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多网络特征融合的输电线路悬挂异物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：CN115359286B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202210917631.4，技术领域涉及：G06V10/764；该发明授权一种基于多网络特征融合的输电线路悬挂异物检测方法是由邱志斌;周志彪;李俊轩;童志鹏;吴睿文;张润;余沿臻;朱轩设计研发完成，并于2022-08-01向国家知识产权局提交的专利申请。

本一种基于多网络特征融合的输电线路悬挂异物检测方法在说明书摘要公布了：本发明公开了一种基于多网络特征融合的输电线路悬挂异物检测方法，首先构建输电线路悬挂异物图像数据集；其次对输电线路悬挂异物图像融合特征提取；再构建与训练基于贝叶斯优化的随机森林输电线路悬挂异物分类识别模型；输电线路悬挂异物分类识别：利用测试集的融合特征X对随机森林分类模型中M棵CART决策树进行测试，得到预测类别{C1X、C2X、、CmX}；对于测试得到的分类结果进行投票，选择在M棵CART决策树分类结果中出现频率最高的作为最终的分类结果；本发明具有较好的检测精度和检测速度，且更有利于实际应用，可为电网运维人员开展输电线路悬挂异物清障工作提供参考。

本发明授权一种基于多网络特征融合的输电线路悬挂异物检测方法在权利要求书中公布了：1.一种基于多网络特征融合的输电线路悬挂异物检测方法，其特征在于，包括如下步骤： S1、构建输电线路悬挂异物图像数据集：针对电网人工巡检与无人机巡检拍摄的输电线路悬挂异物图像，采用Otus最大类间方差阈值分割法与形态学方法提取异物目标区域，运用泊松融合算法将输电线路真实背景与异物目标区域进行融合，生成虚拟的异物图像扩充图像样本，构建包含N种输电线路悬挂异物图像数据集，并按照一定的比例划分为训练集与测试集； S2、输电线路悬挂异物图像融合特征提取：搭建GoogLeNet、DarkNet-53、VGG-19、ResNet-50、Xception卷积神经网络模型，采用大规模数据集MSCOCO进行预训练，对预训练的5个网络模型结构进行微调，并利用扩充后的异物图像训练集重新训练微调后的5个网络模型； 利用重新训练好的5个网络模型分别对输电线路悬挂异物图像数据集进行特征提取，采用特征可视化Grad-CAM++算法生成每个网络模型特征提取层对应的类激活热力图，获得每个特征层的决策区域，据此挑选出每个网络模型的最佳特征提取层；并对最佳特征提取层的决策区域进行分析，挑取具有互补性的特征进行级联融合，获得最佳的异物图像融合特征； S3、构建与训练基于贝叶斯优化的随机森林输电线路悬挂异物分类识别模型：采用Bootstrap重采样的方法对训练集的融合特征Z进行M次随机有放回的采样，生成M个样本集用于训练M棵CART决策树，同时控制每个样本集的样本数量相同；定义训练集的融合特征变量为S，随机地在S个特征变量里面选择s个特征变量组成该节点的分裂特征变量子集，根据基尼系数选择最优分裂特征变量和最优分裂值，生成包含M棵CART决策树的随机森林分类模型，同时使用贝叶斯优化随机森林的超参数，通过5倍交叉验证对模型进行训练，以平均均方根误差RMSE作为控制函数，寻找最优超参数： 1 式中：n为样本数目；为第i个样本的真实值；为第个样本的预测值； S4、输电线路悬挂异物分类识别：利用测试集的融合特征X对随机森林分类模型中M棵CART决策树进行测试，得到预测类别；对于测试得到的分类结果进行投票，选择在M棵CART决策树分类结果中出现频率最高的作为最终的分类结果： 式中：为分类结果，为第l棵CART决策树对样本x的分类结果，M为CART决策树的数量，c为异物分类类别数，i为c类中的某一类，代表分类结果为i时的情况； 其中，所述步骤S2具体包括： 利用特征可视化Grad-CAM++算法决策出将GoogLeNet、DarkNet-53、ResNet-50和Xception的全局平均池化层和VGG-19的最后一个dropout层作为特征提取层；将GoogLeNet、DarkNet-53、VGG-19、ResNet-50、Xception提取得到的特征分别命名为FG、FD、FV、FR、FX，并对每个卷积神经网络的分类决策区域进行分析后，最终确定通过公式3将FG、FD和FX进行级联融合，获得最佳的异物图像融合特征F； 3。

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。