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输电线路巡检图像去噪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：CN119540566B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202510073511.4，技术领域涉及：G06V10/30；该发明授权一种输电线路巡检图像去噪方法及系统是由曾兵;曾赟;谢云敏;华威;刘邦;廖展鹏;巫平强;陈宇聪;李得志;万好;饶繁星;陈显彪;张文华;杨小品;彭聪;易可欣;周娱璐;金子涵;陈昱璋设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本一种输电线路巡检图像去噪方法及系统在说明书摘要公布了：本发明公开了一种输电线路巡检图像去噪方法及系统，包括以下步骤：S1：获取绝缘子原始图像，对原始图像添加噪声，构建绝缘子噪声图像数据集；S2：基于SADNet去噪网络模型进行改进，引入Mix模块、CSM模块和CCAM模块，构建SADNet‑S去噪网络模型；S3：利用绝缘子噪声图像数据集对SADNet‑S去噪网络模型进行训练，获得最优训练权重；S4：将最优训练权重载入SADNet‑S去噪网络模型，将待测绝缘子噪声图像输入SADNet‑S去噪网络模型得到去噪后的绝缘子图像。本发明提出基于多尺度特征提取，动态自适应过滤和注意力机制改进的SADNet‑S去噪网络模型，通过采用SADNet‑S去噪网络模型，充分发挥其强大的泛化性和鲁棒性，以实现高效的图像去噪并显著提升目标检测精度。

本发明授权一种输电线路巡检图像去噪方法及系统在权利要求书中公布了：1.一种输电线路巡检图像去噪方法，其特征在于，包括以下步骤：S1：获取绝缘子原始图像，对原始图像添加噪声，构建绝缘子噪声图像数据集；S2：基于SADNet去噪网络模型进行改进，引入Mix模块、CSM模块和CCAM模块，构建SADNet-S去噪网络模型；所述SADNet-S去噪网络模型的处理过程为：在编码阶段，输入图像通过残差卷积块和Mix模块进行多尺度与注意力增强得到特征图conv1，特征图conv1通过步幅卷积块下采样得到特征图pool1，特征图pool1通过残差卷积块和Mix模块进行多尺度与注意力增强得到特征图conv2，特征图conv2通过步幅卷积块下采样得到特征图pool2，特征图pool2通过残差卷积块和Mix模块进行多尺度与注意力增强得到特征图conv3，特征图conv3通过步幅卷积块下采样得到特征图pool3，特征图pool3通过残差卷积块进行残差卷积得到特征图conv4，特征图conv4通过上下文提取模块捕捉多尺度信息，并经过CSM模块进一步增强，得到强化特征图conv4'；在解码阶段，第一个偏移块生成偏移量并应用于强化特征图conv4'，然后经过RSABlock残差注意机制提取特征后形成特征图dconv4，再通过多尺度卷积操作和DFSA模块生成不同尺度的特征图conv_y和特征图conv_z，使用CCAM模块融合特征图conv_y和特征图conv_z得到强化特征图dconv4'，对强化特征图dconv4'上采样并与特征图conv3拼接得到融合特征图up3，第二个偏移块生成偏移量并应用于特征图conv3，然后经过RSABlock残差注意机制提取特征后形成特征图dconv3，对特征图dconv3上采样并与特征图conv2拼接得到融合特征图up2，第三个偏移块生成偏移量并应用于特征图conv2，然后经过RSABlock残差注意机制提取特征后形成特征图dconv2，对特征图dconv2上采样并与特征图conv1拼接得到融合特征图up1，第四个偏移块生成偏移量并应用于特征图conv1，然后经过RSABlock残差注意机制提取特征后形成特征图dconv1，最后用卷积层将通道数压缩到输出通道数，并与输入图像逐像素相加，得到去噪后的输出图像；S3：利用绝缘子噪声图像数据集对SADNet-S去噪网络模型进行训练，获得最优训练权重；S4：将最优训练权重载入SADNet-S去噪网络模型，将待测绝缘子噪声图像输入SADNet-S去噪网络模型得到去噪后的绝缘子图像；所述Mix模块的处理过程为：输入特征通过批量归一化进行归一化处理，然后通过点卷积和卷积操作提取特征，然后根据预先设定的分组数量，将特征在通道维度上分割为多个子块，每个子块都经过独立的卷积和批量归一化处理，将多个子块的输出在通道维度上重新拼接得到拼接特征，拼接特征通过点卷积-RELU-点卷积操作，结合Sigmoid函数来提取特征后与拼接特征进行残差连接，使用Softmax在分块之间进行归一化，得到不同分块的权重分布，并与对应子块特征逐点相乘然后拼接得到融合特征，该融合特征通过三种不同尺寸的扩张卷积并行处理得到三个并行特征，将三个并行特征进行拼接后通过多层感知器MLP进行处理，多层感知器MLP包含两个点卷积和一个GELU激活函数，多层感知器MLP的输出与输入特征进行残差连接后输出至并行注意力模块EPA；并行注意力模块EPA包括简单像素注意力模块、通道注意力模块和像素注意力模块，并行注意力模块EPA的处理过程为：并行注意力模块EPA的输入特征通过批量归一化进行归一化处理，归一化处理后的特征通过简单像素注意力模块、通道注意力模块和像素注意力模块进行并行处理；其中简单像素注意力模块包含两个分支：一个是特征提取分支PFs，另一个是像素门控分支PAs，PFs分支通过点卷积和卷积操作提取特征，而PAs分支则使用点卷积和Sigmoid激活函数来计算每个像素的重要性，最后PFs分支和PAs分支的输出进行元素级相乘得到最终的特征Fs；通道注意力模块通过全局平均池化、点卷积-GELU-点卷积操作，结合Sigmoid函数来提取全局通道门控特征，全局通道门控特征与通道注意力模块的输入特征进行元素级相乘得到最终的特征Gs；像素注意力模块通过点卷积-GELU-点卷积操作，结合Sigmoid函数来提取全局像素门控特征，全局像素门控特征与像素注意力模块的输入特征进行元素级相乘得到最终的特征Hs；将简单像素注意力模块、像素注意力模块和通道注意力模块得到的特征进行合并，然后通过多层感知器进行MLP处理，最后与并行注意力模块EPA的输入特征进行残差连接得到输出；所述CSM模块包括依次连接的CABSE模块、SABSE模块以及MMSDC模块；所述CABSE模块包括两条并行分支，两条并行分支均分别接入平均池化与最大池化，随后输入SE注意力模块，并在GELU激活函数与1×1卷积处理后输出通道注意力权重，最后将两条并行分支的结果相加并用Sigmoid函数获得最终权重图，最终权重图与CABSE模块的输入做逐元素相乘后得到输出；SABSE模块包括两条并行分支，两条并行分支均经过通道最大池化与SE注意力模块处理，然后经过多种不同的卷积组合处理，两条并行分支的输出通过Sigmoid函数生成空间注意力图后同SABSE模块的输入逐元素相乘后得到输出；MMSDC模块的输入拆成若干路径，每条路径经过SE注意力模块、批量归一化处理，然后拆分成两条分支，一条分支经过ReLU6激活函数处理，另一条分支经过深度卷积与GELU激活函数处理，所有分支的输出在通道或特征层面做合并后，通过通道洗牌进一步融合并打散不同分支的信息后得到输出；所述CCAM模块采用CasDyF-Net的编码器和解码器的U型结构，包括DFSA模块、LLFB模块和RMB模块，所述CCAM模块的处理过程为：首先由DLK模块对输入特征进行通道对齐与初步处理，获得统一的特征表示；然后，特征依次通过多个DFSA模块，每个DFSA模块根据预先设定的比例将通道拆分为若干子块，并分别对每个子块执行卷积、批量归一化和注意力操作，得到各子块对应的权重分布，并将各子块对应的权重逐点乘到子块特征上，接着将所有子块在通道维度上重新拼接，得到融合多尺度上下文信息的融合特征，然后该融合特征进入LLFB模块，先进行全局平均池化提取每个通道的全局统计信息，再通过卷积和注意力机制在各子块间进行局部交互和融合，完成局部融合后，通过全局感受野操作整合全局信息，并利用通道注意力机制聚焦关键通道，通过空间注意力机制捕捉显著区域的特征表达，再结合1×1卷积块对全局特征进行优化和重构，最后，通过RMB模块将原始输入特征与注意力增强后的特征进行加和；RMB模块的处理过程为：RMB模块的输入特征首先通过三个并行分支进行处理，第一个并行分支使用3x3空洞卷积和PReLU激活函数，并与RMB模块的输入特征进行残差连接；第二个并行分支使用3x3标准卷积和PReLU激活函数，并与第一个并行分支的输出进行残差连接；第三个并行分支使用3x3空洞卷积和PReLU激活函数，并与第二个并行分支的输出进行残差连接；然后将RMB模块的输入特征和三个并行分支的输出在通道维度上进行拼接，拼接后的特征通过两层点卷积和GELU激活函数进行特征融合，最后与RMB模块的输入特征进行残差连接得到输出。

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”。