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！

龍圖騰網獲悉安徽大學申請的專利一種基于多任務學習的遙感圖像耕地地塊分割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：CN116188993B 。

龍圖騰網通過國家知識產權局官網在2025-08-08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：202310289901.6，技術領域涉及：G06V20/10；該發明授權一種基于多任務學習的遙感圖像耕地地塊分割方法是由黃林生;施倩;楊貴軍;楊浩;趙晉陵;翁士狀設計研發完成，并于2023-03-23向國家知識產權局提交的專利申請。

本一種基于多任務學習的遙感圖像耕地地塊分割方法在說明書摘要公布了：本發明涉及一種基于多任務學習的遙感圖像耕地地塊分割方法，包括：制作耕地地塊數據集；得到改進后的邊緣檢測模型DexiNed作為邊緣分支；搭建語義分支，邊緣分支和語義分支共同組成基于多任務學習的耕地地塊識別網絡模型；自適應調整耕地地塊識別網絡模型的子任務損失權重；將耕地地塊數據集輸入到耕地地塊識別網絡模型中進行訓練；將待分割的大尺度遙感影像輸入訓練后的耕地地塊識別網絡模型中，采用膨脹滑窗預測方法進行預測，得到該區域的耕地地塊識別結果。本發明以深度學習方法為基礎搭建網絡模型，能夠提取上下文信息、高階語義信息、空間形態信息等更加豐富的高級特征，從而使地塊識別準確性和魯棒性更優。

本發明授權一種基于多任務學習的遙感圖像耕地地塊分割方法在權利要求書中公布了：1.一種基于多任務學習的遙感圖像耕地地塊分割方法，其特征在于：該方法包括下列順序的步驟： 1基于遙感影像制作耕地地塊數據集，并劃分為訓練集和測試集； 2對邊緣檢測模型DexiNed進行改進，得到改進后的邊緣檢測模型DexiNed作為邊緣分支； 3借鑒語義分割模型UNet的解碼器搭建語義分支，邊緣分支和語義分支共同組成基于多任務學習的耕地地塊識別網絡模型； 4使用動態平均加權算法自適應調整基于多任務學習的耕地地塊識別網絡模型的子任務損失權重； 5將訓練集輸入到基于多任務學習的耕地地塊識別網絡模型中進行訓練； 6將待分割的大尺度遙感影像輸入訓練后的基于多任務學習的耕地地塊識別網絡模型中，采用膨脹滑窗預測方法進行預測，得到耕地地塊識別結果； 所述步驟1具體包括以下步驟： 1a下載空間分辨率為2.15米的17級GoogleEarth遙感圖像； 1b在地理信息處理軟件ArcGIS中打開下載的遙感圖像，勾繪耕地地塊面矢量，同時使用要素轉線工具將面矢量轉化為線矢量； 1c對步驟1b獲得的面矢量和線矢量做矢量柵格轉換，輸出和遙感圖像同尺度的語義標簽和邊緣標簽，標簽中白色表示耕地像素，像素值為1，黑色表示背景像素，像素值為0； 1d使用滑窗裁剪方式同步裁剪遙感圖像、語義標簽和邊緣標簽，得到747對像素尺度為512*512的初始樣本集； 1f對初始樣本集以垂直翻轉、水平翻轉、旋轉90°、180°、270°的數據增強方式擴充到原來的6倍，生成具有4482對圖像與標簽對的耕地地塊數據集，將耕地地塊數據集中90％的數據作為訓練集，剩下10％的數據作為測試集； 所述步驟2具體包括以下步驟： 2a去除邊緣檢測模型DexiNed的第六個主要檢測模塊和對應的第六個主要檢測模塊的側輸出，得到精簡化的DexiNed網絡模型，精簡化的DexiNed網絡模型具有五個主要檢測模塊； 2b使用深度可分離卷積取代精簡化的DexiNed網絡模型的五個主要檢測模塊中的普通卷積，得到改進后的邊緣檢測模型DexiNed；在相同輸入情況下，使用比值關系衡量卷積參量優化效果如下： 其中，PDSC和PC分別表示深度可分離卷積與普通卷積的參數量；M表示輸入特征映射的通道維數；N表示輸出特征映射的通道維數；Hk、Wk表示卷積核的尺寸。

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安徽大學，其通訊地址為：230601 安徽省合肥市經濟技術開發區九龍路111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”。