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！

龙图腾网获悉江西南远电缆有限公司申请的专利基于人工智能的电缆缺陷检测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：CN120279341B 。

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：202510759253.5，技术领域涉及：G06V10/764；该发明授权基于人工智能的电缆缺陷检测方法及系统是由王景阳;刘凌涵;侯少斌;郭林祥设计研发完成，并于2025-06-09向国家知识产权局提交的专利申请。

本基于人工智能的电缆缺陷检测方法及系统在说明书摘要公布了：本发明公开了一种基于人工智能的电缆缺陷检测方法及系统，通过从多模态数据采集装置获取电缆检测数据；对电缆检测数据进行标准化处理及时间维度对齐操作，得到归一化的多模态数据集；采用卷积神经网络对多模态数据集进行特征提取，通过交替执行三次卷积操作与池化操作生成初步特征集；根据初步特征集获取多模态特征向量，通过注意力权重计算模块生成各模态特征的动态权重分布；基于动态权重分布对多模态特征向量进行加权融合，得到融合特征集；判断融合特征集中是否包含工况参数特征向量，若融合特征集中包含工况参数特征向量，则将融合特征集输入长短期记忆网络进行时间序列建模。本发明有效提高了电力系统的安全可靠性。

本发明授权基于人工智能的电缆缺陷检测方法及系统在权利要求书中公布了：1.一种基于人工智能的电缆缺陷检测方法，其特征在于，包括以下步骤： 从多模态数据采集装置获取电缆检测数据，所述多模态数据采集装置包含红外热成像单元、超声波检测单元及光学传感单元； 对所述电缆检测数据进行标准化处理及时间维度对齐操作，得到归一化的多模态数据集； 采用卷积神经网络对所述多模态数据集进行特征提取，通过交替执行三次卷积操作与池化操作生成初步特征集； 根据所述初步特征集获取多模态特征向量，通过注意力权重计算模块生成各模态特征的动态权重分布； 基于所述动态权重分布对所述多模态特征向量进行加权融合，得到融合特征集； 判断所述融合特征集中是否包含工况参数特征向量，若所述融合特征集中包含工况参数特征向量，则将所述融合特征集输入长短期记忆网络进行时间序列建模； 通过所述长短期记忆网络输出缺陷扩展趋势预测序列，所述缺陷扩展趋势预测序列包含未来三个检测周期的特征变化量； 将所述融合特征集与所述缺陷扩展趋势预测序列输入分类模块，采用预设的缺陷阈值组进行特征匹配度计算； 根据特征匹配度计算结果确定电缆缺陷等级，当匹配度超过第一阈值时判定存在缺陷，当匹配度超过第二阈值时判定缺陷达到临界状态； 判断所述融合特征集中是否包含工况参数特征向量，若所述融合特征集中包含工况参数特征向量，则将所述融合特征集输入长短期记忆网络进行时间序列建模的步骤包括： 从所述融合特征集中获取包含工况参数的特征向量，采用矩阵分解方法将所述特征向量拆分为时间维度子向量和参数维度子向量，通过线性插值方法对所述时间维度子向量和参数维度子向量进行对齐处理，得到第一特征集； 若所述第一特征集中时间维度子向量的标准差低于预设阈值，则采用滑动窗口方法对所述时间维度子向量进行平滑处理，通过向量归一化方法对所述平滑后的子向量进行标准化，得到第二特征集； 根据所述第二特征集，采用长短期记忆网络对所述时间维度子向量进行时间序列建模，通过门控循环单元对所述参数维度子向量进行加权处理，得到第三特征集； 通过主成分分析方法对所述第三特征集进行降维处理，采用向量拼接方法将降维后的时间维度特征和参数维度特征合并，得到第四特征集； 通过所述长短期记忆网络输出缺陷扩展趋势预测序列，所述缺陷扩展趋势预测序列包含未来三个检测周期的特征变化量的步骤包括： 从历史检测数据中获取包含缺陷特征和工况参数的原始数据集，采用线性插值方法对所述时间维度数据进行对齐处理，通过向量归一化方法对所述工况参数数据进行标准化，得到第一数据集； 判断所述第一数据集的时间维度数据标准差是否低于预设阈值，若低于预设阈值，则采用滑动窗口方法对所述时间维度数据进行平滑处理，通过主成分分析方法对平滑后的数据进行降维处理，得到第二数据集； 根据所述第二数据集，采用门控循环单元对所述工况参数维度数据进行加权处理，通过特征拼接方法将加权后的参数维度数据与时间维度数据合并，得到第三数据集； 通过所述长短期记忆网络对所述第三数据集进行时间序列建模，输出包含未来三个检测周期的缺陷扩展趋势预测序列，得到特征变化量序列。

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江西南远电缆有限公司，其通讯地址为：330000 江西省南昌市南昌高新区天祥大道光大路168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。