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！

龍圖騰網恭喜南昌工程學院申請的專利一種基于輕量級CGC-YOLO的絕緣子缺陷檢測方法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：CN119444752B 。

龍圖騰網通過國家知識產權局官網在2025-05-30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：202510037996.1，技術領域涉及：G06T7/00；該發明授權一種基于輕量級CGC-YOLO的絕緣子缺陷檢測方法是由曾兵;周志豪;謝云敏;華威;李得志;萬好;巫平強;劉邦;陳顯彪;陳宇聰;饒繁星;楊小品;張文華;彭聰;周娛璐;金子涵;易可欣;陳昱璋;胡昱帆設計研發完成，并于2025-01-10向國家知識產權局提交的專利申請。

本一種基于輕量級CGC-YOLO的絕緣子缺陷檢測方法在說明書摘要公布了：本發明公開了一種基于輕量級CGC?YOLO的絕緣子缺陷檢測方法，S1：構建輸電線路絕緣子缺陷的圖像數據集，并劃分為訓練集和驗證集；S2：構建CGC?YOLO網絡模型，該模型包括主干網絡、頸部網絡與頭部網絡；S3：利用訓練集的絕緣子缺陷圖像對CGC?YOLO網絡模型進行訓練，并利用驗證集的絕緣子缺陷圖像在訓練過程中評估CGC?YOLO網絡模型的性能，得到訓練好的CGC?YOLO網絡模型；S4：將待測絕緣子缺陷圖像輸入至訓練好的CGC?YOLO網絡模型進行絕緣子缺陷的檢測。本發明通過優化模型結構和引入創新的模塊，在低計算量下實現了高精度的絕緣子缺陷檢測，適用于復雜環境下的高效巡檢需求，顯著提升了檢測效果和設備端的實用性。

本發明授權一種基于輕量級CGC-YOLO的絕緣子缺陷檢測方法在權利要求書中公布了：1.一種基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，包括以下步驟：S1：構建輸電線路絕緣子缺陷的圖像數據集，并劃分為訓練集和驗證集；S2：構建CGC-YOLO網絡模型，該模型包括主干網絡、頸部網絡與頭部網絡；所述主干網絡包括依次連接的兩個Conv卷積模塊、兩個CGC1模塊、Conv卷積模塊、三個CGC2模塊、Conv卷積模塊、六個CGC3模塊、Conv卷積模塊以及三個CGC4模塊，分別將兩個CGC1模塊、三個CGC2模塊、六個CGC3模塊與三個CGC4模塊的輸出特征作為頸部網絡的輸入；所述頸部網絡包括CMC模塊、CGC模塊、Conv卷積模塊、上采樣模塊、Concat拼接模塊以及APS-Attention注意力機制模塊，CMC模塊設置為4個，分別為CMC1模塊、CMC2模塊、CMC3模塊、CMC4模塊，頸部網絡的處理過程為：兩個CGC1模塊的輸出經過CMC1模塊特征提取后得到特征M1，三個CGC2模塊的輸出經過CMC2模塊特征提取后得到特征M2，六個CGC3模塊的輸出經過CMC3模塊特征提取后得到特征M3，三個CGC4模塊的輸出經過CMC4模塊特征提取后得到特征M4，特征M4經過Conv卷積處理后得到特征M5，對特征M5進行上采樣后與特征M3進行Concat拼接得到特征M6，特征M6經過CGC模塊特征提取后得到特征M7，特征M7經過Conv卷積處理后得到特征M8，對特征M8進行上采樣后與特征M2進行Concat拼接得到特征M9，特征M9經過CGC模塊特征提取后得到特征M10，特征M10經過Conv卷積處理后得到特征M11，對特征M11進行上采樣后與特征M1進行Concat拼接得到特征M12，特征M12、特征M11、特征M8、特征M5分別經過APS-Attention注意力機制模塊加強特征提取操作后得到特征M13、特征M14、特征M15、特征M16，特征M13經過CGC模塊特征提取后得到特征M17，特征M17經過Conv卷積處理后與特征M14進行Concat拼接得到特征M18，特征M18經過CGC模塊特征提取后得到特征M19，特征M19經過Conv卷積處理后與特征M15進行Concat拼接得到特征M20，特征M20經過CGC模塊特征提取后得到特征M21，特征M21經過Conv卷積處理后與特征M16進行Concat拼接得到特征M22，特征M22經過CGC模塊特征提取后得到特征M23，最終將特征M17、特征M19、特征M21與特征M23作為頸部網絡的輸出；所述頭部網絡包括四個Detect模塊，分別用于檢測不同尺寸缺陷的絕緣子圖像，將特征M17、特征M19、特征M21與特征M23分別輸入四個Detect模塊進行絕緣子缺陷檢測；Detect模塊包括卷積層和全連接層，用于預測每個候選框所屬的類別；S3：利用訓練集的絕緣子缺陷圖像對CGC-YOLO網絡模型進行訓練，并利用驗證集的絕緣子缺陷圖像在訓練過程中評估CGC-YOLO網絡模型的性能，得到訓練好的CGC-YOLO網絡模型；S4：將待測絕緣子缺陷圖像輸入至訓練好的CGC-YOLO網絡模型進行絕緣子缺陷的檢測；所述CGC1模塊、CGC2模塊、CGC3模塊、CGC4模塊的結構均與CGC模塊相同，CGC模塊的處理過程為：輸入特征依次經過Conv卷積、BN批量歸一化和SiLU激活函數操作得到特征X1；對特征X1進行兩次不同的處理，第一次進行Conv卷積、BN批量歸一化和SiLU激活函數操作得到特征X2，第二次經過GC模塊處理得到特征X3，將特征X2與特征X3相加得到特征X4，對特征X4進行平均池化得到特征X5，對特征X4進行Conv卷積、BN批量歸一化、SiLU激活函數操作得到特征X6，將特征X5與特征X6進行Concat拼接得到特征X7，特征X7經過GC模塊處理得到特征X8，特征X8與輸入特征通過殘差網絡進行連接得到特征X9，特征X9進行Sigmoid激活函數操作得到輸出特征Y；所述GC模塊的處理過程為：輸入特征經過Conv卷積操作得到特征A1，對特征A1進行Conv卷積和Softmax激活操作得到特征A2，對特征A1進行平均池化和最大池化操作得到特征A3，將特征A1、特征A2和特征A3相乘得到特征A4，特征A4依次經過Conv卷積、BN批量歸一化和SiLU激活函數得到特征A5，特征A5經過Conv卷積處理后得到特征A6，將特征A6與輸入特征通過殘差網絡相連接得到特征A7，將特征A7進行Softmax激活函數操作得到輸出特征Y1；所述CMC模塊的處理過程為：包括兩條路徑；第一條路徑中，輸入特征經過Conv卷積處理得到特征B，對特征B分別進行兩次最大池化操作得到特征B1和特征B2，將特征B、特征B1和特征B2進行Concat拼接得到特征B3，特征B3經過Conv卷積處理得到特征B4，對特征B4分別進行兩次最大池化操作得到特征B5和特征B6，將特征B4、特征B5和特征B6進行Concat拼接得到特征B7，特征B7依次經過Conv卷積、BN批量歸一化和SiLU激活函數操作得到特征B8；第二條路徑中，輸入特征分別經過三個不同大小的KCConv擴充卷積處理得到特征B9、特征B10、特征B11，將特征B9、特征B10和特征B11進行Concat拼接得到特征B12；將第一條路徑中得到的特征B8與第二條路徑中得到的特征B12進行相加得到輸出特征Y2；所述APS-Attention注意力機制模塊的處理過程為：輸入特征經過平均池化操作得到特征C，特征C依次經過PSA注意力機制模塊、Sigmoid激活函數得到特征C1，將特征C與特征C1通過殘差連接相加最終得到輸出特征Y3；所述PSA注意力機制模塊的處理過程為：輸入特征分別經過四次平均池化操作得到特征D1、特征D2、特征D3和特征D4，將特征D1、特征D2、特征D3和特征D4進行Concat拼接得到特征D5，特征D5經過注意力權重模塊和Softmax激活函數處理得到特征D6，將特征D5和特征D6進行逐元素相乘得到輸出。

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南昌工程學院，其通訊地址為：330000 江西省南昌市高新區天祥大道289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”。