CN107909492A - 一种利用机器学习技术的农业保险查勘定损方法 - Google Patents
一种利用机器学习技术的农业保险查勘定损方法 Download PDFInfo
- Publication number
- CN107909492A CN107909492A CN201711240901.8A CN201711240901A CN107909492A CN 107909492 A CN107909492 A CN 107909492A CN 201711240901 A CN201711240901 A CN 201711240901A CN 107909492 A CN107909492 A CN 107909492A
- Authority
- CN
- China
- Prior art keywords
- disaster
- sample
- stricken
- model
- insurance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Image Analysis (AREA)
Abstract
本发明属农业保险技术领域，尤其涉及利用机器学习技术进行分析、处理的一种利用机器学习技术的农业保险查勘定损方法，主要包括外业采样、样本数据的获取、模型的训练、分类遥感影像、生成受灾报告的步骤。可以评估出标的农作物分布以及分布面积，根据专家制定的受灾等级，对标的农作物的受灾等级进行划分，以及各等级是否进行保险进行判断，并对产量估计和查勘定损提供数据依据，减少保险公司的风险，增加利润的优点。
Description
技术领域
本发明属农业保险技术领域，尤其涉及利用机器学习技术进行分析、处理的一种利用机器学习技术的农业保险查勘定损方法。
背景技术
农业保险是指保险公司根据农业保险合同，对被保险人在农业生产过程中因保险标的遭受约定的自然灾害等事故所造成的财产损失承担赔偿保险金责任的保险活动。农业保险包含范围广泛，有精准承保、查勘定损和产量估计等，不论以上哪种形式的保险，均归结为承保农作物的长势、受灾面积和分布，以作物长势、受灾面积和分布为依据，确定产量和定损等具体指标。保险公司确定受灾面积的方法是获取受灾范围后，命令查勘人员去受灾区域对受灾面积进行测量。外业查勘人员获取受灾面积的方式存在以下缺点，第一，大面积和大范围的灾害发生时，需要大量的人员去完成查勘工作。第二，在查勘过程中无法确定承保区域是否为承保标的，存在多报的可能，信息准确性无法保证。
传统的人工实地统计损失需大量人力物力，利用遥感影像进行分类及确定损失是遥感影像智能处理的一个发展趋势，而在遥感图像分类研究中，借助机器学习方法从海量数据集中找到有用信息是一个重要研究方向。传统的机器学习方法需要依靠人工经验来分析与选取样本的特征，特征的好坏易成为系统性能的瓶颈，且通常需要花费较多的时间和精力来发掘更好的特征；针对不同的应用，所选择的特征不同，通用性较差；需要根据经验和现有的参考数据来选择训练样本和特征，扩展性较差，难以推广到大的应用，并且准确率和自动化程度有待进一步提高。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，通过对输入数据从低层到高层渐进地进行特征提取，最终形成适合模式分类的较理想特征，从而提升分类的准确性。
发明内容
本发明的目的就是为解决农业保险查勘定损过程中存在的承保区域受灾面积和分布不易获取的问题，而提供采用在图像处理方面具有独特优势的卷积神经网络（CNN）构建相应的遥感图像农作物提取模型，该模型能充分利用遥感图像的光谱和空间信息，直接从输入图像中自学习有利于图像分类的高层语义特征，通过深度学习方法对农作物进行精确提取，辅助农业保险业务进行的一种利用机器学习技术的农业保险查勘定损方法。
本发明采用的技术方案是：
一种利用机器学习技术的农业保险查勘定损方法，包括以下步骤：
步骤1）、外业采样：派外业调查人员到受灾现场采集信息，主要对受灾区域的农作物随机进行照片采样，包含受灾作物和不受灾作物，拍摄照片中含有GPS坐标，同时记录所拍摄的受灾地区的基本信息，包括受灾时间、受灾情况、种植作物信息，将获取到的信息实时回传；
步骤2）、样本数据的获取：根据回传的调查数据，从服务器数据库中抽取受灾地区受灾前后的遥感影像，并根据回传照片的GPS坐标信息从遥感影像中分割出若干受灾作物和非受灾作物的样本数据，并贴上对应的标签；
步骤3）、模型的训练：根据分割出的样本大小设计卷积神经网络模型参数，将样本分成训练样本、测试样本和验证样本，利用训练样本和测试样本对模型进行参数的训练和测试，测试样本进行模型测试，利用验证样本对得到的模型进行精度验证；
步骤4）、分类遥感影像：将得到模型用于遥感影像的分类，提取本次农作物的受灾面积和分布，并快速确定受灾的整体情况，之后将提取的结果制作成专题地图；
步骤5）、专题图的制作：将制作成的专题地图，以在线的形式发布到客户端，提供在线浏览的服务；
步骤6）、生成受灾报告：对受灾地区的情况加以描述，并根据农业专家对现场照片的判读，确定农作物受损程度，形成一份完整的受灾识别服务报告提供给保险公司，为保险公司产量估计和查勘定损的工作提供数据支持。
进一步的，所述步骤3）中将样本分成训练样本、测试样本和验证样本时，训练样本占比为74%，测试样本占比为11%，验证样本占比为15%。
进一步的，所述步骤3）中首先利用训练样本对模型的参数进行训练，然后利用测试样本对模型进行测试，测试过程中模型参数会发生改变，当模型参数不再发生改变后，模型训练结束，最后用参数稳定的模型对验证样本数据进行精度验证，如果精度达到90%以上，即为满足精度要求，否则调整模型参数和结构，重新进行训练、测试和验证过程。
进一步的，所述步骤4）中在分类遥感影像的同时，利用机器学习分类遥感影像的技术对农作物的光谱信息和空间信息进行分析，学习到更多的特征，分类更准确。
本发明的有益效果是：
通过本发明提供的利用机器学习技术的农业保险查勘定损方法，可以评估出标的农作物分布以及分布面积，根据专家制定的受灾等级，对标的农作物的受灾等级进行划分，以及各等级是否进行保险进行判断，并对产量估计和查勘定损提供数据依据，减少保险公司的风险，增加利润。
具体实施方式
本发明的核心是提供一种利用空间大数据的产量保险理赔方法。
一种利用机器学习技术的农业保险查勘定损方法，包括以下步骤：
步骤1）、外业采样：派外业调查人员到受灾现场采集信息，主要对受灾区域的农作物随机进行照片采样，包含受灾作物和不受灾作物，拍摄照片中含有GPS坐标，同时记录所拍摄的受灾地区的基本信息，包括受灾时间、受灾情况、种植作物信息，将获取到的信息实时回传；
步骤2）、样本数据的获取：根据回传的调查数据，从服务器数据库中抽取受灾地区受灾前后的遥感影像，并根据回传照片的GPS坐标信息从遥感影像中分割出若干受灾作物和非受灾作物的样本数据，并贴上对应的标签；
步骤3）、模型的训练：根据分割出的样本大小设计卷积神经网络模型参数，将样本分成训练样本、测试样本和验证样本，利用训练样本和测试样本对模型进行参数的训练和测试，测试样本进行模型测试，利用验证样本对得到的模型进行精度验证，具体为首先利用训练样本对模型的参数进行训练，然后利用测试样本对模型进行测试，测试过程中模型参数会发生改变，当模型参数不再发生改变后，模型训练结束，最后用参数稳定的模型对验证样本数据进行精度验证，如果精度达到90%以上，即为满足精度要求，否则调整模型参数和结构，重新进行训练、测试和验证过程；
将样本分成训练样本、测试样本和验证样本时，训练样本占比为74%，测试样本占比为11%，验证样本占比为15%；
步骤4）、分类遥感影像：将得到模型用于遥感影像的分类，提取本次农作物的受灾面积和分布，并快速确定受灾的整体情况，之后将提取的结果制作成专题地图；上述利用机器学习分类遥感影像的技术对农作物的光谱信息和空间信息进行分析，学习到更多的特征，分类更准确；
步骤5）、专题图的制作：将制作成的专题地图，以在线的形式发布到客户端，提供在线浏览的服务；
步骤6）、生成受灾报告：对受灾地区的情况加以描述，并根据农业专家对现场照片的判读，确定农作物受损程度，形成一份完整的受灾识别服务报告提供给保险公司，为保险公司产量估计和查勘定损的工作提供数据支持。
上述方法中，利用机器学习和遥感技术对受灾的农作物进行识别，代替传统的完全靠人工对灾害分布和面积查勘的方法。可以评估出标的农作物分布以及分布面积，根据专家制定的受灾等级，对标的农作物的受灾等级进行划分，以及各等级是否进行保险进行判断，并对产量估计和查勘定损提供数据依据，减少保险公司的风险，增加利润。
Claims (4)
1.一种利用机器学习技术的农业保险查勘定损方法，其特征在于，包括以下步骤：
步骤1）、外业采样：派外业调查人员到受灾现场采集信息，主要对受灾区域的农作物随机进行照片采样，包含受灾作物和不受灾作物，拍摄照片中含有GPS坐标，同时记录所拍摄的受灾地区的基本信息，包括受灾时间、受灾情况、种植作物信息，将获取到的信息实时回传；
步骤2）、样本数据的获取：根据回传的调查数据，从服务器数据库中抽取受灾地区受灾前后的遥感影像，并根据回传照片的GPS坐标信息从遥感影像中分割出若干受灾作物和非受灾作物的样本数据，并贴上对应的标签；
步骤3）、模型的训练：根据分割出的样本大小设计卷积神经网络模型参数，将样本分成训练样本、测试样本和验证样本，利用训练样本和测试样本对模型进行参数的训练和测试，测试样本进行模型测试，利用验证样本对得到的模型进行精度验证；
步骤4）、分类遥感影像：将得到模型用于遥感影像的分类，提取本次农作物的受灾面积和分布，并快速确定受灾的整体情况，之后将提取的结果制作成专题地图；
步骤5）、专题图的制作：将制作成的专题地图，以在线的形式发布到客户端，提供在线浏览的服务；
步骤6）、生成受灾报告：对受灾地区的情况加以描述，并根据农业专家对现场照片的判读，确定农作物受损程度，形成一份完整的受灾识别服务报告提供给保险公司，为保险公司产量估计和查勘定损的工作提供数据支持。
2.根据权利要求1所述的利用空间大数据的产量保险理赔方法，其特征在于：所述步骤3）中将样本分成训练样本、测试样本和验证样本时，训练样本占比为74%，测试样本占比为11%，验证样本占比为15%。
3.根据权利要求1所述的利用空间大数据的产量保险理赔方法，其特征在于：所述步骤3）中首先利用训练样本对模型的参数进行训练，然后利用测试样本对模型进行测试，测试过程中模型参数会发生改变，当模型参数不再发生改变后，模型训练结束，最后用参数稳定的模型对验证样本数据进行精度验证，如果精度达到90%以上，即为满足精度要求，否则调整模型参数和结构，重新进行训练、测试和验证过程。
4.根据权利要求1所述的利用空间大数据的产量保险理赔方法，其特征在于：所述步骤4）中在分类遥感影像的同时，利用机器学习分类遥感影像的技术对农作物的光谱信息和空间信息进行分析，学习到更多的特征，分类更准确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711240901.8A CN107909492A (zh) | 2017-11-30 | 2017-11-30 | 一种利用机器学习技术的农业保险查勘定损方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711240901.8A CN107909492A (zh) | 2017-11-30 | 2017-11-30 | 一种利用机器学习技术的农业保险查勘定损方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107909492A true CN107909492A (zh) | 2018-04-13 |
Family
ID=61848235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711240901.8A Pending CN107909492A (zh) | 2017-11-30 | 2017-11-30 | 一种利用机器学习技术的农业保险查勘定损方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909492A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| CN109816542A (zh) * | 2019-01-28 | 2019-05-28 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
| CN109919789A (zh) * | 2019-03-05 | 2019-06-21 | 王洋 | 一种人工智能保险审核方法及装置 |
| CN110084125A (zh) * | 2019-03-28 | 2019-08-02 | 国智恒北斗好年景农业科技有限公司 | 一种基于深度学习的农业保险查勘技术方法 |
| CN110533544A (zh) * | 2019-08-28 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 农作物冷冻害定损理赔方法及系统 |
| CN110689191A (zh) * | 2019-09-24 | 2020-01-14 | 深圳前海微众银行股份有限公司 | 农业保险赔偿额预测方法、装置、设备及可读存储介质 |
| CN110688513A (zh) * | 2019-08-15 | 2020-01-14 | 平安科技（深圳）有限公司 | 基于视频的农作物查勘方法、装置及计算机设备 |
| CN111614938A (zh) * | 2020-05-14 | 2020-09-01 | 杭州海康威视系统技术有限公司 | 一种风险识别方法及装置 |
| WO2021012898A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
| CN113160131A (zh) * | 2021-03-10 | 2021-07-23 | 卓尔智联(武汉)研究院有限公司 | 一种农业保险理赔方法、装置及存储介质 |
| CN117315492A (zh) * | 2023-11-29 | 2023-12-29 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966372A (zh) * | 2015-06-09 | 2015-10-07 | 四川汇源光通信有限公司 | 多数据融合的森林火灾智能识别系统和方法 |
| CN106875395A (zh) * | 2017-01-12 | 2017-06-20 | 西安电子科技大学 | 基于深度神经网络的超像素级sar图像变化检测方法 |
| CN107169018A (zh) * | 2017-04-06 | 2017-09-15 | 河南云保遥感科技有限公司 | 一种农业保险查勘、定损系统及其实现方法 |
-
2017
- 2017-11-30 CN CN201711240901.8A patent/CN107909492A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966372A (zh) * | 2015-06-09 | 2015-10-07 | 四川汇源光通信有限公司 | 多数据融合的森林火灾智能识别系统和方法 |
| CN106875395A (zh) * | 2017-01-12 | 2017-06-20 | 西安电子科技大学 | 基于深度神经网络的超像素级sar图像变化检测方法 |
| CN107169018A (zh) * | 2017-04-06 | 2017-09-15 | 河南云保遥感科技有限公司 | 一种农业保险查勘、定损系统及其实现方法 |
Non-Patent Citations (1)
| Title |
|---|
| 恒亮: "图像处理一定要用卷积神经网络？这里有一个另辟蹊径的方法", 《HTTPS://WWW.LEIPHONE.COM/CATEGORY/AI/YMC4EBHMHQ494PWS.HTML》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| CN109816542A (zh) * | 2019-01-28 | 2019-05-28 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
| CN109816542B (zh) * | 2019-01-28 | 2023-04-07 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
| CN109919789A (zh) * | 2019-03-05 | 2019-06-21 | 王洋 | 一种人工智能保险审核方法及装置 |
| CN109919789B (zh) * | 2019-03-05 | 2022-02-01 | 王洋 | 一种人工智能保险审核方法及装置 |
| CN110084125A (zh) * | 2019-03-28 | 2019-08-02 | 国智恒北斗好年景农业科技有限公司 | 一种基于深度学习的农业保险查勘技术方法 |
| CN110084125B (zh) * | 2019-03-28 | 2023-05-26 | 国智恒北斗好年景农业科技有限公司 | 一种基于深度学习的农业保险查勘技术方法 |
| WO2021012898A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于人工智能的农业保险查勘方法及相关设备 |
| CN110688513A (zh) * | 2019-08-15 | 2020-01-14 | 平安科技（深圳）有限公司 | 基于视频的农作物查勘方法、装置及计算机设备 |
| CN110688513B (zh) * | 2019-08-15 | 2023-08-18 | 平安科技（深圳）有限公司 | 基于视频的农作物查勘方法、装置及计算机设备 |
| CN110533544A (zh) * | 2019-08-28 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 农作物冷冻害定损理赔方法及系统 |
| CN110689191A (zh) * | 2019-09-24 | 2020-01-14 | 深圳前海微众银行股份有限公司 | 农业保险赔偿额预测方法、装置、设备及可读存储介质 |
| CN111614938A (zh) * | 2020-05-14 | 2020-09-01 | 杭州海康威视系统技术有限公司 | 一种风险识别方法及装置 |
| CN111614938B (zh) * | 2020-05-14 | 2021-11-02 | 杭州海康威视系统技术有限公司 | 一种风险识别方法及装置 |
| CN113160131A (zh) * | 2021-03-10 | 2021-07-23 | 卓尔智联(武汉)研究院有限公司 | 一种农业保险理赔方法、装置及存储介质 |
| CN117315492A (zh) * | 2023-11-29 | 2023-12-29 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、系统、设备及介质 |
| CN117315492B (zh) * | 2023-11-29 | 2024-04-02 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909492A (zh) | 一种利用机器学习技术的农业保险查勘定损方法 | |
| KR102317408B1 (ko) | 작물 재배면적 추출방법 | |
| CN112287892B (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
| Tayari et al. | Role of GPS and GIS in precision agriculture | |
| Gillan et al. | Estimating forage utilization with drone-based photogrammetric point clouds | |
| CN109887020A (zh) | 一种植株器官分离方法及系统 | |
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
| CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| CN107832849A (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
| CN106991449A (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| CN115527130A (zh) | 草原害鼠鼠密度调查方法及智能评估系统 | |
| CN110188419A (zh) | 一种景观生态现状条件分析与定量规划设计的方法 | |
| CN118097465A (zh) | 一种基于无人机图像和深度学习的田间稻穗定位识别方法 | |
| CN105894006A (zh) | 时空概率模型水稻遥感识别方法 | |
| CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| Zou et al. | Density estimation method of mature wheat based on point cloud segmentation and clustering | |
| Haines-Young | The use of remotely-sensed satellite imagery for landscape classification in Wales (UK) | |
| Zaji et al. | Wheat spikes height estimation using stereo cameras | |
| CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
| Xin et al. | Mapping miscanthus using multi-temporal convolutional neural network and google earth engine | |
| CN113344247B (zh) | 一种基于深度学习的电力设施选址预测方法与系统 | |
| CN115482504A (zh) | 一种基于ai算法的城市公园活力计算方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190624 Address after: 450044 No. 301, Building No. 4, Dongruigu District, North Xincheng Road and South Chuangjie Street, Huiji District, Zhengzhou City, Henan Province Applicant after: ABDAS SPACE INFORMATION TECHNOLOGY Co.,Ltd. Address before: 450016 Room 108, 1356 Hanghai East Road, Zhengzhou Economic and Technological Development Zone, Henan Province Applicant before: HENAN RAINBOW REMOTE SENSING TECHNOLOGY CO.,LTD. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |