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！

龙图腾网恭喜中国长江三峡集团有限公司申请的专利一种巡检目标标注模型训练、标注方法、装置和电子设备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：CN116229464B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202310167075.8，技术领域涉及：G06V20/70；该发明授权一种巡检目标标注模型训练、标注方法、装置和电子设备是由李德龙;金和平;周华杰;罗惠恒;许艳丽;张晓萌;姜鹏设计研发完成，并于2023-02-24向国家知识产权局提交的专利申请。

本一种巡检目标标注模型训练、标注方法、装置和电子设备在说明书摘要公布了：本发明公开了一种巡检目标标注模型训练、标注方法、装置和电子设备，训练方法包括：构建至少包括一种相同类别物体的成对图像样本数据集，将样本对分别输入两个权重参数共享的弱监督检测网络OICR，利用OICR网络中特征卷积层提取第一图像特征和第二图像特征；提出共同注意力模块以挖掘第一图像特征和第二图像特征之间的相同特征与不同特征；获取两个OICR网络输出的两幅图像中目标初步标注结果；基于初步标注结果、相同特征和不同特征计算模型总损失；基于模型总损失调整总模型中的权重参数，然后从总模型中提取OICR网络作为巡检目标标注模型。本发明提供的技术方案，提高了机器人巡检图像中标注巡检目标的准确度。

本发明授权一种巡检目标标注模型训练、标注方法、装置和电子设备在权利要求书中公布了：1.一种巡检目标标注模型训练方法，其特征在于，所述方法包括：构建至少包括一种相同类别物体的成对图像样本数据集，并将其中成对的图像样本分别输入两个权重参数共享的OICR网络，利用两个OICR网络中的特征卷积层分别提取第一图像特征和第二图像特征；利用预设的共同注意力模块挖掘第一图像特征和第二图像特征之间的相同特征与不同特征；通过两个OICR网络分别输出两个图像样本中目标的初步标注结果；基于所述初步标注结果、所述相同特征和所述不同特征计算模型总损失，所述模型总损失是由两个权重参数共享的OICR网络和所述共同注意力模块一起组成的总模型的损失；基于所述模型总损失调整所述总模型的权重参数，并从所述总模型中提取OICR网络作为所述巡检目标标注模型；利用预设的共同注意力模块挖掘所述第一图像特征和所述第二图像特征中的相同特征，包括：对所述第一图像特征和所述第二图像特征分别进行分类，得到第一图像特征中各个位置属于各个类别的得分和第二图像特征中各个位置属于各个类别的得分；基于第一图像特征和第二图像特征各个位置属于各个类别的得分，计算第一图像特征的所有位置和第二图像特征的所有位置两两之间的相似度指标；根据所述相似度指标分别从所述第一图像特征和所述第二图像特征中提取所述相同特征；所述对所述第一图像特征和所述第二图像特征分别进行分类，得到第一图像特征和第二图像特征中各个位置属于各个类别的得分，包括：将当前图像特征依次输入类别感知卷积层和1×1卷积层，生成类感知激活图，所述当前图像特征是所述第一图像特征或所述第二图像特征；对所述类感知激活图进行全局平均池化得到所述当前图像特征的类别得分向量，所述类别得分向量用于表征当前图像特征中各个位置属于各个类别的得分；所述基于第一图像特征和第二图像特征各个位置属于各个类别的得分，计算第一图像特征的所有位置和第二图像特征的所有位置两两之间的相似度指标，包括：将第一图像特征和第二图像特征分别展平为二维矩阵，并将第一图像特征和第二图像特征各个位置属于各个类别的得分对应到各自展平的二维矩阵中；利用第一图像特征的二维矩阵和第二图像特征的二维矩阵计算相似度矩阵，所述相似度矩阵中的各个元素用于表征第一图像特征的所有位置和第二图像特征的所有位置两两之间的所述相似度指标；所述根据所述相似度指标分别从所述第一图像特征和所述第二图像特征中提取所述相同特征，包括：对所述相似度矩阵分别进行列归一化和行归一化，得到与展平后的第一图像特征维度匹配的第一注意力图，并得到与展平后的第二图像特征维度匹配的第二注意力图；将所述第一注意力图和展平后的第一图像特征逐元素相乘，得到第一共同注意力特征，所述第一共同注意力特征用于表征成对图像的共同类别标签在第一幅图像上所对应的物体；将所述第二注意力图和展平后的第二图像特征逐元素相乘，得到第二共同注意力特征，所述第二共同注意力特征用于表征成对图像的共同类别标签在第二幅图像上所对应的物体；通过类别感知卷积层和1×1卷积层分别对所述第一共同注意力特征和所述第二共同注意力特征进行处理，并将处理后的第一共同注意力特征和第二共同注意力特征作为所述相同特征；利用共同注意力模块挖掘所述第一图像特征和所述第二图像特征中的不同特征，包括：分别将所述第一共同注意力特征和所述第二共同注意力特征输入sigmod函数进行处理；计算单位1与处理后的第一共同注意力特征的差值，得到第一对比注意力图，并计算单位1与处理后的第二共同注意力特征的差值，得到第二对比注意力图；将所述第一对比注意力图与所述第一图像特征进行逐元素相乘，得到第一对比共同注意力特征，并将所述第二对比注意力图与所述第二图像特征进行逐元素相乘，得到第二对比共同注意力特征，所述第一对比共同注意力特征用于表征第一幅图像上独有的物体，所述第二对比共同注意力特征用于表征第二幅图像上独有的物体；通过类别感知卷积层和1×1卷积层分别对所述第一对比共同注意力特征和所述第二对比共同注意力特征进行处理，并将处理后的第一对比共同注意力特征和第二对比共同注意力特征作为所述不同特征；所述基于所述初步标注结果、所述相同特征和所述不同特征计算模型总损失，包括：根据下列损失函数关系式计算所述模型总损失 式中，α和β表示权重，表示两个权重参数共享的OICR网络对应的损失函数，基于所述初步标注结果创建得到，表示共同注意力模块的损失函数，Im和In分别表示图像样本中的第m个图像和第n个图像，且Im和In是一组至少包括一种相同类别物体的成对图像，是根据第m和第n个图像的图像特征中各个位置属于各个类别的得分创建的损失函数，是挖掘所述相同特征创建的损失函数，是挖掘所述不同特征创建的损失函数，lm和ln分别表示第m个图像和第n个图像的图像级标签，sm和sn分别表示第m个图像和第n个图像的类别得分向量，表示基于第m个图像的相同特征计算的第m个图像包含共同类别物体的共同得分向量，表示基于第n个图像的相同特征计算的第n个图像包含共同类别物体的共同得分向量，lm∩ln表示共同类别标签，表示基于第m个图像的不同特征计算的第m个图像包含独有物体的独有得分向量，表示基于第n个图像的不同特征计算的第n个图像包含独有物体的独有得分向量，lm\ln和ln\lm分别表示第m个图像和第n个图像的独有类别标签，σ表示交叉熵运算。

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中国长江三峡集团有限公司，其通讯地址为：430010 湖北省武汉市江岸区六合路1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”。