聚时科技2018年11月提交的核心技术发明型专利“一种基于监督式生成对抗网络的异常图像检测方法”，在2020年7月正式获得中华人民共和国国家知识产权局颁发的发明专利证书。经过近2年的严格审查，该专利被正式授权。

作为核心技术，聚时科技的众多专利创新已被广泛应用于“聚芯”系列半导体检测产品中，以提高系统的可靠性与先进性。

从“大数据小模型”到“小数据大模型”，是AI未来的发展方向之一，也是深度学习、计算机视觉、机器人AI的核心基础方向。在制造业的很多实际场景中，尤其对传统制造业，“大数据”往往是伪命题，“小样本”更为常见，也更具挑战性。例如：在半导体先进制造的复杂机器视觉场景中、在机器人应用场景中，稀缺数据（比如稀有缺陷）和特殊场景数据往往难以获得足够样本或者获得样本成本极高，这些特殊“场景数据”或“缺陷数据”虽然出现概率不高，但一旦出现极为“致命”，需要机器视觉检测系统能及时在线精准捕获。

如何在尽可能少样本的情况下，让机器智能去学习和驾驭隐藏的规律，具有很大挑战性：这当中，一方面由于工业场景（例如半导体先进制造领域）存在的缺陷形式多样，更有某些场景缺陷多达几十种、上百种，而针对某种形式的缺陷难以定量描述；另一方面，针对某一批次的样本总体，负样本的占比稀少，所包含的缺陷形式种类不全。这导致传统算法或者一般开源深度学习算法无法驾驭复杂机器视觉场景。

在各类涉及异常视觉检测问题中，正常良品样本通常非常充足，而异常缺陷样本通常较少，类别不平衡问题严重，因而很难用一般的有监督学习方法来有效解决。无监督学习方法虽然能充分利用正常样本信息，但不能有效利用有限的异常样本信息，这些信息对学习任务来说是非常有价值的。更重要的一点，无监督学习方法通常需要对数据分布作一些较强的假设，而这些假设在实际应用中不一定能满足，因而很难取得很好的检测效果。为此，本专利提出了一种基于监督式生成对抗网络的方法，该方法能有效弥补监督学习方法和无监督学习方法的在异常检测中的不足，从而得到精确的异常机器视觉检测结果。

也就是说，在博弈论范式下，基于监督式生成对抗网络的异常图像检测方法，使算法具备了将缺陷特征迁移至同类产品下的能力，模仿了人类积累经验的过程。特别在面对多批次小批量的生产场景中，当缺陷样本数量多，且针对某种形式的样本数量不足或难以定义时。该方法可以更智能的对各种缺陷进行定义与分类。

该核心技术解决了工业视觉场景中缺陷样本不足的难题，给以往只能依靠传统图像处理技术、传统视觉算法来解决的场景提供了新思路，扩大了AI技术在复杂场景中的实用性和鲁棒性。

该发明提出的方法除应用在工业视觉领域外，还可以广泛应用在其它机器视觉领域，包括医疗影像疾病诊断、自动驾驶车辆异常检测、广义的监控视频异常检测等领域。