浅谈专利检索中的有关外文追踪检索

唐银凤

摘  要：本文指出专利检索和审查时，容易漏检外文对比文件，通过相关中文文献的追踪，逐步接近和快速精准获取有效外文对比文件，提高了专利整体审查质量和效率，对外文检索的实践操作具有有益的参考价值。

关键词：检索 ; 中文追踪;  外文 ; 提质增效

一、引言

在专利审查检索过程中，有些申请在中文库中很难检索到可用对比文件，此时往往易漏检好用外文对比文件。并且，在无好用对比文件时审查意见容易摇摆，对案件走向把握也会存疑，不利于审查员和申请人之间沟通达成一致。在专利检索中，如何在无需大量阅读外文文献的情况下，快速准确获取外文对比文件成了“提质增效”一大关键。本文从两个案例入手，分析了根据中文文献及其参考文献，追踪获取准确外文对比文件的方法和有效性。

二、检索实例

案例一：该案权利要求1为：“一种基于集成学习的MEMS传感器缺陷的检测方法，其特征在于，包括以下步骤：接收预置的MEMS传感器缺陷的检测请求;获取所述MEMS传感器的缺陷图像;采用小波变换对所述缺陷图像进行图像分解，得到所述缺陷图像的分解图;将所述分解图输入至预置的集成分类器中，得到所述MEMS传感器的缺陷类别。”

该案提出一种基于集成学习的MEMS传感器缺陷的检测方法，该方法通过对图像小波变换分解并对分解图，并将分解图输入集成分类器中，进行缺陷识别，以解决企业在MEMS传感器生产线上进行缺陷检测时使用人工目视的检测方法，耗时费力，检测成本高且准确率低的问题。

首先采用技术领域“传感器”+发明点关键词“小波变换，分解图，缺陷”以及仅针对发明点关键词进行检索，没有找到有效对比文件;对发明点关键词分解图进行扩展，通过CNKI句子检索：同一句（小波变换 and 分解）and 同一段（子图像 and 缺陷），获取到143篇相关文献，从结果浏览中即可快速发现第5篇涉及该案件发明点相似内容，追踪该第5篇文献的参考文献获得领域不同但是公开了该案件发明点的X类外文对比文件。

案例二：该案权利要求1、3-4为：“1.一种电力巡检图像缺陷识别方法，其特征在于，所述识别方法包括：S1：创建并且级联目标检测网络和多个分类网络，所述目标检测网络用于定位巡检图像中的目标图像信息并且截取定位到的目标图像信息传送至下一级分类网络，所述分类网络用于判断对应的目标图像信息中是否存在缺陷;S2：获取若干帧巡检图像样本，对巡检图像样本中的目标进行标注，标注项包括目标类型、目标位置、缺陷类型、缺陷位置，生成训练样本集;S3：采用训练样本集对级联网络进行训练，其中，每一网络层的量化参数与其所在网络层的量化级数和量化的范围相关;S4：采用训练好的级联网络对新获取的巡检图像中的缺陷进行识别。

3. 根据权利要求1所述的电力巡检图像缺陷识别方法，其特征在于，所述级联网络的量化策略为：网络训练采用浮点运算，网络预测采用整数运算。

4. 根据权利要求3所述的电力巡检图像缺陷识别方法，其特征在于，所述量化策略包括以下步骤： 建立实数和其数值的比特表达之间的对应性;以浮点运算训练网络，在训练的前向传播过程中插入量化效果，反向传播过程维持浮点运算。”

该案件针对目前只能针对其中一种或有限的几种缺陷进行检测，在保留精度和准确率的前提下，想要创建能够自动化检测多个目标的识别系统，因此提出一种基于量化网络的电力巡检图像缺陷识别方法和系统，主要通过以下两个关键手段：（1）、插入模拟量化的模型，给出的量化函数可以确保不同网络层的不同通道均能得到合适的量化;（2）、通过级联目标检测网络和分类网络，极大地提高缺陷检测准确率。

根据權利要求1中的关键词，在CNKI高级检索，句子检索中检索：同一句（目标 and 类型） and 同一句（目标 and 位置）and 同一句（缺陷 and 类型）and 同一句（缺陷 and 位置），获得公开了关键手段（2）的对比文件1，进而，针对关键手段（1）继续检索，采用“量化函数，参数，级数，范围，训练，预测，整数，浮点”、“Quantization，function，level，range，training，forecasting，prediction，integer，float”进行常规组合检索，结果较多且排序在前的文献不太相关;考虑到权利要求关键词的有限性，在专利库中，进一步选取从属权利要求3中的关键词进行进一步检索，检索式如下：

检索式3中第2篇相关文献（CN107688849 A 20180213）中记载了“深度神经网络的应用包括“训练”（Training）、“推断”（Inference）两个过程。训练神经网络旨在……。神经网络训练完成后，可以将训练好的神经网络应用到实际场景中，即推断……。”，从而获取到 “预测”的另一种扩展表达“推断（Inference）”，在非专利百度学术中尝试英文搜索“Quantization，Training，Inference”，第1篇即公开了发明点量化训练全部过程的Y类对比文件。

分析该外文对比文件可知，关键词“prediction”也在论文中，反思之前未获取该文献的检索思路，发现在百度学术中采用“Quantization，integer，float，training，prediction”进行检索时，该外文对比文件处于第3页。

三、总结

人工智能领域很多新技术最先出现于非专利外文库，在该领域的专利申请中，通常会出现以下几种情形：1、个别申请人可能会有意避免外文关键词的直接中译，换一种方式书写技术方案;2、中英表达存在较大差异性，翻译过程中很容易遗漏最准确的英文表达，进而很难命中对比文件;3、即使可用对比文件处在外文检索式命中范围内，然而，由于审查员的英文阅读理解水平因素，也容易将可用对比文件排除在外;4、检索和阅读理解外文文献，费时费力，往往只会阅读排序靠前的文献。上述情形均易导致漏检外文对比文件。

以上通过对两个案例的剖析，可以掌握一些如何快速精准获取外文对比文件的能力，通过中文文献的逐步追踪，如从参考文献的追踪、准确关键词的追踪、技术脉络的追踪等中获取可用的外文对比文件，有效防止外文漏检，从而使得审查意见更客观，更准确，更好地落实保护专利权人的合法权益和鼓励发明创造。