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！

龙图腾网获悉东华理工大学南昌校区申请的专利一种基于深度学习的芡实中药材遥感识别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：CN121354094B 。

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：202511905790.2，技术领域涉及：G06V20/68；该发明授权一种基于深度学习的芡实中药材遥感识别方法是由黄端;张熔龙;惠振阳;贺前钱;常永雷设计研发完成，并于2025-12-17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芡实中药材遥感识别方法在说明书摘要公布了：本发明涉及遥感影像处理技术领域，具体涉及一种基于深度学习的芡实中药材遥感识别方法，包括获取数据、提取特征、构建优选特征集、构建卷积神经网络模型和模型训练。本方法能够以较高精度区分具有高度光谱相似性的作物，且全流程自动化，在物候特征提取、特征优选和智能解译过程中均无需人工干预，避免了人工经验带来的主观偏差，且与人工辅助方法相比，整体处理效率也有所提高，可快速推广至大范围区域的自动化解译；同时兼容光学与雷达多源数据，能够在光学影像受云雨干扰或作物地块破碎化严重的情况下，依然保持较高的分类精度，显著提升复杂场景下的适用性。

本发明授权一种基于深度学习的芡实中药材遥感识别方法在权利要求书中公布了：1.一种基于深度学习的芡实中药材遥感识别方法，其特征在于，包括如下步骤： 步骤1、获取影像数据，并对影像数据进行预处理，得到预处理后的数据；所述影像数据包括光学遥感影像数据与雷达遥感影像数据的多时相数据；获取地面样本数据，包括样本点以及地类类型；其中，样本点包括芡实样本点和易混淆地类样本点； 步骤2、提取光学特征和雷达极化特征，将获取的多时相数据按月份进行分组，对每个月内的所有有效影像应用月中值合成方法，对光学特征及雷达极化特征进行合成运算，得到以月份为单位的特征序列，构建多维时序特征集作为初始特征集； 步骤3、对初始特征集中各个特征的时序曲线进行分析和对比，结合芡实在生长周期和冠层演替上的特异性，根据特征值的相对变化规律，识别出芡实与易混淆地类特征差异最显著的时序阶段，确定为关键物候窗口，并基于关键物候窗口构建优选特征集； 步骤4、构建卷积神经网络模型，其中，所述卷积神经网络模型包括输入层、特征提取层、全局平均池化层和输出层； 输入层：将优选特征集按H×W×C的多通道矩阵输入，其中H和W为空间维度，C为通道数，即优选特征集中的特征数量； 特征提取层：通过三个卷积块进行提取，每个卷积块包括卷积操作、批归一化以及ReLU激活函数，卷积核的大小为3×3，通道数依次从输入通道扩展至32、64、128； 全局平均池化层：在卷积特征提取完成后，利用全局平均池化将每个通道的H×W特征矩阵降维至1×1，生成128维特征向量； 输出层：包括两个全连接层，先将降维后的特征向量通过第一个全连接层映射至64维，再经过Dropout处理，最后通过第二个全连接层映射至各类别，输出分类结果； 步骤5、将样本点及其邻域像素转为二维数组，并基于优选特征集提取地面样本数据的特征矩阵，随后根据7:3的比例划分为训练集和验证集，将训练集输入卷积神经网络模型，并采用多类别监督学习方式对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；其中，对卷积神经网络模型训练包括： 损失函数设置：选用交叉熵损失函数作为优化目标； 优化器与参数配置：初始学习率设置为0.0001–0.01，训练轮次在50–200轮范围内，在参数更新中引入正则化约束； 学习率调度策略：设置StepLR学习率调度器，训练过程中根据迭代轮次动态衰减学习率。

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东华理工大学南昌校区，其通讯地址为：330013 江西省南昌市经济技术开发区广兰大道418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。