# Análisis de patentes de SUALAB: detección de anomalías

SUALAB desarrolla soluciones de inspección mediante aprendizaje profundo y visión artificial. Comenzó aplicándolas a la detección de defectos en la industria textil, donde la automatización de la inspección era limitada.

Source: https://www.iplexlaw.co.kr/es/blog/853581

INICIO / Noticias y análisis Noticias y análisis Análisis de patentes de SUALAB: detección de anomalías SUALAB desarrolla soluciones de inspección mediante aprendizaje profundo y visión artificial. Comenzó aplicándolas a la detección de defectos en la industria textil, donde la automatización de la inspección era limitada. IA y software Publicado el 2023.05.30 IPLEX 2 min de lectura SUALAB desarrolla soluciones de inspección mediante aprendizaje profundo y visión artificial. Comenzó aplicándolas a la detección de defectos en la industria textil, donde la automatización de la inspección era limitada. SuAlab es una empresa exitosa vendida al NASDAQ Cognex con sede en EE.UU. por $240 mil millones. Me gustaría explicar la patente de Su-Alab, una empresa que es un modelo de rol para muchas startups que quieren tener una estrategia de salida. La patente descrita en este post está relacionada con cómo formar un modelo artificial de red neuronal. [patented] Si hace clic en la imagen, puede ver la patente de registro. Véase también patente La distribución de artículos normales y defectuosos en la fábrica se basará en la distribución de probabilidad natural, que se utilizará para el entrenamiento artificial de redes neuronales. patente relacionada. Según la patente, Aprendizaje forzado para adaptarse a la distribución de características que son los valores de salida de la capa oculta en la distribución de probabilidad natural que conocemos. Vamos. Específicamente, Al formar una red neuronal artificial, trate de activar el nodo oculto si la distribución del valor de la característica del nodo oculto es similar a la distribución de probabilidad natural, la distribución predeterminada. Formación para actualizar pesos. Esto se debe a que el nodo oculto es más probable que esté asociado con una propiedad que puede ser reconocida como defectuosa en la inspección de un producto defectuoso. Mientras tanto, Desactivar el nodo oculto si la distribución de valor característica está lejos de la distribución de probabilidad natural. Formación para actualizar pesos. Esto se debe a que el nodo oculto es menos probable que esté asociado con características que pueden ser reconocidas como defectuosas durante la inspección del producto. Cuando esto se hace, la distribución de los valores de las características reales sigue siendo la misma que la distribución de los datos de anomalía en el entorno real. . De este modo, puede entrenarse toda la red neuronal para detectar anomalías de forma eficaz. Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Comprensión de algoritmos GAN usados en Deepfakes ↗ Anterior Mejorar el análisis de imagen médica con las CNN: Análisis de patentes de Lunit, Parte 2 ↗ Artículos relacionados IA y software 2026.10.01 FiX: olvido selectivo por características en la atención softmax Yongduck Kim analiza las compuertas de FiX, su estabilidad numérica y la caché paginada, diferenciando los resultados medidos de las cuestiones aún abiertas. ↗ Lea el artículo IA y software 2026.09.30 MHAR: leer las capas anteriores desde distintos subespacios de características Yongduck Kim analiza Multi-Head Attention Residuals: selección en profundidad, resultados publicados, costes de implementación y relación entre características técnicas y efectos. ↗ Lea el artículo IA y software 2026.09.28 Columna: Claude Computer Use y el aprendizaje de los agentes de IA a través de las patentes Yongduck Kim, socio director de IPLEX, analiza en AI Times los datos y las secuencias de acciones que permiten entrenar a agentes de IA para utilizar software. ↗ Lea el artículo

- https://www.iplexlaw.co.kr/es
- https://www.iplexlaw.co.kr/es/blog/category/ai
- https://drive.google.com/file/d/1QcWSDRTo26wIugaQHJxRtHFfbmncxTba/view
- https://www.iplexlaw.co.kr/forum/view/853581
- https://www.iplexlaw.co.kr/es/contact
- https://www.iplexlaw.co.kr/es/blog
- https://www.iplexlaw.co.kr/es/contact
- https://www.iplexlaw.co.kr/es/blog/857159
- https://www.iplexlaw.co.kr/es/blog/850833
- https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention
- https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention
- https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals
- https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals
- https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent
- https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent