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！

龙图腾网获悉国网四川雅安电力(集团)股份有限公司;四川富源电力股份有限公司申请的专利基于深度学习的配电网杆塔缺陷自动识别与分类方法及系统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：CN121564557B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202610085430.0，技术领域涉及：G06V20/10；该发明授权基于深度学习的配电网杆塔缺陷自动识别与分类方法及系统是由杨成斌;郭兵;王智鹏;牟昊;李东明;李金山;刘懿;吴伟;邓小东;严明海;苟月琼;刘锐;李兆宇;任泽鑫设计研发完成，并于2026-01-22向国家知识产权局提交的专利申请。

本基于深度学习的配电网杆塔缺陷自动识别与分类方法及系统在说明书摘要公布了：本发明涉及一种基于深度学习的配电网杆塔缺陷自动识别与分类方法及系统。该方法首先通过卷积神经网络定位并提取杆塔主体区域，排除背景干扰；随后采用基于局部统计特性的自适应对比度增强算法提升缺陷区域的视觉显著性。在特征提取阶段，引入金字塔分散注意力模块融合多尺度空间信息与通道注意力，并利用二维选择性状态空间模块建模长程依赖关系。进一步通过分层特征融合架构与自适应锚框机制聚合多分辨率特征并匹配不同尺寸目标。最后，采用自适应边缘增强模块强化缺陷边缘，并由多分支检测头并行实现缺陷的类别判定、位置回归及置信度评估。有效提升了复杂背景下杆塔缺陷的检测精度与鲁棒性，尤其适用于微小尺度缺陷的自动识别。

本发明授权基于深度学习的配电网杆塔缺陷自动识别与分类方法及系统在权利要求书中公布了：1.一种基于深度学习的配电网杆塔缺陷自动识别与分类方法，其特征在于，所述方法包括： 步骤S1：使用卷积神经网络对输入的配电网杆塔图像进行预处理，定位杆塔主体区域并提取其最小外接矩形框，以排除背景干扰； 步骤S2：对所述杆塔主体区域应用基于局部统计特性的对比度增强算法，通过计算图像局部区域的灰度分布特性，自适应地调整像素对比度，增强缺陷区域的视觉显著性，同时抑制背景噪声； 步骤S3：使用金字塔分散注意力模块对特征图进行分组处理，融合多尺度空间信息与通道注意力权重，并在特征提取网络中引入通道注意力机制，增强对缺陷区域的关注度，优化计算资源分配； 步骤S4：引入二维选择性状态空间模块对特征序列进行建模，捕获长程依赖关系；同时在检测网络中引入分层特征融合架构，通过跨层级的上采样与下采样路径聚合不同分辨率的特征图，并采用自适应锚框机制匹配不同尺寸的缺陷目标，提升对微小尺度缺陷的检测能力； 步骤S5：通过自适应边缘增强模块强化缺陷边缘特征，提升边界识别精度；并采用具有多分支预测结构的检测头对增强后的图像进行处理，通过并行输出不同尺度特征图上的预测结果，实现缺陷的类别判定、位置回归及置信度评估，完成多种杆塔缺陷的自动识别与分类， 所述步骤S4具体包括以下子步骤： S4.1：引入二维选择性状态空间模块对骨干网络提取的特征序列进行长程依赖关系建模，所述模块通过可学习的参数选择性扫描图像空间中的上下文信息，其状态空间表示由当前时刻的隐藏状态、输入特征以及控制状态演化、输入投影和输出生成的可学习参数矩阵共同定义； S4.2：构建分层特征融合架构，通过跨层级的上采样与下采样路径聚合不同分辨率的特征图，具体包括将深层语义特征通过双线性上采样与浅层高分辨率特征进行逐元素相加，并使用一乘一卷积进行通道维度的对齐与融合； S4.3：采用自适应锚框机制动态匹配不同尺寸的缺陷目标，针对每一层特征图，根据其感受野大小和分辨率，使用K-means聚类算法对训练集中真实标注框的宽高进行聚类以生成先验锚框尺寸，并依据预测框与真实框的交并比动态调整锚框尺寸的权重； S4.4：将经过所述二维选择性状态空间模块增强的特征图输入至分层融合架构中，输出具有丰富多尺度上下文信息的特征表示，用于后续缺陷分类与定位。

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四川雅安电力(集团)股份有限公司;四川富源电力股份有限公司，其通讯地址为：625299 四川省雅安市雨城区张家山路71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。