淺談專利檢索中的有關外文追蹤檢索

唐銀鳳

摘? 要：本文指出專利檢索和審查時，容易漏檢外文對比文件，通過相關中文文獻的追蹤，逐步接近和快速精準獲取有效外文對比文件，提高了專利整體審查質量和效率，對外文檢索的實踐操作具有有益的參考價值。

關鍵詞：檢索 ; 中文追蹤;? 外文 ; 提質增效

一、引言

在專利審查檢索過程中，有些申請在中文庫中很難檢索到可用對比文件，此時往往易漏檢好用外文對比文件。并且，在無好用對比文件時審查意見容易搖擺，對案件走向把握也會存疑，不利于審查員和申請人之間溝通達成一致。在專利檢索中，如何在無需大量閱讀外文文獻的情況下，快速準確獲取外文對比文件成了“提質增效”一大關鍵。本文從兩個案例入手，分析了根據中文文獻及其參考文獻，追蹤獲取準確外文對比文件的方法和有效性。

二、檢索實例

案例一：該案權利要求1為：“一種基于集成學習的MEMS傳感器缺陷的檢測方法，其特征在于，包括以下步驟：接收預置的MEMS傳感器缺陷的檢測請求;獲取所述MEMS傳感器的缺陷圖像;采用小波變換對所述缺陷圖像進行圖像分解，得到所述缺陷圖像的分解圖;將所述分解圖輸入至預置的集成分類器中，得到所述MEMS傳感器的缺陷類別?！?/p>

該案提出一種基于集成學習的MEMS傳感器缺陷的檢測方法，該方法通過對圖像小波變換分解并對分解圖，并將分解圖輸入集成分類器中，進行缺陷識別，以解決企業在MEMS傳感器生產線上進行缺陷檢測時使用人工目視的檢測方法，耗時費力，檢測成本高且準確率低的問題。

首先采用技術領域“傳感器”+發明點關鍵詞“小波變換，分解圖，缺陷”以及僅針對發明點關鍵詞進行檢索，沒有找到有效對比文件;對發明點關鍵詞分解圖進行擴展，通過CNKI句子檢索：同一句（小波變換 and 分解）and 同一段（子圖像 and 缺陷），獲取到143篇相關文獻，從結果瀏覽中即可快速發現第5篇涉及該案件發明點相似內容，追蹤該第5篇文獻的參考文獻獲得領域不同但是公開了該案件發明點的X類外文對比文件。

案例二：該案權利要求1、3-4為：“1.一種電力巡檢圖像缺陷識別方法，其特征在于，所述識別方法包括：S1：創建并且級聯目標檢測網絡和多個分類網絡，所述目標檢測網絡用于定位巡檢圖像中的目標圖像信息并且截取定位到的目標圖像信息傳送至下一級分類網絡，所述分類網絡用于判斷對應的目標圖像信息中是否存在缺陷;S2：獲取若干幀巡檢圖像樣本，對巡檢圖像樣本中的目標進行標注，標注項包括目標類型、目標位置、缺陷類型、缺陷位置，生成訓練樣本集;S3：采用訓練樣本集對級聯網絡進行訓練，其中，每一網絡層的量化參數與其所在網絡層的量化級數和量化的范圍相關;S4：采用訓練好的級聯網絡對新獲取的巡檢圖像中的缺陷進行識別。

3. 根據權利要求1所述的電力巡檢圖像缺陷識別方法，其特征在于，所述級聯網絡的量化策略為：網絡訓練采用浮點運算，網絡預測采用整數運算。

4. 根據權利要求3所述的電力巡檢圖像缺陷識別方法，其特征在于，所述量化策略包括以下步驟： 建立實數和其數值的比特表達之間的對應性;以浮點運算訓練網絡，在訓練的前向傳播過程中插入量化效果，反向傳播過程維持浮點運算?！?/p>

該案件針對目前只能針對其中一種或有限的幾種缺陷進行檢測，在保留精度和準確率的前提下，想要創建能夠自動化檢測多個目標的識別系統，因此提出一種基于量化網絡的電力巡檢圖像缺陷識別方法和系統，主要通過以下兩個關鍵手段：（1）、插入模擬量化的模型，給出的量化函數可以確保不同網絡層的不同通道均能得到合適的量化;（2）、通過級聯目標檢測網絡和分類網絡，極大地提高缺陷檢測準確率。

根據權利要求1中的關鍵詞，在CNKI高級檢索，句子檢索中檢索：同一句（目標 and 類型） and 同一句（目標 and 位置）and 同一句（缺陷 and 類型）and 同一句（缺陷 and 位置），獲得公開了關鍵手段（2）的對比文件1，進而，針對關鍵手段（1）繼續檢索，采用“量化函數，參數，級數，范圍，訓練，預測，整數，浮點”、“Quantization，function，level，range，training，forecasting，prediction，integer，float”進行常規組合檢索，結果較多且排序在前的文獻不太相關;考慮到權利要求關鍵詞的有限性，在專利庫中，進一步選取從屬權利要求3中的關鍵詞進行進一步檢索，檢索式如下：

檢索式3中第2篇相關文獻（CN107688849 A 20180213）中記載了“深度神經網絡的應用包括“訓練”（Training）、“推斷”（Inference）兩個過程。訓練神經網絡旨在……。神經網絡訓練完成后，可以將訓練好的神經網絡應用到實際場景中，即推斷……?！?，從而獲取到 “預測”的另一種擴展表達“推斷（Inference）”，在非專利百度學術中嘗試英文搜索“Quantization，Training，Inference”，第1篇即公開了發明點量化訓練全部過程的Y類對比文件。

分析該外文對比文件可知，關鍵詞“prediction”也在論文中，反思之前未獲取該文獻的檢索思路，發現在百度學術中采用“Quantization，integer，float，training，prediction”進行檢索時，該外文對比文件處于第3頁。

三、總結

人工智能領域很多新技術最先出現于非專利外文庫，在該領域的專利申請中，通常會出現以下幾種情形：1、個別申請人可能會有意避免外文關鍵詞的直接中譯，換一種方式書寫技術方案;2、中英表達存在較大差異性，翻譯過程中很容易遺漏最準確的英文表達，進而很難命中對比文件;3、即使可用對比文件處在外文檢索式命中范圍內，然而，由于審查員的英文閱讀理解水平因素，也容易將可用對比文件排除在外;4、檢索和閱讀理解外文文獻，費時費力，往往只會閱讀排序靠前的文獻。上述情形均易導致漏檢外文對比文件。

以上通過對兩個案例的剖析，可以掌握一些如何快速精準獲取外文對比文件的能力，通過中文文獻的逐步追蹤，如從參考文獻的追蹤、準確關鍵詞的追蹤、技術脈絡的追蹤等中獲取可用的外文對比文件，有效防止外文漏檢，從而使得審查意見更客觀，更準確，更好地落實保護專利權人的合法權益和鼓勵發明創造。