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！

龙图腾网获悉北京理工大学申请的专利一种基于遥感数据的铁路外部环境隐患智能检测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：CN115497004B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202211054599.8，技术领域涉及：G06V20/13；该发明授权一种基于遥感数据的铁路外部环境隐患智能检测提取方法是由金伟其;李颖婕;裘溯;左东升;郭宏设计研发完成，并于2022-08-31向国家知识产权局提交的专利申请。

本一种基于遥感数据的铁路外部环境隐患智能检测提取方法在说明书摘要公布了：本发明公开的一种基于遥感数据的铁路外部环境隐患智能检测提取方法，属于铁路安全及遥感图像处理技术领域。本发明利用高分辨率遥感数据优势，结合深度学习设计铁路外部环境隐患提取模型，结合阶段特征增强模块提高隐患提取的完整性；结合特征加权对齐融合模块对多级隐患特征对齐并自适应加权融合；在提取掩膜生成阶段，以包含丰富细节的低维高分辨率铁路外部环境隐患特征图为引导图像，使用引导滤波优化隐患掩膜边缘；使用知识蒸馏方法减小模型体积；将铁路外部环境隐患提取结果与地理信息系统结合，获取外部环境隐患风险等级、站段分布信息，实现铁路外部环境隐患目标检测提取和信息统计与追踪，降低铁路外部环境隐患，提高铁路运行的安全性。

本发明授权一种基于遥感数据的铁路外部环境隐患智能检测提取方法在权利要求书中公布了：1.一种基于遥感数据的铁路外部环境隐患智能检测提取方法，其特征在于：包括如下步骤， S1：获取用于训练铁路外部环境隐患提取模型的铁路沿线多维、多源、多期原始高分辨率遥感数据，采集用于训练铁路外部环境隐患提取模型的高分辨率遥感数据，对高分辨率遥感数据进行预处理，融合多波段遥感影像并进行超分辨率重建，得到预处理和增强后的高分辨率遥感数据； S2：对S1获取的预处理和增强后的高分辨率遥感数据，根据铁路外部环境隐患的光谱特征、几何特征、和分布特点，标注遥感数据中的铁路外部环境隐患目标，对标注后的高分辨率遥感数据划分训练数据与测试数据，将训练数据与测试数据裁剪成统一大小的图像块，每个图像块同时携带地理信息和裁剪坐标，对训练数据进行几何增广以扩充数据集，得到用于训练和测试铁路外部环境隐患提取模型的训练集和测试集； S3：根据铁路外部环境隐患特点，选择特征提取主干，根据特征提取器提取的多级铁路外部环境隐患特征；设计引入可变形卷积的阶段特征增强模块，自适应地增强不同级铁路外部环境隐患特征；设计特征加权对齐融合模块，对齐不同级特征图，并采用门控机制筛选多级铁路外部隐患特征图中有效的隐患特征并加权融合；由上下文感知的掩膜生成模块生成铁路外部环境隐患提取的掩膜，以低级铁路外部环境隐患特征图为引导图像，引导铁路外部环境隐患提取的掩膜边缘细化，完善边缘和细节信息，构建铁路外部环境隐患提取模型，并构建损失函数，设置学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法、迭代次数；使用S2获取的训练集训练铁路外部环境隐患提取模型，得到训练后的铁路外部环境隐患提取模型，即实现铁路外部环境隐患提取模型构建与训练； 步骤S3实现方法为， S31：根据铁路外部环境隐患特点，选择铁路外部环境隐患特征提取主干，搭建提取铁路外部环境隐患多级特征的主干网络，主干网络包括m个特征提取阶段，随主干网络加深，铁路外部环境隐患特征图分辨率逐渐降低；使用在公开数据集上训练的权重初始化特征提取主干；将S2获取的铁路外部环境隐患训练集数据输入主干网络提取多级铁路外部环境隐患特征图，主干网络每个阶段输出一级特征图，则主干网络输出的多级铁路外部环境隐患特征图集合为[S0,S1,...,Sm-1]； S32：根据S31所构建的特征提取主干提取的多级铁路外部环境隐患特征，设计引入可变形卷积的阶段特征增强模块，自适应地增强不同级铁路外部环境隐患特征，构建阶段特征增强模块；该模块以S31获取的多级铁路外部环境隐患特征图为输入，包括两个并行分支，其中，一个分支使用全局平均池化对铁路外部环境隐患特征图进行空间压缩，再依次通过卷积层、ReLU激活函数和卷积层得到铁路外部环境隐患特征在通道维度上的权重向量，sigmoid函数将权重向量值压缩到[0,1]范围，并与输入的铁路外部环境隐患特征图相乘，得到通道特征增强后的铁路外部环境隐患特征图FCA，表示为： 其中S表示输入的铁路外部环境隐患特征图，GGAP·表示全局平均池化，Gconv·表示卷积层，GReLu·表示ReLU激活函数，δ·表示sigmoid函数，表示对应像素相乘； 另一个分支将输入的铁路外部环境隐患特征图通过卷积对通道降维，经过可变形卷积块和卷积得到铁路外部环境隐患特征在空间维度上的权重向量，由sigmoid函数将权重向量值压缩到[0,1]范围，并与输入的铁路外部环境隐患特征图相乘，得到空间特征增强后的铁路外部环境隐患特征图FSA，表示为： Gdeformblock＝GReLuGBNGdeformconv·3 其中Gdeformblock·表示可变形卷积块，GBN·表示批归一化层，Gdeformconv·表示可变形卷积层； 将通道和空间特征增强后的铁路外部环境隐患特征图FCA与FSA沿通道维连接后，经过卷积块对通道降维，再经过的可变形卷积块，得到自适应增强的铁路外部环境隐患特征Fenhance，表示为： 其中Gconvblock·表示卷积块，表示通道维连接； 主干网络输出的多级铁路外部环境隐患特征图分别输入阶段特征增强模块，得到增强后特征集合[F0,F1,...,Fm-1]； S33：对于S32所获取的特征增强后的铁路外部环境隐患特征图，设计特征加权对齐融合模块，自上而下地逐级对齐不同级特征图，并采用门控机制筛选多级铁路外部隐患特征图中有效的隐患特征并加权融合，特征加权对齐融合模块从最高级铁路外部隐患特征图起，以相邻两级铁路外部隐患特征图为输入，输出聚合后特征图，再以聚合后特征与下一级特征图为输入，得到新的聚合后特征图，以此方式逐级聚合，最后得到聚合了所有多级铁路外部隐患特征图的融合了多尺度铁路外部环境隐患目标特征的特征图； S34：根据S33所获取的融合了多尺度铁路外部环境隐患目标特征的特征图A0，构建上下文感知的掩膜生成模块生成铁路外部环境隐患提取的掩膜，并以低级铁路外部环境隐患特征图为引导图像，引导铁路外部环境隐患提取的掩膜边缘细化，完善边缘和细节信息特征；以S33所获取的融合了多尺度铁路外部环境隐患目标特征的特征图A0为输入，经过2次卷积与上采样的组合处理，将分辨率提高至与铁路外部环境隐患提取模型的输入图像相同，最后通过一个卷积块输出通道维数与类别数相同的铁路外部环境隐患检测提取掩膜P∈RN ×H×W，N为隐患类别数，每个通道代表一类隐患目标，隐患目标以像素级标记的形式体现在输出结果中； P＝GconvblockGUpsampleGconvblockGUpsampleGconvblockA08 将S31中获取的低级铁路外部环境隐患特征图S0经过卷积降维，并作为引导图像，使用引导滤波对铁路外部环境隐患检测提取掩膜P边缘细化，完善边缘和细节信息特征，得到边缘细化后的铁路外部环境隐患提取结果E； S35：构建损失函数，使用S2获取的训练集训练铁路外部环境隐患提取模型，训练过程中，输出结果与标签图采用focalcross-entropy损失作为损失函数，具体表示为： L＝-α1-ptγlogpt9 其中pt为样本预测概率，α为类别权重用以解决类别不平衡问题，γ为可聚焦因子，用以调节模型对困难样本的聚焦度； 设置学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法、迭代次数；使用随机梯度下降更新模型参数，迭代至损失值不再下降，得到训练后的铁路外部环境隐患提取模型，即实现铁路外部环境隐患提取模型构建与训练； S4：使用知识蒸馏方法对S3获取的训练后的铁路外部环境隐患提取模型进行压缩，以S3设计的铁路外部环境隐患提取模型为教师模型，训练具有相同铁路外部环境隐患提取能力的学生模型； S5：使用S4获取的压缩后的铁路外部环境隐患提取模型对S2获取的测试集中的测试数据生成铁路外部环境隐患掩膜，得到铁路外部环境隐患提取结果掩膜； S6：根据铁路外部环境隐患对S5获取的铁路外部环境隐患目标掩膜后处理，将掩膜拼接，并去除面积小于预定阈值的掩膜连通域，再将铁路外部环境隐患目标掩膜与遥感数据地理信息结合，生成带有地理信息的铁路外部环境隐患目标矢量掩膜文件； S7：将铁路外部环境隐患提取结果与地理信息系统结合，统计隐患目标的类型、数量、面积、位置信息；结合铁路轨道地理位置信息，根据隐患目标与轨道间距离，对隐患目标划分风险等级，并根据站段地理信息按站段统计隐患目标信息，获取铁路外部环境隐患风险等级、站段分布信息，结合S1获取的铁路沿线多维、多源、多期原始高分辨率遥感数据进行隐患可视化； S8：定期更新遥感数据，并重复S5-S7，统计铁路外部环境隐患变化信息。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。