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申请的专利基于输电线路绝缘子红外图像的局部超分辨率重建算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：CN115439320B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202210955781.4，技术领域涉及：G06T3/4053；该发明授权基于输电线路绝缘子红外图像的局部超分辨率重建算法是由吴田;杨威;黎鹏;普子恒;方春华;贾子健;宋博文;万亚旭;王钰力;种沛;刘鑫源;许浩设计研发完成，并于2022-08-10向国家知识产权局提交的专利申请。

本基于输电线路绝缘子红外图像的局部超分辨率重建算法在说明书摘要公布了：基于输电线路绝缘子红外图像的局部超分辨率重建算法，包括以下步骤：Step1、图像识别；Step2、图像分割；Step3、超分辨率重建；利用改进的对抗网络结构，采取无监督重建，采用RRDB网络结构，在加深网络结构时，能保持训练的稳定，减小计算量和内存的使用，并提高重建效果，加入SeNET注意力机制，从特征通道层面，依据重要程度去提升有用的特征，例如绝缘子的轮廓和细节，并抑制对本程序用处不大的特征。解决目前输电线路绝缘子红外图像的分辨率较低，在进行绝缘子检测时工作量大且会出现误检、漏检等问题。

本发明授权基于输电线路绝缘子红外图像的局部超分辨率重建算法在权利要求书中公布了：1.基于输电线路绝缘子红外图像的局部超分辨率重建算法，其特征在于，包括以下步骤： Step1、图像识别：先将红外图像中的绝缘子做好标签，利用图像识别算法进行训练，训练好之后，将数据集输入该图像识别算法中，进行输电线路红外图像中绝缘子的识别，识别好的图像，利用一个识别框将绝缘子标识出，将识别后的图像作为后续步骤的输入； Step2、图像分割：将经过识别后的图像送入图像分割网络，该网络会将已定位的在识别框中的绝缘子作为目标，图像其他部分则作为背景，进行图像分割，将前景目标和背景分开，最终效果是除了框内的绝缘子还是红外图像，其他背景均换成黑色； Step3、超分辨率重建：将经过分割后的图像送入对抗网络中进行训练，得到重建后的绝缘子超分辨率红外图像； 所述的Step3中对抗网络结构为： 随机噪声进入生成器G的输入端进行网络训练，然后生成数据，将生成器G生成的数据和真实数据一起送入鉴别器D，由鉴别器D去判断输入的数据是真实数据还是生成器G生成的数据，给出一个0即来自生成器G的生成数据或1即真实数据的输出，将该输出送入生成器G中，生成器G根据得到的反馈再次进行学习，如此反复，生成器G与鉴别器D相互学习，相互对抗，最终达到一个纳什均衡； 所述的对抗网络达到的纳什平衡公式为： ；1 式中，来自于真实数据分布，则是生成器生成的数据分布；最终使鉴别器D无法准确判断输入的数据是真实数据还是生成器G所生成的数据，即鉴别器D对输入的数据判断的准确率只有50%，则生成器G达到最优效果； 选择MSE作为损失函数，计算公式为： ；2 式中，r表示放大倍数，W和H分别是图像的宽和高； 所述的Step3中，图像超分辨率重建中可以获得较大的峰值信噪比PSNR和结构相似性SSIM，但较大的峰值信噪比PSNR不代表会获得感官上更好的重建图像，因此采取整体损失函数L： ；3 式3中，Lcon为MSE损失函数，Lper为感知损失，Ladv为对抗损失，λ和μ为对应的权重，感知损失由预先训练好的VGG19网络提供，其计算公式如下： ；4 式中，Wij和Hij分别是判别模块中第i个最大池化层之前通过j次卷积获得的特征图的宽度和高度；x和y则分别对应着当前某个像素点在特征图中的横坐标和纵坐标；是判别模块中第i个最大池化层之前通过j次卷积获得的特征图；，IHR是高分辨率图像；ILR是低分辨率图像；G为生成器网络； 所述的生成器G中，嵌入SENet网络，利用SENet网络使生成器G在训练时，将绝缘子的细节和边缘部分重建出来，SENet网络结构为： 特征通道C1的输入端给定X，通过多层卷积和变换，进入特征通道C2，先进行Squeeze操作，顺着空间维度进行特征压缩，将每个二维的特征通道压缩成一个一维实数，该实数在一定程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，该实数还表征着在特征通道上响应的全局分布，使得靠近输入的层也可以获得全局的感受野，其计算公式如下： ；6 式中，H和W分别是图像的高和宽，公式6中·的计算公式如下： ；7 式中，表示第c个卷积核；表示卷积操作；是一个二维空间核，是的一个单通道，作用于X相对应的通道； 再进行Excitation操作，通过参数w为每个特征通道生成权重，其中参数w被用来学习显示地建模特征通道的相关性； 最后采用Reweight操作，将Excitation的输出权重看作是经过特征选择后每个特征通道数的重要性，然后通过乘法逐步将通道加权到先前的特征上，完成在通道维度上对原始特征的重标定，其计算公式如下： ；8 式中，δ表示ReLU函数；σ表示Sigmoid函数；，；r是减少比率；c是图像通道数； 所述的SENet网络与密集残差块RDB网络组合成SERRDB网络，密集残差块RDB网络结构为： 密集残差块RDB网络由残差块ResidualBlock和密集块DenseBlock结合成RDB，通过密集连通卷积层提取局部特征，从前端的RDB直接连接到当前的RDB的所有层，然后利用RDB的局部特征融合自适应地从前面和当前的局部特征中学习特征； SERRDB网络由RDB网络和SENet网络组合成，其中RRDB网络是在级联3个RDB的基础上添加残差边，然后将SENet网络加入RDB网络结构形成SERDB网络结构，级联的3个RDB网络结合SERDB网络形成SERRDB网络。

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，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。