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！

龙图腾网获悉安徽大学申请的专利一种基于SK-UNet深度学习网络的遥感影像大豆种植区域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：CN116434064B 。

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：202310398075.9，技术领域涉及：G06V20/10；该发明授权一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法是由黄林生;丁翰;张东彦;佘宝;黄文江;赵晋陵;张安骏;阮瑞;朱家明设计研发完成，并于2023-04-14向国家知识产权局提交的专利申请。

本一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法在说明书摘要公布了：本发明涉及一种基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，包括：获取10m分辨率的哨兵二号遥感影像并进行预处理，构成遥感影像数据集；构建改进的UNet网络模型即SK‑UNet模型作为大豆种植区影像提取网络；得到训练后的SK‑UNet模型；获取待提取的遥感影像并进行预处理；将预处理后的待提取的遥感影像输入训练后的SK‑UNet模型，得到大豆种植区影像提取结果。本发明基于对UNet网络的改进，在每个双层卷积后加入SKNetBlock模块，其可扩展性好且提取精度高，可调整参数应用于不同传感器的遥感卫星影像；通过验证，本发明得到的高分辨率遥感影像分类结果在评价指标优上优于对比分类算法，并且产生的分类结果能够更好的保持了边缘的平滑和完整性。

本发明授权一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法在权利要求书中公布了：1.一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法，其特征在于：该方法包括下列顺序的步骤： 1获取10m分辨率的哨兵二号遥感影像并进行预处理，利用ArcGIS软件勾画大豆区域矢量，得到大豆区域原始影像数据和标签数据，大豆区域原始影像数据的尺寸为256×256×3，标签数据尺寸为256×256×1，大豆区域原始影像数据和标签数据构成遥感影像数据集； 2以UNet网络作为基础网络，在其编码器和解码器的基本卷积层中嵌入SKNetBlock模块，构建改进的UNet网络模型即SK-UNet模型作为大豆种植区影像提取网络； 3将遥感影像数据集输入SK-UNet模型进行训练，得到训练后的SK-UNet模型； 4获取待提取的遥感影像并进行预处理； 5将预处理后的待提取的遥感影像输入训练后的SK-UNet模型，得到大豆种植区影像提取结果； SKNetBlock模块采用一种非线性的多核信息聚合方法来实现神经元的自适应感受野大小，它由三个算子组成：Split、FuseandSelect算子；其中，Split算子产生多条不同核大小的路径，对应于不同的神经元感受野大小，Fuse算子将来自多条路径的信息进行组合和聚合，以获得选择权重的全局综合表示，Select算子符根据选择权重聚合不同大小内核的特征映射； Split算子将原特征图分别通过一个3×3的分组深度卷积和3×3的空洞卷积生成两个特征图U1和U2，然后将这两个特征图进行相加，生成特征图U； Fuse算子使用全局平均池化来嵌入全局信息，从而生成信道的统计信息，特征S的第c个元素通过空间维度H×W收缩U计算： 式中，Fgp表示对特征进行平均池化，Uc为输入特征图的第c维特征，W、H表示特征的宽和高，i和j是特征图在空间维的坐标； 建立一个紧凑型特征z，实现精确和自适应选择的引导，通过一个简单的全连接层实现，公式如下： 式中，δ是ReLU函数，B表示批次标准化，W∈Rd×C为权重矩阵，为了研究d对模型效率的影响，使用缩减率r来控制其值: 式中，L表示d的最小值，C为输入的第C维特征，r是一个超参数； Select算子把生成的特征z通过ac和bc两个函数，并将生成的函数值与特征图U1和U2相乘： 式中，A、B∈RC×d,这两个矩阵是由端到端训练出来的，Z∈Rd×1，经过softmax操作后，得到的a∈RC×1，z为紧凑型特征，a为软注意力矢量； 最终的特征图V通过不同核上的注意权重获得： Vc＝ac·U1+bc·U2，ac+bc＝1 式中，U1、U2∈RH×W×C,a、b∈RC×1。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。