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！

龙图腾网获悉国网山西省电力公司电力科学研究院申请的专利一种基于3D点云显著性学习的电力设备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：CN119339178B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202411334684.9，技术领域涉及：G06V10/774；该发明授权一种基于3D点云显著性学习的电力设备检测方法是由杨罡;胡帆;张娜;李树才;张丽敏;赵莉莉;牛曙;李永祥;王伟;王大伟;范晶晶设计研发完成，并于2024-09-24向国家知识产权局提交的专利申请。

本一种基于3D点云显著性学习的电力设备检测方法在说明书摘要公布了：本发明公开了一种基于3D点云显著性学习的电力设备检测方法，属于深度学习、三维目标检测技术领域。针对现有方法对变电设备进行检测时会出现由于检测目标繁杂导致背景点干扰以及检测模型对关键特征提取不充分的问题，通过在Second算法的基础上，在特征提取阶段构建显著性学习模块，设计增强通道注意力模块与残差空间注意力模块，聚焦点云的空间位置信息，得到电力场景下点云的显著性特征，降低检测场景中的噪声干扰，从而达到提升模型检测精度的目的；将显著性特征送入稀疏卷积模块进行特征提取，随后进入区域推荐网络模块构建3D边界框作为整体进行回归的损失函数WIoU损失，进一步增强了模型预测的准确性。

本发明授权一种基于3D点云显著性学习的电力设备检测方法在权利要求书中公布了：1.一种基于3D点云显著性学习的电力设备检测方法，其特征在于，所述方法包括以下步骤： 步骤1：建立电力场景KITTI格式数据集； 步骤2：包含显著性学习模块、稀疏卷积模块、区域推荐网络模块的SalSecond目标检测模型； 步骤3：训练策略制定及参数设置； 步骤4：电力设备部件检测结果分析； 所述步骤2构建包含显著性学习模块、稀疏卷积模块、区域推荐网络模块的SalSecond目标检测模型；其中： 显著性学习模块通过增强通道注意力在保证组间信息流动的同时，分组学习不同通道特征，获取更精细的点云全局特征；随后经逐点空间注意力学习，进一步获取场景中的显著性特征，降低背景点对检测精度的影响； 稀疏卷积模块对获得的显著性特征进行提取； 区域推荐网络模块进行预测回归，通过构建WIoU损失函数，同时关注预测框与真值框的位置关系，提高模型回归精度； 所述步骤2构建包含显著性学习模块、稀疏卷积模块、区域推荐网络模块的SalSecond目标检测模型；具体操作为： 以目标检测模型Second为基准模型，在特征提取阶段构建显著性学习模块，设计增强通道注意力模块与残差空间注意力模块，聚焦点云的空间位置信息，降低检测场景中的噪声干扰，得到电力场景下点云的显著性特征；将显著性特征送入稀疏卷积模块进行特征提取，随后进入区域推荐网络模块构建3D边界框作为整体进行回归的损失函数WIoU损失，解决原模型损失函数忽略边界框不同参数之间耦合性导致回归精度变差的问题； 所述以目标检测模型Second为基准模型，在特征提取阶段构建显著性学习模块，设计增强通道注意力模块与残差空间注意力模块，聚焦点云的空间位置信息，降低检测场景中的噪声干扰，得到电力场景下点云的显著性特征；具体操作为： 将经体素化后的点云数据输入网络中，经增强通道注意力模块进行加工，得到全局特征G，随后经残差空间注意力模块进行处理得到点云的显著性特征S；过程如下： 步骤2.1：增强通道注意力模块将输入通道划分为3个互不干扰的子网络，并将经最大池化和平均池化操作聚合后的体素化点云数据分别输入，从不同维度聚焦点云的细粒度特征；随后，对不同维度的细粒度特征执行Concat操作，进行拼接；引入Shuffle操作，将不同维度的细粒度特征均匀混合后再次经3个子网络学习并将最后结果拼接；最后，通过激活函数进行非线性映射，得到更高维度的全局特征；该过程用以下公式描述： 其中，i分别代表不同组的子网络，ωi为每个子网络中全连接层所学习的参数，Wmax+Wavg代表体素化点云经最大池化和平均池化聚合后的特征，σ为Sigmoid激活函数；fix表示将第一次进行分组的结果进行拼接得到的全局特征； 随后对每个子网络得到的结果进行拼接并执行Shuffle操作；具体为：首先将该网络前半部分中不同通道计算所得特征进行重塑，经转置后再次进行重塑，随后进行均匀混合，最后再次经由3个不同通道进行学习，并将学习到的不同维度特征进行拼接得到全局特征G；公式如下： Wl表示第二次进行分组运算时不同全连接层的参数；σ表示Sigmoid激活函数； 步骤2.2：残差空间注意力模块采用自注意力结构，关注点云的空间距离以及形状特征之间的相关性；引入残差连接机制，强化输入和输出之间的关系，提高模型对显著性特征的捕捉能力；具体为： 首先将经增强通道注意力模块处理获得的全局特征分别经3个卷积层映射为Q、K、V三个参数，然后利用Q与K的转置计算不同点之间的关系，最后利用softmax进行归一化获得注意力权重A并与V相乘得到显著性特征S；该过程用以下公式描述： S＝V×A+G4其中，S为所求得的显著性特征，KT表示矩阵转置，dk为键值K的维度； 所述将显著性特征送入稀疏卷积模块进行特征提取，随后进入区域推荐网络模块构建3D边界框作为整体进行回归的损失函数WIoU损失，解决原模型损失函数忽略边界框不同参数之间耦合性导致回归精度变差的问题的具体操作为： 步骤2.3：构建3D边界框作为整体进行回归的损失函数WIoU损失，解决原模型损失函数忽略边界框不同参数之间耦合性导致回归精度变差的问题；该过程用如下公式表示： WIoU＝LDIoU3D+αv5 其中，LDIoU3d是三维场景下的DIoU，其计算公式如下： LDIoU3D＝1+ADIoU3DBp,Bg6 其中，Bg为真值目标框，Bp为预测边界框，Vp为预测框的面积，Vg为真值框的面积，hi为Bp与Bg的相交高度，Ri为Bp与Bg相交区域的体积，b为Bp与Bg中心点之间的距离，d为预测框和真值框相交形成最小封闭矩形对角线的长度；ADIoU3DBp,Bg表示预测框Bp与真值框Bg的DIoU；IoU3DBp,Bg表示三维空间中预测框与候选框的IoU； 在三维场景DIoU的基础上添加惩罚项αv，α表示平衡参数，v表示修正因子，解决了三维场景DIoU忽略预测框和真值框之间纵横比一致性的问题，计算过程如下： 其中，L1、L代表真值框和预测框的长，W1、W代表真值框和预测框的宽；IoU表示预测框与真值框重叠的部分除以两个区域的集合部分得出的结果。

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山西省电力公司电力科学研究院，其通讯地址为：030001 山西省太原市迎泽区迎泽街道青年路6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。