買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉安徽南瑞繼遠電網技術有限公司申請的專利基于深度學習與多光譜圖像融合的高壓設備缺陷檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120355722B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510863756.7，技術領域涉及：G06T7/00；該發明授權基于深度學習與多光譜圖像融合的高壓設備缺陷檢測方法是由程林;馬千里;張波;茆驥;慈兆會;劉鴻濤;胡勝男;張庚生;張杰;汪浩然設計研發完成，并于2025-06-26向國家知識產權局提交的專利申請。

本基于深度學習與多光譜圖像融合的高壓設備缺陷檢測方法在說明書摘要公布了：本發明發明涉及一種基于深度學習與多光譜圖像融合的高壓設備缺陷檢測方法，涉及電力高壓設備狀態檢測技術領域。該方法包括：獲取高壓設備表面的紫外圖像、紅外圖像和可見光圖像；通過圖像融合方法對紫外圖像、紅外圖像和可見光圖像進行基于圖像像素特征的融合處理；建立高壓設備缺陷檢測模型，利用融合后的圖像數據對高壓設備缺陷檢測模型進行訓練，獲得基于YOLO?STrans多光譜融合網絡的高壓設備缺陷識別模型；將電力高壓設備的外表面紫外圖像、紅外圖像和可見光圖像輸入至高壓設備缺陷識別模型，獲取待檢測電力高壓設備的故障識別結果。本發明能夠提高電力高壓設備表面極早期絕緣劣化和溫度異常缺陷識別精度。

本發明授權基于深度學習與多光譜圖像融合的高壓設備缺陷檢測方法在權利要求書中公布了：1.一種基于深度學習與多光譜圖像融合的高壓設備缺陷檢測方法，其特征在于，包括以下步驟： S1、獲取高壓設備的多光譜圖像并進行預處理； S2、對預處理后的圖像數據進行跨模態融合處理； S3、構建基于YOLO-STrans網絡的高壓設備缺陷檢測模型； S4、利用融合處理后的圖像數據對高壓設備缺陷檢測模型進行訓練，得到高壓設備缺陷識別模型； S5、獲取待檢測高壓設備的多光譜圖像，利用高壓設備缺陷識別模型對該多光譜圖像進行缺陷識別； 所述步驟S2，具體包括以下步驟： S21、將預處理后的紫外圖像和可見光圖像進行融合疊加，得到第一融合疊加圖像； S22、將預處理后的紫外圖像和紅外圖像進行融合疊加，得到第二融合疊加圖像； 所述步驟S22，具體包括以下步驟： S221、分別對預處理后的紫外圖像和紅外圖像進行邊緣檢測，提取紫外放電邊緣圖像和紅外邊緣圖像； S222、通過雙通道注意力機制對預處理后的紫外圖像和紅外圖像進行特征提取，生成第二邊緣權重矩陣； S223、利用第二邊緣權重矩陣對紫外放電邊緣圖像和紅外邊緣圖像進行加權融合，生成第二待識別區域；所述第二待識別區域為紫外放電邊緣圖像與紅外邊緣圖像重疊的區域； S224、對第二待識別區域進行紋理分析及放大處理，得到紫外光細節圖像和紅外光細節圖像，分別對紫外光細節圖像和紅外光細節圖像進行特征提取，生成電暈強度特征圖像和熱量溫度特征圖像； S225、利用熱力學擴散方程，對所述電暈強度特征圖像和所述熱量溫度特征圖像進行跨物理域的特征耦合，生成電暈-溫度耦合特征； S226、利用式（10）構建特征重要性評估函數，并基于所述特征重要性評估函數，利用式（11）對所述電暈-溫度耦合特征進行自適應放大處理： （10）； （11）； 其中，表示增強系數，為圖像像素坐標，為圖像像素坐標處的電暈強度特征，為圖像像素坐標處的熱量溫度特征，為放大前的電暈強度特征，為放大前的熱量溫度特征，表示全局最大電暈強度特征值，表示全局最大熱量溫度特征值，為放大后的電暈強度特征，為放大后的熱量溫度特征； S227、對第二待識別區域進行多物理場建模； S228、利用式（13）所示的動態Alpha系數生成算法確定各物理場特征的自適應融合權重，并利用式（14）生成第二融合疊加圖像： （13）； （14）； 其中，為動態系數，為激活函數，為放大后的電暈強度特征，表示生成第二融合疊加圖像，為放大后的熱量溫度特征，表示函數，用于從整張圖像中取全局最大值； S229、建立溫度-電暈強度關聯模型，基于所述溫度-電暈強度關聯模型對第二耦合疊加圖像進行熱斑檢測，確定第二耦合疊加圖像中的故障類型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人安徽南瑞繼遠電網技術有限公司，其通訊地址為：230088 安徽省合肥市科學大道90號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。