更新时间：2026-08-18 00:04:20
已登记
详细信息
-
知识产权名称
基于无监督单分类的布料缺陷检测数据
-
登记编号
DIP2024000015631
-
申请人
湖州创感科技有限公司
-
登记类型
首次登记
-
登记有效期
3年
-
申请时间
2024-11-14 12:37:48
详细信息
-
所属行业
制造业
-
交易状态
待交易
-
数据规模
7604
-
更新频次
按需更新
-
应用场景
基于无监督单分类的布料缺陷检测技术在纺织行业中具有重要的实际应用价值。此类检测系统能够在没有缺陷样本或缺陷样本较少的情况下，通过分析正常布料图像的特征，识别出潜在的异常区域。这项技术特别适用于布料生产线的实时质量监控，帮助检测因加工、染色或材料问题而产生的细微瑕疵。相比传统的人工检测，无监督单分类检测能够自动识别异常，提高检测效率和准确性，减少人工干预的成本。
-
算法规则简要说明
数据收集：在该算法中，主要收集正常布料图像和少量缺陷布料图像，以建立单一分类的无监督检测基础。每个样本包含：缺陷数据图像（.png格式）和正常数据图像（.png格式），正常数据作为模型学习的主要样本，用于构建正常布料图像的特征空间，而缺陷数据用于检测模型性能的评估。 数据预处理：对原始布料图像进行预处理操作，包括缩放、归一化等，使得图像符合模型的输入要求。在预处理阶段，重点提取正常布料的特征，以帮助模型构建正常模式的特征分布。 模型构建：利用无监督学习算法构建布料缺陷检测模型。网络输入为正常布料的图像数据，输出为分类结果，0表示正常，1表示缺陷。模型通过对正常样本的特征学习，形成特征空间分布，在检测阶段，偏离正常特征分布的样本即被标记为缺陷。具体算法公式如下：F_normal=Encoder(I_normal),C={0 if D(F_test, F_normal) < T; 1 if D(F_test, F_normal) >= T}。其中Encoder用于提取正常样本I_normal的特征F_normal,D(F_test, F_normal)为测试样本与正常样本特征的距离，当该距离大于阈值T时，分类结果判断为缺陷。模型评估使用平均检出率和平均严判率进行评估，以保证模型的准确性与严格性。
-
更新频次
按需更新
-
存证平台
浙江省知识产权区块链公共存证平台
