专利答辩补充

本周进行了学术组答辩，现在此把PPT对答辩部分的专利进行说明与上传。

收获与总结

技术背景

在这一块，专利的技术背景都是大相径庭的。

当前布匹检测领域的主要挑战在于传统检测方法的效率和准确性无法满足现代工业化需求。传统布匹检测主要依赖人工或简单的图像处理技术，不仅效率低下，还容易受到环境光线、布匹纹理多样性等因素的干扰。所以我们面临的问题就是如何用人工智能的方法来提高布匹检测的效率以及准确率。

YOLO算法的引入，为传统布料缺陷识别领域带来了新的机遇。首先，YOLO算法以其卓越的实时检测性，能够迅速对布匹上的缺陷进行检测，极大提升了布匹检测的效率以及准确率。在一些传统方法中，由于缺乏实时检测性，常常导致重复识别现象严重，而YOLO算法有效解决了这一问题。此外，YOLO算法对光照、角度和背景变化具有较强的鲁棒性，使其能够适应各种复杂的工业环境，从而减少误检和漏检的发生，满足现代工业化需求。尽管如此，原生的YOLO识别算法仍存在一些局限性，为此近年来大量基于深度学习模型的创新技术涌现，其中关于注意力机制的引入和改进、卷积神经网络的优化，以及添加特定算法模块的创新成为技术发展的主流路径。

总结

对此，我挑选了几篇已授权的专利进行阅读。在《一种基于YOLOv5模型的织物疵点检测方法》专利中，发明人发现传统的YOLO算法对于织物疵点的检测还存在一定的局限性，比如只能检测出明显且尺寸较大的疵点。故急需设计一种能够快速且精确检测出多种织物疵点的检测方法。为此发明人提出了一种基于 YOLOv5模型的织物疵点检测方法，该方法通过在 YOLOv5的基础上增添了 CA注意力机制，并保留了 backbone部分的 C3模块功能，实现了对织物疵点的高效率和高精度检测。具体来说，该方法在 YOLOv5的 Neck部分采用了 FPN+PAN结构，以增强网络的特征融合能力。此外，通过对注意力模块的改进，该方法不仅能够捕捉到长期的空间依赖关系，还能保存精确的位置信息，从而提高了模型的定位和识别能力。最终实验结果表明，该方法在织物疵点检测的准确性和速度上都有显著提升，为工厂中织物疵点的高效检测提供了新的解决方案。

在《一种基于卷积神经网络的织物表面缺陷检测方法》专利中，该发明人发现传统的织物缺陷检测方法一般是基于分割的无监督方法，基于分割的图像缺陷检测技术依赖于图像的质量和对比度，要求缺陷部分和织物纹理背景部分有较大的差别，在这种情况下，基于传统的分割方法容易将带花纹的图像部分检测为缺陷，造成很大的误检率，也会漏检小目标缺陷，且无法解决所有的织物图像缺陷检测。基于这个提出的问题，发明人使用双向分割网络并基于卷积模块将输入数据分为2个部分，并引入注意力优化模块ARM、通道注意力模块SE和特征融合模块FFM以实现对织物表面缺陷的快速准确检测，节省人力物力，提高了生产效率，保证织物产品的品质。

关于添加特定算法模块，我在11月底的时候参加过一场学术讲座。在学术讲座上，来自华南农业大学的教授向我们介绍了其关于检测养殖场中猪的一种YOLOv5检测模型。在这模型中，她重点介绍了模型的添加特定算法模块，她向我们介绍她为了区分出不同猪，就是为了提取不同猪的特征，她专门在养殖场待了至少半个月，对猪的各个部位都进行过相关算法的添加、训练以及检测效果，她最终发现最好区分不同猪的特征部位是位于猪的头部，因此她与她的团队针对这一问题，专门写了一个算法加入特征提取模块以最好的提取猪的特征，从而区分出不同的猪。除此之外，她还向我们介绍了在深度学习模型中经常遇到的一个问题就是物体被遮蔽的问题，她说在养殖场中最常见的这类问题就是猪与猪之间的阻挡，从而导致检测不够精确，甚至无法检测出来，这在实际生产环境中是很致命的，因为猪如果无法被测试出的话，猪如果发生猪瘟之类的时候，会发生非常大的经济损失，对此她们团队中的研究生成员专门写了个算法去解决这类问题，具体咋实现的有点不太记得清了。

总结一下吧，就是我稍微看了一下之后，感觉自己理论方面的知识还有待加强，特别是对于YOLO各个模型的底层模型还无法特别的熟练，单独模型可能还能够看的懂一点，但关于专利上的一些改进，就是那些对模型进行了较为复杂的改进时，我就看的不是很懂。不过我个人认为关于深度模型上的创新市面上已经比较丰富了，以我目前的知识背景很难再往这方面进行大的创新，所以更为重要的是要学会去用现有的模型去带来实际的生产效益，也就是说要注重于实际运用上。

关于我们专利的撰写，我认为首先最重要的要先提出一个问题，再从这个方向上去尝试不断的改进，这是一个漫长的过程。关于如何提出一个问题，我认为最重要的就是灵感，就像我刚才介绍的那位华南农业大学的教授，她之所以有那灵感，就是她去养殖场进行了实际的观察，正所谓灵感来源于生活，我希望我们在寒假能够去到纺织厂现场进行学习考察。