【例19】

　　一种建立废钢等级划分神经网络模型的方法

　　申请内容概述

　　废钢在收储时需要根据钢料的平均尺寸进行等级划分，但其存放时杂乱无章、相互堆叠，人工进行尺寸测量和等级判定时效率低且等级划分准确率不高。发明专利申请提出一种建立废钢等级划分神经网络模型的方法，通过卷积神经网络学习形成具有等级分类输出的等级划分神经网络模型，能够提高废钢等级划分的效率和准确率。

　　申请的权利要求

　　一种建立废钢等级划分神经网络模型的方法，所述模型用于对收储的废钢进行等级划分，包括：

　　获取多个图像，确定多个图像的不同废钢等级，对所述图像进行预处理，提取不同等级的图像数据特征，对提取的不同等级的图像数据特征进行卷积神经网络学习形成具有等级分类输出的等级划分神经网络模型;

　　所述图像数据特征的提取是对图像画面像素点矩阵数据进行卷积神经网络卷积计算的集合进行提取，包括：对卷积层或者卷积层加池化层构成的多条线路的输出集合来实现对图像中物体颜色、边缘特征和纹理特征的提取，以及对图像中物体边缘、纹理之间关联特征的提取;

　　其中，所述对图像中物体颜色、边缘特征的提取由卷积层加池化层构成的三条线路的输出集合来实现，包括从左至右的第一条线路一层池化层、第二条线路二层卷积层和第三条线路四层卷积层;所述对图像中纹理特征的提取是对上述图像中物体颜色、边缘特征的提取结果进行集合后，由卷积层构成的三条线路的输出集合来实现，包括从左至右的第一条线路0卷积层、第二条线路二层卷积层和第三条线路三层卷积层;

　　所述对边缘、纹理之间关联特征提取的卷积层计算的线路数大于对图像中物体颜色、边缘和纹理特征提取的卷积层计算的线路数。

　　分析及结论

　　对比文件1为解决再生资源来源复杂、种类多、材质差异大，需要准确识别出废钢属于料豆、冲压料余料、面包铁或者其他种类以提高再生资源回收利用率的问题，提供了一种基于卷积神经网络模型对废钢种类进行识别的方法，并具体公开了获取多个已经确定废钢种类的图像数据，对所述图像数据进行预处理以进行特征提取，利用卷积神经网络进行训练并获得产品模型的相关步骤。

　　发明专利申请的解决方案与对比文件1的区别在于训练的数据和提取的特征不同、卷积层和池化层的线路数量和层级设置也不同。相对于对比文件1.确定发明实际解决的技术问题是如何提升废钢等级划分的准确性。对比文件1是利用已经确定种类的废钢图像数据进行特征提取并进行模型训练，发明专利申请为了根据废钢的平均尺寸进行等级划分，需要针对杂乱无章、相互叠压的废钢图像识别出废钢的形状、厚度，为了提取图像中废钢的颜色、边缘和纹理等特征，在模型训练的过程中对卷积层和池化层的线路数量和层级设置等均进行了调整，上述算法特征与技术特征功能上彼此相互支持、存在相互作用关系，能够提升废钢等级划分的准确性，应当考虑所述算法特征对技术方案作出的贡献。上述对卷积层和池化层线路数量和层级设置进行调整等内容未被其他对比文件公开，也不属于本领域的公知常识，现有技术整体上并不存在对上述对比文件1进行改进以获得发明专利申请的技术方案的启示，要求保护的发明技术方案具备创造性。

　　(八)将《专利审查指南》第二部分第九章第6.3.1节第一段修改为：

　　包含算法特征或商业规则和方法特征的发明专利申请的说明书应当清楚、完整地描述发明为解决其技术问题所采用的解决方案。所述解决方案在包含技术特征的基础上，可以进一步包含与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征。如果涉及人工智能模型的构建或者训练，则一般需要在说明书中清楚记载模型必要的模块、层级或者连接关系，训练必需的具体步骤、参数等;如果涉及在具体领域或者场景中应用人工智能模型或者算法，则一般需要在说明书中清楚记载模型或者算法如何与具体领域或者场景相结合，算法或者模型的输入、输出数据如何设置以表明其内在关联关系等，使得所属技术领域的技术人员按照说明书记载的内容，能够实现该发明的解决方案。

　　(九)在《专利审查指南》第二部分第九章第6.3节新增第6.3.3节，内容如下：

　　6.3.3审查示例

　　【例20】

　　一种用于生成人脸特征的方法

　　申请内容概述

　　发明专利申请通过将设有空间变换网络的第一卷积神经网络所生成的特征区域图像集合，对各第二卷积神经网络实现信息共享，据此可以减少内存资源占用，同时提高人脸图像生成结果的准确度。

　　申请的权利要求

　　一种用于生成人脸特征的方法，包括：

　　获取待识别人脸图像;

　　将所述待识别人脸图像输入第一卷积神经网络生成所述待识别人脸图像的特征区域图像集合，其中，所述第一卷积神经网络用于从人脸图像中提取特征区域图像;

总共8页  [1] [2] [3] 4 [5] [6] [7] [8] 
上一页  下一页