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！

龙图腾网获悉北京遥测技术研究所申请的专利微波激光复合雷达云识别方法及计算机程序产品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：CN120047820B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202411989782.6，技术领域涉及：G06V20/10；该发明授权微波激光复合雷达云识别方法及计算机程序产品是由郭畅;王丽东;李静;江柏森设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本微波激光复合雷达云识别方法及计算机程序产品在说明书摘要公布了：微波激光复合雷达云识别方法及计算机程序产品，基于迁移学习和R‑FCN网络，去除地杂波将微波雷达的地面杂波造成的噪声剔除；利用迁移学习、R‑FCN算法构建深度学习模型，输入微波雷达、激光雷达回波图像，模型中优化使用注意力机制实现自适应特征提取，在RPN网络基础上引入多尺度特征金字塔，增强对不同尺度云区的识别检测能力。利用云边界自检、云特征标记、初匹配以及联合反演云边界实现微波雷达、激光雷达云识别的单一结果联合反演，得到复合识别云区。具备在多层云等复杂大气条件下以及设备噪声干扰下云识别功能，反演结果准确，对地杂波、白天背景噪声不敏感，充分集成了激光雷达对于薄卷云云区和云底的识别优势以及微波雷达识别云顶优势。

本发明授权微波激光复合雷达云识别方法及计算机程序产品在权利要求书中公布了：1.微波激光复合雷达云识别方法，其特征在于，包括： S1、对微波雷达工作获得的反射率因子图像和线性退极化比，对反射率因子图像和线性退极化比去除地杂波，获得有效的反射率因子图像和有效的线性退极化比； 所述对反射率因子图像和线性退极化比去除地杂波，包括： 其中，为线性退极化比；Z为反射率因子； S2、利用激光雷达采集并经过距离校正获得距离校正信号图像； S3、根据距离校正信号图像和有效的反射率因子图像，采用基于迁移学习和区域全卷积R-FCN网络的云识别算法，以定位和识别云区，获得云区在反射率因子图像、距离校正信号图像上的精确位置； 所述基于迁移学习和区域全卷积R-FCN网络的云识别算法包括：S2获得的距离校正信号图像和S1获得的有效的反射率因子图像通过训练好的R-FCN网络模型生成多个位置敏感分数图，对每一个位置敏感分数图进行分类投票，得到距离校正信号图像和有效的反射率因子图像上云区的精确位置；对距离校正信号图像和有效的反射率因子图像上的云区进行形态学处理，获得对距离校正信号图像和有效的反射率因子图像上云区的准确形态； 所述训练好的R-FCN网络模型通过以下方式获得： 将反射率因子图像、距离校正信号图像作为数据集，对图像中的云区进行手动定位标注，得到数据集； 采用迁移学习的方法将公开数据集迁移到数据集中； 将数据集分为训练集和测试集； 建立R-FCN网络模型，R-FCN网络模型包括特征提取网络模块、区域生成网络模块和感兴趣区域子网模块；特征提取网络模块用于根据反射率因子图像和或距离校正信号图像，分别生成对应的卷积特征图；区域生成网络模块用于在卷积特征图生成云区定位，获得带有云区定位的卷积特征图；感兴趣区域子网用于利用全卷积层对将带有云区定位的卷积特征图和多层卷积核进行运算生成多个位置敏感分数图； 对R-FCN网络模型配置训练参数，训练参数包括迭代次数、数据集类别和初始学习率； 将训练集作为输入，损失函数根据并使用，带有云区定位的卷积特征图、与该带有云区定位的卷积特征图对应的数据集中的反射率因子图像和时间或高度距离校正信号图像，获得评估结果，然后根据评估结果进行R-FCN网络模型的训练参数更新，直到评估结果满足要求，得到训练好的R-FCN网络模型； S4、云边界自检，在反射率因子图像中，判别云区的云底和云顶是否成对，去掉不成对存在的坏值，保留成对的云顶和云底边界，一组成对的云顶和云底边界作为一个云信息；在距离校正信号图像中，判别云区的云底和云顶是否成对，去掉不成对存在的坏值，保留成对的云顶和云底边界，一组成对的云顶和云底边界作为一个云信息； S5、云特征标记，根据反射率因子图像和时间和高度距离校正信号图像的时间和高度，将反射率因子图像中的云信息与高度距离校正信号图像中的云信息进行一一匹配对应，根据匹配对应情况确定保留的云信息，得到最终云信息。

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遥测技术研究所，其通讯地址为：100076 北京市丰台区9200信箱74分箱；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。