Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜哈尔滨航天恒星数据系统科技有限公司姜星宇获国家专利权

恭喜哈尔滨航天恒星数据系统科技有限公司姜星宇获国家专利权

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!

龙图腾网恭喜哈尔滨航天恒星数据系统科技有限公司申请的专利一种耦合多尺度卷积与双分支网络的芒果单木提取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:CN119091304B

龙图腾网通过国家知识产权局官网在2025-05-16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:202411234280.2,技术领域涉及:G06V20/10;该发明授权一种耦合多尺度卷积与双分支网络的芒果单木提取方法是由姜星宇;潘拓;王涛;翟建宝;王振宇设计研发完成,并于2024-09-04向国家知识产权局提交的专利申请。

一种耦合多尺度卷积与双分支网络的芒果单木提取方法在说明书摘要公布了:一种耦合多尺度卷积与双分支网络的芒果单木提取方法,属于单木图像分割技术领域。为在芒果树单木冠层识别中克服复杂场景,本发明包括构建共享模块提取输入数据的浅层特征与次浅层特征;构建语义分割分支,应用膨胀增强多尺度骨干网络特征提取模型D_E_MCAN对次浅层特征提取多尺度语义特征,结合损失函数,得到预测语义分割结果;构建边缘检测分支,将浅层特征与多尺度语义特征进行异化、拼接为边缘特征,结合二元交叉熵损失函数,得到预测边缘掩膜;构建边缘检测‑语义分割双分支模型D_E_BSNet,应用双分支特征融合模块AFD融合多尺度语义特征与边缘特征,结合构建的总体损失函数,得到最终融合特征预测掩膜。本发明精确提取。

本发明授权一种耦合多尺度卷积与双分支网络的芒果单木提取方法在权利要求书中公布了:1.一种耦合多尺度卷积与双分支网络的芒果单木提取方法,其特征在于,包括如下步骤:S1.选取具备复杂情景的芒果林木的无人机影像,对芒果单株冠层进行面绘制,制作复杂情景下芒果单株冠层标签;S2.对步骤S1选取的无人机影像,应用指数计算进行特征升维,得到多特征影像;S3.对步骤S2得到的多特征影像,应用主成分分析法进行数据降维后,与步骤S1绘制的标签组成影像-标签对,切割为512×512大小,得到输入数据,构建模型的输入数据集;S4.构建共享模块Share_Stem,应用轻量主干第一模块、轻量主干第二模块提取步骤S3的输入数据的浅层特征与次浅层特征;步骤S4构建共享模块Share_Stem的方法为应用两个改进的轻量主干MobileNetV3初始模块先后连接,轻量主干第一模块M1提取的浅层特征F1将输入边缘检测分支,轻量主干第二模块M2提取的次浅层特征F2将输入语义分割分支;得到的共享模块Share_Stem,为两个步长为2、padding为1的3×3卷积层+批归一化层+HSigmoid激活层,表达式如下:F1=σBatchNormConv3×3IF2=σBatchNormConv3×3F1其中,BatchNorm为批归一化,σ为HSigmoid激活层;S5.构建语义分割分支,应用膨胀增强多尺度骨干网络特征提取模型D_E_MCAN,对步骤S4得到的次浅层特征提取多尺度语义特征,结合损失函数,得到预测语义分割结果;步骤S5的具体实现方法包括如下步骤:S5.1.构建增强型多尺度卷积注意力机制E_MCA注意力模块,E_MCA注意力模块的数学表达式为: 其中,x为输入特征;Conv1×1为1×1卷积;DWConv5×5为x初始进行的5×5深度卷积;DWConv为深度卷积;i∈{0,1,2,3,4,5},Scale0为恒等连接,其他为第i个分支,分支分别是核大小为3、7、11、17、21的深度卷积,用深度条带卷积代替大核卷积,E_MCAatt为E_MCA注意力,是逐元素矩阵乘法运算;S5.2.应用步骤S5.1的E_MCA注意力模块,构建空间注意力机制E-MCASpatial注意力模块,表达式为: 其中,GELU为激活函数;S5.3.应用步骤S5.2构建的空间注意力机制E-MCASpatial注意力模块构建基础构造块E_MCABlock,应用两层残差连接,表达式为: 其中,BatchNorm为批归一化,E_MCAspa_att为步骤S5.2构建的空间注意力机制E-MCASpatial注意力模块,layer_scale为层缩放因子,初始值为1e-2,drop_path为层正则化;第二次残差连接将E_MCAspa_att替换为MLP多层感知模块,表达式为: 其中,y'out为上一步输出特征、这一步的输入特征;MLP为多层感知模块,layer_scale为层缩放因子,初始值为1e-2,drop_path为层正则化;S5.4.构建骨干网络D_E_MCAN,包括一个层次结构,该结构包括四个阶段,每一级都包含一个下采样模块和一堆构建模块以及批归一化,第一个阶段,初始下采样模块为初始Stem部分,使用步骤S4构建的Share_Stem提取次浅层特征F2;第二个阶段-第四个阶段,下采样模块参考ViT架构的stem部分并采用重叠的补丁OverlapPatchEmbed模块,第二个阶段-第四个阶段分别在下采样模块后接2、4、2个E_MCABlock构成块;S5.5.构建语义分割分支,应用步骤S5.4构建的D_E_MCAN作为模型主干网络,语义分割分支提取到的特征Fs公式如下;Fs=SF2其中,S为语义分割分支;并应用一个1×1的2d卷积制作一个简单的分类头,预测语义分割结果Sm;S5.6.构建语义分割分支使用的Dice损失函数LDice,表达式为: LDice=1-Dice其中,Dice为集合相似度度量函数;S6.构建边缘检测分支,将步骤S4得到的浅层特征与步骤S5得到的多尺度语义特征进行异化、拼接为边缘特征,结合二元交叉熵损失函数,得到预测边缘掩膜;步骤S6的具体实现方法包括如下步骤:S6.1.构建边缘检测分支,将步骤S4.1所述浅层特征F1与步骤S5所述语义分割分支骨干网络中层次结构的四个阶段提取的特征,先分别送入3×3卷积层、组归一化层和GELU层,将语义特征异化为边缘特征;采用双线性插值对多尺度边界特征进行上采样并连接到一起,应用一个1×1的2d卷积制作一个简单的分类头,作为预测边缘检测结果用;边缘检测分支提取的特征Fb的表达式为: 其中,FS_multi-scale为语义分割网络提取的多尺度特征,Conv3×3为3×3卷积,Upsample为双线性插值上采样,Concat为拼接;S6.2.设置步骤S6中所述的二元交叉熵损失函数Lbce为: 其中:N为N个样本,yi是第i个样本真实标签,取值0或1,是模型预测的第i个样本概率,取值[0,1];应用一个简单的1×1卷积分类头预测步骤S6中所述的预测边缘掩膜Bm;S7.构建边缘检测-语义分割双分支模型D_E_BSNet,应用双分支特征融合模块AFD融合步骤S5得到的多尺度语义特征与步骤S6得到的边缘特征,结合构建的总体损失函数,得到最终融合特征预测掩膜;步骤S7的具体实现方法包括如下步骤:S7.1.构建双分支特征融合模块主动融合解码器连接步骤S5构建的语义分割分支和步骤S6构建的边缘检测分支,用以融合步骤S5提取到的语义特征Fs与步骤S6提取到的边缘特征Fb,生成融合特征用以实现最终预测掩膜Fm;对于双分支特征融合模块,双分支特征在这一模块中进行以下步骤:双分支特征首先进行全局平均池化,是将语义特征与边缘特征进行融合,再经过一个多层感知模块后,得到语义注意力和边缘注意力,将二者进行通道级拼接得到融合注意力表达式为: 基于多头注意力机制,分为H组后进行线性投影计算获得查询向量q、键向量k和值向量v,计算得到关联矩阵A,A矩阵中的第i行第j列计算值Ai,j如下,应用v与Ai,j相乘,得到融合权重矩阵wi,表达式为: wi=Avi再通过通道级拼接的逆运算,将其分为语义分支权重向量ws_att和边缘分支权重向量wb_att,应用残差连接后相加,得到融合特征Ff,融合特征后连接一个1×1卷积作为分类头,得到最终的语义分割预测图Fm,表达式为:Ff=1+ws_attFs+1+wb_attFbS7.2.设置步骤S7的正则化损失函数应用双向一致性损失函数,包含边界到语义一致性损失函数与语义到边界一致性损失函数;S7.3.设置语义到边界一致性损失函数的计算步骤为:设置3×3核大小的sobel边缘检测算子C,分别在融合语义预测图Fm上进行X轴与Y轴上滑动卷积操作,使得对于边缘一侧的像素赋予较高的正值权重,对另一侧赋予较低的负值权重,而中心像素权重为0,以检测图像强度急剧变化的边界,计算出X方向与Y方向的梯度后,计算两个梯度分量的绝对值之和作为伪语义边界预测,平均绝对损失用于监督伪语义边界,表达式为:bps=max||C⊙Fm|| 其中,max为最大值,⊙为滑动操作,||||为绝对值,bps为算子滑动生成的伪边缘标签,为真实语义边界标签;S7.4.为保持主体与边界之间的语义一致性,制定边界到语义一致性损失函数,计算步骤如下;计算边界到语义一致性损失函数,如下式: 为语义真实标签,其中c和p为遍历类别和像素,标记边界预测图b上的地面真实像素和高置信度像素,∈是置信度阈值,选取0.8;S7.5.正则化函数为边界到语义一致性损失函数与语义到边界损失函数的和,表达式为: S7.6.增强型边缘检测-语义分割双分支膨胀卷积网络D_E_BSNet至此组装完成,总体的损失函数公式为: 形如带有上标的符号为对应的真实值标签,λ1、λ2是控制分类损失和双任务正则化权重的超参数,均设置为1;S7.7.应用一个简单的1×1分类头做整体的最终预测掩膜Fm;S8.将步骤S3得到的输入数据集,输入到步骤S7构建的边缘检测-语义分割双分支模型中进行训练,得到最优的芒果单株冠层识别模型;S9.利用步骤S8得到的最优芒果单株冠层识别模型,进行目标区域的芒果冠层提取。

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哈尔滨航天恒星数据系统科技有限公司,其通讯地址为:150028 黑龙江省哈尔滨市高新技术产业开发区科技创新城创新路1616号5号楼;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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。