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！

龙图腾网获悉江西省科技基础条件平台中心(江西省计算中心)申请的专利基于深度学习语义分割模型的梯田提取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：CN119992345B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202510466190.4，技术领域涉及：G06V20/10；该发明授权基于深度学习语义分割模型的梯田提取方法及系统是由胡少文;付康;黄浪鑫;余里辉;叶宁;王康;龚枭;饶兰香;施炜利;汤辉;吴志平;黄文军;李文;彭浩伟;龚一峰设计研发完成，并于2025-04-11向国家知识产权局提交的专利申请。

本基于深度学习语义分割模型的梯田提取方法及系统在说明书摘要公布了：本发明提供了一种基于深度学习语义分割模型的梯田提取方法及系统，该方法包括：构建关于梯田的数据集，并根据数据集对语义分割模型进行训练，具体包括：对数据集进行多级卷积操作，得到多级卷积特征，并将卷积特征进行并行多分支处理；对卷积特征进行上采样处理，得到多级上采样特征，并生成多尺度特征，将多尺度特征与多级上采样特征进行融合；将融合特征与卷积特征进行拼接，并根据拼接特征生成类别权重，并根据类别权重获取数据集中每张图像的梯田像素概率分布，根据目标梯田像素概率分布从待测图像中提取所有的梯田地块。本发明能够提高在复杂场景下梯田地块提取的准确性。

本发明授权基于深度学习语义分割模型的梯田提取方法及系统在权利要求书中公布了：1.一种基于深度学习语义分割模型的梯田提取方法，其特征在于，所述方法包括： 构建关于梯田的数据集，并根据所述数据集对语义分割模型进行训练，具体包括： 对所述数据集进行多级卷积操作，得到多级卷积特征，并将所述卷积特征进行并行多分支处理，得到第一特征、第二特征、第三特征以及第四特征； 根据以下公式进行多级卷积操作： ； 其中，表示第阶段的复合操作，复合操作包括依次进行卷积、归一化、激活，、分别表示第级、第级卷积特征，表示数据集中的图像，第二级卷积特征和第三级卷积特征包含边缘、纹理的空间细节信息，第四级卷积特征和第五级卷积特征包含高阶语义信息； 根据以下公式对所述卷积特征进行并行多分支处理： ； 其中，、、、分别表示第一特征、第二特征、第三特征、第四特征，表示空洞率为的卷积，d表示空洞率，表示全局平均池化，表示先进行卷积，再进行上采样操作，并将特征在高度和宽度方向上分别调整为和，表示特征的高度，表示特征的宽度； 对所述卷积特征进行上采样处理，得到多级上采样特征，并根据所述第一特征、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，将所述多尺度特征与所述多级上采样特征进行融合，得到融合特征； 根据以下公式进行上采样处理： ； 其中，表示调整后的第i级卷积特征，，表示第i级上采样特征，，表示双线性倍上采样； 根据以下公式生成多尺度特征： ； 其中，表示多尺度特征，表示通道维度拼接，表示的特征张量维度，其中的高度变为，宽度变为，通道数变为256； 根据以下公式进行融合： ； 其中，表示融合特征，表示卷积，、、分别表示第2级、第3级、第4级上采样特征； 将所述融合特征与所述卷积特征进行拼接，得到拼接特征，并根据所述拼接特征生成类别权重，并根据所述类别权重获取所述数据集中每张图像的梯田像素概率分布； 根据以下公式生成类别权重： ； 其中，表示类别权重向量，C表示向量的维度，为正整数，、表示一个可学习的权重矩阵，表示一个激活函数，表示修正线性单元激活函数，表示拼接特征，表示所在的向量空间； 将待测图像输入训练后的语义分割模型中，得到与所述待测图像对应的目标梯田像素概率分布，并根据所述目标梯田像素概率分布从所述待测图像中提取所有的梯田地块。

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江西省科技基础条件平台中心(江西省计算中心)，其通讯地址为：330000 江西省南昌市井冈山大道1416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”。