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！

龙图腾网恭喜哈尔滨工业大学(深圳)申请的专利基于图像的电子元器件缺陷检测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：CN115187808B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202210761753.9，技术领域涉及：G06V10/764；该发明授权基于图像的电子元器件缺陷检测方法是由陈震;王鸿鹏;程正涛;王子涵设计研发完成，并于2022-06-30向国家知识产权局提交的专利申请。

本基于图像的电子元器件缺陷检测方法在说明书摘要公布了：本发明提供了一种基于图像的电子元器件缺陷检测方法，包括：步骤1：初始训练数据集；步骤2：训练初始分类模型；步骤3：判断是否出现新类别图像，若是，那么执行步骤4，否则执行步骤A1；步骤4：收集新类别训练数据；步骤5：增量调整初始模型；步骤6：更新后的分类模型，然后执行步骤A1；步骤A1：对测试图像进行分类；步骤A2：图像进入相应的预处理模型。本发明的有益效果是：本发明将持续学习方法引入电容识别任务有效缓解灾难性遗忘并提升模型识别准确率，在图像分类领域中,经过训练的深度神经网络分类模型能够识别出图像中不同类别的物体,并且已经可以达到较高的识别率。

本发明授权基于图像的电子元器件缺陷检测方法在权利要求书中公布了：1.一种基于图像的电子元器件缺陷检测方法，其特征在于，包括如下步骤：步骤1：初始训练数据集；步骤2：训练初始分类模型；步骤3：判断是否出现新类别图像，若是，那么执行步骤4，否则执行步骤A1；步骤4：收集新类别训练数据；步骤5：增量调整初始模型；步骤6：更新后的分类模型，然后执行步骤A1；步骤A1：对测试图像进行分类；步骤A2：图像进入相应的预处理模型；在所述步骤4和步骤5中，若数据集中第二次加入新类别样本的数据集与训练步骤中的数据集不同,此时训练步骤中的新类别样本的数据集自动变成旧类别样本的数据集,利用新类别样本的数据集训练类增量学习神经网络，同时利用新类别样本的数据集,训练开集识别模型,同时丢弃训练步骤中训练好的开集识别模型,使得新的开集识别模型能够有效地识别出旧类别样本的数据集与新类别样本的数据集；保存类增量学习神经网络记作持续学习最近阶段更新后的类增量学习网络,与此同时,保存训练步骤中类增量学习神经网络并记作上一次增量后保留的类增量学习神经网络；在所述步骤2中，选取AlexNet结构图，其中代表网络的前5层卷积层以及后两层全连接层，最后一层是与类别相关的输出层，其参数单独用表示，若加入一个新的分类任务，就将newtask的参数先随机初始化，表示为，在训练过程中，使用带有正则化的SGD优化器训练网络；所述步骤2包括：首先固定,不变，然后使用新任务数据集训练直至收敛；然后再联合训练所有参数，，直至网络收敛；损失函数有两个，第一个是针对新任务中样本的正常分类网络的损失函数，第二个是蒸馏损失函数，分别表示如下： ， ， ，等式2-9中代表网络的softmax层输出，代表one-hot类型的groundtruth标签向量；等式2-9中代表标签的数量，这个约束项的意义是对于一张图片，新模型尽可能去学习或者保留这张图片在旧模型中可能会被预测的旧类别；该电子元器件缺陷检测方法还包括增强判别步骤，所述增强判别步骤包括：对于分类器针对旧类别薄膜电容样本和新类别薄膜电容样本的logits输出，定义为: ，其中表示为分类网络Resnet的特征提取器，表示分类网络模型的全连接层的权值，可以描述为，代表第i类的权值向量；在训练阶段，首先将分类网络模型的全连接层的权值重写成下式： ，这里，，通过改变和的相对范数使得模型能够更好的区分新旧类别薄膜电容的样本；分别做如下变换：，这里取两者平均范数之和： ，这样操作是为了模型可以更好地新旧类别薄膜电容的样本，此时可以得到 ，此时，保留模型的特征提取器，然后将模型的全连接层的权值为和；定义分类网络模型经过上述步骤的logits输出为 ， ，如上述等式所示，通过变化和范数，在旧类别薄膜电容数据集上，比分类效果更好；在新类别薄膜电容数据集上，比分类效果更好。

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哈尔滨工业大学(深圳)，其通讯地址为：518000 广东省深圳市南山区桃源街道深圳大学城哈尔滨工业大学校区；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”。