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！

龙图腾网恭喜南昌工程学院申请的专利一种基于轻量级CGC-YOLO的绝缘子缺陷检测方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：CN119444752B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202510037996.1，技术领域涉及：G06T7/00；该发明授权一种基于轻量级CGC-YOLO的绝缘子缺陷检测方法是由曾兵;周志豪;谢云敏;华威;李得志;万好;巫平强;刘邦;陈显彪;陈宇聪;饶繁星;杨小品;张文华;彭聪;周娱璐;金子涵;易可欣;陈昱璋;胡昱帆设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本一种基于轻量级CGC-YOLO的绝缘子缺陷检测方法在说明书摘要公布了：本发明公开了一种基于轻量级CGC‑YOLO的绝缘子缺陷检测方法，S1：构建输电线路绝缘子缺陷的图像数据集，并划分为训练集和验证集；S2：构建CGC‑YOLO网络模型，该模型包括主干网络、颈部网络与头部网络；S3：利用训练集的绝缘子缺陷图像对CGC‑YOLO网络模型进行训练，并利用验证集的绝缘子缺陷图像在训练过程中评估CGC‑YOLO网络模型的性能，得到训练好的CGC‑YOLO网络模型；S4：将待测绝缘子缺陷图像输入至训练好的CGC‑YOLO网络模型进行绝缘子缺陷的检测。本发明通过优化模型结构和引入创新的模块，在低计算量下实现了高精度的绝缘子缺陷检测，适用于复杂环境下的高效巡检需求，显著提升了检测效果和设备端的实用性。

本发明授权一种基于轻量级CGC-YOLO的绝缘子缺陷检测方法在权利要求书中公布了：1.一种基于轻量级CGC-YOLO的绝缘子缺陷检测方法，其特征在于，包括以下步骤：S1：构建输电线路绝缘子缺陷的图像数据集，并划分为训练集和验证集；S2：构建CGC-YOLO网络模型，该模型包括主干网络、颈部网络与头部网络；所述主干网络包括依次连接的两个Conv卷积模块、两个CGC1模块、Conv卷积模块、三个CGC2模块、Conv卷积模块、六个CGC3模块、Conv卷积模块以及三个CGC4模块，分别将两个CGC1模块、三个CGC2模块、六个CGC3模块与三个CGC4模块的输出特征作为颈部网络的输入；所述颈部网络包括CMC模块、CGC模块、Conv卷积模块、上采样模块、Concat拼接模块以及APS-Attention注意力机制模块，CMC模块设置为4个，分别为CMC1模块、CMC2模块、CMC3模块、CMC4模块，颈部网络的处理过程为：两个CGC1模块的输出经过CMC1模块特征提取后得到特征M1，三个CGC2模块的输出经过CMC2模块特征提取后得到特征M2，六个CGC3模块的输出经过CMC3模块特征提取后得到特征M3，三个CGC4模块的输出经过CMC4模块特征提取后得到特征M4，特征M4经过Conv卷积处理后得到特征M5，对特征M5进行上采样后与特征M3进行Concat拼接得到特征M6，特征M6经过CGC模块特征提取后得到特征M7，特征M7经过Conv卷积处理后得到特征M8，对特征M8进行上采样后与特征M2进行Concat拼接得到特征M9，特征M9经过CGC模块特征提取后得到特征M10，特征M10经过Conv卷积处理后得到特征M11，对特征M11进行上采样后与特征M1进行Concat拼接得到特征M12，特征M12、特征M11、特征M8、特征M5分别经过APS-Attention注意力机制模块加强特征提取操作后得到特征M13、特征M14、特征M15、特征M16，特征M13经过CGC模块特征提取后得到特征M17，特征M17经过Conv卷积处理后与特征M14进行Concat拼接得到特征M18，特征M18经过CGC模块特征提取后得到特征M19，特征M19经过Conv卷积处理后与特征M15进行Concat拼接得到特征M20，特征M20经过CGC模块特征提取后得到特征M21，特征M21经过Conv卷积处理后与特征M16进行Concat拼接得到特征M22，特征M22经过CGC模块特征提取后得到特征M23，最终将特征M17、特征M19、特征M21与特征M23作为颈部网络的输出；所述头部网络包括四个Detect模块，分别用于检测不同尺寸缺陷的绝缘子图像，将特征M17、特征M19、特征M21与特征M23分别输入四个Detect模块进行绝缘子缺陷检测；Detect模块包括卷积层和全连接层，用于预测每个候选框所属的类别；S3：利用训练集的绝缘子缺陷图像对CGC-YOLO网络模型进行训练，并利用验证集的绝缘子缺陷图像在训练过程中评估CGC-YOLO网络模型的性能，得到训练好的CGC-YOLO网络模型；S4：将待测绝缘子缺陷图像输入至训练好的CGC-YOLO网络模型进行绝缘子缺陷的检测；所述CGC1模块、CGC2模块、CGC3模块、CGC4模块的结构均与CGC模块相同，CGC模块的处理过程为：输入特征依次经过Conv卷积、BN批量归一化和SiLU激活函数操作得到特征X1；对特征X1进行两次不同的处理，第一次进行Conv卷积、BN批量归一化和SiLU激活函数操作得到特征X2，第二次经过GC模块处理得到特征X3，将特征X2与特征X3相加得到特征X4，对特征X4进行平均池化得到特征X5，对特征X4进行Conv卷积、BN批量归一化、SiLU激活函数操作得到特征X6，将特征X5与特征X6进行Concat拼接得到特征X7，特征X7经过GC模块处理得到特征X8，特征X8与输入特征通过残差网络进行连接得到特征X9，特征X9进行Sigmoid激活函数操作得到输出特征Y；所述GC模块的处理过程为：输入特征经过Conv卷积操作得到特征A1，对特征A1进行Conv卷积和Softmax激活操作得到特征A2，对特征A1进行平均池化和最大池化操作得到特征A3，将特征A1、特征A2和特征A3相乘得到特征A4，特征A4依次经过Conv卷积、BN批量归一化和SiLU激活函数得到特征A5，特征A5经过Conv卷积处理后得到特征A6，将特征A6与输入特征通过残差网络相连接得到特征A7，将特征A7进行Softmax激活函数操作得到输出特征Y1；所述CMC模块的处理过程为：包括两条路径；第一条路径中，输入特征经过Conv卷积处理得到特征B，对特征B分别进行两次最大池化操作得到特征B1和特征B2，将特征B、特征B1和特征B2进行Concat拼接得到特征B3，特征B3经过Conv卷积处理得到特征B4，对特征B4分别进行两次最大池化操作得到特征B5和特征B6，将特征B4、特征B5和特征B6进行Concat拼接得到特征B7，特征B7依次经过Conv卷积、BN批量归一化和SiLU激活函数操作得到特征B8；第二条路径中，输入特征分别经过三个不同大小的KCConv扩充卷积处理得到特征B9、特征B10、特征B11，将特征B9、特征B10和特征B11进行Concat拼接得到特征B12；将第一条路径中得到的特征B8与第二条路径中得到的特征B12进行相加得到输出特征Y2；所述APS-Attention注意力机制模块的处理过程为：输入特征经过平均池化操作得到特征C，特征C依次经过PSA注意力机制模块、Sigmoid激活函数得到特征C1，将特征C与特征C1通过残差连接相加最终得到输出特征Y3；所述PSA注意力机制模块的处理过程为：输入特征分别经过四次平均池化操作得到特征D1、特征D2、特征D3和特征D4，将特征D1、特征D2、特征D3和特征D4进行Concat拼接得到特征D5，特征D5经过注意力权重模块和Softmax激活函数处理得到特征D6，将特征D5和特征D6进行逐元素相乘得到输出。

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南昌工程学院，其通讯地址为：330000 江西省南昌市高新区天祥大道289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”。