买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利一种融合图论推理的输电线路螺栓缺销钉检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115393714B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211027107.6，技术领域涉及：G06V20/10；该发明授权一种融合图论推理的输电线路螺栓缺销钉检测方法是由陈静;黄浩阳;江灏;缪希仁设计研发完成，并于2022-08-25向国家知识产权局提交的专利申请。

本一种融合图论推理的输电线路螺栓缺销钉检测方法在说明书摘要公布了：本发明提出一种融合图论推理的输电线路螺栓缺销钉检测方法，所述检测方法基于的目标检测算法利用图像语义算法提取图像的结构语义特征，学习输电线路部件的空间关系和部件间的连接关系，并与特征提取网络输出的视觉特征相融合来增强特征，由分类器和回归器输出图中螺栓的位置并判定销钉是否缺失；所述图像语义算法以FasterR‑CNN框架为基础来加入GRM模块并构建GR‑RCNN算法，以加强目标检测算法对图中螺栓类小目标的识别能力，在判定销钉是否缺失时，以销钉未缺失的螺栓类图像为正样本，利用Fastflow算法来判定待检测图像中的螺栓是否缺销钉；本发明能提高小目标检测精度，和解决螺栓缺销钉的缺陷样本不足的问题。

本发明授权一种融合图论推理的输电线路螺栓缺销钉检测方法在权利要求书中公布了：1.一种融合图论推理的输电线路螺栓缺销钉检测方法，其特征在于：所述检测方法基于的目标检测算法利用图像语义算法提取图像的结构语义特征，学习输电线路部件的空间关系和部件间的连接关系，并与特征提取网络输出的视觉特征相融合来增强特征，由分类器和回归器输出图中螺栓的位置并判定销钉是否缺失；所述图像语义算法以FasterR-CNN框架为基础来加入GRM模块并构建GR-RCNN算法，在判定销钉是否缺失时，以销钉未缺失的螺栓类图像为正样本，利用Fastflow算法来判定待检测图像中的螺栓是否缺销钉； 具体包括以下步骤； 步骤S1、制作电力巡检输电线路部件的图像数据集； 步骤S2、提取结构语义特征，以GRM模块作为特征提取网络的结构语义表达模型，模型的输入为图像的视觉特征，模型输出的图数据包含具有空间结构、部件连接关系的图像特征数据；图数据的节点为各部件图像特征和图像标签，边为连接关系，以公式表述为 PS＝V，E，O，R|I公式一； 其中I表示图像，V是I中各部件的图像特征对应的节点，表示节点之间的关系，即图数据中的边，O表示各部件的标签，R表示各连接关系的标签； GRM模块包括目标候选区域ORP、关系候选网络RsPN和图数据标记GraphLabeling，其用公式表达为： PS|I＝PV|IPE|V，IPR，O|V,E,I公式二； 将结构语义表达模型嵌入Faster-RCNN形成GR-RCNN算法GraphReasonningRegionConvolutionalNeuralNetworks，所述GR-RCNN算法包括一阶段算法和二阶段算法； 步骤S3、ORP中使用FasterR-CNN框架从输入图像中提取一组n个objectproposal，每个objectproposal对应一个目标节点ri o，以公式表述为空间区域 经过池化的特征向量关于类C＝{1，...，k}中的初始预测的标签分布将所有proposals的向量集合分别表示为矩阵Ro∈Rn×4，Xo∈Rn×d，po∈Rn×|C|； 步骤S4、引入RsPN网络进行学习并预测杆塔中输电线路部件之间的相关性；通过修剪没有关联的边，对结构语义模型进行稀疏操作； 初始化类分布Po，总共有n*n-1对不同方向的关系对计算其相关性其中fx，y是输出相关性分数的多层感知器，以非对称核函数的公式表述为 其中φx，ψy分别为关系中主体与客体的投影函数，由两个相同结构的多层感知器构成，计算出分数矩阵S＝{sij}n×n；最后经过sigmoid激活函数将分数矩阵S各个元素映射到[0，1]； 步骤S5、将处理后的分数矩阵S按降序进行排序，并选择前K对，然后使用NMSNonMaximumSuppression非极大抑制过滤掉与其他对象有明显重叠的对象对； 计算两个关系对{u，v}和{p，q}之间重叠程度的公式为： 其中字符I表示交集，U表示并集；将重叠度高的关系对去除之后，剩下m个关系对均为有效的关系E；最终得到图数据G＝V，E，即为经过稀疏操作后的图数据； 步骤S6、构建一个AGCN来学习图数据的结构特征和上下文信息，AGCN由两层GCN网络和一个注意力模块组成，网络的逐层传播为：对于图数据中的目标节点i表示为{zi∈Rd}，通过训练后的隐藏权重矩阵W对相邻节点zj|j∈Ni进行线性变换，并集合一个权重α，最后经过激活函数ReLU；整个逐层传播过程用公式表示为： 或者将等价于一个矩阵Zl表示： 其中αi∈[0，1]n； 步骤S7、GCN中的图数据的连接关系是已知的，αi基于节点特征预测的，为αi添加一个可训练的注意力模块，以公式表述为 其中wh和Wa是学习参数，[x，y]形式的表述是连接操作，设αii＝1，αij＝0，所述注意力模块是学习节点特征的函数，公式为 αi＝softmaxuij公式八； 步骤S8、计算损失函数，具体为：公式二表述GR-RCNN分为的三部分中，PV|I使用与FasterR-CNN中RPN相同的损失函数；PE|V，I在RsPN上使用二元交叉熵损失和anchors的回归损失函数；PR，O|V，E，I使用两个多类交叉熵损失函数进行分类； 步骤S9、基于图数据对图像特征进行增强；通过上述步骤构建语义结构模型后，将FasterR-CNN提取的视觉特征与图数据的结构特征进行特征融合，其公式如下： f′＝εfWe公式九； ε为表示图数据节点的邻接矩阵，f是FasterR-CNN提取的视觉特征，We∈Rn×d是权重矩阵； 步骤S10、将增强的融合特征f′输入到FasterR-CNN网络的边界框回归层和分类层，得到螺栓是否存在的识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。