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！

龙图腾网获悉国网江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司;江苏省电力试验研究院有限公司申请的专利一种基于非平衡类深度学习的绝缘子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：CN116030287B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202111546879.6，技术领域涉及：G06V10/762；该发明授权一种基于非平衡类深度学习的绝缘子检测方法是由姚楠;吴曦;刘子全;单光瑞;王真;赵雨希;秦剑华;潘建亚;朱雪琼;薛海设计研发完成，并于2021-12-16向国家知识产权局提交的专利申请。

本一种基于非平衡类深度学习的绝缘子检测方法在说明书摘要公布了：本发明一种基于非平衡类深度学习的绝缘子检测方法，具体步骤如下：步骤1：手动提取或从已训练好的变电站绝缘子识别模型中得到M维先验特征；步骤2：根据样本特征集，使用K‑Means方法分别对每个类中样本的特征进行聚类；步骤3：对所有抽取到的样本构建五元表；步骤4：将五元表中的五个元素分别输入到五个相同的CNN网络结构中，构建损失函数计算损耗并反向梯度传播，以更新CNN网络参数；步骤5：迭代执行步骤2‑步骤4，得到更新的CNN网络。本发明利用五元组约束，通过深层网络，强调了簇间和类间的边界，可以提取到更多的差别化的深层表征，解决了由于数据分布不均衡所带来的差异化问题，并且进行网络模型压缩，在测试是否收敛时能够加快计算速度。

本发明授权一种基于非平衡类深度学习的绝缘子检测方法在权利要求书中公布了：1.一种基于非平衡类深度学习的绝缘子检测方法，其特征在于，具体步骤如下： 步骤1：手动提取或从已训练好的变电站绝缘子识别模型中得到M维先验特征，得到样本特征集，为特征个数； 步骤2：根据提取到的样本特征集，使用K-Means方法分别对每个类中样本的特征进行聚类； 所述步骤2中，对样本特征集进行分类,记为，其中，含目标的少数类，表示不含目标的多数类,使用K-Means方法对每个类中样本的特征进行聚类的具体步骤如下： 步骤2-1：从类中随机选择k个初始质心,其中，； 步骤2-2：计算类中的所有样本与每个质心之间的欧式距离，如公式1所示： 1； 其中，表示第次迭代的第个质心； 步骤2-3：比较步骤2-2计算得到的欧式距离，将各样本划分到距离其最近的质心所属的簇内，从而将类划分为k个簇，如式2所示： 2； 其中，表示第次迭代后的簇集合； 步骤2-4：重新计算每个簇的质心，如式3所示： 3； 其中，表示第次迭代的第个簇，表示簇内样本的个数，表示簇内样本特征； 步骤2-5：根据步骤2-4更新得到的新的质心均无变化，则进行步骤2-6，若新的质心发生变化，则令n=n+1,返回步骤2-2，直至更新后的质心均无变化； 步骤2-6：根据最终的质心划分聚类后的结果如式4所示： 4； 其中，N为最终迭代次数； 步骤3：从每个类中重复均等地采样小批量，对所有抽取到的样本构建五元表； 所述步骤3中，所述五元表定义如下： ：选定个体； ：所在簇中最远的个体； ：所在簇的最近同类簇中距离最近的个体； ：所在簇的最近同类簇中距离最远的个体； ：距离最近的不同类个体； 满足以下约束： ； 其中，为与的欧氏距离：； 为与的欧氏距离：； 为与的欧氏距离：； 为与的欧氏距离：； 步骤4：将五元表中的五个元素分别输入到五个相同的CNN网络结构中，构建损失函数计算损耗并反向梯度传播，以更新CNN网络参数； 所述步骤4中，损失函数的具体构建方法如下： 定义损失函数如式5所示： 5； 受约束于： ； 式中，，，为松弛变量，为CNN网络参数，为正则化参数，是样本个体经过CNN所得到的新的特征向量，在多维空间中，为一个类中簇间所保持安全的最小边际，是一个类中簇间的最大边际，是类间的最大边际； 假设总共有个训练样本，假设某个类的大小为，定义超球体的半径为，为每个类生成个簇，,,的下限是零，当所有簇被压缩成一个点时，其上界如下所示： ； 可得优化的目标函数为： ； 受约束于： ； 步骤5：迭代执行步骤2-步骤4，直至达到预设的迭代次数，得到更新的CNN网络，用于实现对绝缘子的检测。

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江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司;江苏省电力试验研究院有限公司，其通讯地址为：211103 江苏省南京市江宁区帕威尔路1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。