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！

龙图腾网获悉广西科学院;广西电网有限责任公司电力科学研究院申请的专利一种小样本条件下电力线路隐患目标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：CN116385950B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202310361771.2，技术领域涉及：G06V20/50；该发明授权一种小样本条件下电力线路隐患目标检测方法是由邬满;周柯;张炜;文莉莉;黄志都;邬蓉蓉;俸波;刘小宁设计研发完成，并于2023-04-07向国家知识产权局提交的专利申请。

本一种小样本条件下电力线路隐患目标检测方法在说明书摘要公布了：一种小样本条件下电力线路隐患目标检测方法，通过引入双路SKNet网络，结合ResNet152网络构建主干特征提取网络SKNet‑ResNet152；将主干特征提取网络和区域候选网络进行组合，构建新的FasterR‑CNN++网络；建立基础数据集和小样本数据集，使用基础数据集对网络进行训练，得到网络参数权重；去除最后一层参数，保持其他层参数不变，使用小样本数据集对最后一层的分类器和回归器参数进行微调；采用余弦相似度计算分类结果。本发明通过引入双路SKNet及跨域迁移参数调整机制，增强了网络特征提取能力及样本不平衡条件下的参数可靠性，提升了算法对小样本、多尺度目标的自适应能力，适用于对小样本条件下电力线路隐患的目标检测。

本发明授权一种小样本条件下电力线路隐患目标检测方法在权利要求书中公布了：1.一种小样本条件下电力线路隐患目标检测方法，其特征是包括下述步骤： S1、构建数据集，包括用于预训练的基准数据集和用于迁移学习的电力线路隐患目标小样本数据集； S2、引入双通道SKNet注意力模块，对图像做预处理，快速提取特征并生成特征映射图： S2.1、对输入的图像使用两个大小不一样的卷积核进行分组卷积； S2.2、通过S2.1处理分成两个分支以后，再将两个分支的结果进行融合； S2.3、利用两个softmax归一化函数，将把S2.2的结果回归出每个通道的权重信息，然后将两个权重矩阵对两路进行加权处理，再求和得出输出向量，即特征映射； S3、以ResNet152为基础网络，用SKNet替换卷积模块改进残差网络结构，形成新的SKNet-ResNet152网络结构： S3.1、Conv1保持与ResNet152网络不变； S3.2、Conv2中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv2_x模块； S3.3、Conv3中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv3_x模块； S3.4、Conv4中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv4_x模块； S3.5、Conv5中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv5_x模块； S3.6、最后平均池化、全连接、归一化等操作保持不变，形成新的SKNet-ResNet152网络结构； S4、基于区域候选网络和S3中的SKNet-ResNet152网络，构建引入SKNet的FasterR-CNN++网络；用所述FasterR-CNN++网络对图像进行特征提取处理，包括如下步骤： S4.1、对输入的图像数据用Conv1模块进行卷积操作，生成特征图1； S4.2、对特征图1用3组SKNet-Conv2_x模块进行卷积操作，生成特征图2； S4.3、对特征图2用8组SKNet-Conv3_x模块进行卷积操作，生成特征图3； S4.4、对特征图3用36组SKNet-Conv4_x模块进行卷积操作，生成特征图4； S4.5、将特征图4作为输入，用区域候选网络进行处理生成候选区域信息； S4.6、将特征图4和候选区域信息进行感兴趣区域池化，生成特征图5； S4.7、对特征图5用3组SKNet-Conv5_x模块进行卷积操作，利用逻辑回归函数获取最终分类并获取最终的目标检测框位置； S5、计算网络的损失值：网络的损失函数包括三部分：a.区域候选网络损失Lrpn：取决于是否区分了前景和背景；b.分类分支损失Lcls：采用交叉熵损失函数；c.边框回归损失Lloc：采用平滑L1损失函数； 在训练方式上，仅使用基础数据集训练特征提取网络，联合训练损失为： 4 Lrpn包括候选区域前景背景的二分类损失和区域优化的第一次回归损失，Lcls是最后分类束的交叉熵损失，Lloc是回归束的平滑L1损失； S6、跨域迁移学习及参数微调：使用基准数据集和小样本数据集，采用两阶段训练和微调机制构建小样本目标检测模型： S6.1、基于以上网络结构，使用基础数据集对网络进行训练，得到初步的网络模型； S6.2、在S6.1得到的网络模型基础上，保持模型中整个特征提取器参数不变，去除模型最后一层参数； S6.3、用小样本数据集对模型最后一层的分类器和回归器参数进行微调，得到小样本类的权重； S6.4、在包含基准数据集和小样本数据集的平衡数据集上进行迁移学习训练，实现对参数的微调； S6.5、微调损失计算，损失函数与S4中相同； S7、最后采用余弦相似度分类，权重矩阵[w1,w2,...,wc],wi表示每个类别的权重向量，输出的是相似性得分S，S中的元素计算公式为： 5 Si,j表示为输入图像x第i个建议区域和第j个类别的权重向量的相似性得分，α是一个缩放因子，设为10； S4所述的区域候选网络包括两部分操作： a.建议区域分类：对特征图进行区域分割，并从中分辨出前景和背景区域； b.边框回归：提取前景区域的位置坐标；区域候选网络训练时将两部分的损失值加起来；设锚框预测为目标的概率为pi，pi*是前景的标签值，正样本为1，负样本为0；Ncls是一个批次的大小，Nreg是锚框的总数，λ是两种损失值的平衡比例，前景与背景的对数损失为Lclspi,pi*，ti是第i个预测锚框的参数化坐标，ti*是第i个预测锚框对应的人工标注锚框的参数化坐标，R是平滑L1函数，FasterR-CNN的损失函数如公式1、公式2、公式3所示： ，1 ，2 。3。

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广西科学院;广西电网有限责任公司电力科学研究院，其通讯地址为：530201 广西壮族自治区南宁市良庆区广艺路5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。