買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京理工大學申請的專利一種基于遙感數據的鐵路外部環境隱患智能檢測提取方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115497004B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211054599.8，技術領域涉及：G06V20/13；該發明授權一種基于遙感數據的鐵路外部環境隱患智能檢測提取方法是由金偉其;李穎婕;裘溯;左東升;郭宏設計研發完成，并于2022-08-31向國家知識產權局提交的專利申請。

本一種基于遙感數據的鐵路外部環境隱患智能檢測提取方法在說明書摘要公布了：本發明公開的一種基于遙感數據的鐵路外部環境隱患智能檢測提取方法，屬于鐵路安全及遙感圖像處理技術領域。本發明利用高分辨率遙感數據優勢，結合深度學習設計鐵路外部環境隱患提取模型，結合階段特征增強模塊提高隱患提取的完整性；結合特征加權對齊融合模塊對多級隱患特征對齊并自適應加權融合；在提取掩膜生成階段，以包含豐富細節的低維高分辨率鐵路外部環境隱患特征圖為引導圖像，使用引導濾波優化隱患掩膜邊緣；使用知識蒸餾方法減小模型體積；將鐵路外部環境隱患提取結果與地理信息系統結合，獲取外部環境隱患風險等級、站段分布信息，實現鐵路外部環境隱患目標檢測提取和信息統計與追蹤，降低鐵路外部環境隱患，提高鐵路運行的安全性。

本發明授權一種基于遙感數據的鐵路外部環境隱患智能檢測提取方法在權利要求書中公布了：1.一種基于遙感數據的鐵路外部環境隱患智能檢測提取方法，其特征在于：包括如下步驟， S1：獲取用于訓練鐵路外部環境隱患提取模型的鐵路沿線多維、多源、多期原始高分辨率遙感數據，采集用于訓練鐵路外部環境隱患提取模型的高分辨率遙感數據，對高分辨率遙感數據進行預處理，融合多波段遙感影像并進行超分辨率重建，得到預處理和增強后的高分辨率遙感數據； S2：對S1獲取的預處理和增強后的高分辨率遙感數據，根據鐵路外部環境隱患的光譜特征、幾何特征、和分布特點，標注遙感數據中的鐵路外部環境隱患目標，對標注后的高分辨率遙感數據劃分訓練數據與測試數據，將訓練數據與測試數據裁剪成統一大小的圖像塊，每個圖像塊同時攜帶地理信息和裁剪坐標，對訓練數據進行幾何增廣以擴充數據集，得到用于訓練和測試鐵路外部環境隱患提取模型的訓練集和測試集； S3：根據鐵路外部環境隱患特點，選擇特征提取主干，根據特征提取器提取的多級鐵路外部環境隱患特征；設計引入可變形卷積的階段特征增強模塊，自適應地增強不同級鐵路外部環境隱患特征；設計特征加權對齊融合模塊，對齊不同級特征圖，并采用門控機制篩選多級鐵路外部隱患特征圖中有效的隱患特征并加權融合；由上下文感知的掩膜生成模塊生成鐵路外部環境隱患提取的掩膜，以低級鐵路外部環境隱患特征圖為引導圖像，引導鐵路外部環境隱患提取的掩膜邊緣細化，完善邊緣和細節信息，構建鐵路外部環境隱患提取模型，并構建損失函數，設置學習率、批處理大小、權值初始化方式、權值衰減系數、優化方法、迭代次數；使用S2獲取的訓練集訓練鐵路外部環境隱患提取模型，得到訓練后的鐵路外部環境隱患提取模型，即實現鐵路外部環境隱患提取模型構建與訓練； 步驟S3實現方法為， S31：根據鐵路外部環境隱患特點，選擇鐵路外部環境隱患特征提取主干，搭建提取鐵路外部環境隱患多級特征的主干網絡，主干網絡包括m個特征提取階段，隨主干網絡加深，鐵路外部環境隱患特征圖分辨率逐漸降低；使用在公開數據集上訓練的權重初始化特征提取主干；將S2獲取的鐵路外部環境隱患訓練集數據輸入主干網絡提取多級鐵路外部環境隱患特征圖，主干網絡每個階段輸出一級特征圖，則主干網絡輸出的多級鐵路外部環境隱患特征圖集合為[S0,S1,...,Sm-1]； S32：根據S31所構建的特征提取主干提取的多級鐵路外部環境隱患特征，設計引入可變形卷積的階段特征增強模塊，自適應地增強不同級鐵路外部環境隱患特征，構建階段特征增強模塊；該模塊以S31獲取的多級鐵路外部環境隱患特征圖為輸入，包括兩個并行分支，其中，一個分支使用全局平均池化對鐵路外部環境隱患特征圖進行空間壓縮，再依次通過卷積層、ReLU激活函數和卷積層得到鐵路外部環境隱患特征在通道維度上的權重向量，sigmoid函數將權重向量值壓縮到[0,1]范圍，并與輸入的鐵路外部環境隱患特征圖相乘，得到通道特征增強后的鐵路外部環境隱患特征圖FCA，表示為： 其中S表示輸入的鐵路外部環境隱患特征圖，GGAP·表示全局平均池化，Gconv·表示卷積層，GReLu·表示ReLU激活函數，δ·表示sigmoid函數，表示對應像素相乘； 另一個分支將輸入的鐵路外部環境隱患特征圖通過卷積對通道降維，經過可變形卷積塊和卷積得到鐵路外部環境隱患特征在空間維度上的權重向量，由sigmoid函數將權重向量值壓縮到[0,1]范圍，并與輸入的鐵路外部環境隱患特征圖相乘，得到空間特征增強后的鐵路外部環境隱患特征圖FSA，表示為： Gdeformblock＝GReLuGBNGdeformconv·3 其中Gdeformblock·表示可變形卷積塊，GBN·表示批歸一化層，Gdeformconv·表示可變形卷積層； 將通道和空間特征增強后的鐵路外部環境隱患特征圖FCA與FSA沿通道維連接后，經過卷積塊對通道降維，再經過的可變形卷積塊，得到自適應增強的鐵路外部環境隱患特征Fenhance，表示為： 其中Gconvblock·表示卷積塊，表示通道維連接； 主干網絡輸出的多級鐵路外部環境隱患特征圖分別輸入階段特征增強模塊，得到增強后特征集合[F0,F1,...,Fm-1]； S33：對于S32所獲取的特征增強后的鐵路外部環境隱患特征圖，設計特征加權對齊融合模塊，自上而下地逐級對齊不同級特征圖，并采用門控機制篩選多級鐵路外部隱患特征圖中有效的隱患特征并加權融合，特征加權對齊融合模塊從最高級鐵路外部隱患特征圖起，以相鄰兩級鐵路外部隱患特征圖為輸入，輸出聚合后特征圖，再以聚合后特征與下一級特征圖為輸入，得到新的聚合后特征圖，以此方式逐級聚合，最后得到聚合了所有多級鐵路外部隱患特征圖的融合了多尺度鐵路外部環境隱患目標特征的特征圖； S34：根據S33所獲取的融合了多尺度鐵路外部環境隱患目標特征的特征圖A0，構建上下文感知的掩膜生成模塊生成鐵路外部環境隱患提取的掩膜，并以低級鐵路外部環境隱患特征圖為引導圖像，引導鐵路外部環境隱患提取的掩膜邊緣細化，完善邊緣和細節信息特征；以S33所獲取的融合了多尺度鐵路外部環境隱患目標特征的特征圖A0為輸入，經過2次卷積與上采樣的組合處理，將分辨率提高至與鐵路外部環境隱患提取模型的輸入圖像相同，最后通過一個卷積塊輸出通道維數與類別數相同的鐵路外部環境隱患檢測提取掩膜P∈RN ×H×W，N為隱患類別數，每個通道代表一類隱患目標，隱患目標以像素級標記的形式體現在輸出結果中； P＝GconvblockGUpsampleGconvblockGUpsampleGconvblockA08 將S31中獲取的低級鐵路外部環境隱患特征圖S0經過卷積降維，并作為引導圖像，使用引導濾波對鐵路外部環境隱患檢測提取掩膜P邊緣細化，完善邊緣和細節信息特征，得到邊緣細化后的鐵路外部環境隱患提取結果E； S35：構建損失函數，使用S2獲取的訓練集訓練鐵路外部環境隱患提取模型，訓練過程中，輸出結果與標簽圖采用focalcross-entropy損失作為損失函數，具體表示為： L＝-α1-ptγlogpt9 其中pt為樣本預測概率，α為類別權重用以解決類別不平衡問題，γ為可聚焦因子，用以調節模型對困難樣本的聚焦度； 設置學習率、批處理大小、權值初始化方式、權值衰減系數、優化方法、迭代次數；使用隨機梯度下降更新模型參數，迭代至損失值不再下降，得到訓練后的鐵路外部環境隱患提取模型，即實現鐵路外部環境隱患提取模型構建與訓練； S4：使用知識蒸餾方法對S3獲取的訓練后的鐵路外部環境隱患提取模型進行壓縮，以S3設計的鐵路外部環境隱患提取模型為教師模型，訓練具有相同鐵路外部環境隱患提取能力的學生模型； S5：使用S4獲取的壓縮后的鐵路外部環境隱患提取模型對S2獲取的測試集中的測試數據生成鐵路外部環境隱患掩膜，得到鐵路外部環境隱患提取結果掩膜； S6：根據鐵路外部環境隱患對S5獲取的鐵路外部環境隱患目標掩膜后處理，將掩膜拼接，并去除面積小于預定閾值的掩膜連通域，再將鐵路外部環境隱患目標掩膜與遙感數據地理信息結合，生成帶有地理信息的鐵路外部環境隱患目標矢量掩膜文件； S7：將鐵路外部環境隱患提取結果與地理信息系統結合，統計隱患目標的類型、數量、面積、位置信息；結合鐵路軌道地理位置信息，根據隱患目標與軌道間距離，對隱患目標劃分風險等級，并根據站段地理信息按站段統計隱患目標信息，獲取鐵路外部環境隱患風險等級、站段分布信息，結合S1獲取的鐵路沿線多維、多源、多期原始高分辨率遙感數據進行隱患可視化； S8：定期更新遙感數據，并重復S5-S7，統計鐵路外部環境隱患變化信息。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京理工大學，其通訊地址為：100081 北京市海淀區中關村南大街5號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。