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！

龙图腾网获悉福州大学;福建省地质测绘院(福建省地质科学研究所)申请的专利一种基于地块尺度的农作物遥感智能提取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：CN117132884B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202310849650.2，技术领域涉及：G06V20/10；该发明授权一种基于地块尺度的农作物遥感智能提取方法是由汪小钦;李蒙蒙;黄德华;修晓龙;吴瑞姣;黄姮;朱世勇;陈光剑;黄裕瑶设计研发完成，并于2023-07-12向国家知识产权局提交的专利申请。

本一种基于地块尺度的农作物遥感智能提取方法在说明书摘要公布了：本发明涉及一种基于地块尺度的农作物遥感智能提取方法。首先将高分辨率遥感影像地块提取视为图像语义分割问题，集成卷积神经网络和Transformer网络，构建一个顾及空间细节和远距离上下文语义的神经网络模型；基于提取的精细地块，利用中等分辨率影像构建时序遥感数据集，结合长短期记忆模型和全卷积神经网络模型在时间特征和空间特征上的表征优势，构建一个新的时序深度学习模型用于农作物精准分类。本发明充分利用卷积神经网络、Transformer模型、长短期记忆模型在空间细节、远距离上下文信息建模和时序特征提取方面的优势，通过集成先进的深度网络模型，有效地提取了不同层级的地块图像特征、作物物候特征，实现了地块尺度农作物种植结构的精准分类。

本发明授权一种基于地块尺度的农作物遥感智能提取方法在权利要求书中公布了：1.一种基于地块尺度的农作物遥感智能提取方法，其特征在于，包括如下步骤： 步骤S1、获取研究区的高空间分辨率遥感影像，对影像进行预处理操作，包括正射校正、辐射校正、全色融合、影像裁剪、影像重采样； 步骤S2、构建集成空间细节和远距离上下文语义的深度网络模型，即地块提取模型CLCFormer；具体地，基于双分支网络框架，引入不同类型的特征提取网络，提取不同层级的图像语义特征；其中，特征提取网络分别由擅长局部特征提取的卷积神经网络和擅长远距离全局上下文语义建模的Transformer网络构成；分别选择卷积神经网络EfficientNet-B3和Transformer网络SwinV2-transformer作为双分支架构的特征提取器，以捕捉不同层级M1、M2…Mnn≤4的、有差异的、鲁棒的图像语义特征； 步骤S3、基于专家知识构建注意力机制模块，融合不同层级、有差异的语义特征；具体包括以下步骤： 步骤S31、根据步骤S2获得的多层级特征，基于注意力机制理念，构建双向特征融合模块BiFFM，融合来自于不同分支的有差异的、鲁棒的图像语义； 步骤S32、根据步骤S31融合后的特征，基于注意力机制，构建带有膨胀卷积的注意力门模块ATG改善特征； 步骤S33、基于步骤S32改善后的特征，使用注意力残差块ATR提升模型的特征表达能力； 步骤S31中，所述双向特征融合模块BiFFM形成如下： 首先对于卷积神经网络CNN分支产生的特征，处理方式如下： Pc＝δDSCscSEDFCCn×Cn 式中，δ是Sigmoid函数，DSC是深度可分离卷积，scSE是集成空间和通道注意力的卷积模块，Cn是来自于CNN分支中第n个层级的特征，Pc是细化后的特征； 对于Transformer分支产生的特征，处理方式如下： Sm＝DSCAvgPoolTn+DSCMaxPoolTn SF＝δDSCReLUSm×Tn 式中，Tn是来自于Transformer分支中第n个层级的特征，Sm是增强后的特征，ReLU是修正线性单元，AvgPool是平均池化层，MaxPool是最大池化层，SF是细化后的特征； 最后，通过使用串联操作和注意力残差块ATR来增强模型的特征表达能力，具体实现方式如下： SF＝DropATRConcatPc,SF 式中，Drop是随机失活层用来防止模型过拟合； 步骤S32中，所述注意力门模块ATG定义如下： SED＝δBNDSCBRDSCEF+DSCDF×EF 式中，BR是批归一化层BN和修正线性单元ReLU的组合，EF来自于BiFFM融合后的特征，DF来自于解码器产生的特征； 步骤S33中，所述注意力残差块ATR的定义如下： OF＝cSeσBRσBRSED+BNσSED 式中，σ是3×3卷积，SED是经过注意力门模块ATG后的特征，cSe是空间注意力机制模块； 步骤S4、农田地块数据集构建； 步骤S5、地块提取模型训练与测试； 步骤S6、获取研究区的长时序中等分辨率遥感影像数据集，对遥感影像进行预处理操作，包括辐射校正、大气校正、去云处理、融合镶嵌； 步骤S7、引入擅长时序特征提取的注意力长短期记忆网络模型AttentionLSTM和擅长空间信息表达的全卷积神经网络FCN，构建一个多变量注意力的长短期记忆网络模型即作物分类模型ALSTM-FCN；具体包括以下步骤： 步骤S71、分别选择全卷积神经网络FCN和注意力长短期记忆网络AttentionLSTM模型作为作物分类模型的主干，通过构建双分支的特征提取器，以捕获强有力的空间特征和物候特征； 步骤S72、在FCN分支中集成卷积注意模块CBAM，具体地，CBAM由空间注意力模块和通道注意力模块组成： Oi＝ISAICAxF ICA＝δMLPPmaxxF+MLPPavgxF×xF ISA＝δθConcatSmaxxF,SavgxF×xF 式中，ICA是特征xF经过通道注意力模块后的结果，ISA是特征xF经过空间注意力模块后的结果，MLP是多层感知机，Concat表示串联操作，θ是7×7卷积，Pmax是Pavg分别是自适应最大池化和自适应平均池化操作，Smax和Savg是沿着通道维度的特征的最大值和平均值； 步骤S8、以地块为基本分析单元，构建地块级作物时序特征数据集； 步骤S9、作物分类模型ALSTM-FCN训练与测试； 步骤S10、集成已经训练和测试过的地块提取模型CLCFormer和作物分类模型ALSTM-FCN，完成研究区地块级作物分类。

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福州大学;福建省地质测绘院(福建省地质科学研究所)，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。