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！

龙图腾网获悉长沙理工大学申请的专利基于深度学习的SAR图像地震滑坡边界探测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：CN116246066B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202211675341.X，技术领域涉及：G06V10/26；该发明授权基于深度学习的SAR图像地震滑坡边界探测方法及系统是由陈立福;李曾琦;李振洪;宋闯;蔡兴敏;袁志辉;方震寰;金昱忱设计研发完成，并于2022-12-26向国家知识产权局提交的专利申请。

本基于深度学习的SAR图像地震滑坡边界探测方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的SAR图像地震滑坡边界探测方法及系统，本发明方法包括输入滑坡前后的两幅SAR影像生成归一化均值比图，并进行上采样后输入预先训练好的基于深度学习的滑坡探测网络模型进行滑坡提取再进行边界提取得到滑坡边缘探测结果；滑坡探测网络模型包括编码器和解码器，编码器包括主干网络和坐标注意力空洞空间金字塔模块，解码器包括注意力调节模块和多尺度特征融合重采样模块。本发明能够实现对大规模地震滑坡边界进行快速、高精度、自动化检测，而且能够实现针对不同地震类型和不同规模地震滑坡的检测。

本发明授权基于深度学习的SAR图像地震滑坡边界探测方法及系统在权利要求书中公布了：1.一种基于深度学习的SAR图像地震滑坡边界探测方法，其特征在于，包括： S101，输入滑坡前后的两幅SAR影像； S102，根据滑坡前后的两幅SAR影像生成归一化均值比图，并进行上采样； S103，将上采样后的归一化均值比图输入预先训练好的基于深度学习的滑坡探测网络模型进行滑坡提取，再对滑坡提取结果进行边界提取得到滑坡边缘探测结果；所述滑坡探测网络模型包括编码器和解码器，编码器包括主干网络和坐标注意力空洞空间金字塔模块CAASP，解码器包括注意力调节模块AMM和多尺度特征融合重采样模块MFFRM；主干网络针对输入的归一化均值比图提取多个层级的特征，最末层级的特征送入坐标注意力空洞空间金字塔模块CAASP以提取高级特征，指定中间层级的特征送入注意力调节模块AMM以提取低级特征，并通过多尺度特征融合重采样模块MFFRM将高级特征、低级特征融合得到滑坡提取结果； 步骤S102中生成归一化均值比图的函数表达式为： ， 上式中，为归一化均值比图的像素点的值，、分别为滑坡前后的两幅SAR影像中像素i,j的平均强度，为取较小值操作； 所述坐标注意力空洞空间金字塔模块CAASP包括全局平均池化模块GAP、注意力模块CA和多个采样率不同的空洞卷积，所述主干网络输出的最末层级的特征分别并行通过多个采样率不同的空洞卷积以从不同感受野上捕捉图像的上下文信息得到的特征图X∈RH×W×C，再将得到的特征图X分别送入注意力模块CA获取注意力增强后的特征图，所述主干网络输出的最末层级的特征图还同时输入全局平均池化模块GAP降采样处理以在保留输入图像的空间结构信息的同时提高网络泛化能力以及防止过拟合，且所述注意力模块CA输出的注意力增强后的特征图与全局平均池化模块GAP的输出特征图叠加构成了坐标注意力空洞空间金字塔模块CAASP的输出特征图，其中H、W、C分别表示特征图X的高、宽和通道数； 所述多尺度特征融合重采样模块MFFRM将高级特征、低级特征融合得到滑坡提取结果包括： S301，将输入的高级特征通过1×1卷积调整通道数作为高级输入特征；将高级输入特征通过1×1卷积和上采样，再与来自特征输入的低层特征通过1×1卷积进行通道压缩得到相同通道数的特征图拼接得到拼接特征； S302，将拼接特征通过3×3卷积得到语义流场，其中和分别表示语义流场的高度和宽度； S303，将高级输入特征和语义流场进行特征对齐，再将对齐后的特征与低层特征相加得到特征； S304，将特征通过3×3卷积层进行特征细化，再进行双线性插值4倍上采样得到滑坡提取结果，所述滑坡提取结果为二值图，二值图中只包含两类像素值，滑坡区域的像素值为1，背景区域的像素值为0。

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长沙理工大学，其通讯地址为：410114 湖南省长沙市天心区万家丽南路二段960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。