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！

龙图腾网获悉南昌大学申请的专利一种基于轻量级模型的耐张线夹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：CN117237327B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202311337875.6，技术领域涉及：G06T7/00；该发明授权一种基于轻量级模型的耐张线夹缺陷检测方法是由邱志斌;乐小熙;李俊轩设计研发完成，并于2023-10-16向国家知识产权局提交的专利申请。

本一种基于轻量级模型的耐张线夹缺陷检测方法在说明书摘要公布了：本发明公开了一种基于轻量级模型的耐张线夹缺陷检测方法，收集电网巡检人员利用X射线无损技术形成的耐张线夹X光图像，构建输电线路耐张线夹X光图像数据集，利用K‑means算法对数据集的真实框进行聚类，生成与耐张线夹各类缺陷尺寸匹配的锚框；基于VOC公开数据集的预训练权重，搭建Faster‑YOLO目标检测模型，利用预处理后的耐张线夹X光图像数据集继续进行训练，实现迁移学习，得到耐张线夹的缺陷检测模型；将耐张线夹X光图像输入至训练后的模型中进行测试，实现对耐张线夹缺陷的定位与分类。本发明在对模型轻量化的同时，可精准的实现对耐张线夹X光图像中缺陷的定位与识别，为耐张线夹缺陷检测模型在边缘设备中的部署提供参考。

本发明授权一种基于轻量级模型的耐张线夹缺陷检测方法在权利要求书中公布了：1.一种基于轻量级模型的耐张线夹缺陷检测方法，其特征在于，包括如下步骤： S1、构建输电线路耐张线夹X光图像数据集，并划分训练集、验证集与测试集； S2、利用K-means算法对耐张线夹缺陷真实框数据进行聚类，得到与耐张线夹各类缺陷尺寸匹配的锚框参数； S3、搭建Faster-YOLO耐张线夹X光图像缺陷检测网络模型，包含轻量级主干特征提取网络，颈部特征融合网络和用于回归预测的检测头； 所述轻量级主干特征提取网络FasterNet由Focus模块、CBS模块、FasterNetBlock残差模块、空间金字塔池化SPP模块组成，共5个部分：第1个部分由Focus模块对输入图像进行裁剪切片操作，将数据切分为4份，每份数据都相当于在2倍下采样下得到，再在纵向通道进行拼接堆叠，将宽高信息融合到通道信息中；第2~4个部分均由1个CBS模块和1个残差模块FasterNetBlock堆叠而成，在每个残差模块FasterNetBlock中，将先经过一个3×3的PConv部分卷积，再执行一次1×1的卷积操作，经过1个BN批归一化层和1个Leaky_ReLU激活函数后，最后再执行一次1×1的卷积操作，并在FasterNetBlock模块的输入与输出之间添加残差连接；第5个部分由1个CBS模块、1个SPP模块和1个FasterNetBlock堆叠而成；最后，选取第3~5部分FasterNetBlock模块后的特征图作为轻量级主干特征提取网络的输出，3个输出的特征图再各自经过一个CBAM注意力机制模块后作为颈部特征融合网络的输入，分别命名为Feat3、Feat2、Feat1； 所述颈部特征融合网络利用CBS模块、CARAFE轻量化上采样算子、下采样、CBAM注意力机制模块和FasterNetBlock模块的组合将深层特征图与浅层特征图进行融合：首先输入特征图Feat1经过1个CBS模块后获得提取特征图Layer1，提取特征图Layer1再经过1个CARAFE轻量化上采样算子和1个CBAM注意力机制模块后获得提取特征图Layer2；提取特征图Layer2与输入特征图Feat2进行堆叠后，经过1个FasterNetBlock模块和1个CBS模块获得提取特征图Layer3，提取特征图Layer3再经过1个CARAFE轻量化上采样算子和1个CBAM注意力机制模块后获得提取特征图Layer4；提取特征图Layer4与输入特征图Feat3进行堆叠后，经过1个FasterNetBlock模块，获得加强特征图P3；加强特征图P3经过1个下采样和1个CBAM注意力机制模块后获得提取特征图Layer5；提取特征图Layer5与提取特征图Layer3进行堆叠后，经过1个FasterNetBlock模块，获得加强特征图P2；加强特征图P2经过1个下采样和1个CBAM注意力机制模块后获得提取特征图Layer6；提取特征图Layer6与提取特征图Layer1进行堆叠后，经过1个FasterNetBlock模块，获得加强特征图P1；最后将新生成的3个加强特征图P1、P2、P3输入至对应的3个检测头进行回归预测，输出预测值，并利用EIoU损失函数计算预测值与真实值之间的损失值用于反向传播更新参数； EIoU损失函数包含计算重叠损失、计算中心距离损失和计算宽高损失3个部分，其计算公式如下： 1.1； 式中：B为预测框，Bi为真实框，b和bgt分别为预测框和真实框的中心点，r为两个中心点的欧氏距离，d为预测框和真实框最小外接矩形的对角线距离，w、wgt、h、hgt分别为预测框和真实框的宽度与长度，Cw、Ch为覆盖两个框的最小外接矩形的宽度与长度； CARAFE轻量化上采样算子包括上采样核预测和特征重组两个部分；上采样核预测部分由通道压缩模块、内容编码模块和上采样核归一化模块组成，对于形状为H×W×C的输入特征图，上采样率为s，上采样核尺寸为kup×kup，首先通道压缩模块先采用1个1×1的普通卷积将输入特征图的通道数从C压缩到Cm，然后内容编码模块采用1个kencoder×kencoder的卷积对压缩后的特征图进行上采样核预测，其中，kencoder=3，输出通道数为s2kup2，再将通道维在空间维度展开，得到形状为sH×sW×kup2的上采样核，最后，上采样核归一化模块利用Softmax函数对每个得到的上采样核进行归一化操作，使得卷积核权重和为1；特征重组部分利用预测得到的上采样核执行上采样操作，与输入特征图对应的位置作点积，得到输出特征图，其中，输入特征图相同位置的不同通道共享同一个上采样核； S4、设置Faster-YOLO耐张线夹缺陷检测模型的模型参数与训练参数，基于VOC公开数据集的YOLOv5-l预训练权重，利用步骤S1中划分好的训练集和验证集对Faster-YOLO耐张线夹缺陷检测模型进行继续训练，得到目标模型； S5、耐张线夹X光图像缺陷目标检测：将待检测耐张线夹X光图像输入至目标模型中，经过深度卷积操作后得到大中小三个尺度的特征层，并对应划分为S×S个网格，每个网格均将用于预测网格对应的锚框内是否存在对应缺陷目标，并生成所有符合置信度条件的目标预测框；最后使用极大值抑制NMS进行目标预测框的筛选，输出图像中对应的缺陷位置及类别，实现耐张线夹X光图像缺陷的目标检测。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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”。

以上内容由龙图腾AI智能生成。