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！

龍圖騰網獲悉江西省科技基礎條件平臺中心(江西省計算中心)申請的專利基于深度學習語義分割模型的梯田提取方法及系統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：CN119992345B 。

龍圖騰網通過國家知識產權局官網在2025-08-12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：202510466190.4，技術領域涉及：G06V20/10；該發明授權基于深度學習語義分割模型的梯田提取方法及系統是由胡少文;付康;黃浪鑫;余里輝;葉寧;王康;龔梟;饒蘭香;施煒利;湯輝;吳志平;黃文軍;李文;彭浩偉;龔一峰設計研發完成，并于2025-04-11向國家知識產權局提交的專利申請。

本基于深度學習語義分割模型的梯田提取方法及系統在說明書摘要公布了：本發明提供了一種基于深度學習語義分割模型的梯田提取方法及系統，該方法包括：構建關于梯田的數據集，并根據數據集對語義分割模型進行訓練，具體包括：對數據集進行多級卷積操作，得到多級卷積特征，并將卷積特征進行并行多分支處理；對卷積特征進行上采樣處理，得到多級上采樣特征，并生成多尺度特征，將多尺度特征與多級上采樣特征進行融合；將融合特征與卷積特征進行拼接，并根據拼接特征生成類別權重，并根據類別權重獲取數據集中每張圖像的梯田像素概率分布，根據目標梯田像素概率分布從待測圖像中提取所有的梯田地塊。本發明能夠提高在復雜場景下梯田地塊提取的準確性。

本發明授權基于深度學習語義分割模型的梯田提取方法及系統在權利要求書中公布了：1.一種基于深度學習語義分割模型的梯田提取方法，其特征在于，所述方法包括： 構建關于梯田的數據集，并根據所述數據集對語義分割模型進行訓練，具體包括： 對所述數據集進行多級卷積操作，得到多級卷積特征，并將所述卷積特征進行并行多分支處理，得到第一特征、第二特征、第三特征以及第四特征； 根據以下公式進行多級卷積操作： ； 其中，表示第階段的復合操作，復合操作包括依次進行卷積、歸一化、激活，、分別表示第級、第級卷積特征，表示數據集中的圖像，第二級卷積特征和第三級卷積特征包含邊緣、紋理的空間細節信息，第四級卷積特征和第五級卷積特征包含高階語義信息； 根據以下公式對所述卷積特征進行并行多分支處理： ； 其中，、、、分別表示第一特征、第二特征、第三特征、第四特征，表示空洞率為的卷積，d表示空洞率，表示全局平均池化，表示先進行卷積，再進行上采樣操作，并將特征在高度和寬度方向上分別調整為和，表示特征的高度，表示特征的寬度； 對所述卷積特征進行上采樣處理，得到多級上采樣特征，并根據所述第一特征、所述第二特征、所述第三特征以及所述第四特征生成多尺度特征，將所述多尺度特征與所述多級上采樣特征進行融合，得到融合特征； 根據以下公式進行上采樣處理： ； 其中，表示調整后的第i級卷積特征，，表示第i級上采樣特征，，表示雙線性倍上采樣； 根據以下公式生成多尺度特征： ； 其中，表示多尺度特征，表示通道維度拼接，表示的特征張量維度，其中的高度變為，寬度變為，通道數變為256； 根據以下公式進行融合： ； 其中，表示融合特征，表示卷積，、、分別表示第2級、第3級、第4級上采樣特征； 將所述融合特征與所述卷積特征進行拼接，得到拼接特征，并根據所述拼接特征生成類別權重，并根據所述類別權重獲取所述數據集中每張圖像的梯田像素概率分布； 根據以下公式生成類別權重： ； 其中，表示類別權重向量，C表示向量的維度，為正整數，、表示一個可學習的權重矩陣，表示一個激活函數，表示修正線性單元激活函數，表示拼接特征，表示所在的向量空間； 將待測圖像輸入訓練后的語義分割模型中，得到與所述待測圖像對應的目標梯田像素概率分布，并根據所述目標梯田像素概率分布從所述待測圖像中提取所有的梯田地塊。

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江西省科技基礎條件平臺中心(江西省計算中心)，其通訊地址為：330000 江西省南昌市井岡山大道1416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”。