式为“same”，使用ReLU激活函数；第2、4、6层为反池化层，反池化层的池化核大小为2x2，步长为2；所述Net3输入为所述2号高维特征X2，输出为640x640x16的3号高维特征X3， ；所述分割输出头模块Net4包含1层卷积层，卷积核个数为1，卷积核大小为1x1，步长为1，填充方式为"“same”，使用SoftMax激活函数；所述Net4输入为所述3号高维特征X3，输出为640x640单通道结果Y， ；步骤S3，所述识别服务器接收所述图像采集装置每批次采集的三张玻璃屏图像，并通过训练好的小样本深度模型对每批次采集的三张玻璃屏图像进行图像识别操作并生成划痕缺陷识别结果；步骤S4，通过显示装置接收所述识别服务器发送的划痕缺陷识别结果，并将接收到的划痕缺陷识别结果进行显示。

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湖南景为电子科技有限公司，其通讯地址为：417500 湖南省娄底市冷水江市禾青镇双星居委会五组(高新科技产业园一期6栋601厂房)；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”。