買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京信息工程大學申請的專利一種基于多源數(shù)據(jù)特征交互的覆冰檢測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120279425B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-15發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510753442.1，技術領域涉及：G06V20/10；該發(fā)明授權一種基于多源數(shù)據(jù)特征交互的覆冰檢測方法是由談玲;陳雯佳;夏景明設計研發(fā)完成，并于2025-06-06向國家知識產(chǎn)權局提交的專利申請。

本一種基于多源數(shù)據(jù)特征交互的覆冰檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于多源數(shù)據(jù)特征交互的覆冰檢測方法，屬于圖像處理技術領域，將原始覆冰圖像輸入動態(tài)路由圖像增強自編碼器，生成高質量增強后圖像；提取圖像多層次特征，包含局部覆冰特征、覆冰全局特征和氣象時序特征；覆冰局部特征、覆冰全局特征和氣象時序特征經(jīng)統(tǒng)一尺度映射與特征預編碼后，通過雙向跨模態(tài)注意力機制和特征拼接操作進行交互融合，以輸出覆冰融合特征；將覆冰融合特征輸入多任務預測模塊，經(jīng)殘差融合編碼器提煉深層特征并完成任務映射，輸出對應的覆冰類型和覆冰厚度等級；本發(fā)明通過氣象時序信息和特征融合，實現(xiàn)了高效的覆冰檢測，能夠適應不同氣候和地形條件，提升輸電線路運行的安全性與穩(wěn)定性。

本發(fā)明授權一種基于多源數(shù)據(jù)特征交互的覆冰檢測方法在權利要求書中公布了：1.一種基于多源數(shù)據(jù)特征交互的覆冰檢測方法，其特征在于，包括以下步驟： S1、通過輸電線路上的監(jiān)測攝像頭采集實際的輸電線路原始覆冰圖像，將圖像按時間順序組織成圖像序列，同時獲取DEM數(shù)據(jù)和氣象數(shù)據(jù)； S2、將經(jīng)過歸一化的覆冰圖像輸入動態(tài)路由圖像增強自編碼器，輸出增強后圖像； S3、將增強后圖像與DEM數(shù)據(jù)并行輸入雙分支特征提取網(wǎng)絡Terrafuse-BiNet，其中可變形多尺度細節(jié)特征提取分支進行邊緣紋理提取，高差引導注意力感知分支融合地形進行空間建模，分別獲得覆冰局部特征和覆冰全局特征； 在步驟S3中，提取覆冰局部特征和覆冰全局特征，包括以下步驟： S3.1、將增強后圖像輸入雙分支特征提取網(wǎng)絡Terrafuse-BiNet，在可變形多尺度細節(jié)特征提取分支，首先被輸入基礎特征提取層，該層包括普通卷積、批量歸一化操作、ReLU激活函數(shù)和CBAM卷積注意力模塊，得到初級特征具體的特征提取過程可用如下公式表示： 將初級特征輸入包括梯度引導和正則約束的可變形卷積網(wǎng)絡，可變形卷積允許在每個輸出位置p0上對輸入特征圖進行動態(tài)采樣，其采樣位置由固定采樣偏移量pk和可學習偏移量Δpk共同決定，輸出特征的計算過程表示為： 其中，表示輸出特征圖中位置p0處的特征響應，表示輸入的初級特征圖，wk表示第k個采樣點的卷積核權重，N為采樣點個數(shù)，αp0為由輸入梯度引導的權重系數(shù)，滿足αp0∈[1,3]，具體公式如下： 其中，表示在輸入特征圖上位置p0處的梯度幅值，γ為控制局部增強的超參數(shù)，用于控制對局部梯度變化的響應程度，并引入L2正則項對偏移幅度進行約束，具體約束為： 其中，Loffset表示偏移量正則化損失，表示pk的L2范數(shù)平方，最終輸出結構自適應的特征圖 S3.2、將輸入空洞空間金字塔池化模塊提取多尺度上下文信息，空洞空間金字塔池化模塊由三個并行空洞卷積分支組成，采用不同的空洞率，分支的計算過程表示為： 其中，r表示不同的空洞率，表示空洞率為r的3×3空洞卷積操作，表示在某個空洞率下提取的局部特征，將三組輸出特征在通道維度進行拼接，生成細節(jié)特征圖計算過程表示為： 其中，Concat表示通道方向的拼接操作，分別為三個并行空洞卷積分支的局部特征表示，最后進行殘差連接輸出覆冰局部特征，具體操作如下： S3.3、將增強后圖像和DEM數(shù)據(jù)輸入Terrafuse-BiNet雙分支特征提取網(wǎng)絡的高差引導注意力感知分支，首先進行通道維度拼接，生成地形聯(lián)合特征圖Xt，其表達為： 其中，Dt表示t時刻的DEM高程數(shù)據(jù)，隨后引入歸一化坐標編碼，將每個像素點的歸一化行列坐標張量Xcoord,Ycoord拼接至Xt中，構成空間感知聯(lián)合特征圖 其中，Xcoord和Ycoord分別為編碼橫向和縱向位置信息，Normalize表示將行列索引線性縮放至[0,1]區(qū)間，Meshgrid生成對應坐標張量，H、W分別表示高度和寬度，x、y分別表示橫縱坐標；將Xcoord輸入輕量級卷積編碼器，編碼器由兩個3×3卷積塊組成，每個卷積塊包含卷積層、批量歸一化和ReLU激活函數(shù)，提取初步空間地形融合特征隨后通過1×1卷積將映射生成查詢矩陣Q、鍵矩陣K、值矩陣V： 引入高差空間偏差函數(shù)ψ·作為位置增強項，計算注意力得分矩陣，計算過程表示為： 其中，Qi和Kj分別為i,j處的查詢與鍵向量，表示轉置操作，dk為鍵向量維度，Δxij和Δyij分別為像素位置i和j的歸一化坐標差，Δhij為像素位置i,j的高程差值，ψ·表示Δxij、Δyij和Δhij的線性加權組合： ψΔxij,Δyij,Δhij＝α1·Δxij 2+α2·Δyij 2+α3·Δhij 2 其中，α1、α2、α3為可調(diào)超參數(shù)，范圍為[0.1,10]，注意力得分矩陣Sij經(jīng)softmax函數(shù)歸一化后得到注意力權重aij，隨后被關注位置j的特征Vj按照權重aij進行加權求和，生成位置i的注意力聚合結果Zi： 使用殘差連接對Zi和進行處理，得到覆冰全局特征 其中，λ∈0,1為可調(diào)融合系數(shù)，用于調(diào)節(jié)Zi與之間的比例平衡； S4、將氣象數(shù)據(jù)輸入氣象特征提取模塊TRAM-Net，采用局部氣象變異率引導注意力偏置，完成特征編碼并輸出氣象時序特征； S5、覆冰局部、全局特征以及氣象時序特征經(jīng)統(tǒng)一尺度映射與特征預編碼后，通過雙向跨模態(tài)注意力機制和特征拼接操作進行交互融合，輸出尺度對齊的多模態(tài)覆冰融合特征； S6、將覆冰融合特征輸入多任務預測模塊，其中殘差融合編碼器提煉出深層特征，再由任務感知多頭自注意力模塊提取類型特征與厚度等級特征，輸入輕量分類器得到對應的覆冰類型和覆冰厚度等級。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人南京信息工程大學，其通訊地址為：210032 江蘇省南京市江北新區(qū)寧六路219號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。