发明创造名称：基于计算机软件实现玻璃缺陷自动检测分类的方法
外观设计名称：
决定号：182951
决定日：2019-06-24
委内编号：1F262130
优先权日：
申请（专利）号：201410657983.6
申请日：2014-11-17
复审请求人：上海埃蒙特自动化系统有限公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：杭雪蒙
合议组组长：甘文珍
参审员：徐薇
国际分类号：G06K9/62,G06T7/00
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：如果一项权利要求所要求保护的技术方案与作为最接近的现有技术的对比文件存在区别技术特征，而本领域常用的技术手段给出了将以上区别技术特征应用到该最接近的现有技术中以解决该权利要求实际解决的技术问题的技术启示，那么该权利要求相对于最接近的现有技术和本领域常用的技术手段的结合是显而易见的，不具有突出的实质性特点和显著的进步，不具备创造性。
全文：
本复审请求涉及申请号为201410657983.6，名称为“基于计算机软件实现玻璃缺陷自动检测分类的方法”的发明专利申请（下称本申请）。申请人为上海埃蒙特自动化系统有限公司。本申请的申请日为2014年11月17日，公开日为2015年01月28日。
经实质审查，国家知识产权局原审查部门于2018年07月02日发出驳回决定，驳回了本申请，其理由是：（1）权利要求1与对比文件1（“基于BP网络的浮法玻璃缺陷分类算法研究”，陈天宝，《中国优秀硕士学位论文全文数据库 信息科技辑》，2009年第5期，I138-991，2009年05月15日）的区别技术特征是：a.本申请判断分析得到的缺陷类别结果是否达到分类阈值，如果是，则继续步骤1进行检测，否则继续步骤0.1进行训练；b.在分类过程中更新训练样本和测试样本，实现在线学习，并使用新的学习成果检测后面的玻璃，直到分类准确度达到一定程度；c.本申请将该方法应用于电子玻璃检测，其缺陷特征值还包含致密性特征值、灰度中值特征值、最大灰度级特征值，最小灰度级特征值。但上述区别技术特征是本领域常用的技术手段，在对比文件1的基础上结合本领域常用的技术手段得到权利要求1的技术方案是显而易见的，因此，权利要求1不具备专利法第22条第3款规定的创造性。（2）从属权利要求2-5的附加技术特征或者被对比文件1公开，或者属于本领域常用的技术手段，因此，当引用的权利要求不具备创造性时，权利要求2-5也不具备专利法第22条第3款规定的创造性。驳回决定所依据的文本为：申请日2014年11月17日提交的说明书第1-59段、说明书附图图1、说明书摘要、摘要附图；2018年05月23日提交的权利要求第1-5项。驳回决定所针对的权利要求书如下：
“1. 一种基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，所述的方法包括以下步骤：
(0.1)检测软件通过训练样本进行神经网络分类算法的学习；
(0.2)所述的检测软件通过测试样本进行测试，并判断测试结果是否达到测试阈值；
(0.3)如果判断结果为所述的测试结果达到所述的测试阈值，则继续步骤(1)，否则返回上述步骤(0.1)；
(1)所述的检测软件根据设定的分割阈值对玻璃的图像进行划分，并得到数个划分对象；
(2)所述的检测软件通过所述的神经网络分类算法对各个划分对象进行处理，并提取得到各个划分对象对应的数个缺陷特征值；
(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析，并得到该划分对象缺陷类别；
(4)所述的检测软件判断分析得到的缺陷类别结果是否达到分类阈值，如果是，则继续步骤(1)，否则继续步骤(0.1)；
计算机软件实现玻璃缺陷自动检测分类的过程中还可更新训练样本和测试样本，实现在线学习，并使用新的学习成果检测后面的玻璃，直到分类准确度达到一定程度；
所述的缺陷特征值包括周长特征值、面积特征值、致密性特征值、灰度中值特征值、灰度均值特征值、最大灰度级特征值，最小灰度级特征值；
所述的玻璃为电子玻璃。
2. 根据权利要求1所述的基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习。
3. 根据权利要求2所述的基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，所述的步骤(0.1)和(0.2)之间，还包括以下步骤：
(0.1.1)所述的检测软件采用协同进化算法协作优化神经网络结构和连接权值。
4. 根据权利要求3所述的基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，所述的协同进化算法为合作型协同进化算法。
5. 根据权利要求4所述的基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，所述的训练样本为所述的玻璃的各个缺陷对应的数个样本的集合，所述的测试样本为所述的玻璃的各个缺陷对应的随机样本的集合。”
申请人（下称复审请求人）对上述驳回决定不服，于2018年10月08日向国家知识产权局提出了复审请求，同时修改了权利要求书，将从属权利要求2、3的附加技术特征补入独立权利要求1，并删除了从属权利要求2、3，同时修改了权利要求的序号。复审请求人认为：（1）权利要求1中公开的基于计算机软件实现玻璃缺陷自动检测分类的方法包括了采用协同进化算法；对比文件1中只公开了神经网络分类算法的学习包括连接权值的学习，虽然对比文件1中的检测方法也采用了神经网络的分类算法，但其并没有对算法进行优化。（2）对比文件1中的算法仅仅只是离线进行，并没有在线自动优化神经网络结构和连接权值的功能，如果缺陷分类算法不准确，只能离线增加样本再进行优化测试，麻烦、复杂；而本技术方案在前期是离线分类的，得到初步的神经网络结构和连接权值后，可实现在线自动分类，自动增加样本，使用合作型协同进化算法，自动优化神经网络结构和连接权值，是个持续的过程，能让分类越来越准确。新修改的权利要求1如下：
“1. 一种基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，所述的方法包括以下步骤：
(0.1)检测软件通过训练样本进行神经网络分类算法的学习；
(0.1.1)所述的检测软件采用协同进化算法协作优化神经网络结构和连接权值；
(0.2)所述的检测软件通过测试样本进行测试，并判断测试结果是否达到测试阈值；
(0.3)如果判断结果为所述的测试结果达到所述的测试阈值，则继续步骤(1)，否则返回上述步骤(0.1)；
(1)所述的检测软件根据设定的分割阈值对玻璃的图像进行划分，并得到数个划分对象；
(2)所述的检测软件通过所述的神经网络分类算法对各个划分对象进行处理，并提取得到各个划分对象对应的数个缺陷特征值；
(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析，并得到该划分对象缺陷类别；
(4)所述的检测软件判断分析得到的缺陷类别结果是否达到分类阈值，如果是，则继续步骤(1)，否则继续步骤(0.1)；
计算机软件实现玻璃缺陷自动检测分类的过程中还可更新训练样本和测试样本，实现在线学习，并使用新的学习成果检测后面的玻璃，直到分类准确度达到一定程度；
所述的缺陷特征值包括周长特征值、面积特征值、致密性特征值、灰度中值特征值、灰度均值特征值、最大灰度级特征值，最小灰度级特征值；；
所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习；
所述的玻璃为电子玻璃。”
经形式审查合格，国家知识产权局于2018年10月17日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中坚持认为：采用协同进化算法协作优化神经网络结构和连接权值是本领域技术人员容易想到的；为了完善分类模型，使得分类模型覆盖更多的特征、得到更好的分类结果，在分类过程中不断的更新训练样本和分类样本，并使用得到的新的模型进行分类，这也是本领域技术人员容易想到的。因而坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年03月26日向复审请求人发出复审通知书，指出：（1）权利要求1与对比文件1存在区别技术特征，但上述区别技术特征是本领域常用的技术手段，在对比文件1公开内容的基础上进一步结合本领域常用的技术手段得到权利要求1的技术方案是显而易见的，因此，权利要求1不具备专利法第22条第3款规定的创造性。（2）从属权利要求2-3的附加技术特征或者被对比文件1公开，或者属于本领域常用的技术手段，因此，当引用的权利要求不具备创造性时，权利要求2-3也不具备专利法第22条第3款规定的创造性。（3）针对复审请求人的意见，合议组认为：a.对比文件1公开了其网络结构中的隐单元数可变，隐单元数变化必定涉及与隐单元相关的连接权值，即对比文件1的网络结构也是可以改变的；而合作型协同进化算法是常用的协同改变子成分以解决大规模优化的方法；因此，本领域容易想到使用合作型协同进化算法协作优化神经网络结构和连接权值；b. 对比文件1的第5.2.2.2节公开了BP网络的学习规则，其是当修正连接权值后才进行下一个模式对的输入，即神经网络也是在学习过程中调整连接权值的。因此，对比文件1的神经网络可以进行在线学习；而且在训练和测试神经网络模型时，使用和更新多个训练样本和测试样本以在学习过程中覆盖更多的特征和缺陷类别，这是本领域的常用技术手段；因此，本领域技术人员容易想到在线学习过程中进行更新样本，并使用新训练和测试的模型进行检测，直到分类准确度达到一定程度。
复审请求人于2019年04月26日提交了意见陈述书，并修改了权利要求书，在权利要求1中补入特征“检测时采用红色、蓝色两种LED光源照明，并通过两个16K、分辨为0.013mm/Pixel的相机获取玻璃的图像”。复审请求人认为：1.电子玻璃的检测精度高于对浮法玻璃的检测。对比文件1是应用于浮法玻璃上的旧时代的缺陷检测方法，并不能适用在新时代高速发展、精度高的电子玻璃上。浮法玻璃检测要求低，日光灯下可见能检测出即可，电子玻璃要求非常高，高强度光下人眼可见的缺陷必须全部检测。本申请采用光照和图像获取技术使得检测的正确性得到可大幅提高。2. 对比文件1第5.2.3节提到通过隐单元数变化兼顾检测的准确性与速度；但本申请中的优化是为了提高检测的准确性。3. 对比文件1仅仅是在执行同一检测标准的情况下，增加学习的样品数量而已，其优化过程并不能很好地实现对检测的准确性的优化。本申请在学习过程中对测试指标（即设置的阈值）的优化，测试找到缺陷分辨敏感的特征值，修改其在分类式的权值和阈值，反复归纳总结后，将2个及以上的特征值进行重新组合，数学建模出新的更具分类依据的全新特征值，实现使用1个或者多个全新特征值即可达到事半功倍的效果，后续不需要再调整特征值的权值和阈值，实现敏感特征值查找与创建，其更方便灵活，节省时间。4. 本申请在前期是离线分类，得到初步的神经网络结构和连接权值后，可实现在线自动分类，自动增加样本，使用合作型协同进化算法，自动优化神经网络结构和连接权值，是个持续的过程，能让分类越来越准确。而对比文件1 的算法只能离线进行，没有在线自动优化。5.本申请适合电子玻璃的自动化生产的操作，检测精度能够达到0.05mm，漏检率在0.5%以内，提高玻璃检验效率，具有更加广泛的应用范围，因此新权利要求1的技术方案具有显著的进步。新修改的权利要求1为：
“1. 一种基于计算机软件实现玻璃缺陷自动检测分类的方法，其特征在于，检测时采用红色、蓝色两种LED光源照明，并通过两个16K、分辨为0.013mm/Pixel的相机获取玻璃的图像；所述的方法包括以下步骤：
(0.1)检测软件通过训练样本进行神经网络分类算法的学习；
(0.1.1)所述的检测软件采用协同进化算法协作优化神经网络结构和连接权值；
(0.2)所述的检测软件通过测试样本进行测试，并判断测试结果是否达到测试阈值；
(0.3)如果判断结果为所述的测试结果达到所述的测试阈值，则继续步骤(1)，否则返回上述步骤(0.1)；
(1)所述的检测软件根据设定的分割阈值对玻璃的图像进行划分，并得到数个划分对象；
(2)所述的检测软件通过所述的神经网络分类算法对各个划分对象进行处理，并提取得到各个划分对象对应的数个缺陷特征值；
(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析，并得到该划分对象缺陷类别；
(4)所述的检测软件判断分析得到的缺陷类别结果是否达到分类阈值，如果是，则继续步骤(1)，否则继续步骤(0.1)；
计算机软件实现玻璃缺陷自动检测分类的过程中还可更新训练样本和测试样本，实现在线学习，并使用新的学习成果检测后面的玻璃，直到分类准确度达到一定程度；
所述的缺陷特征值包括周长特征值、面积特征值、致密性特征值、灰度中值特征值、灰度均值特征值、最大灰度级特征值，最小灰度级特征值；；
所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习；
所述的玻璃为电子玻璃。”
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
决定的理由
审查文本的认定
复审请求人于2019年04月26日提交了权利要求书的全文替换页。经审查，以上替换页的修改符合专利法第33条以及专利法实施细则第61条第1款的规定。本复审决定审查依据的文本为：申请日2014年11月17日提交的说明书第1-59段、说明书附图图1、说明书摘要、摘要附图；2019年04月26日提交的权利要求第1-3项。
（二）专利法第22条第3款
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
如果一项权利要求所要求保护的技术方案与作为最接近的现有技术的对比文件存在区别技术特征，而本领域常用的技术手段给出了将以上区别技术特征应用到该最接近的现有技术中以解决该权利要求实际解决的技术问题的技术启示，那么该权利要求相对于最接近的现有技术和本领域常用的技术手段的结合是显而易见的，不具有突出的实质性特点和显著的进步，不具备创造性。
合议组在本复审决定中引用了与驳回决定和复审通知书中相同的对比文件，具体如下：
对比文件1：基于BP网络的浮法玻璃缺陷分类算法研究，陈天宝，《中国优秀硕士学位论文全文数据库信息科技辑》，2009年第5期，第32页倒数第10行至第55页倒数第4行，公开日为2009年05月15日。
1、权利要求1不具备创造性
权利要求1要求保护一种基于计算机软件实现玻璃缺陷自动检测分类方法，对比文件1是最接近的现有技术，公开了一种基于BP网络算法的玻璃缺陷分类方法，并具体公开了以下内容（参见第32页倒数第10行至第55页倒数第4行）：本文从玻璃缺陷检测应用的实际出发，对玻璃的图像预处理、图像分割、缺陷特征提取和利用BP网络对缺陷进行识别进行了研究。第4.2.2节，常用的基于幅度的图像分割法，它是把图像的灰度分成不同的等级，然后用设置灰度门限的方法确定有意义的区域或欲分割物体的边界（相当于步骤（1）检测软件根据设定的分割阈值对玻璃的图像进行划分，并得到数个划分对象）；第4.3节，玻璃缺陷特征提取（相当于步骤（2）对各个划分对象进行处理，并提取得到各个划分对象对应的数个缺陷特征值），缺陷特征提取就是给玻璃缺陷特征赋予一些参数、标记，这些参数能把每一个玻璃缺陷区分出来；图像特征可分为两大类，一类是几何特征，一类是纹理特征。可以提取以下几个特征参数：缺陷目标的面积，缺陷目标的周长，缺陷目标的圆形度，缺陷目标的伸长度，缺陷目标的灰度均值，基于灰度共生矩阵的粗糙度、对比度以及相关度。
第5节模式识别及BP神经网络分类器的设计
BP网络应用于模式识别时，工作过程可分为学习（相当于(0.1)-(0.3)的步骤）和分类（相当于(1)-(3)的步骤）两个阶段；前者是根据图像的样本数据，由网络本身依照某种规则进行自学习；后者则是利用学习的结果对整幅图像进行分类（相当于(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析，并得到该划分对象缺陷类别）。学习是神经网络最重要特征之一，学习过程就是不断调整网络各结点间连接权值的过程，以获得期望的输出。
第5.2.2节，三层BP网络包括：输入层节点数据与提取的样本特征参数数目相同，输出层节点数目等于要分类的类别数目，隐含层数量没有统一理论指导。样本数据通常是一组输入一组输出的模式对，对应一个类别，一个类别可以多个模式对。实际的输出模式与期望输出模式会存在一定的误差，因此需要将误差逐层传送并按某规则修正调整各层的连接权值。
第5.2.4节，本文采用的BP网络算法的训练算法可归纳如下：1)网络初始化，2）给定输入与期望输出；3)用输入向量、连接权、阈值计算中间隐含层的输入；4）用中间层的输出输入输出层，计算输出层的输入；5）用希望输出模式，实际输出模式，计算输出层各单元的校正误差，再计算中间误差；6）计算新的连接权；7）返回步骤3），选下一个学习模式对给网络，直到全部样本训练完（相当于(0.1)检测软件通过训练样本进行神经网络分类算法的学习）。8）重新从m个样本中随机选取一个模式对，返回至3），直至网络误差小于设定限定值（网络收敛）或学习次数大于设定值（相当于步骤(0.2)所述的检测软件通过测试样本进行测试，并判断测试结果是否达到测试阈值；(0.3)如果判断结果为所述的测试结果达到所述的测试阈值，则继续步骤(1)，否则返回上述步骤(0.1)）。
第5.2.3节，网络结构难以确定（包括隐含层数及各隐含层神经元数的确定）；隐单元数太少则网络训练不出来或不强壮，太多则学习时间长。另一种考虑是使隐单元数可变，或初始放入足够多的隐单元，然后把不起作用的逐步去掉，一直减到不可收缩为止。也可以在初始放入比较少的隐单元，学习一定次数后，不成功再增加隐单元数，一直到比较合理的隐单元数（隐单元数的变化即网络结构改变，同时涉及与隐单元相关的连接权，即相当于(0.1.1)所述的检测软件优化神经网络结构和连接权值；所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习。
由此可知，权利要求1与对比文件1的区别技术特征是：（1）本申请步骤（4）判断分析得到的缺陷类别结果是否达到分类阈值，如果是，则继续步骤（1）进行检测，否则继续步骤（0.1）进行训练；（2）采用协同进化算法协作优化神经网络结构和连接权值；（3）计算机软件实现玻璃缺陷自动检测分类的过程中还可更新训练样本和测试样本，实现在线学习，并使用新的学习成果检测后面的玻璃，直到分类准确度达到一定程度；（4）缺陷特征值包括致密性特征值、灰度中值特征值、最大灰度级特征值，最小灰度级特征值；玻璃为电子玻璃；检测时采用红色、蓝色两种LED光源照明，并通过两个16K、分辨为0.013mm/Pixel的相机获取玻璃的图像。基于上述区别技术特征，权利要求1实际要解决的技术问题是：如何反馈改进神经网络；采用何种算法优化；如何利用更多的样本；采用何种特征值和如何检测电子玻璃。
针对区别技术特征（1），对比文件1公开了（说明书第47页第17行）：实际的输出模式与期望输出模式会存在一定的误差。对于本领域技术人员来说，考虑到分类方法的检测结果中包含了多个玻璃缺陷的类别，分类阈值是衡量对缺陷进行分类是否准确的指标之一；若分类不准确则需要重新训练神经网络，这是本领域常用的技术手段。在对比文件1公开了：测试分类器输入测试样本后，判断是否达到了测试阈值，如果不能达到则返回步骤(0.1)的基础上，本领域技术人员容易想到在使用该神经网络进行实际分类时，也去判断缺陷类别结果是否达到分类阈值，如果不能达到则需要继续训练神经网络分类器以进行校正，从而使其更准确。
针对区别技术特征（2），对比文件1公开了在学习过程中调整连接权值，还公开了在学习过程中调整隐单元数。此外，协同进化算法是常用的协同改变子成分以解决大规模优化的方法。本领域技术人员容易想到使用协同进化算法协作优化神经网络结构和连接权值。
针对区别技术特征（3），对比文件1公开了（说明书第48页第3-9行）：第5.2.3.1节，BP网络包括：输入层节点数据与提取的样本特征参数数目相同，输出层节点数目等于要分类的类别数目。由此可知，神经网络输入输出的结构已经事先根据需求进行了设定。对于本领域技术人员来说，训练样本和测试样本仅作为神经网络的输入数据，并不影响神经网络已经设定好的输入输出结构，只需将不同的数据作为输入；在线学习是神经网络学习中常用的方式，不必要一开始提供完整的训练数据集，随着更多实时数据到达，模型会在操作中不断更新。在训练和测试神经网络模型时，需要使用和更新多个训练样本和测试样本，以在学习过程中覆盖更多的特征和缺陷类别，从而使模型的分类准确率较高；这是本领域的常用技术手段。因此，本领域技术人员容易想到，为了完善神经网格分类模型，这些样本是可以在线学习过程中进行更新的，并使用新训练和测试的模型进行检测，直到分类准确度达到一定程度。
针对区别技术特征（4），对比文件1公开了一种浮法玻璃的缺陷检测方法，电子玻璃是玻璃级别较高的浮法玻璃的一种，本领域技术人员容易想到将对比文件1公开的方法应用于电子玻璃的缺陷检测。此外，在对比文件1公开了检测灰度均值特征值作为缺陷特征值的基础上，为了准确提取缺陷特征，还提取灰度的致密性特征值、灰度中值特征值、最大灰度级特征值、最小灰度级特征值时本领域技术人员容易想到的；玻璃的缺陷特征值选取致密性特征值也是本领域技术人员容易想到的。此外，对于本领域技术人员来说，玻璃级别较低时，检测要求也低，而当级别较高时，则需要较高的检测要求和技术；采用红色、蓝色两种LED光源照明，同时采用高像素相机进行玻璃图像的获取高质量的图像进行检测是常用的技术手段；因此，本领域技术人员容易想到采用较高的光照技术和成像技术以拍摄出高精度玻璃图像，以能检测出玻璃中的缺陷。
因此，在对比文件1的基础上得到权利要求1请求保护的方案，对本领域技术人员来说是显而易见的。因此，权利要求1不具备突出的实质性特点和显著的进步，不符合专利法第22条第3款有关创造性的规定。
2、权利要求2不具备创造性
权利要求2是从属权利要求，而对比文件1公开了（说明书第47页第2行至第52页第7行）：学习是神经网络最重要特征之一，学习过程就是不断调整网络各结点间连接权值的过程，以获得期望的输出。第5.2.2.2节示出了三层BP网络连接权值修正过程。第5.2.3节，网络结构难以确定（包括隐含层数及各隐含层神经元数的确定）；隐单元数太少网络训练不出来或不强壮，太多则学习时间长。另一种考虑是使隐单元数可变，或初始放入足够多的隐单元，然后把不起作用的逐步去掉，一直减到不可收缩为止。也可以在初始放入比较少的隐单元，学习一定次数后，不成功再增加隐单元数，一直到比较合理的隐单元数。由此可知，对比文件1公开了连接权值调整过程，而且隐单元数在学习过程中也会发生变化，隐单元数的变化即网络结构改变，同时隐单元数变化会涉及与该隐单元相关的连接权，两者是相互改变的。此外，合作型协同进化算法是常用的协同改变子成分以解决大规模优化的方法。本领域容易想到使用合作型协同进化算法协作优化神经网络结构和连接权值。因此，在其引用的权利要求不具备创造性时，该权利要求也不具备创造性，不符合专利法第22条第3款的规定。
3. 权利要求3不具备创造性
权利要求3是从属权利要求，对比文件1公开了（说明书第51页第6行）：选取一些有代表性的样本作为训练样本。对本领域技术人员来说，为了通过训练和测试得到准确的分类器，训练样本和随机测试样本覆盖了各个缺陷、且每个缺陷都包含数个样本，从而使各个缺陷都经过训练和测试，这是本领域常用的技术手段。因此，在其引用的权利要求不具备创造性时，该权利要求也不具备创造性，不符合专利法第22条第3款的规定。
（三）对复审请求人相关意见的评述
1.针对复审请求人意见（参见案由部分）第1条
对此，合议组认为：电子玻璃和浮法玻璃，两者并非两种不同的玻璃。浮法是一种玻璃制法工艺，相对于格法（重力拉型）制法工艺而说的；浮法制法工艺是将熔融玻璃流入并漂浮在相对密度大的金属液表面上，在重力和表面张力作用下铺开形成上下表面平整的优质玻璃；由浮法工艺制作的玻璃就是浮法玻璃。而电子玻璃是指应用于电子器件如手机中的玻璃，其精度较高。但浮法工艺制作的玻璃有多种级别，如可以分为制汽车挡风级、镜级、扫描仪级等级别，其中超白浮法玻璃级别高工艺好，其可以应用于精密电子行业，即其可以作为电子玻璃。由此可知，并非如复审请求人所说，浮法玻璃检测精度要低于电子玻璃，电子玻璃可能使用高级别的浮法玻璃。因此，上述获取图像的方法与是浮法玻璃还是电子玻璃无关，仅与玻璃的级别有关。对于本领域人员来说，玻璃级别较低时，检测要求低，采用日光灯下可见能检测出缺陷即可；而当级别较高时，则需要较高的检测要求和技术，而采用红色、蓝色两种LED光源照明，同时采用高像素相机进行玻璃图像的获取高质量的图像进行检测是常用的技术手段；本领域技术人员容易想到采用较高的光照技术和成像技术以拍摄出高精度玻璃图像，以检测玻璃中的缺陷。
2. 针对复审请求人意见（参见案由部分）第2条
对此，合议组认为：对比文件1公开了较少数目的隐单元则网络不强壮，不能识别以前没看到的样本，容错性差；也公开了隐单元数多则学习时间过长，误差也不一定最佳，因此存在一个最佳的隐单元数。由此可知，对比文件1考虑容错性和误差，即考虑的是检测的准确性。其中“隐单元数多则学习时间过长，但误差也不一定最佳”，其含义是隐单元数目多时会需要较长的学习时间，即速度慢，该特征指出速度慢不一定最佳，因此，对比文件1并非在速度与准确性之间进行折衷。对比文件1还是寻找准确率较高的隐单元数以得到最佳误差。因此，对比文件1中隐单元数目改变考虑的是准确性，不是兼顾速度和准确性，对比文件1与本申请优化的目的是相同的。
3. 针对复审请求人意见（参见案由部分）第3条
对此，合议组认为：本申请权利要求和说明书中仅公开了判断测试结果是否达到阈值，并没有涉及阈值的变化，即没有涉及优化阈值；而且本申请权利要求和说明书中也没有提及“将2个及以上的特征值进行重新组合，数学建模出新的更具分类依据的全新特征值”等相关内容。因此，对于该意见，合议组不予考虑。
4. 针对复审请求人意见（参见案由部分）第4条
对此，合议组认为：对于本领域技术人员来说，在线学习是神经网络学习中常用的方式，不必要一开始提供完整的训练数据集，随着更多实时数据到达，模型会在操作中不断更新；这是本领域常用的技术手段。而且虽然对比文件1没有明确提到在线学习，但并不表示其方案是离线学习。由对比文件1的第5.2.2.2节，公开了BP网络的学习规则，（1）选择一组初始权值；（2）从一组训练模式对中选择一个模式对，对网络进行训练，直到满足要求；（3）前向传播，对于给定的输入，计算输出，并与期望的输出比较，若误差大于给定阈值，则继续执行，否则返回（2）；（4）误差后向传播，进行连接权值的修正。由对比文件1公开的内容可知，其步骤（4）是当修正连接权值后才进行下一个模式对的输入，即神经网络也是在学习过程中调整连接权值的。因此，对比文件1的神经网络可以进行在线学习。
5. 针对复审请求人意见（参见案由部分）第5条
对此，合议组认为：参见本复审决定的相关评述，当在对比文件1的基础上结合本领域常用的技术手段获得相同的玻璃缺陷自动检测分类方法时，必定也能获取相应的技术效果。
综上所述，合议组对于复审请求人的意见不予支持。
三、决定
维持国家知识产权局于2018年07月02日对本申请作出的驳回决定。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可以自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
