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！

龙图腾网获悉华北电力大学(保定)申请的专利基于大核选择特征融合网络的电力杆塔遥感目标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：CN118212546B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202410208305.5，技术领域涉及：G06V20/13；该发明授权基于大核选择特征融合网络的电力杆塔遥感目标检测方法是由张珂;郑宪;石超君;赵振兵;苏子博;卢翘楚设计研发完成，并于2024-02-26向国家知识产权局提交的专利申请。

本基于大核选择特征融合网络的电力杆塔遥感目标检测方法在说明书摘要公布了：本发明公开了基于大核选择特征融合网络的电力杆塔遥感目标检测方法，属于电力计算机视觉领域。所述方法包括步骤：选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，扩大模型感受野，准确定位电力杆塔位置。设计多尺度特征对齐融合结构改进颈部网络，解决输电塔、配电塔尺度差距大且不一致的问题，提高配电塔此类微小杆塔检测精度，实现复杂背景下电力杆塔多尺度特征融合。训练模型，引入MPDIoU改进CIoU，设计滑动加权损失使模型在训练过程中更关注负样本，使用训练所得最优模型对电力杆塔进行检测和识别，评估模型效果。本发明有效提升了卫星遥感图像中电力杆塔的检测精度，可为基于卫星遥感的电力线路智能巡检提供重要技术支持。

本发明授权基于大核选择特征融合网络的电力杆塔遥感目标检测方法在权利要求书中公布了：1.基于大核选择特征融合网络的电力杆塔遥感目标检测方法，其特征在于，包括以下步骤： S1：构建卫星图像电力杆塔数据集，根据已采集输配电基础设施卫星遥感图像，获得涵盖不同背景、不同人口密度区域的电力杆塔已标注图像、其中电力杆塔包括输电塔、配电塔； S2：权衡精度与速度，选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，扩大模型感受野，准确定位电力杆塔位置； S3：设计多尺度特征对齐融合结构改进颈部网络，有效利用低层语义信息，解决输电塔、配电塔尺度差距大且不一致的问题，提高配电塔此类微小杆塔的检测精度，实现复杂背景下电力杆塔多尺度特征融合； S4：训练模型，引入MPDIoU改进CIoU，设计滑动加权损失使模型在训练过程中更关注负样本，使用训练所得最优模型对电力杆塔进行检测和识别，评估模型效果； 其中，所述步骤S2选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，具体包括： S21：选取模型体积小，检测速度快的YOLOv5作为基准模型，模型主干网络CSPDarknet53由Conv、C3、SPPF和瓶颈模块组成，在SPPF层前添加大核空间选择注意机制模块LSKMLargeSelectiveKernelMechanism，增强模型主干网络提取能力； 步骤S21中的大核空间选择注意机制LSKM网络结构包括：大核空间选择子块LargeKernelSpatialSelection、前馈神经网络子块MLP，其中大核空间选择子块的核心为LSK模块，该模块由大核卷积序列和空间核选择机制组成，大核卷积序列通过显示分解为拥有大增长核和增加膨胀率的深度卷积序列构成，空间核选择机制从不同尺度的大卷积核中对特征映射进行空间选择； S22：使用注意力特征融合模块AFFAttentionFeatureFusion替换LSKM每个子层之间的残差链接，避免因网络层数增加所导致的梯度消失核权重矩阵退化的问题，增强捕获不同本地信息的能力，提升主干网络在复杂背景下提取目标的性能； 其中，所述步骤S3设计多尺度特征对齐融合结构SPD-MFAF改进颈部网络，具体包括： S31：基准模型YOLOv5的颈部网络采用PANet，为了更好融合低层语义信息，使用多尺度特征对齐融合结构MFAFMuti-scaleFeatureAlignmentandFusion替换颈部网络前两个模块； 步骤S31中的MFAF包括：特征对齐模块FAMFeatureAlignmentModel、信息融合模块IFMInformationFeatureFusion和轻量级相邻层融合模块LAF_InjectionModuleLightweightAdjacentLayerFusionModel； S32:因此在后两个颈部网络模块中使用SPD-conv代替原跨步卷积层，以防止因网络深度增加导致特征图模糊从而影响检测头检测效果，提升对配电塔此类微小杆塔的检测能力。

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华北电力大学(保定)，其通讯地址为：071003 河北省保定市永华北大街619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”。