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！

龙图腾网获悉国网江苏省电力有限公司淮安供电分公司申请的专利一种基于异源图像特征融合的电力设备分割与异常发热检测方法及装置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：CN119863618B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202411601685.5，技术领域涉及：G06V10/26；该发明授权一种基于异源图像特征融合的电力设备分割与异常发热检测方法及装置是由刘建戈;戴欣;赵阳;张鹏宇;王伟业;李茂;吴柯啸设计研发完成，并于2024-11-11向国家知识产权局提交的专利申请。

本一种基于异源图像特征融合的电力设备分割与异常发热检测方法及装置在说明书摘要公布了：本发明公开了一种基于异源图像特征融合的电力设备分割与异常发热检测方法及装置。包括：获取两幅电力设备在不同模态下的配准图像；进行特征提取并分多个层级提取两幅图像的低级特征和高级特征，将对应层级下不同模态图像的特征进行融合；通过迭代解码和聚合三个高级融合特征图，生成高级语义分割特征图，得到对应的语义分割结果图像和边缘检测结果图像；引入多级特征融合与注意力增强模块，优化图像的理解与分析能力；采用二值交叉熵损失函数将处理好的两幅图像对语义分割结果和语义分割真值进行监督，捕捉异常发热区域的细微特征。本发明能够大幅提升电力设备分割与异常发热检测的精度与可靠性，降低误检率，具备高度的实用性和广泛的应用前景。

本发明授权一种基于异源图像特征融合的电力设备分割与异常发热检测方法及装置在权利要求书中公布了：1.一种基于异源图像特征融合的电力设备分割与异常发热检测方法，其特征在于，包括以下步骤： 步骤1在同一时间、从同一方向拍摄，获取两幅电力设备在不同模态下的配准图像，即红外图像与可见光图像； 步骤2将拍摄的两幅图像输入多级特征提取网络模型和多级特征融合模型中，所述多级特征提取网络模型分多个层级提取两幅图像的低级特征和高级特征，多级特征融合模型将对应层级下两幅图像的特征进行融合输出多级融合特征图； 步骤3多级特征融合模型融合后的多级融合特征图作为语义分割解码器和边缘检测解码器的输入，语义分割解码器和边缘检测解码器共享权重参数，通过高级特征中的语义信息，抑制低级特征图中存在的干扰和噪声，获取边缘检测特征图与高级语义分割特征图，对边缘检测特征图与高级语义分割特征图进行通道处理后确定边缘检测结果图像和语义分割结果图像； 步骤4将语义分割结果图像与步骤1中可见光图像结合得到可见光前景图，将语义分割结果图像与步骤1中红外图像结合得到的红外前景图，引入多级特征融合与注意力增强模块，对红外前景图和可见光前景图进行特征提取后进行特征融合，融合了跨模态信息并添加空间注意力增强模块进行处理； 所述步骤4中，使用分割掩码方法，将语义分割结果图像与步骤1中可见光图像结合得到可见光前景图，将语义分割结果图像与步骤1中红外图像结合得到的红外前景图；所述多级特征融合与注意力增强模块的具体操作如下： 步骤4.1、采用步骤2中多级特征提取网络模型分别提取红外前景图像和可见光前景图像的多级特征和，其中，并采用非对称的特征融合对红外特征进行增强，根据多级特征和计算权重激活矩阵； 公式12； 其中，表示1×1卷积核尺寸的卷积处理，将输出为两通道的权重激活矩阵； 步骤4.2、权重激活矩阵作为可学习参数，将其沿通道分离后分别与红外特征和可见光特征进行逐元素相乘： 公式13； 步骤4.3、在跨模态多级特征融合部分，将增强后的作为输入，分别进行卷积、归一化和ReLU激活函数处理： 公式14； 其中，表示批量归一化处理，表示ReLU激活函数，为经过处理后的中间特征； 步骤4.4、通过上采样处理调整不同层级中间特征的尺寸，统一调整为，分别将三组特征的宽和高扩大为原先的2倍，4倍和8倍，再通过沿通道维度拼接，将四级特征进行融合，具体如下所示： 公式15； 其中，、、分别表示对特征图放大2倍，4倍和8倍； 步骤4.5、空间注意力增强部分通过可学习的权重激活矩阵对特征图进行增强，具体如下所示： 公式16； 其中，表示融合特征图； 步骤4.6、在特征重建阶段采用三组级联的解码器恢复特征图的尺寸，其中，第一级解码器的输入特征进行了上采样处理，保证后续解码过程的特征图分辨率的一致性，具体如下所示： 公式17； 公式18； 公式19； 其中，分别表示3个解码器生成的解码特征图，也是最后输出的特征图； 步骤5采用二值交叉熵损失函数将红外图像与可见光图像的语义分割结果和语义分割真值进行监督，捕捉异常发热区域的细微特征，并最终确定异常发热的区域； 5.1采用二值交叉熵损失函数对语义分割结果和语义分割真值GT进行监督，具体如下所示： 公式20； 其中，、表示训练时的分割结果、分割结果的真值，i取值从第1个像素一直取到第个像素，和分别为特征图的高和宽，表示特征图的总像素个数； 5.2基于正负样本的残差信息损失函数，优化边缘轮廓，采用均方误差MSE和结构相似性度量SSIM对检测结果和样本残差进行监督，具体如下所示： 公式21； 公式22； 其中，表示第i个像素的样本残差，i取值从第1个像素一直取到第个像素，和表示训练时的发热检测结果S与残差结果的真值R这两幅图像的均值，即图像平均像素强度，和表示两幅图像的标准差，代表了图像的对比度，表示两幅图像之间的协方差，反映图像的结构相似性，、为常数，用来维持计算稳定性，避免出现分母为零的情况； 5.3定义残差信息损失函数，在残差信息监督学习中更关注像素信息的差异性： 公式23； 其中，为权重系数，设置为0.8，增加像素信息的损失权重； 5.4最终的网络监督损失函数由二值交叉熵损失函数和残差信息损失函数相加构成，具体如下所示： 公式24。

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国网江苏省电力有限公司淮安供电分公司，其通讯地址为：223001 江苏省淮安市清江浦区淮海南路134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。