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！

龙图腾网获悉湖南大学申请的专利一种基于有监督学习的输电线路树木分割方法及系统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：CN119339081B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411426418.9，技术领域涉及：G06V10/26；该发明授权一种基于有监督学习的输电线路树木分割方法及系统是由张辉;杜瑞;别克扎提·巴合提;曹意宏;钟杭;樊叶心;毛建旭;王耀南设计研发完成，并于2024-10-14向国家知识产权局提交的专利申请。

本一种基于有监督学习的输电线路树木分割方法及系统在说明书摘要公布了：本发明公开了一种基于有监督学习的输电线路树木分割方法及系统，包括：获取沿输电线路通道采集的点云数据；利用点云数据构建邻接图；将邻接图输入构建的图神经网络模型得到特征空间参量再映射到单木实例标签空间得到单木实例标签概率分布，再以最大概率的单木实例标签的预测值作为对应点的单木分割预测结果；其中，通过采集点云数据样本以及点的单木实例标签的实际值，进而依据单木实例标签的预测值与单木实例标签的实际值进行有监督学习训练。本发明通过构建邻接图引入了点云数据的几何关系，使用图卷积网络能够捕捉局、全局特征，利用单木实例标签信息进行有监督训练，使模型能够学习并区分不同树木的点云特征，提高单木分割的精度和效率。

本发明授权一种基于有监督学习的输电线路树木分割方法及系统在权利要求书中公布了：1.一种基于有监督学习的输电线路树木分割方法，其特征在于：包括以下步骤： 步骤1：获取沿输电线路通道采集的点云数据； 步骤2：利用所述点云数据构建邻接图，所述邻接图的节点表示点云的点，边表示两点之间的邻接关系； 步骤3：将所述邻接图输入构建的有监督学习深度模型得到特征空间参量，所述特征空间参量映射到单木实例标签空间得到单木实例标签概率分布，再以单木实例标签概率分布中最大概率的单木实例标签的预测值作为对应点的单木分割预测结果； 所述单木实例标签为数字或编码，用于识别是否为单木或为单木个体标识符；所述有监督学习深度模型从所述邻接图中同时提取全局特征和局部特征，进而生成所述特征空间参量； 其中，通过采集点云数据样本以及点对应的单木实例标签的实际值，按照步骤2-步骤3处理，进而依据单木实例标签的预测值与单木实例标签的实际值进行有监督学习的模型训练； 所述单木实例标签表示单木个体标识符，依据单木实例标签的预测值与单木实例标签的实际值进行模型训练时，以构建的损失函数进行训练，所述损失函数至少包含对比损失函数和调兰德系数损失函数； 所述对比损失函数表示为： 其中，为对比损失函数，ei和ej分别表示全连接层提取的特征空间参量E的第i行和第j行，表示点i和j点的特征向量，表示同一单木实例的点对集合，表示不同单木实例的点对集合，m为边界值，是超参数，用于控制不同实例之间的距离阈值； 所述调兰德系数损失函数表示为： 其中，为调兰德系数损失函数，其中，pred＝{pred1,pred2,...predn}，表示所有点的单木实例标签的预测值，predi是第i个点的单木实例标签的预测值，label＝{label1,label2,...labeln}为所有点的单木实例标签的真实值，labeli是第i个点的单木实例标签的真实值，ARI损失函数的计算公式为： 式中，a表示预测和真实标签都在同一单木中的点对数量，b表示预测和真实标签都不在同一单木中的点对数量，c表示预测标签在同一单木但真实标签不在同一单木中的点对数量，d表示预测标签不在同一单木但真实标签在同一单木中的点对数量，所述预测标签和所述真实标签分别对应预测的单木实例标签、真实的单木实例标签； 表示从n个点中选出两个点的组合数。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路2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。