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！

龙图腾网获悉北华航天工业学院申请的专利一种基于卷积神经网络的多光谱影像针叶林树种分类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：CN119904701B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202510320627.3，技术领域涉及：G06V10/764；该发明授权一种基于卷积神经网络的多光谱影像针叶林树种分类方法是由高凌寒;蔡玉顺;贾翠;刘晓乐;王惯星;田颖设计研发完成，并于2025-03-18向国家知识产权局提交的专利申请。

本一种基于卷积神经网络的多光谱影像针叶林树种分类方法在说明书摘要公布了：本发明公开了一种基于卷积神经网络的多光谱影像针叶林树种分类方法，涉及树种识别技术领域，该方法包括步骤：收集树种多光谱影像，构建树种多光谱影像数据集，并对所述树种多光谱影像数据集进行加权主成分分析和数据增强处理；以U‑Net模型为架构，利用深度卷积与连续扩张率的空洞卷积相结合的方式，应用LeakyReLU激活函数，并在跳跃路径上添加了多头交叉注意力机制，构建树种分类模型；利用处理后的数据集，通过混合损失函数和Adam优化器优化树种分类模型参数；基于所述树种分类模型，进行针叶林树种分类。本发明利用深度卷积与连续扩张率的空洞卷积相结合的方式，提高了对复杂树种特征的学习和分类能力。

本发明授权一种基于卷积神经网络的多光谱影像针叶林树种分类方法在权利要求书中公布了：1.一种基于卷积神经网络的多光谱影像针叶林树种分类方法，其特征在于：该方法包括步骤： S1、收集树种多光谱影像，构建树种多光谱影像数据集，并对所述树种多光谱影像数据集进行加权主成分分析和数据增强处理； 所述树种多光谱影像的原始像素值矩阵X=xij，其中，xij表示为第i个像素点的第j个波段上的像素值；i=1,2,…,n；i表示为样本数，即像素点，n表示为样本总数，j=1,2,…,p；j表示为波段数，p表示为波段总数； 对所述树种多光谱影像进行标准化处理，消除不同波段之间由于量纲引起的差异，公式如下： ； 其中，zij表示为标准化处理后的像素值矩阵；表示为第j个波段数据的均值；sj表示为第j个波段数据的标准差； 设置权重向量w=w1,w2,…,wp，并给近红外波段赋予更高的权重，有效突出树种信息； 基于所述标准化处理和所述权重向量，获得协方差矩阵C；所述协方差矩阵反映不同波段之间的相关性以及各波段数据的离散程度； 基于所述协方差矩阵C，获得特征值λ1,λ2,…,λp和对应的特征向量v1,v2,…,vp；其中，特征值表示了对应主成分包含的原始数据信息； 基于所述特征值的大小进行降序排序，选取前m个较大特征值对应的特征向量v1,v2,…,vm；其中，m为正整数且m≤p； 基于所述标准化处理后的像素值矩阵zij和选取的特征向量矩阵V=v1,v2,…,vm，获得加权主成分矩阵； 所述加权主成分矩阵，每一列数据即为经过加权主成分分析后提取的针叶林树种特征； S2、以U‑Net模型为架构，利用深度卷积与连续扩张率的空洞卷积相结合的方式，应用LeakyReLU激活函数，并在跳跃路径上添加了多头交叉注意力机制，构建树种分类模型； 所述树种分类模型以U‑Net模型为架构，所述U‑Net模型包括编码器、解码器、跳跃连接和最终卷积层； 所述编码器由第一个卷积块、第二个卷积块、第三个卷积块、第四个卷积块和瓶颈卷积块组成，用于对输入图像进行下采样，提取特征； 所述解码器由第一个上采样块、第二个上采样块、第三个上采样块和第四个上采样块组成，用于将编码器输出的特征图上采样至更大的空间尺寸； 所述跳跃连接，将编码器和解码器的对应块进行连接，将相同尺寸的特征图进行拼接，有效地结合不同尺度的特征信息，提高了分割的准确性；并在所述跳跃连接路径上，添加多头交叉注意力机制； 所述多头交叉注意力机制，通过并行计算多个注意力头来捕捉不同的特征子空间； 所述最终卷积层，利用1×1卷积核将特征图通道数减少到所需的输出通道数； S3、利用处理后的数据集，训练并使用Adam优化器优化树种分类模型； S4、基于所述树种分类模型，进行针叶林树种分类。

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华航天工业学院，其通讯地址为：065000 河北省廊坊市广阳区爱民东道133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”。

以上内容由龙图腾AI智能生成。