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！

龙图腾网获悉西安科技大学申请的专利智能光伏热斑故障检测方法、系统、介质、设备及终端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：CN117095311B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202310028596.5，技术领域涉及：G06V20/17；该发明授权智能光伏热斑故障检测方法、系统、介质、设备及终端是由郝帅;何田;马旭;李嘉豪;王海莹;吴瑛琦;赵秋林设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本智能光伏热斑故障检测方法、系统、介质、设备及终端在说明书摘要公布了：本发明属于智能光伏巡检领域，公开了一种智能光伏热斑故障检测方法、系统、介质、设备及终端，方法包括：构建“教师+学生”协同训练的知识蒸馏模块，保证检测精度的同时提高了算法推理效率；设计了基于CSPHN的骨干网络以增强对待检测目标的特征表达能力；构建了BiMAF模型，采用并行的方法从全局和局部角度融合输入特征，进而加强对目标特征的聚合能力；同时，提出了CgT模块，使检测系统在各类恶劣环境下仍能及时发现热斑故障并对其加以排除和检修。本发明通过将无人机巡检技术，传感器技术及目标检测算法进行交叉融合，从而自动完成光伏电站大范围、快速、精细、智能化运行维护任务，提高了光伏电站发电效率的同时降低了光伏电站运维成本。

本发明授权智能光伏热斑故障检测方法、系统、介质、设备及终端在权利要求书中公布了：1.一种智能光伏热斑故障检测方法，其特征在于，所述智能光伏热斑故障检测方法包括： 构建“教师+学生”协同训练的知识蒸馏模块；设计基于CSPHN的骨干网络增强算法对待检测目标的特征表达能力；构建BiMAF模型，通过并行的方法从全局和局部角度融合输入特征，加强颈部网络对目标特征的聚合能力；同时，提出CgT模块，用于在各类恶劣环境下发现光伏发电系统存在的热斑故障并对其加以排除和检修； 所述智能光伏热斑故障检测方法包括以下步骤： 步骤一，基于知识蒸馏思想，构建教师+学生网络协同训练新模式，借助教师深度检测网络优势提升算法检测精度，并结合学生网络小参数量特点，提高算法推理效率，进而兼顾检测精度和模型轻量化要求； 步骤二，基于无人机智能巡检数据集搭建基于YOLOX算法的学生网络，其引入无锚框架构，不设定具体锚框，直接通过关键点预测目标所在的位置坐标，同时结合解耦预测头从而在提高算法检测精度的同时加快网络收敛速度； 步骤三，在教师网络中构建基于CSPHN模型的骨干网络，其在保留卷积神经网络有益归纳偏置的基础上，利用门控卷积和递归设计获得与Transformer相似的高阶空间交互信息以增强算法对热斑目标的特征表达能力； 步骤四，在所述颈部网络中应用BiMAF模块，以并行融合方式从全局和局部两角度聚合多层次特征，使网络能够有选择地聚焦于包含目标显著性信息的区域，进而增强了颈部网络的特征聚合能力； 步骤五，在教师网络中构建基于CgT模块的解耦预测头，通过挖掘静态和动态上下文信息生成注意力矩阵，使检测系统在密集小目标场景仍能及时发现光伏发电系统存在的热斑故障并对其加以排除和检修； 所述协同训练新模式的构建包括： 步骤1.1设计局部蒸馏函数分离图像前景与背景信息，并引导学生网络关注重要像素及通道特征； 步骤1.2提出全局蒸馏函数以重建不同像素之间的关系，并将不同像素之间的关系从教师网络中传递回学生网络，用于补偿局部蒸馏过程中丢失的全局信息； 步骤1.3通过融合局部蒸馏和全局蒸馏将所述教师网络中的信息继承到所述学生网络中； 所述CSPHN模块的构建包括： 将输入层的特征映射分为两部分，并利用跨阶段层次结构将两者合并；将原始CSPNet模型中的残差单元替换为HorNet模块，所述HorNet模块继承了Transformer模型空间混合层和前馈网络级联的元体系结构，且利用gnConv捕捉特征图中的高阶空间交互作用； 所述BiMAF模块的具体过程包括： 步骤2.1全局特征融合支路：将全局池化操作转化为一对一维特征运算符，通过级联及卷积操作并利用sigmoid归一化函数输出全局特征权重，通过权重分配操作得到全局特征融合结果Outputg； 步骤2.2局部特征融合支路，利用1×1卷积及sigmoid归一化函数构造局部特征权重，进而利用权重分配操作得到局部特征融合结果Outputl； 步骤2.3BiMAF模型通过并行融合方式聚合所述全局特征融合结果和所述局部特征融合结果，得到最终特征融合结果： Output＝[Outputg,Outputl]； 所述CgT模型的具体过程包括： 假设二维输入特征图为键K、查询Q和值V分别定义为K＝XWk，Q＝XWq和V＝XWq；其中，Wq和Wv是由1×1卷积构成的线性变换矩阵；Wk是由卷积核大小为3×3的组卷积构成的线性变换矩阵，通过对输入特征图进行上下文编码能够反映静态上下文特征fs，同时，辅助self-attention学习用于挖掘上下文关键特征和查询特征之间的相互作用，进而构造动态注意权重矩阵A如下： A＝gnconv[K,Q] 式中，gnConv表示门控递归卷积算子； 然后，计算出动态上下文特征fd： fd＝A⊙V 通过捕获静态上下文特征和动态上下文特征，得到如下输出： output＝fs+fd。

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西安科技大学，其通讯地址为：710000 陕西省西安市碑林区雁塔中路58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。