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！

龙图腾网获悉中国矿业大学;中交公路长大桥建设国家工程研究中心有限公司;南京长江第二大桥有限责任公司;江苏中矿大正表面工程技术有限公司申请的专利一种基于深度学习的缆索过火最高温度快速无损预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：CN121010870B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511539135.X，技术领域涉及：G06V10/80；该发明授权一种基于深度学习的缆索过火最高温度快速无损预测方法是由陈伟;王欣宇;朱尧于;徐峰;闵亮;付道兴;李佳;魏晓晨;刘涛;康壮苏设计研发完成，并于2025-10-27向国家知识产权局提交的专利申请。

本一种基于深度学习的缆索过火最高温度快速无损预测方法在说明书摘要公布了：本发明公开了一种基于深度学习的缆索过火最高温度快速无损预测方法，涉及桥梁火灾后安全评估技术领域。该方法通过多种火灾试验获取缆索防腐—防火防护体系在不同温度下的表观图像数据，经分流预处理后构建专用数据集；创新性地构建了基于ConvNeXt‑Tiny的双分支权重共享预测模型，通过两个并行分支分别提取缆索阻燃密封胶层与防腐层的状态特征，经特征融合与共享主干网络进行深层表征学习，最终由两个有序分类预测头实现双温度参数的高精度并行预测；利用迁移学习策略与混合损失函数进行训练，显著提升预测精度与泛化能力；最终开发可视化窗口，实现无需拆卸与传感器的缆索过火温度快速无损评估。该方法为桥梁缆索火灾后安全性能评估提供了可靠的技术支撑。

本发明授权一种基于深度学习的缆索过火最高温度快速无损预测方法在权利要求书中公布了：1.一种基于深度学习的缆索过火最高温度快速无损预测方法，其特征在于，所述方法包括： S1，通过多种火灾试验获取缆索防腐‑防火防护体系各层材料在不同温度条件下的表观形态图像数据；其中，缆索各层材料包括阻燃密封胶层和防腐层； S2，根据缆索材料层位特征对图像数据进行分流预处理；将处理后的图像数据与对应温度标签构建成数据集，并将数据集划分为训练集、验证集和测试集； S3，构建基于ConvNeXt‑Tiny的双分支权重共享缆索过火最高温度预测模型； S4，通过迁移学习策略加载预训练权重，采用混合损失函数优化缆索过火最高温度预测模型，使用训练集对缆索过火最高温度预测模型进行训练，并通过验证集进行调优； S5，使用测试集对训练完成的缆索过火最高温度预测模型进行多指标联合性能评估，并通过真实火灾试验图像验证模型的泛化能力和实际适用性； S6，创建可视化窗口，并将缆索耐火试验图像导入缆索过火最高温度预测模型，以输出缆索耐火试验图像所对应的缆索钢丝最高温度或火灾烟气最高温度，从而实现无需拆卸、无需传感器的缆索火灾后安全性能的无损快速评估；其中，缆索过火最高温度预测模型包括两个并行的输入分支模块、通道拼接层、共享主干网络、特征映射层和两个任务特定的有序分类预测头； 所述两个并行的输入分支模块包括第一分支模块与第二分支模块；所述第一分支模块用于处理缆索阻燃密封胶层的表观图像，提取与纹理相关的特征；所述第二分支模块用于处理缆索防腐层的表观图像，提取与颜色变化、状态演化相关的特征； 所述有序分类预测头用于接收特征映射层输出的特征向量，包括第一分类预测头与第二分类预测头；其中，所述第一分类预测头输出缆索区域火灾烟气最高温度的有序分类预测，所述第二分类预测头输出缆索钢丝峰值温度的有序分类预测； 预处理完成后第一类图像与第二类图像分别输入至所述第一分支模块和所述第二分支模块进行特征提取，所得特征经所述通道拼接层融合后，形成所述共享主干网络的输入； 所述共享主干网络采用ConvNeXt‑Tiny架构，其内部按归一化、卷积运算和非线性激活的顺序堆叠多个结构单元，对融合后的输入逐层进行深层表征学习，输出高维嵌入向量；然后将所述高维嵌入向量输入所述特征映射层，转换为低维紧凑特征向量；所述低维紧凑特征向量被并行馈送至所述第一分类预测头与所述第二分类预测头，分别输出火灾烟气峰值温度与缆索钢丝峰值温度的预测结果； 步骤S4中迁移学习策略包括： S41，使用在大规模图像数据集上预训练的ConvNeXt‑Tiny主干网络权重对模型进行初始化； S42，将经分流预处理后的阻燃密封胶图像与防腐层图像以双流方式输入模型，并通过共享主干网络和双任务分支完成前向传播，由有序分类头输出K1个累积概率并组合形成K个温度等级的预测结果； S43，在训练过程中采用混合损失函数进行优化，所述混合损失函数包括累积逻辑回归损失、交叉熵损失和有序分布约束损失，并通过加权组合提升模型的分类精度与有序性； S44，利用训练集进行参数学习，并在验证集上进行性能评估和调优，提升模型在不同火灾工况下的泛化能力； 步骤S5包括： S51，对缆索过火最高温度预测模型输出的两个分支预测结果分别进行有序概率分布解码，将累积概率分布转换为每个温度类别的离散概率分布，并选取概率最大的类别作为预测温度等级； S52，调用准确率、精确率、召回率与F1分数计算模块，分别计算主缆钢丝峰值温度、吊索钢丝峰值温度及火灾烟气峰值温度对应的预测任务的分类性能指标； S53，基于预测概率分布与真实标签，计算EMD作为序数一致性评估指标，衡量模型在有序温度类别上的预测分布匹配程度； S54，加载真实HC火灾试验图像数据，输入至训练好的缆索过火最高温度预测模型中，分别计算主缆钢丝、吊索钢丝及火灾烟气温度预测任务在真实场景下的跨数据集泛化准确率，并输出各类别混淆矩阵与类激活热力图。

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中国矿业大学;中交公路长大桥建设国家工程研究中心有限公司;南京长江第二大桥有限责任公司;江苏中矿大正表面工程技术有限公司，其通讯地址为：221000 江苏省徐州市铜山区大学路1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。