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！

龙图腾网获悉长江空间信息技术工程有限公司(武汉);中国三峡建工(集团)有限公司;国家能源集团江西电力有限公司万安水力发电厂;恩施清江大龙潭水电开发有限公司申请的专利一种基于深度学习的遥感影像河湖岸线智能监测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：CN115331102B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202210908207.3，技术领域涉及：G06V20/10；该发明授权一种基于深度学习的遥感影像河湖岸线智能监测方法是由罗爽;伍中华;罗兵;黄涛;杨建林;廖东晓;王成;雷苏琪;龚武;戴林;朱和平;陈旭设计研发完成，并于2022-07-29向国家知识产权局提交的专利申请。

本一种基于深度学习的遥感影像河湖岸线智能监测方法在说明书摘要公布了：本发明公开了一种基于深度学习的遥感影像河湖岸线智能监测方法。它包括如下步骤：步骤1：针对河湖岸线监测涉及的典型地物制作多源异构遥感解译样本集；步骤2：将深度学习模型应用于河湖岸线监测；构建多尺度深度卷积神经网络，并根据具体任务需求设计模型损失函数；步骤3：深度学习模型训练；步骤4：采用分块处理策略进行大场景影像数据处理；步骤5：进行解译结果后处理；步骤6：发展基于迁移学习的模型泛化；通过发展联合迁移学习的多源遥感影像智能解译处理策略，实现智能解译模型从源域到目标域的有效迁移，提升模型的泛化能力。本发明方法具有能准确地识别出河湖岸线典型地物、计算效率高、泛化能力强的优点。

本发明授权一种基于深度学习的遥感影像河湖岸线智能监测方法在权利要求书中公布了：1.一种基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：包括如下步骤： 步骤1：制作多源异构遥感解译样本集； 结合已开展工程项目涉及到的历史影像与解译成果，对遥感影像河湖岸线监测典型地物类别进行数据采集和样本制作，构建得到包含十万量级的大规模不同传感器、不同分辨率、不同地物要素的多源异构遥感解译样本集产品，并划分为训练数据和测试数据； 步骤2：将深度学习模型应用于河湖岸线监测； 构建多尺度深度卷积神经网络模型，并根据具体任务需求设计模型损失函数，主要包括多尺度编码-解码结构、编码-解码堆叠结构、二值交叉熵损失函数； 在所述步骤2中，多尺度深度卷积神经网络模型为对称式U型网络结构，先通过编码方式进行下采样，提取高维抽象特征，再通过解码方式进行上采样，恢复影像尺寸，得到精细解译结果； 引入编码-解码堆叠结构来同时集成低维空间信息和高维语义信息，对于每个对称的卷积-反卷积对，卷积层的特征均堆叠到反卷积层上，从而提供了更详细的地物信息；其中，网络结构中的池化处理采用最大池化，根据经验选择池化核大小为2×2，步长为2，公式为： 其中，表示与第k个特征图有关的在矩形区域Rij的最大池化输出值，表示矩形区域Rij中位于p,q处的元素； 激活函数为非线性激活单元ReLU，在0和像元值x之间取最大值，公式为： fx＝max0,x 该深度学习模型的损失函数为二值交叉熵，公式为： 其中，是网络预测的置信度，用于衡量像素属于该地物的概率；yi是真实值，其中识别对象和非识别对象分别赋值为1和0；i表示每个像素的索引；N表示总像素数； 步骤3：深度学习模型训练； 对步骤1构建的训练数据进行数据增强，并输入到步骤2构建的深度学习模型中进行训练，采用随机梯度下降算法和反向传播算法进行模型参数的更新优化； 步骤4：深度学习模型测试； 将步骤1构建的大场景遥感影像测试数据输入步骤3训练得到的网络模型中，采用分块处理策略得到输出的大场景概率图，并采用阈值分割方式得到初步提取的二值化结果； 步骤5：进行解译结果后处理； 采用形态学后处理对步骤4提取结果加以优化，并对优化结果添加地理坐标信息和进行栅格-矢量转换得到最终的河湖岸线监测解译成果； 步骤6：发展基于迁移学习的模型泛化； 通过发展联合迁移学习的多源遥感影像智能解译处理策略，实现智能解译模型从源域到目标域的有效迁移，提升智能解译模型的泛化能力。

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江空间信息技术工程有限公司(武汉);中国三峡建工(集团)有限公司;国家能源集团江西电力有限公司万安水力发电厂;恩施清江大龙潭水电开发有限公司，其通讯地址为：430010 湖北省武汉市汉口解放大道1863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。