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！

龙图腾网获悉安徽南瑞继远电网技术有限公司申请的专利基于深度学习与多光谱图像融合的高压设备缺陷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：CN120355722B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202510863756.7，技术领域涉及：G06T7/00；该发明授权基于深度学习与多光谱图像融合的高压设备缺陷检测方法是由程林;马千里;张波;茆骥;慈兆会;刘鸿涛;胡胜男;张庚生;张杰;汪浩然设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本基于深度学习与多光谱图像融合的高压设备缺陷检测方法在说明书摘要公布了：本发明发明涉及一种基于深度学习与多光谱图像融合的高压设备缺陷检测方法，涉及电力高压设备状态检测技术领域。该方法包括：获取高压设备表面的紫外图像、红外图像和可见光图像；通过图像融合方法对紫外图像、红外图像和可见光图像进行基于图像像素特征的融合处理；建立高压设备缺陷检测模型，利用融合后的图像数据对高压设备缺陷检测模型进行训练，获得基于YOLO‑STrans多光谱融合网络的高压设备缺陷识别模型；将电力高压设备的外表面紫外图像、红外图像和可见光图像输入至高压设备缺陷识别模型，获取待检测电力高压设备的故障识别结果。本发明能够提高电力高压设备表面极早期绝缘劣化和温度异常缺陷识别精度。

本发明授权基于深度学习与多光谱图像融合的高压设备缺陷检测方法在权利要求书中公布了：1.一种基于深度学习与多光谱图像融合的高压设备缺陷检测方法，其特征在于，包括以下步骤： S1、获取高压设备的多光谱图像并进行预处理； S2、对预处理后的图像数据进行跨模态融合处理； S3、构建基于YOLO-STrans网络的高压设备缺陷检测模型； S4、利用融合处理后的图像数据对高压设备缺陷检测模型进行训练，得到高压设备缺陷识别模型； S5、获取待检测高压设备的多光谱图像，利用高压设备缺陷识别模型对该多光谱图像进行缺陷识别； 所述步骤S2，具体包括以下步骤： S21、将预处理后的紫外图像和可见光图像进行融合叠加，得到第一融合叠加图像； S22、将预处理后的紫外图像和红外图像进行融合叠加，得到第二融合叠加图像； 所述步骤S22，具体包括以下步骤： S221、分别对预处理后的紫外图像和红外图像进行边缘检测，提取紫外放电边缘图像和红外边缘图像； S222、通过双通道注意力机制对预处理后的紫外图像和红外图像进行特征提取，生成第二边缘权重矩阵； S223、利用第二边缘权重矩阵对紫外放电边缘图像和红外边缘图像进行加权融合，生成第二待识别区域；所述第二待识别区域为紫外放电边缘图像与红外边缘图像重叠的区域； S224、对第二待识别区域进行纹理分析及放大处理，得到紫外光细节图像和红外光细节图像，分别对紫外光细节图像和红外光细节图像进行特征提取，生成电晕强度特征图像和热量温度特征图像； S225、利用热力学扩散方程，对所述电晕强度特征图像和所述热量温度特征图像进行跨物理域的特征耦合，生成电晕-温度耦合特征； S226、利用式（10）构建特征重要性评估函数，并基于所述特征重要性评估函数，利用式（11）对所述电晕-温度耦合特征进行自适应放大处理： （10）； （11）； 其中，表示增强系数，为图像像素坐标，为图像像素坐标处的电晕强度特征，为图像像素坐标处的热量温度特征，为放大前的电晕强度特征，为放大前的热量温度特征，表示全局最大电晕强度特征值，表示全局最大热量温度特征值，为放大后的电晕强度特征，为放大后的热量温度特征； S227、对第二待识别区域进行多物理场建模； S228、利用式（13）所示的动态Alpha系数生成算法确定各物理场特征的自适应融合权重，并利用式（14）生成第二融合叠加图像： （13）； （14）； 其中，为动态系数，为激活函数，为放大后的电晕强度特征，表示生成第二融合叠加图像，为放大后的热量温度特征，表示函数，用于从整张图像中取全局最大值； S229、建立温度-电晕强度关联模型，基于所述温度-电晕强度关联模型对第二耦合叠加图像进行热斑检测，确定第二耦合叠加图像中的故障类型。

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安徽南瑞继远电网技术有限公司，其通讯地址为：230088 安徽省合肥市科学大道90号；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”。