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！

龙图腾网获悉三峡大学;国网湖北省电力有限公司襄阳供电公司申请的专利基于改进YOLOv7算法的雾天场景下绝缘子缺陷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：CN116843636B 。

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：202310759519.7，技术领域涉及：G06T7/00；该发明授权基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法是由邹红波;陈俊廷;柴延辉;杨钦贺;张鹏超;卢俊;李朝瑞设计研发完成，并于2023-06-26向国家知识产权局提交的专利申请。

本基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法在说明书摘要公布了：基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，包括以下步骤：步骤1：以绝缘子数据集为基础，通过大气散射模型生成轻雾数据集、浓雾数据集和混合浓度数据集；步骤2：将生成的不同雾气绝缘子缺陷图像数据集进行绝缘子及缺陷标注，获取YOLOv7算法模型所需的数据集，再将数据集划分为训练集、验证集和测试集；步骤3：基于改进YOLOv7算法，构建雾天场景下的绝缘子缺陷检测模型；步骤4：使用训练集对步骤3的绝缘子缺陷检测模型进行训练，训练完成后使用划分好的测试集对绝缘子缺陷检测模型的性能进行评估。本发明方法能够有效实现雾天环境下绝缘子目标及缺陷检测，改进后的YOLOv7在雾天环境下绝缘子目标及缺陷检测有较好的检测性能。

本发明授权基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法在权利要求书中公布了：1.基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，其特征在于包括以下步骤： 步骤1：以绝缘子数据集为基础，通过大气散射模型生成轻雾数据集、浓雾数据集和混合浓度数据集； 步骤2：将生成的不同雾气绝缘子缺陷图像数据集进行绝缘子及缺陷标注，获得YOLOv7算法模型所需数据集，再将数据集划分为训练集、验证集和测试集； 步骤3：基于改进YOLOv7算法，构建雾天场景下的绝缘子缺陷检测模型； 步骤4：使用训练集对步骤3的绝缘子缺陷检测模型进行训练，训练完成后使用划分好的测试集对绝缘子缺陷检测模型的性能进行评估； 所述步骤3中，YOLOv7模型包括：主干Backbone的特征提取网络、颈部Neck的特征融合网络、预测端head； 主干Backbone的特征提取网络包括：CBS模块、E-ELAN模块、MPConv模块、SPPCSPC模块； 绝缘子缺陷检测模型的构件包括以下步骤： S3.1：在主干Backbone的特征提取网络中SPPCSPC模块之前和预测端Head前，引入CA注意力机制，将位置信息与通道信息相结合，来提高网络的特征提取能力； S3.2：在颈部Neck的特征融合网络中，在路径聚合网络PANet基础上进行BIFPN_Add进行特征叠加与深浅层特征的融合；使输出特征同时含有位置及语义信息，增强复杂背景中较小目标的检出能力； S3.3：将CIoU损失函数改为SIoU损失函数； 所述S3.1包括以下步骤： S3.1.1：坐标注意力生成将坐标信息嵌入在两个方向上生成的特征图进行拼接，使用11卷积变换函数F1对其进行变换： ； 式中：[,]为Python中numpy的Concatenate函数变换；为非线性激活函数；、分别为沿水平方向编码生成的特征图，沿垂直方向编码生成的特征图；表示拼接后的特征图采用11卷积变换函数F1进行变换； 为输入特征在水平和垂直方向进行编码所得到的中间特征映射；其中：r为缩减比，用来减少f的通道数，降低模型的复杂度；表示特征图的一个矩形框；代表通道数； S3.1.2： 接着对进行归一化和非线性处理，并沿空间维度将其分割为：与； 为进行归一化和非线性处理后沿空间维度分割出的大小为的特征图； 为进行归一化和非线性处理后沿空间维度分割出的大小为的特征图； 为表示大小为特征图的矩形框； 为表示大小为特征图的矩形框； 和通过两个11卷积变换、，变换成与输入X具有相同通道数量的特征图； S3.1.3：使用sigmoid激活函数进行处理，生成注意力权重和； CA机制的最终输出为： ； 为最终输出；为输入特征；为垂直方向的注意力权重；为水平方向的注意力权重； CA机制考虑了对空间信息的编码，最终输出包含了来自于水平方向的注意力特征图和来自垂直方向的注意力特征图； 所述S3.2中，BiFPN将权重信息考虑在内，通过权值与权值和的比值，来进行快速归一化融合式，最终将权值归一化到[0,1]之间，提高对不同情况下目标的感知能力； 快速归一化融合式如下所示 ； 式中，为可以学习的权重大小；表示输入特征；为0.0001；表示输入特征的个数；表示的权重的个数； 使用8倍下采样后形成的特征图和16倍下采样后形成的特征图与后面的特征图进行BIFPN_Add连接； 所述S3.3中，SIoU损失函数如下式所示： ； 交并比代表预测框B与真实框BGT的重叠率，即两框之间交集与并集的比值；代表距离成本；为形状成本。

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三峡大学;国网湖北省电力有限公司襄阳供电公司，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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。