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！

龙图腾网获悉国网浙江省电力有限公司;国网浙江省电力有限公司金华供电公司申请的专利一种配网工程强化管控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：CN113869122B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202110992972.3，技术领域涉及：G06V20/52；该发明授权一种配网工程强化管控方法是由邓新财;马玉坤;陈波;杜挺;郭天翔;舒展;吴顺军;李运硕;李佳;吕齐;王申华;王培波;林军设计研发完成，并于2021-08-27向国家知识产权局提交的专利申请。

本一种配网工程强化管控方法在说明书摘要公布了：本发明公开了一种配网工程强化管控方法，步骤如下：S1、设定监理机器人的线路s和速度v；S2、按照线路s和速度v拍摄监理视频，记录相机的运动方程F；S3、对采集的视频进行标注制作标准场景图像库；S4、制作成配网施工现场目标数据集；S5、训练YOLOV5s深度神经网络得到训练权重；S6、制作标准场景图像库的负样本；S7、将基于概率相似度的MatchNet神经网络在正负样本上进行训练；S8、监理机器人按照线路x和速度v以及相机运动方程F进行监理；S9、将拍摄图像与标准场景库图片采用基于概率相似度的MatchNet神经网络比对；S10、将异常的图片用训练好的YOLOV5s深度神经网络进行异常检测；S11、输出比对异常的结果。该方案提高了异常监控的准确度和效率。

本发明授权一种配网工程强化管控方法在权利要求书中公布了：1.一种配网工程强化管控方法，其特征在于：包括如下步骤： 步骤S1、建立基于概率相似度的MatchNet神经网络模型； 步骤S2、监理机器人按照设定的线路、速度以及相机运动方程F进行监理； 步骤S3、监理过程中将拍摄的每一帧图像与标准场景库相同时刻前后各30帧图片采用基于概率相似度的MatchNet神经网络比对； 步骤S4、将步骤S3中初步比对异常的图片采用YOLOV5s深度神经网络进行最终异常检测； 步骤S5、输出比对异常的结果； 步骤S1包括如下步骤： 步骤S11、设定监理机器人在配网施工现场的监理线路s和监理速度v； 步骤S12、搭载RGB相机的监理机器人按照步骤S11中设定的线路s和速度v监理，拍摄监理视频，记录相机的运动方程F； 步骤S13、对采集的视频标注出每一帧所涉及配网现场目标的种类、数量和位置，形成标准场景图像库； 步骤S14、采集步骤S13中所涉及的配网现场目标，制作成配网施工现场目标数据集； 步骤S15、将YOLOV5s深度神经网络在步骤S14中的数据集上进行训练，得到训练权重； 步骤S16、制作步骤S13中标准场景图像库的负样本； 步骤S17、将基于概率相似度的MatchNet神经网络在正负样本上进行训练，得到最终的网络； 步骤S3包括如下步骤： 将每次采集的图片与相同时刻前后各30帧图片进行比较，选取输出相似度概率最高的标准场景库一张图片，如果有相同概率的多张图片，选取时刻小的图片作为比较对象； 基于概率相似度的MatchNet神经网络将图片分割成64×64的子块，设定当不超过16个子块不同时，认为两张图片完全一致，其相似度阈值为： ； 即大于等于该阈值p的图片场景可认为无异常；当相似度小于该阈值p时可认为场景初步异常； 步骤S4包括如下步骤： 将比对异常的两张图片采用YOLOV5s深度神经网络进行目标检测，得到各目标的概率和检测框； 采用粗线框标注出与典型场景库目标检测概率或检测框宽或高或宽高比相差大于0.004的目标，该目标即为最终异常目标； 若概率或检测框参数差值小于0.004即认为无异常； 使用kmeans++算法在步骤S14中的数据集上聚类出9类先验框尺寸； 训练过程中，对图片进行旋转和色调、饱和度变化以防止过拟合； 类别损失函数采用交叉熵损失函数，如下式所示： ； 其中，L class 表示预测框的类别损失；表示第i个网格检测到目标时，此目标属于类别c的实际概率；表示第i个网格检测到目标时，此目标属于类别c的预测概率；c表示所检测到的目标所属的类别； 边界框回归损失函数采用GIoU损失函数，函数原理式如下： ； ； 上式中L GIoU 表示GIoU损失；P表示预测框；G表示真实框；C表示同时包含预测框与真实框的最小外接矩形面积； 总的损失函数为： 。

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浙江省电力有限公司;国网浙江省电力有限公司金华供电公司，其通讯地址为：310000 浙江省杭州市黄龙路8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”。