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！

龙图腾网获悉河北工业大学申请的专利基于图推理的高压输电线路外力破坏隐患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：CN116912668B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202310829383.2，技术领域涉及：G06V20/00；该发明授权基于图推理的高压输电线路外力破坏隐患检测方法是由王怡宁;宋梦园;陈海永;龚奕霖设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本基于图推理的高压输电线路外力破坏隐患检测方法在说明书摘要公布了：本发明为一种基于图推理的高压输电线路外力破坏隐患检测方法，首先获取含有外力破坏隐患的高压输电线路图像；然后，构建基于图推理的特征融合检测器包括特征提取、特征融合和分类回归三部分；特征提取使用CSPDarknet53网络，特征融合使用改进的PANet网络，改进的PANet网络是在原始PANet网络中嵌入基于条纹池化的图推理交叉融合模块得到；最后，利用含有外力破坏隐患的高压输电线路图像对基于图推理的特征融合检测器进行训练，并将训练后的基于图推理的特征融合检测器用于高压输电线路外力破坏隐患检测。基于条纹池化的图推理交叉融合模块通过条纹池化来捕获垂直方向和水平方向上的全局上下文信息，进一步探索任意双通道映射之间的相互依赖关系，增强特征的表征能力。

本发明授权基于图推理的高压输电线路外力破坏隐患检测方法在权利要求书中公布了：1.一种基于图推理的高压输电线路外力破坏隐患检测方法，其特征在于，该方法包括以下步骤： 第一步：获取含有外力破坏隐患的高压输电线路图像； 第二步：构建基于图推理的特征融合检测器； 基于图推理的特征融合检测器包括特征提取、特征融合和分类回归三部分；特征提取使用CSPDarknet53网络，特征融合使用改进的PANet网络；改进的PANet网络包括自顶而下和自底而上的两个特征融合分支，在自顶而下的特征融合分支中，CSPDarknet53网络第五个卷积层提取的特征经过卷积和上采样后，与CSPDarknet53网络第四个卷积层提取的特征进行拼接，得到特征S；特征S经过卷积和上采样后，与CSPDarknet53网络第三个卷积层提取的特征进行拼接，拼接得到的特征输入到自底而上的特征融合分支中；在自底而上的特征融合分支中，输入特征经过卷积，得到浅层空间特征X1；特征S经过卷积，得到深层语义特征X2；浅层空间特征X1和深层语义特征X2输入到第一个基于条纹池化的图推理交叉融合模块中进行特征融合，第一个基于条纹池化的图推理交叉融合模块的输出特征经过卷积，得到浅层空间特征X1′；CSPDarknet53网络第五个卷积层提取的特征经过卷积，得到深层语义特征X2′；浅层空间特征X1′与深层语义特征X2′输入到第二个基于条纹池化的图推理交叉融合模块中进行特征融合，第二个基于条纹池化的图推理交叉融合模块的输出特征经过卷积，得到特征T3；特征T3和浅层空间特征X1、X1′即为改进的PANet网络提取的多尺度特征，将改进的PANet网络提取的多尺度特征输入到分类回归部分，得到检测结果； 在基于条纹池化的图推理交叉融合模块中，深层语义特征X2经过卷积，得到特征X0；特征X0在宽度维度上分别经过最大池化和平均池化后再相加，生成特征映射P1；深层语义特征X2在宽度维度上分别经过最大池化和平均池化后再相加，生成可学习投影矩阵Q1；深层语义特征X2在高度维度上分别经过最大池化和平均池化后相加，生成可学习投影矩阵Q2；特征X0在高度维度上分别经过最大池化和平均池化后再相加，生成特征映射P2；同时，将特征X0在高度和宽度维度上进行交叉嵌入，生成节点特征V1和V2；将节点特征V1和V2进行拼接，得到图V，并通过图卷积操作得到推理图将推理图进行逆投影，得到特征Y；特征Y经过重构，得到重构特征YR；重构特征YR再与浅层空间特征X1进行残差连接，得到基于条纹池化的图推理交叉融合模块的输出特征； 节点特征V1和V2表示为： V1＝P1⊙M1 V2＝P2⊙M2 其中，V1、表示特征空间，C表示通道，⊙表示点积运算，M1、M2分别为可学习投影矩阵Q1、Q2的转置矩阵； 第三步：利用含有外力破坏隐患的高压输电线路图像对基于图推理的特征融合检测器进行训练，将待检测的高压输电线路图像输入到训练后的基于图推理的特征融合检测器中进行检测，得到外力破坏隐患的类别、位置以及置信度。

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河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院；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。