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！

龙图腾网获悉安徽大学申请的专利一种基于多任务学习的遥感图像耕地地块分割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：CN116188993B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202310289901.6，技术领域涉及：G06V20/10；该发明授权一种基于多任务学习的遥感图像耕地地块分割方法是由黄林生;施倩;杨贵军;杨浩;赵晋陵;翁士状设计研发完成，并于2023-03-23向国家知识产权局提交的专利申请。

本一种基于多任务学习的遥感图像耕地地块分割方法在说明书摘要公布了：本发明涉及一种基于多任务学习的遥感图像耕地地块分割方法，包括：制作耕地地块数据集；得到改进后的边缘检测模型DexiNed作为边缘分支；搭建语义分支，边缘分支和语义分支共同组成基于多任务学习的耕地地块识别网络模型；自适应调整耕地地块识别网络模型的子任务损失权重；将耕地地块数据集输入到耕地地块识别网络模型中进行训练；将待分割的大尺度遥感影像输入训练后的耕地地块识别网络模型中，采用膨胀滑窗预测方法进行预测，得到该区域的耕地地块识别结果。本发明以深度学习方法为基础搭建网络模型，能够提取上下文信息、高阶语义信息、空间形态信息等更加丰富的高级特征，从而使地块识别准确性和鲁棒性更优。

本发明授权一种基于多任务学习的遥感图像耕地地块分割方法在权利要求书中公布了：1.一种基于多任务学习的遥感图像耕地地块分割方法，其特征在于：该方法包括下列顺序的步骤： 1基于遥感影像制作耕地地块数据集，并划分为训练集和测试集； 2对边缘检测模型DexiNed进行改进，得到改进后的边缘检测模型DexiNed作为边缘分支； 3借鉴语义分割模型UNet的解码器搭建语义分支，边缘分支和语义分支共同组成基于多任务学习的耕地地块识别网络模型； 4使用动态平均加权算法自适应调整基于多任务学习的耕地地块识别网络模型的子任务损失权重； 5将训练集输入到基于多任务学习的耕地地块识别网络模型中进行训练； 6将待分割的大尺度遥感影像输入训练后的基于多任务学习的耕地地块识别网络模型中，采用膨胀滑窗预测方法进行预测，得到耕地地块识别结果； 所述步骤1具体包括以下步骤： 1a下载空间分辨率为2.15米的17级GoogleEarth遥感图像； 1b在地理信息处理软件ArcGIS中打开下载的遥感图像，勾绘耕地地块面矢量，同时使用要素转线工具将面矢量转化为线矢量； 1c对步骤1b获得的面矢量和线矢量做矢量栅格转换，输出和遥感图像同尺度的语义标签和边缘标签，标签中白色表示耕地像素，像素值为1，黑色表示背景像素，像素值为0； 1d使用滑窗裁剪方式同步裁剪遥感图像、语义标签和边缘标签，得到747对像素尺度为512*512的初始样本集； 1f对初始样本集以垂直翻转、水平翻转、旋转90°、180°、270°的数据增强方式扩充到原来的6倍，生成具有4482对图像与标签对的耕地地块数据集，将耕地地块数据集中90％的数据作为训练集，剩下10％的数据作为测试集； 所述步骤2具体包括以下步骤： 2a去除边缘检测模型DexiNed的第六个主要检测模块和对应的第六个主要检测模块的侧输出，得到精简化的DexiNed网络模型，精简化的DexiNed网络模型具有五个主要检测模块； 2b使用深度可分离卷积取代精简化的DexiNed网络模型的五个主要检测模块中的普通卷积，得到改进后的边缘检测模型DexiNed；在相同输入情况下，使用比值关系衡量卷积参量优化效果如下： 其中，PDSC和PC分别表示深度可分离卷积与普通卷积的参数量；M表示输入特征映射的通道维数；N表示输出特征映射的通道维数；Hk、Wk表示卷积核的尺寸。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。