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！

龙图腾网获悉国网四川省电力公司营销服务中心申请的专利基于MobileNetV3的电表异常识别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：CN119359695B 。

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：202411646720.5，技术领域涉及：G06V10/764；该发明授权基于MobileNetV3的电表异常识别方法及系统是由廖开吉;李锐超;王俊平;刘丽娜;李方硕;张然;肖凌月;白佳灵;丁熠辉;韩潇设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本基于MobileNetV3的电表异常识别方法及系统在说明书摘要公布了：本发明公开了基于MobileNetV3的电表异常识别方法及系统，包括：获取异常电能表与正常电能表的图像数据，对其进行预处理得到样本数据集，并按照比例随机划分为训练集和验证集；基于训练集训练改进MobileNetV3网络，并基于验证集验证改进MobileNetV3网络，并将训练好的改进MobileNetV3网络作为异常电能表识别模型；改进MobileNetV3网络是带反向残差的瓶颈模块的MobileNetV3网络；将待识别电能表的图像数据输入异常电能表识别模型中输出电能表异常识别结果。本发明提高了对电表外观特征的提取能力，提升了异常识别准确率，可自适应地生成不同型号电能表的专属异常识别模型。

本发明授权基于MobileNetV3的电表异常识别方法及系统在权利要求书中公布了：1.基于MobileNetV3的电表异常识别方法，其特征在于，该方法包括： 获取异常电能表与正常电能表的图像数据，对所述图像数据进行预处理得到样本数据集，并按照比例随机划分为训练集和验证集； 基于训练集训练改进MobileNetV3网络，并基于验证集验证所述改进MobileNetV3网络，并将训练好的改进MobileNetV3网络作为异常电能表识别模型；所述改进MobileNetV3网络是带反向残差的瓶颈模块的MobileNetV3网络； 将待识别电能表的图像数据输入所述异常电能表识别模型中，并输出电能表异常识别结果； 所述改进MobileNetV3网络包括依次连接的输入层、卷积层、激活层、带反向残差的瓶颈模块、全局池化层、激活层、全连接层、判断层和输出层； 所述带反向残差的瓶颈模块是通过扩展、深度卷积、压缩的结构在保持性能的情况下减少计算量，获得经过带反向残差的瓶颈模块后的数据； 所述带反向残差的瓶颈模块包括逐点卷积扩展单元、深度卷积单元和逐点卷积压缩单元； 所述逐点卷积扩展单元，用于通过第一逐点卷积扩展操作，将低通道数的数据进行扩展，得到具有高通道数的数据，作为扩展后的数据； 所述深度卷积单元，用于在所述扩展后的数据中，对每个通道进行独立的深度卷积，得到深度卷积后的数据； 所述逐点卷积压缩单元，用于将所述深度卷积后的数据通过第二逐点卷积压缩回低通道数的数据； 所述第一逐点卷积的表达式为：Xexpand＝H_swishConv1×1X，其中Xexpand是经过逐点卷积扩展后的数据，Conv1×1表示使用1×1的卷积核进行卷积操作，X为输入进该操作的自变量； 所述第二逐点卷积的表达式为：Xcompress＝Conv1×1Xdepthwise，其中Xcompress表示经过逐点卷积压缩后的数据； 所述深度卷积的操作表达式为： Xdepthwise＝H_swishDepthwiseConv3×3Xexpand 其中Xdepthwise为经过深度卷积后的数据，DepthwiseConv3×3表示3×3的卷积核进行深度卷积操作，该操作表示为： 其中Yh,w,c表示经过深度卷积后的数据在位置h,w，通道c的值；Xh+i-1,w+j-1,c表示需要进行深度卷积操作的数据在位置h+i-1,w+j-1，通道c的值；Ki,j,c表示第c个通道上3×3卷积核的权重；bc表示第c个通道的偏置。

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四川省电力公司营销服务中心，其通讯地址为：610000 四川省成都市武侯区人民南路四段50号1楼；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。