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！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像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：CN116630802B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310589624.0，技术领域涉及：G06V20/10；该发明授权一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法是由张洁;李慧;李瑞;杜健铭;陈红波;张辉设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法在说明书摘要公布了：本发明涉及一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法，与现有技术相比解决了变电站设备缺陷模型特征提取难、识别困难、检测精度低、鲁棒性差的缺陷。本发明包括以下步骤：电力设备缺陷图像样本的获取；构建电力设备缺陷目标检测模型；电力设备缺陷目标检测模型的训练；获取待检测电力设备缺陷图像并进行预处理；电力设备图像缺陷检测。本发明特征提取能力更强，模型训练简单，同时识别精度更优的目标检测方法，实现了电力设备缺陷图像目标的精准检测。

本发明授权一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法在权利要求书中公布了：1.一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法，其特征在于，包括以下步骤： 11电力设备缺陷图像样本的获取：获取不同场景不同类别的电力设备缺陷图像并进行预处理，形成电力设备缺陷图像数据集； 12构建电力设备缺陷目标检测模型：基于SwinT与尺寸自适应卷积构建电力设备缺陷目标检测模型； 所述构建电力设备缺陷目标检测模型包括以下步骤： 121设定电力设备缺陷目标检测模型包括特征提取网络、特征融合网络和检测头部网络； 122设定特征提取网络基于Swin-Transformer与尺寸自适应卷积模块构建， 其中，Swin-Transformer由PatchPartition层、LinearEmbedding层、SwinTransformerBlock层和PatchMerging层构成，尺寸自适应卷积由卷积神经网络构成，在SwinT的3、4阶段插入尺寸自适应卷积模块进一步完成对不同尺度和形状物体的特征提取；其输入为增强的电力设备缺陷图像、输出为该电力设备缺陷图像的整体特征图； PatchPartition层的输入为一个给定大小为H×W的图像，PatchPartition层进行分块降维操作、LinearEmbedding层进行线性变换、PatchMerging层用于下采样； 尺寸自适应卷积模块首先使用普通卷积层学习offset偏移和调节权重参数，增强卷积对于缺陷形态特征的适应性，再将特征图和偏移值调节权重后输出，最后将四个阶段生成的不同尺度特征图输入到特征融合网络中； 123设定特征融合网络： 设定特征融合网络基于FPN网络构建，其输入为特征提取网络输出的整体特征图，通过对输入的缺陷图像进行整体特征的融合，将高层特征进行上采样后与低层的高分辨率特征进行横向连接融合得到预测特征图，以便将高层语义中消失但在低层特征图中仍存在的小物体检测出来，输出为经过特征融合后的融合特征图； 124设定检测头部网络： 设定检测头部网络基于TOOD网络构建，其输入为特征融合网络输出的融合特征图，通过对任务的分类与定位，确定是否为检测目标，并通过边界框回归算法确定被测目标边界坐标； 13电力设备缺陷目标检测模型的训练：利用电力设备缺陷图像数据集对电力设备缺陷目标检测模型进行训练； 14获取待检测电力设备缺陷图像并进行预处理； 15电力设备图像缺陷检测：将待检测的电力设备缺陷图像输入训练后的电力设备缺陷目标检测模型，得到电力设备缺陷图像中的目标分类和定位结果，检测出锈蚀区域。

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中国科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山湖路350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。