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！

龙图腾网获悉安徽理工大学申请的专利一种基于改进YOLOv4的绝缘子缺陷目标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：CN116385335B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202211372824.2，技术领域涉及：G06T7/00；该发明授权一种基于改进YOLOv4的绝缘子缺陷目标检测方法是由徐善永;邓继承;黄友锐;韩涛;凌六一;唐超礼;甘福宝设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本一种基于改进YOLOv4的绝缘子缺陷目标检测方法在说明书摘要公布了：本发明公开了一种基于改进YOLOv4的绝缘子缺陷目标检测方法，首先以轻量级模块Mobilenet‑V1对YOLOv4的主干特征提取网络Backbone进行替换，其次分别在初步特征提取和加强特征提取环节引入scSE注意力机制，SPP后面的卷积层修改为五层，增强网络的特征提取能力。最后，使用深度可分离卷积替换加强特征提取网络的3×3卷积，降低整体网络的参数量。本发明的权重为57.9MB，相比于传统的YOLOv4模型获得的权重值减少了62.6%。绝缘子缺陷检测的平均精度达到98.81%，精度提高了0.26%。检测速度达到了190帧秒，提升了37帧秒。

本发明授权一种基于改进YOLOv4的绝缘子缺陷目标检测方法在权利要求书中公布了：1.一种基于改进YOLOv4的绝缘子缺陷目标检测方法，其特征在于，包括以下步骤： 步骤S1、获取绝缘子缺陷图片作为数据集； 步骤S2、对步骤S1获取的数据集进行预处理后，将所述数据集划分为训练集和验证集； 步骤S3、对YOLOv4网络模型进行改进，得到改进的YOLOv4网络模型； 改进的YOLOv4网络模型包括初步特征提取网络、特征金字塔网络、分类回归层，所述初步特征提取网络的输出连接所述特征金字塔网络的输入，所述特征金字塔网络的输出连接所述分类回归层的输入，其中： 所述初步特征提取网络采用MobilenetV1网络，MobilenetV1网络采用深度可分离卷积，MobilenetV1网络具有三个维度的输出，且在MobilenetV1网络的三个输出维度后添加scSE注意力机制，通过MobilenetV1网络对图片进行初步特征的提取； 所述特征金字塔网络包含最大池化与PANet网络；所述初步特征提取网络输出的结果依次经最大池化后会进行拼接模块Concat操作和五层卷积层Conv操作后将所得结果送入PANet网络中，其中五层卷积层中第1个卷积层的卷积核大小为1×1、第2个卷积层的卷积核大小为3×3、第3个卷积层的卷积核大小为1×1、第4个卷积层的卷积核大小为3×3、第5个卷积层的卷积核大小为1×1，并且第2个卷积层、第4个卷积层分别为深度可分离卷积； 所述PANet网络包括拼接模块、五层卷积层、上采样和下采样，五层卷积层的卷积核大小依次为1×1、3×3、1×1、3×3、1×1，其中卷积核为3×3大小的卷积全部为可分离卷积，并在上采样的操作后加入scSE注意力机制； 所述分类回归层包括卷积核大小为3×3的卷积层和卷积核大小为1×1的卷积层，且3×3卷积层、1×1卷积层均为深度可分离卷积；特征金字塔网络输出的结果经过分类回归层后，得到最终的预测图片； 步骤S4、采用步骤S2得到的训练集、验证集，对步骤S3构建的改进的YOLOv4网络模型进行训练； 步骤S5、将待检测的绝缘子图片输入至经步骤S4训练好的改进的YOLOv4网络模型，由改进的YOLOv4网络模型在待检测的绝缘子图片中标定缺陷位置，实现缺陷目标检测； 所述scSE注意力机制是由空间挤压和通道激励块-cSE和通道挤压和空间激励块-sSE组合而成，所述空间挤压和通道激励块-cSE经过全局平均池化和全连接处理，最后使用Sigmoid激活函数进行归一化处理，提高了网络对通道特征提取的能力；所述通道挤压和空间激励块-sSE是沿着通道挤压特征图并在空间上激励，首先对输入的特征图中进行操作，通道压缩采用了1×1×1的卷积方法进行，然后再通过Sigmoid激活函数的方法获得新的空间特征图，最后将得到的新的空间特征图与原始特征图进行相乘操作，实现空间的信息校准，提高对空间特征信息的学习能力；所述scSE注意力机制就是将空间挤压和通道激励块-cSE和通道挤压和空间激励块-sSE所得到全新特征进行相加，完成信息的堆叠。

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理工大学，其通讯地址为：232001 安徽省淮南市泰丰大街168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”。