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！

龍圖騰網獲悉國網江蘇省電力有限公司鹽城供電分公司申請的專利一種輸電線路電力配件語義分割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：CN115376024B 。

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：202210921552.0，技術領域涉及：G06V20/17；該發明授權一種輸電線路電力配件語義分割方法是由成云朋;張慶富;王鑫;馮興明;王永;張濟韜;李建華;張學波設計研發完成，并于2022-08-02向國家知識產權局提交的專利申請。

本一種輸電線路電力配件語義分割方法在說明書摘要公布了：本發明提供了一種輸電線路電力配件語義分割方法，包括：1、使用無人機搭載紅外熱成像儀與可見光相機環繞電力桿塔，拍攝電力配件紅外可見光圖像對，得到紅外可見光原始樣本集；2、采用基于邊緣強度的圖像配準模塊對原始樣本集進行處理，生成高匹配度的紅外可見光圖像配準結果；3、得到紅外與可見光圖像電力配件樣本集；4、將標注后的紅外與可見光圖像進行最后的語義分割；5、將3中的紅外與可見光圖像樣本集組以4:1的比例隨機劃分為訓練集與測試集，并進行訓練，獲得更為精確的分割效果。本發明提供一種輸電線路電力配件語義分割方法，能夠準確地識別出輸電線路中電力桿塔、絕緣子、耐張線夾、防震錘等電力配件。

本發明授權一種輸電線路電力配件語義分割方法在權利要求書中公布了：1.一種輸電線路電力配件語義分割方法，其特征在于，所述輸電線路電力配件語義分割方法包括以下步驟： 步驟1：使用無人機搭載紅外熱成像儀與可見光相機環繞電力桿塔，拍攝電力配件紅外可見光圖像對，得到包含橫向絕緣子、豎向絕緣子、絕緣線夾、防震錘和桿塔目標的紅外可見光原始樣本集； 步驟2：采用基于邊緣強度的圖像配準模塊對紅外可見光原始樣本集進行處理，生成高匹配度的紅外可見光圖像配準結果； 步驟3：將配準后的紅外與可見光圖像對送入樣本集構筑模塊以構建紅外可見光電力配件樣本集，使用labelme標注工具對所有可見光以及對應的紅外圖像，針對步驟1中五類目標進行手工標定，其余未標注區域為背景，得到紅外與可見光圖像電力配件樣本集； 步驟4：將標注后的紅外與可見光圖像對輸入多層次模態信息特征提取與權重自適應學習的特征融合模塊，以充分提取具有特異性的紅外與可見光數據特征，并利用其互補性將其充分融合，接著將融合后結果送入高層特征激活模塊以增強差異性的特征并排除干擾噪聲的影響，最后將全局特征圖送入多層次解碼模塊以獲得最后的語義分割結果； 具體包括所述樣本集構筑模塊、所述多層次模態信息特征提取模塊、所述權重自適應學習的特征融合模塊、所述高層特征激活模塊、所述多層次解碼模塊和網絡訓練模塊，包含以下步驟： 1將標注后的紅外圖像與可見光圖像對分別輸入兩個對應模態的并行編碼器，其中兩并行編碼器以ResNet50為主干網絡，且下分支編碼器將首個卷積層輸入通道數改為1以匹配對應的紅外灰度圖像，上分支用于提取對應的可見光圖像特征； 2從第二層開始，將紅外圖像送入位于可見光編碼器每一卷積層前的所述權重自適應學習的特征融合模塊，并將融合結果作為可見光編碼器下一卷積層的輸入以實現紅外圖像對可見光圖像的輔助監督作用； 3將2最后的融合結果送入所述高層特征激活模塊以增強差異性的特征并排除干擾噪聲的影響，并獲得全局特征圖； 4將全局特征圖送入所述多層次解碼模塊以獲得最后的語義分割結果； 所述權重自適應學習的特征融合模塊，包含以下步驟： 1記輸入可見光圖像特征為Ri-1，紅外圖像特征為Ti-1，將Ri-1與Ti-1特征連接后送入一個3×3的卷積層以縮減通道數至原來的14，記為Pi； 2利用大小分別為1、5、9、13的四個最大池化層處理Pi，得到四種類型不同、目標大小也不同的特征映射，再送入兩個各包含一個3×3卷積核和一個ReLU激活函數的卷積層后獲得4個特征映射vj,j＝1,2,3,4； 3將2的結果進行上采樣操作直至與Pi保持一致以構成殘差結構，將Pi的通道數縮減至2后與上采樣后的vj進行像素級別的求和操作進行融合得到融合圖U； 4將3中的結果輸入兩個3×3的卷積層后進行softmax函數激活得到雙通道映射Wi； 5將4中的結果分離為兩個權值映射Wi RGB和Wi T并分別與輸入Ri-1與Ti-1進行像素級別的乘法以獲得下一層可見光編碼器卷積層的輸入 6在特征提取編碼器的每個中間階段都使用所述權重自適應學習的特征融合模塊將紅外圖像特征融入可見光圖像特征中，并將結果送入下一個多層次模態信息特征提取模塊進行特征提取，不斷迭代1～5的步驟直至得到最后的融合結果R5； 所述高層特征激活模塊，包含以下步驟： 1將R5分割為兩個相互獨立的特征描繪子Mavg與Mmax，并分別將Mavg與Mmax送入自適應平均池化層與自適應最大池化層以獲得大小為1×1的輸出結果，其中 Mavg＝AvgPool1R5,Mmax＝MaxPool1R5； 2將1中的兩個描述符發送到共享塊，共享塊由兩個卷積層和一個ReLU函數實現，兩個卷積層的大小都為1×1，第一卷積層將信道數減少到原來的一半，經過ReLU函數后，第二卷積層將其恢復；然后利用元素求和、sigmoid函數和元素乘法來產生通道注意特征圖： 3將2的結果Fc送入空洞空間金字塔池ASPP模塊中以擴展特征感受野從而捕獲多尺度信息，連接上采樣結果后得到自適應的全局特征圖G，并使用一個1×1的卷積層導出其通道數； 步驟5：將步驟3中的紅外與可見光圖像樣本集組以4:1的比例隨機劃分為訓練集與測試集，并使用所述訓練集對語義分割網絡進行訓練，以交叉熵損失函數為監督更新網絡參數以獲得更為精確的分割效果。

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國網江蘇省電力有限公司鹽城供電分公司，其通訊地址為：224000 江蘇省鹽城市解放南路189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”。