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！

龙图腾网恭喜江西啄木蜂科技有限公司;江西省国土空间调查规划研究院申请的专利一种基于多模态图像生成的林业资源变化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：CN118887550B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202411368421.X，技术领域涉及：G06V20/10；该发明授权一种基于多模态图像生成的林业资源变化监测方法是由李翔;周卫;欧立业;李芳颢;魏霞;罗威;叶绍泽;黄晓霞;李雪雪;彭丙源;王义涛设计研发完成，并于2024-09-29向国家知识产权局提交的专利申请。

本一种基于多模态图像生成的林业资源变化监测方法在说明书摘要公布了：本发明公开了一种基于多模态图像生成的林业资源变化监测方法，属于图像数据处理技术领域，包括构造数据集；选取一cycleGAN网络，改进其损失函数，用数据集训练得到改进生成器；构造SAR辅助编码器和改进SETR网络；构造完整数据集Gall；用Gall训练改进SETR网络得到改进SETR模型，用于变化检测。本发明实现多模态的信息有效利用，不仅能增强训练稳定性、提升泛化能力，还能根据图像质量进行自适应调整，从而对林区图像实现更精确的语义分割，结合不同时刻的语义分割图得到更准确的变化区域。本发明能监测森林的动态变化，及时识别森林退化、火灾发生和病害扩散等事件，从而为林业管理和灾害响应提供关键信息。

本发明授权一种基于多模态图像生成的林业资源变化监测方法在权利要求书中公布了：1.一种基于多模态图像生成的林业资源变化监测方法，其特征在于：包括以下步骤；S1，构造数据集；获取不同林区场景下的光学遥感图像，构成光学图像数据集GX，对每张光学遥感图像，获取其相同场景下的真实SAR图像，构成SAR图像数据集GY；相同场景下的光学遥感图像与真实SAR图像一一对应，GX内图像属于域X，GY内图像属于域Y；S2，选取一cycleGAN网络，包括生成器G、生成器F、判别器DX和判别器DY，所述生成器G用于将图像从域X转换到域Y，生成器F用于将图像从域Y转换到域X，判别器DX用于输入域X的图像，输出其为真实光学遥感图像概率值，判别器DY用于输入域Y的图像，输出其为真实SAR图像的概率值；S3，改进cycleGAN网络的损失函数，用GX、GY训练cycleGAN网络，更新生成器G，得到改进生成器；S4，构造一SAR辅助编码器，包括两个Transformer编码器，分别标记为光学编码器TF1和SAR编码器TF2，TF1和TF2的Q值矩阵经加权求和得到融合Q值矩阵，再送入TF1的多头注意力模块中；S5，构造改进SETR网络，包括步骤S51~S53；S51，选取一SETR网络，包括图像块嵌入单元、编码层和解码层，所述编码层为24层Transformer编码器；S52，所述图像块嵌入单元为2个，标记为Emb1、Emb2，分别用于输入域X的图像和域Y的图像，并对图像进行分块和位置编码，输出图像对应的向量序列；S53，将编码层前12层Transformer编码器替换为SAR辅助编码器，第l层SAR辅助编码器中TF1、TF2分别标记为、，1≤l≤12，、的输出分别为、，的输出接的输入，的输出接的输入，的输入接Emb1的输出、的输入接Emb2的输出，的输出接第13层Transformer编码器；S6，构造完整数据集Gall；对GX中光学遥感图像，一部分从GY中找到对应的真实SAR图像，另一部分由改进生成器转换到域Y，输出虚假SAR图像，将真实SAR图像和虚假SAR图像构成数据集Gb，生成，其中，a为GX中光学遥感图像，b为a对应的真实SAR图像或虚假SAR图像，a,b为一组图像对；S7，用Gall训练改进SETR网络至收敛，得到改进SETR模型，训练时，第l层SAR辅助编码器的融合Q值矩阵根据步骤S71~S72得到；S71，对Gb中每张图像，由判别器DY输出其为真实SAR图像的概率值；S72，根据下式得到第l层SAR辅助编码器的融合Q值矩阵； ，式中，为的Q值矩阵、为的Q值矩阵；S8，用改进SETR模型进行变化检测；获取t1时刻的光学遥感图像a1和SAR图像b1、t2时刻的光学遥感图像a2和SAR图像b2，构成图像对a1,b1、a2,b2，将a1,b1、a2,b2分别送入改进SETR模型，输出对应的语义分割图M1、M2，并基于M1、M2得到变化区域ΔM；其中，b1为a1对应的真实SAR图像或由改进生成器将a1转换到域Y得到的虚假SAR图像，b2为a2对应的真实SAR图像或由改进生成器将a2转换到域Y得到的虚假SAR图像；S3包括S31~S34；31，构造改进对抗性损失，包括生成器G和判别器DY的改进对抗性损失、生成器F和判别器DX的改进对抗性损失； ， ，式中，x为GX内一光学遥感图像，y为GY内一与x对应的SAR图像，Gx为生成器G将x转换到域Y得到的输出，Fy为生成器F将y转换到域X得到的输出，为在x和Gx之间的插值样本，，为在y和Fy之间的插值样本，，E*[·]为对一批次样本变量求期望，，DYy、DYGx分别为判别器DY对y和Gx的输出，DXx、DXFy分别为判别器DX对x和Fy的输出，λ1、λ2分别为对判别器DY和判别器DX的梯度惩罚权重，表示对算梯度；S32，构造改进循环一致性损失LcycG,F； ，式中，FGx为生成器F将Gx转换到域X得到的输出，GFy为生成器G将Fy转换到域Y得到的输出，λ3为权重衰减系数，θG和θF分别为生成器G和生成器F的网络参数，为L1范数，为L2范数；S33，构造生成器的自我一致性损失Lid； ，式中，Gy为生成器G输入y时得到的输出，Fx为生成器F输入x时得到的输出；S34，基于改进对抗性损失、改进循环一致性损失和自我一致性损失构造cycleGAN网络的总损失Ltotal，并用GX、GY以最小化Ltotal训练cycleGAN网络，更新生成器G，得到改进生成器。

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江西啄木蜂科技有限公司;江西省国土空间调查规划研究院，其通讯地址为：330096 江西省南昌市南昌高新技术产业开发区昌东大道含弘广场现代服务产业园13楼整层；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”。