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

龍圖騰網恭喜國網福建省電力有限公司;國網福建省電力有限公司電力科學研究院申請的專利一種安監場景下圖像識別模型構建方法及終端獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117173636B 。

龍圖騰網通過國家知識產權局官網在2025-05-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202311242883.2，技術領域涉及：G06V20/52；該發明授權一種安監場景下圖像識別模型構建方法及終端是由黃建業;吳飛;鄭州;何德明;錢健;馬騰;林晨翔;劉冰倩;謝煒;林爽;姚文旭;廖飛龍;楊彥設計研發完成，并于2023-09-25向國家知識產權局提交的專利申請。

本一種安監場景下圖像識別模型構建方法及終端在說明書摘要公布了：本發明提供一種安監場景下圖像識別模型構建方法及終端，構建前層網絡模型；構建初始網絡模型；在初始網絡模型上采用多種類別的數據集訓練得到全能網絡模型；對全能網絡模型進行鎖定，并在全能網絡模型前面拼接前層網絡模型；對拼接后的全能網絡模型進行微調，得到最終圖像識別模型。本發明先構建前層網絡模型并采用多種類別的大量安監數據集訓練全能網絡模型，采用對全能網絡模型進行鎖定、將前層網絡模型拼接到全能網絡模型前面的方式，不僅具備很強的遷移能力，能適應不同安監場景下的圖像處理需求；同時修改方法時也無需重新訓練整個模型，只需修改前層網絡模型和微調，就可以直接應用于新的安監場景中，大大減少計算資源。

本發明授權一種安監場景下圖像識別模型構建方法及終端在權利要求書中公布了：1.一種安監場景下圖像識別模型構建方法，其特征在于，包括步驟：S1、構建前層網絡模型；S2、構建初始網絡模型；S3、在所述初始網絡模型上采用多種類別的數據集訓練得到全能網絡模型；進行所述全能網絡模型訓練的數據集按照不同的實務分類合并相同語義的標簽，不同語義的標簽代表一個分類框；S4、對所述全能網絡模型進行鎖定，并在所述全能網絡模型前面拼接所述前層網絡模型；S5、對拼接后的所述全能網絡模型進行微調，得到最終圖像識別模型；所述步驟S1具體為：構建由兩個卷積網絡層組成的前層網絡模型LowTastNet，并在兩個卷積網絡層之間增加一特殊算子層，所述特殊算子層的算子如下公式（1）： （1）；其中，x為一個實數，signx的值為1、-1或0，分別表示x的正負性和是否為0，relux=max0,x，表示激活函數；所述步驟S2具體為：構建由五個單一卷積網絡層、一個矩陣卷積網絡層、三個最大化池化層和一個通用檢測頭組成的初始網絡模型GenpNett；定義所述初始網絡模型包括第0~9共十層，其中五個單一卷積網絡層分別位于所述初始網絡模型的第0、2、4、5和6層，一個矩陣卷積網絡層位于所述初始網絡模型的第3層，三個最大化池化層分別位于所述初始網絡模型的第1、7和8層，一個通用檢測頭位于所述初始網絡模型的第9層；定義五個單一卷積網絡層和一個矩陣卷積網絡層的算子均為Conv2d；定義三個最大池化層的算子均為maxpool；定義一個通用檢測頭的算子為Detect；所述步驟S3中的所述多種類別數據集包括COCO數據集、PascalVOC數據集、ImageNet數據集、KITTI數據集、OpenImages數據集、SUN數據集、Cityscapes數據集、DOTA數據集和VisDrone數據集；所述步驟S4具體為：S41、在訓練所述初始網絡模型時設置所述初始網絡模型的參數權重不可基于梯度修改，但能夠進行梯度傳播，對所述全能網絡模型進行鎖定；S42、在鎖定后的所述全能網絡模型前面拼接所述前層網絡模型，將圖像特征F0輸入到所述前層網絡，得到特征F1，再將F1輸入到所述全能網絡模型，所述全能網絡模型負責輸出分類和框。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人國網福建省電力有限公司;國網福建省電力有限公司電力科學研究院，其通訊地址為：350003 福建省福州市鼓樓區五四路257號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。