CN110321774A - 农作物灾情评估方法、装置、设备及计算机可读存储介质 - Google Patents
农作物灾情评估方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110321774A CN110321774A CN201910268649.4A CN201910268649A CN110321774A CN 110321774 A CN110321774 A CN 110321774A CN 201910268649 A CN201910268649 A CN 201910268649A CN 110321774 A CN110321774 A CN 110321774A
- Authority
- CN
- China
- Prior art keywords
- crops
- disaster
- time
- current
- stricken
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000012010 growth Effects 0.000 claims abstract description 126
- 238000012905 input function Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 37
- 235000016709 nutrition Nutrition 0.000 claims abstract description 36
- 230000035764 nutrition Effects 0.000 claims abstract description 36
- 238000005286 illumination Methods 0.000 claims abstract description 35
- 238000011161 development Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 58
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000005284 excitation Effects 0.000 claims description 15
- 238000006116 polymerization reaction Methods 0.000 claims description 14
- 229920002755 poly(epichlorohydrin) Polymers 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 10
- 241000209094 Oryza Species 0.000 description 9
- 235000007164 Oryza sativa Nutrition 0.000 description 9
- 241000209140 Triticum Species 0.000 description 9
- 235000021307 Triticum Nutrition 0.000 description 9
- 235000009566 rice Nutrition 0.000 description 9
- 238000009313 farming Methods 0.000 description 8
- 240000006394 Sorghum bicolor Species 0.000 description 7
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 7
- 230000029553 photosynthesis Effects 0.000 description 6
- 238000010672 photosynthesis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003698 anagen phase Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于图像处理的一种农作物的灾情评估方法、装置、设备以及计算机可读存储介质，该农作物的灾情评估方法包括：获取农作物的遥感图像和农作物的生长环境参数；对农作物的遥感图像进行处理，获取农作物特征和农作物类别；根据农作物类别及农作物特征，生成对应类别农作物的时变发育变化量函数；根据农作物的生长环境参数，生成农作物生长环境的温度时变输入函数、光照时变输入函数及营养时变输入函数；基于农作物的函数，构建双并联前馈过程神经网络模型；通过双并联前馈过程神经网络模型的输入输出训练生成农作物的生长模型；基于农作物的生长模型不同时刻的状态，判断当前农作物是否处于受灾状态。如此，可精确判断农作物的受灾情况。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种农作物的灾情评估方法、 装置、设备及计算机可读存储介质。
背景技术
农业在我国经济中占据着重要的地位，农作物的生长情况不仅关系着我 们的生活，而且还影响着经济的发展。农作物的生长周期通常比较长，其在 生长过程中容易遭受到洪灾、旱灾、冰雹等自然灾害，农作物遭受自然灾害 后就容易出现减产的问题，为了降低农民的损失，众保险公司推出了农险业 务，以保障农民在其种植的农作物遭受到自然灾害后，能够根据其购买的农 险得到相应的赔偿。
现有的农作物灾情评估方法一般是采用遥感数据分类结果和抽样设计相 结合的精确面积估计法，即通过检测农作物受灾的面积来估算农作物的减产 量，从而确定农作物的受灾程度。然而，现有的农作物灾情评估方法没有将 农作物受灾后的实际减产量联系起来，也就是说，现有的农作物灾情评估方 法无法给受灾的农作物灾情做出精确的判断。
发明内容
本发明的主要目的在于提供一种农作物灾情评估方法、装置、设备及计 算机可读存储介质，旨在精确的确定农作物的受灾程度。
为实现上述目的，本发明提供了一种农作物灾情评估方法，其包括：
获取农作物的遥感图像和农作物的生长环境参数；
对所述农作物的遥感图像进行处理，以获取农作物特征，并根据所述农 作物特征确定农作物类别，其中，所述农作物特征包括光谱特性、茎属性以 及叶片属性；
根据所述农作物类别以及所述农作物特征，生成对应类别农作物的时变 发育变化量函数；以及根据所述农作物的生长环境参数，生成农作物生长环 境的温度时变输入函数、光照时变输入函数以及营养时变输入函数；
基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述 光照时变输入函数以及所述营养时变输入函数，构建双并联前馈过程神经网 络模型；
通过所述双并联前馈过程神经网络模型的输入输出训练，以生成所述农 作物的生长模型；
基于所述农作物的生长模型不同时刻的状态，判断当前农作物是否处于 受灾状态；
若当前农作物处于受灾状态，则基于所述农作物的遥感图像确定农作物 当前的受灾程度。
可选地，所述基于所述农作物的时变发育变化量函数、所述温度时变输 入函数、所述光照时变输入函数以及所述营养时变输入函数，构建双并联前 馈过程神经网络模型包括：
以所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光 照时变输入函数以及所述营养时变输入函数为双并联前馈神经网络模型的输 入层；
以所述输入层的多个函数的空间加权聚合、时间累积聚合与激励运算为 双并联前馈神经网络模型的隐层；
以所述隐层的激励运算结果以及所述输入层的时变函数进行空间加权聚 合运算以及时间累积聚合运算为双并联前馈神经网络模型的输出层。
可选地，所述基于所述农作物的生长模型不同时刻的状态，判断当前农 作物是否处于受灾状态包括：
获取所述农作物的生长模型不同时刻的输出值；
对所述农作物的生长模型不同时刻的输出值进行比较；
若所述农作物的生长模型不同时刻的输出值的差值在预设差值范围内， 则判定农作物处于非受灾状态；
若所述农作物的生长模型不同时刻的输出值的差值超过所述预设差值范 围，则判定农作物处于受灾状态。
可选地，所述若农作物当前处于受灾状态，则基于所述农作物的遥感图 像确定农作物当前的受灾程度的步骤包括：
若农作物当前处于受灾状态，则基于所述农作物的遥感图像，计算当前 农作物的受灾面积；
计算当前农作物受灾后的农作物的生长模型；
根据公式：
计算当前农作物的受灾程度；其中，C为当前农作物的受灾程度，S1为 当前农作物的受灾面积，M1为当前农作物受灾后的生长模型，S2为当前农作 物的未受灾面积，M2为当前农作物未受灾的生长模型，B为根据当前农作物 的耕种史获得的当前农作物历年单位面积的产量。
为实现上述目的，本发明还提供一种基于图像处理的农作物灾情评估装 置，其包括：
获取模块，用于获取农作物的遥感图像和农作物的生长环境参数；
处理模块，用于对所述农作物的遥感图像进行处理，以获取农作物特征， 并根据所述农作物特征，确定农作物类别，其中，所述农作物特征包括光谱 特性、茎属性以及叶片属性；
生成模块，用于根据所述农作物类别以及所述农作物特征，生成对应类 别农作物的时变发育变化量函数；以及根据所述农作物的生长环境参数，生 成农作物生长环境的温度时变输入函数、光照时变输入函数以及营养时变输 入函数；
神经网络模型构建模块，用于基于所述农作物的时变发育变化量函数、 所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数， 构建双并联前馈过程神经网络模型；
生长模型构建模块，用于通过所述双并联前馈过程神经网络模型的输入 输出训练，以生成所述农作物的生长模型；
比较模块，用于基于所述农作物的生长模型不同时刻的状态，判断当前 农作物是否处于受灾状态；
确定模块，用于在当前农作物处于受灾状态，基于所述农作物的遥感图 像确定农作物当前的受灾程度。
可选地，输入层单元，用于以所述农作物的时变发育变化量函数、所述 温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数为双 并联前馈神经网络模型的输入层；
隐层单元，用于以所述输入层的多个函数的空间加权聚合、时间累积聚 合与激励运算为双并联前馈神经网络模型的隐层；
输出层单元，用于以所述隐层的激励运算结果以及所述输入层的时变函 数进行空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模型 的输出层。
可选地，所述比较模块还包括：
获取单元，用于获取所述农作物的生长模型不同时刻的输出值；
作差单元，用于对所述农作物的生长模型不同时刻的输出值进行比较；
判断单元，用于在所述农作物的生长模型不同时刻的输出值的差值在预 设差值范围内，判定农作物处于非受灾状态；在所述农作物的生长模型不同 时刻的输出值的差值超过所述预设差值范围，则判定农作物处于受灾状态。
可选地，所述确定模块还包括：
第一计算单元，用于在农作物当前处于受灾状态，则基于所述农作物的 遥感图像，计算当前农作物的受灾面积；
第二计算单元，计算当前农作物受灾后的农作物的生长模型；
第三计算单元，用于根据公式：
计算当前农作物的受灾程度；其中，C为当前农作物的受灾程度，S1为 当前农作物的受灾面积，M1为当前农作物受灾后的生长模型，S2为当前农作 物的未受灾面积，M2为当前农作物未受灾的生长模型，B为根据当前农作物 的耕种史获得的当前农作物历年单位面积的产量。
此外，为实现上述目的，本发明还提供一种基于图像处理的农作物灾情 评估设备，所述基于图像处理的农作物灾情评估设备包括处理器、存储器、 以及存储在所述存储器上并可被所述处理器执行的基于图像处理的农作物灾 情评估程序，所述基于图像处理的农作物灾情评估程序被所述处理器执行时， 实现上述的农作物灾情评估方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述 计算机可读存储介质上存储有基于图像处理的农作物灾情评估程序，所述基 于图像处理的农作物灾情评估程序被处理器执行时，实现上述的农作物灾情 评估方法的步骤。
本发明提供一种农作物灾情评估方法，获取农作物的遥感图像和农作物 的生长环境参数；对农作物的遥感图像进行处理，以获取农作物特征，并根 据农作物特征确定农作物类别，其中，农作物特征包括光谱特性、茎属性以 及叶片属性；根据农作物类别以及农作物特征，生成对应类别农作物的时变 发育变化量函数；以及根据农作物的生长环境参数，生成农作物生长环境的 温度时变输入函数、光照时变输入函数以及营养时变输入函数；基于农作物 的时变发育变化量函数、温度时变输入函数、光照时变输入函数以及营养时 变输入函数，构建双并联前馈过程神经网络模型；通过双并联前馈过程神经 网络模型的输入输出训练，以生成农作物的生长模型；基于农作物的生长模 型不同时刻的状态，判断当前农作物是否处于受灾状态；若当前农作物处于 受灾状态，则基于农作物的遥感图像确定农作物当前的受灾程度。本发明通 过上述方式，可以快速的确定农作物是否受到灾害以及精确的确定农作物的 受灾程度。
附图说明
图1为本发明实施例方案中涉及的农作物灾情评估设备的硬件结构示意 图；
图2为本发明的农作物灾情评估方法一实施例的流程示意图；
图3为图2中步骤S40一实施例的细化流程示意图；
图4为图2中步骤S60一实施例的细化流程示意图；
图5为图2中步骤S70一实施例的细化流程示意图；
图6为图2中双并联前馈过程神经网络模型一实施例的示意图；
图7为本发明的农作物灾情评估装置一实施例的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定 本发明。
本发明涉及的农险理赔的方法主要应用于农作物灾情评估设备，该农作 物灾情评估设备可以是PC、便携计算机、移动终端等具有显示和处理功能的 设备。
参照图1，图1为本发明实施例方案中涉及的基于图像处理的农作物灾情 评估设备的硬件结构示意图。本发明实施例中，基于图像处理的农作物灾情 评估设备可以包括处理器1001(例如CPU)，通信总线1002，用户接口1003， 网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间 的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘 (Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如 WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立 于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的硬件结构并不构成对基于图像 处理的农作物灾情评估设备的限定，可以包括比图示更多或更少的部件，或 者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以 包括操作系统、网络通信模块以及数据管理程序。
在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信； 而处理器1001可以调用存储器1005中存储的数据管理程序，并执行本发明 实施例提供的农作物灾情评估方法。
基于上述农险理赔设备，提出本发明的农作物灾情评估方法的各个实施 例。
参照图2，图2为本发明农作物灾情评估方法一实施例的流程示意图。
本实施例中，所述农作物灾情评估方法包括以下步骤：
步骤S10，获取农作物的遥感图像和农作物的生长环境参数；
本实施例中，该农作物的遥感图像可以通过卫星拍摄，也可以通过飞行 器拍摄，在此对该农作物的遥感图像具体采用何种方式拍摄不做具体的限定。 该农作物的生长环境的参数包括温度、光照、营养等等，该农作物的生长环 境的参数主要由设置于农作物的生长环境中的传感器检测，该传感器包括温 度传感器、光照传感器、营养传感器等等。
由于农作物的生长周期比较长，农作物的生长状态在短时间内并不会出 现较大的变化；同样地，农作物的生长环境也是随季节改变的，也就是说农 作物的生长环境在较短时间内也不会出现较大的变化。鉴于此，可以间隔预 设时长来获取农作物的遥感图像和农作物的生长环境参数了，该预设时长可 以是一天、一周、一个月等等，该预设时长可以根据实际情况设置。
该预设时长可以依据天气预报来设置，例如，在降雨量较少或者降雨量 较多的时间段，可以将预设时长设置的较短一些，该预设时长可以是12小时、 24小时、36小时等等。再如，在降雨量比较均匀的时间段，可以将预设时长 设置的较长一些，该预设时长可以是一周、两周、三周等等。
步骤S20：对所述农作物的遥感图像进行处理，以获取农作物特征，并根 据所述农作物特征确定农作物类别，其中，所述农作物特征包括光谱特性、 茎属性以及叶片属性；
本实施例中，对农作物的遥感图像进行处理就是对农作物的遥感图像进 行遥感图像校正、遥感图像增强、遥感图像镶嵌、遥感图像融合等一系列处 理，以获取分辨率较高的农作物的遥感图像。这样就使得农作物的特征能够 清楚的从农作物的遥感图像中显示出来，农作物在不同的生长时期会有不同 的农作物特征，例如，农作物在幼苗阶段，农作物通常只有茎和叶；再如， 农作物在成苗阶段，农作物不仅有茎和叶，而且还有花；鉴于农作物的茎和 叶存在于农作物的各个生长阶段，因此，可以提取农作物的茎属性和叶片属 性作为农作物特征。农作物的茎属性包括茎的尺寸(即农作物的茎的长度和 周长)、茎的形状等等，农作物的叶片属性包括叶片的大小、叶片的形状。
值得注意的是，不同的农作物因叶片结构、色素种类、色素含量、水分 含量以及其他成分的不同，会导致不同的农作物具有不同的光谱特性，因此， 还可以将农作物的光谱特性作为一个农作物特征。农作物的叶片中含叶绿素 比较多，则农作物的叶片呈绿色；农作物的叶片中含类胡萝卜素比较多，则 农作物的叶片呈黄色；农作物的叶片中含红色素比较多，则农作物的叶片呈 红色等等。
确定农作物类别就是对监控农作物类别进行判定，以确定被监控的农作 物类别的种类。在对农作物类别进行判定时，主要是通过比对农作物特征来 确定的，即对农作物的光谱特性、农作物的茎属性、农作物的叶属性一一进 行比较。在对农作物特征进行比对时，先将农作物的光谱特性、农作物的茎 属性以及农作物的叶属性中的一个进行比对，这样就可以排除较多的干扰项； 同样地，将农作物的光谱特性、农作物的茎属性以及农作物的叶属性中未进 行比对的两个特征依次进行比对后，就能够判定农作物类别。
本实施例中，预设农作物特征数据库中包括多种不同类别的农作物的光 谱特征、茎属性、叶片属性等等；预设农作物特征数据库中还包括同一种农 作物不同生长时期的光谱特性、茎属性、叶片属性等等。在对农作物类别进 行确认时，若依据农作物的一个农作物特征与预设农作物特征数据库中的农 作物特征比对即可判断出农作物类别，则无需再对农作物其他的农作物特征 进行比对；若依据农作物的一个农作物特征无法判断农作物类别，则可以将 农作物的其他农作物特征与预设农作物特征数据库中的农作物特征进行比对，以确定农作物类别。
例如，在对水稻、小麦以及高粱中的一种农作物进行农作物类别判断时， 由于水稻、小麦以及高粱在生长阶段时，水稻、小麦以及高粱的颜色相差不 大，也就是说，依靠水稻的光谱特性、小麦的光谱特性以及高粱的光谱特性 是无法判断三种农作物类别的。此时，需要增加一个农作物特征来进行判断， 增加的农作物特征可以是农作物的茎属性，水稻、小麦以及高粱三者中水稻 和小麦的茎属性比较相近，与高粱的茎属性差别比较大，这样就确定三个农 作物种的高粱。剩下的水稻以及小麦则需要增加另一个农作物特征来进行判 断，即引入农作物特征中的叶片属性，小麦的叶片属性与水稻的叶片属性相 差比较大，这样就可以轻易的将水稻和小麦区分开来。
值得注意的是，农作物特征与预设农作物特征数据库中的农作物特征比 较时，一般会根据农作物特征设置优先级的，通常会将农作物的光谱特性设 置为第一级，将农作物的叶片属性设置为第二级、将农作物的茎属性设置为 第三级。当然，农作物特征越多，设置的级别也就越多，这样就能够精准的 判断农作物类别。
步骤S30：根据所述农作物类别以及所述农作物特征，生成对应类别农作 物的时变发育变化量函数；以及根据所述农作物的生长环境参数，生成农作 物生长环境的温度时变输入函数、光照时变输入函数以及营养时变输入函数；
步骤S40：基于所述农作物的时变发育变化量函数、所述温度时变输入函 数、所述光照时变输入函数以及所述营养时变输入函数，构建双并联前馈过 程神经网络模型；
步骤S50：通过所述双并联前馈过程神经网络模型的输入输出训练，以生 成所述农作物的生长模型；
本实施例中，建立农作物的生长模型的目的在于预测农作物在未来一段 时间内的状态，以提取预知农作物在未来一段时间内状况。即运用科学的手 段来建立农作物的生长模型来预测农作物的生长状态、产量、质量等指标。 农作物的生长不仅与其自身的遗传因素有关，而且还与环境因素有关。通常， 农作物在进行种植时，会对幼苗进行筛选，以除去长势较差的幼苗，进而排 除遗传因素的影响，这样就使得农作物的生长仅仅是环境因素密切相关。
农作物的生长模型是依据双并联前馈过程神经网络模型建立的，双并联 前馈过程神经网络是从输入层到输出层或者到某一个最后隐层直接全部相互 连接在一起而形成的一类网络模型，但是他必须是在多层前向过程神经网络 的基础之上完成的。
农作物的生理学特征都与生长发育期的各种不同时变参数输入条件相 关，比如气象、温度、光照、营养等。因此，可以根据农作物的生长环境参 数中的温度、光照、营养与时间之间关系建立函数，以生成农作物生长环境 的温度时变输入函数、光照时变输入函数以及营养时变输入函数。
农作物的时变发育变化量函数与农作物的生长模型密切相关，农作物的 时变发育变化量函数依据农作物的茎的高度、茎的粗细、叶片的数量以及叶 片的大小相关。也就是说，在计算农作物的识别发育变化量函数时，需要从 农作物的遥感图像中获取农作物的茎属性和叶片属性，根据农作物的茎的属 性和叶片属性构建农作物的时变发育变化量函数，具体的，农作物的时变发 育变化量函数为x1(t)＝(a*S叶*V叶光合作用*t+b*S茎*V茎光合作用*t-V呼吸作用t)/t， 其中，a和b分别表示权重。值得注意的是S叶与叶片的数量以及叶片的尺寸 有关，S茎与茎的数量以及茎的表面积有关；随着时间的推移，农作物的叶片 数量得到增加，农作物的叶片尺寸增大，则S叶是与时间呈正比的；同样地， 随着时间的推移，农作物的茎的数量也得到增加，农作物的茎尺寸也会增大， 则S茎是与时间呈正比的。农作物的呼吸作用消耗的能量与农作物的叶片数量、 茎的数量呈正比，因此，农作物的呼吸作用的速度V呼吸作用也是与时间呈正比 的。但是农作物的叶片光合作用与农作物的茎光合作用合成的能量要大于农 作物的呼吸作用消耗的能量。
农作物的生长环境参数包括温度、光照、营养等，这些因素都能够直接 影响到农作物的生长。农作物的生长环境的温度在昼夜是有较大的变化，农 作物的生长环境的温度不仅影响着农作物的光合作用，同时还影响着农作物 的呼吸作用，鉴于此，在建立农作物的生长环境的温度时变输入函数时，需 要考虑每一时刻的农作物的生长环境的温度。农作物的生长环境中的光照影 响着农作物的光合作用，因此，在建立农作物的生长环境中的光照时变输入 函数，可以仅考虑农作物的生长环境的光照与时间之间的关系。农作物的生长环境的营养是个变化的值，农作物的生长环境的营养是可以人为的改变的， 因此，营养时变输入函数可以根据传感器检测到的多组数据与时间之间的关 系来确定。
步骤S60：基于所述农作物的生长模型不同时刻的状态，判断当前农作物 是否处于受灾状态；
本实施例中，农作物未受灾的生长状态与农作物受灾后的生长状态是不 相同的，也就是说，基于农作物未受灾的遥感图像建立的农作物的生长模型 与基于农作物受灾的遥感图像建立的农作物的生长模型之间存在差别的，因 此，可以通过比较农作物的生长模型不同时刻的状态来判断农作物是否遭受 自然灾害。
农作物的生长模型可以预测农作物在未来一段时间内的生长状态，即可 以通过农作物的生长模型预测农作物在未来一段时间内茎的状态、叶的状态、 花的状态等等。也就是说，在比较农作物的生长模型不同时刻的状态时，可 以通过比较农作物的生长模型不同时刻的茎的状态、叶的状态、花的状态， 来确定农作物是否遭受自然灾害而处于受灾状态。
值得注意的是，在对农作物的生长模型不同时刻的状态进行比较时，一 般是将前后两个相邻时刻的农作物的生长模型进行比较，这样可以更加精确 的判断两个相邻时刻的农作物的生长模型中处于后一时刻的农作物的生长模 型是否处于受灾状态。当然，在对农作物的生长模型不同时刻的状态进行比 较时，也可以不是相邻的两个时刻的农作物的生长模型进行比较，只要两个 时刻间隔不超过一定的时长即可。
步骤S70：若当前农作物处于受灾状态，则基于所述农作物的遥感图像确 定农作物当前的受灾程度。
本实施例中，由于农作物是被监控的，农作物处于受灾状态时，其遥感 图像会清楚的记录农作物的状况，因此，可以通过分析当前农作物的状况来 确定农作物的受灾情况。即通过获取当前农作物的遥感图像，再对当前农作 物的遥感图像进行图像分析处理，以获取当前农作物的遥感图像中的目标特 征，然后根据获取的当前农作物的遥感图像中的目标特征确定当前农作物的 受灾情况，这样就可以快速的确定农作物的受灾情况。
对农作物的遥感图像进行处理的步骤包括：遥感图像校正、遥感图像增 强、遥感图像镶嵌、遥感图像融合。遥感图像校正是指纠正变形的图像数据 或低质量的图像数据，从而更加真实地反映其情景。图像校正主要包括辐射 校正与几何校正两种。遥感图像增强是通过增加图像中某些特征在外观上的 反差来提高图像的目视解译性能，主要包括对比度变换、空间滤波、彩色变 换、图像运算和多光谱变换等。图像校正是以消除伴随观测而产生的误差与 畸变，使遥感观测数据更接近于真实值为主要目的处理，而图像增强则把重点放在使分析者能从视觉上便于识别图像内容之上。遥感图像镶嵌是将两幅 或多幅数字图像(它们有可能是在不同的摄影条件下获取的)拼接在一起，构成 一幅更大范围的遥感图像。遥感图像融合是将多源遥感数据在统一的地理坐 标系中采用一定算法生成一组新的信息或合成图像的过程。遥感图像融合将 多种遥感平台、多时相遥感数据之间以及遥感数据与非遥感数据之间的信息 进行组合匹配、信息补充，融合后的数据更有利于综合分析。
本实施例通过获取农作物的遥感图像和农作物的生长环境参数；对农作 物的遥感图像进行处理，以获取农作物特征，并根据农作物特征确定农作物 类别，其中，农作物特征包括光谱特性、茎属性以及叶片属性；根据农作物 类别以及农作物特征，生成对应类别农作物的时变发育变化量函数；以及根 据农作物的生长环境参数，生成农作物生长环境的温度时变输入函数、光照 时变输入函数以及营养时变输入函数；基于农作物的时变发育变化量函数、 温度时变输入函数、光照时变输入函数以及营养时变输入函数，构建双并联 前馈过程神经网络模型；通过双并联前馈过程神经网络模型的输入输出训练， 以生成农作物的生长模型；基于农作物的生长模型不同时刻的状态，判断当 前农作物是否处于受灾状态；若当前农作物处于受灾状态，则基于农作物的 遥感图像确定农作物当前的受灾程度。通过上述方式，可以快速的监测到农 作物是否受到灾害同时还能够快速的确定农作物的受灾程度，上述方式可以 应用与农险理赔场景，这样就无需查勘人员实地勘测农作物的受灾程度，进 而减速了农险理赔的进程。
参照图3，图3为图2中步骤S40一实施例的细化流程示意图。
基于上述实施例，本实施例中，步骤S20包括：
步骤S401，以所述农作物的时变发育变化量函数、所述温度时变输入函 数、所述光照时变输入函数以及所述营养时变输入函数为双并联前馈神经网 络模型的输入层；
步骤S402，以所述输入层的多个函数的空间加权聚合、时间累积聚合与 激励运算为双并联前馈神经网络模型的隐层；
步骤S402，以所述隐层的激励运算结果以及所述输入层的时变函数进行 空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模型的输出 层。
本实施例中，双并联前馈神经网络模型是一个输出为确切数值的网络模 型，也就是说，依据双并联前馈神经网络模型输入输出训练得到的农作物的 生长模型是一个确切的数值，该数值可以代表农作物的生长状态、产量、质 量等。
农作物的生长不仅与自身有关，同时还与农作物的生长环境中的温度、 光照以及营养有关，因此，农作物的时变发育变化量函数、温度时变输入函 数、光照时变输入函数以及营养输入函数均为双并联前馈神经网络的输入层， 也就是说，双并联前馈神经网络的输入层具有4个节点。当然，在建立农作 物的生长模型时，考虑的因素越多，农作物的生长模型越精确，也就是说， 双并联前馈神经网络的输入层的节点越多，双并联前馈神经网络的输出层输 出的结果更加精确。
请参照图6，图6中给出了双并联前馈神经网络模型一实施例的示意图， 这个双并联前馈网络模型仅具有1个隐层。输入层是由n个节点形成的输入 层，它的主要功能是为了把n个时变函数(农作物的时变发育变化量函数、 温度时变输入函数、光照时变输入函数、营养输入函数等)传递到神经网络； 隐层是由m个过程神经元形成，它的主要功能是为了把n个时变输入函数的 空间加权聚合、时间累积以及激励运算，并将运算结果输出至输出层；输出 层不但接收来自隐层的激励运算结构数据，而且还直接接收来自输入层的时 变输入函数，并将接收到的数据进行空间加权聚合以及时间累积聚合运算后 完成系统激励输出。
具体的运算过程如下：
网络的系统输入函数向量为：X(t)＝(x1(t),x2(t)…xn(t))；假设系统输入过 程的区间为[0,T]，那么隐层第j(j＝1，2…，m)个过程神经元的输入量为：公式中ωij(t)为隐层第j个过程神经元与输入层的第i 个单元之间的连接权函数(i＝1，2…，n)。由此可得，隐层中第j个过程神经 元的输出量为：式中为隐层第j个过程神经元阈值量；f(x) 为隐层过程神经元中一般可取Sigmoid函数的激励函数。
设输出层中激励函数g(z)是线性函数并且g(z)＝z，那么神经网络系统的输 出量为：式中ui(t)为输入层第i个单元与输 出层中过程神经元两者之间的连接权函数；vj为隐层中第j个过程神经元与输 出层中过程神经元两者之间的连接权数值，θ(2)为输出层中过程神经元的阈 值。
结合上述方程 输出为数值的双并联前馈过程神经网络的输入与输出的关系 表达式为：
农作物的生长都与各种不同时变参数输入条件相关，这些参数都是和时 间相关的条件参数所确定，也就是不同的识别函数输入xi(t)，然后通过双并 联前馈过程神经网络的输入输出训练，从而得到农作物的生长模型的预测算 法的表达式。
参照图4，图4为图2中步骤S60一实施例的细化流程示意图。
基于上述实施例，本实施例中，步骤S60包括：
步骤S601：获取所述农作物的生长模型不同时刻的输出值；
步骤S602：对所述农作物的生长模型不同时刻的输出值进行比较；
步骤S603：若所述农作物的生长模型不同时刻的输出值的差值在预设差 值范围内，则判定农作物处于非受灾状态；若所述农作物的生长模型不同时 刻的输出值的差值超过所述预设差值范围，则判定农作物处于受灾状态。
本实施例中，农作物的生长模型是根据双并联前馈过程神经网络模型建 立的，双并联前馈神经网络模型是一个输出为确切数值的网络模型，也就是 说，依据双并联前馈神经网络模型输入输出训练得到的农作物的生长模型是 一个确切的数值，该数值可以代表农作物的生长状态、产量、质量等，因此， 可以通过比较农作物的生长模型不同时刻的输出值的差值来判断当前农作物 是否处于受灾状态。
值得注意的是，农作物的生长模型不同时刻的输出值的差值，可以是正 数也可以是负数，因此，该预设差值范围可以是在一个负数和一个正数之间。
参照图5，图5为图2中步骤S70一实施例的细化流程示意图。
基于上述实施例，本实施例中，步骤S70具体包括：
步骤S701，若农作物当前处于受灾状态，则基于所述农作物的遥感图像， 计算当前农作物的受灾面积；
在本实施例中，一旦判断农作物处于受灾状态，则会立即获取当前农作 物的遥感图像，农作物的遥感图像中处于受灾状态的农作物的生长模型与处 于非受灾状态的农作物的生长模型是有区别的，这样就便于农作物的受灾面 积的统计。
通常，在根据农作物的遥感图像统计农作物的受灾面积时，会将农作物 的遥感图像划分为多个单元，然后将每一个单元内的农作物的受灾面积进行 统计，最后再将多个单元内的农作物的受灾面积进行叠加，以获得农作物的 受灾面积。农作物的遥感图像划分的单元越小，农作物的受灾面积的计算就 越精确。
步骤S702，计算当前农作物受灾后的农作物的生长模型；
本实施例中，当前农作物在遭受自然灾害后(如洪灾、冰灾等)，其生长 状态可能会发生变化，可能也不会发生变化，计算当前农作物受灾后的农作 物的生长模型就是为了确认该农作物的生长状态是否发生变化，当前农作物 受灾后的农作物的生长模型与上述农作物的生长模型的建立相似，在此就不 再赘述。
步骤S703，根据公式：
计算当前农作物的受灾程度；其中，C为当前农作物的受灾程度，S1为 当前农作物的受灾面积，M1为当前农作物受灾后的生长模型，S2为当前农作 物的未受灾面积，M2为当前农作物未受灾的生长模型，B为根据当前农作物 的耕种史获得的当前农作物历年单位面积的产量。
本实施例中，衡量农作物的受灾程度一般是根据农作物的减产量来确定 的，农作物的实际产量为受灾的农作物的产量与未受灾的农作物的产量之和， 农作物的正常产量则根据农作物在当地的耕种史来确定，即根据当前农作物 历年单位面积的产量与当前农作物的耕种面积的乘积确定农作物的正常产 量。
例如，当前农作物历年单位面积的产量为1000斤，农作物的种植面积为 100亩，农作物在生长过程中，遭遇自然灾害而致使100亩农作物中有40亩 受灾，受灾后的农作物单位面积的产量为600斤，为受灾的农作物单位面积 的产量为1000斤，根据计算公式可得农作物的受灾程度为16％，也就是说， 农作物减产16％。
值得注意的是，本发明中的农作物灾情评估的方法可以应用到农险理赔 的场景中，即农作物在种植之前购买了农险，若农作物受灾的话，可以通过 上述基于图像处理的农作物灾情评估的方法确定农作物的受灾程度，这样就 无需查勘人员现场勘测农作物的受灾程度，从而加速了理赔的进程。
此外，本发明还提供一种农险理赔装置。
参照图7，图7为本发明基于图像处理的农作物灾情评估装置一实施例的 功能模块图。
本实施例中，所述基于图像处理的农作物灾情评估装置包括：
获取模块10，用于获取农作物的遥感图像和农作物的生长环境参数；
处理模块20，用于对所述农作物的遥感图像进行处理，以获取农作物特 征，并根据所述农作物特征，确定农作物类别，其中，所述农作物特征包括 光谱特性、茎属性以及叶片属性；
生成模块30，用于根据所述农作物类别以及所述农作物特征，生成对应 类别农作物的时变发育变化量函数；以及根据所述农作物的生长环境参数， 生成农作物生长环境的温度时变输入函数、光照时变输入函数以及营养时变 输入函数；
神经网络模型构建模块40，用于基于所述农作物的时变发育变化量函数、 所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数， 构建双并联前馈过程神经网络模型；
生长模型构建模块50，用于通过所述双并联前馈过程神经网络模型的输 入输出训练，以生成所述农作物的生长模型；
比较模块60，用于基于所述农作物的生长模型不同时刻的状态，判断当 前农作物是否处于受灾状态；
确定模块70，用于在当前农作物处于受灾状态，基于所述农作物的遥感 图像确定农作物当前的受灾程度。
可选地，所述神经网络模型构建模块40还包括：
输入层单元401，用于以所述农作物的时变发育变化量函数、所述温度时 变输入函数、所述光照时变输入函数以及所述营养时变输入函数为双并联前 馈神经网络模型的输入层；
隐层单元402，用于以所述输入层的多个函数的空间加权聚合、时间累积 聚合与激励运算为双并联前馈神经网络模型的隐层；
输出层单元403，用于以所述隐层的激励运算结果以及所述输入层的时变 函数进行空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模 型的输出层。
可选地，所述比较模块60还包括：
获取单元601，用于获取所述农作物的生长模型不同时刻的输出值；
作差单元602，用于对所述农作物的生长模型不同时刻的输出值进行比 较；
判断单元603，用于在所述农作物的生长模型不同时刻的输出值的差值在 预设差值范围内，判定农作物处于非受灾状态；在所述农作物的生长模型不 同时刻的输出值的差值超过所述预设差值范围，则判定农作物处于受灾状态。
可选地，所述确定模块70还包括：
第一计算单元701，用于在农作物当前处于受灾状态，则基于所述农作物 的遥感图像，计算当前农作物的受灾面积；
第二计算单元702，计算当前农作物受灾后的农作物的生长模型；
第三计算单元703，用于根据公式：
计算当前农作物的受灾程度；其中，C为当前农作物的受灾程度，S1为 当前农作物的受灾面积，M1为当前农作物受灾后的生长模型，S2为当前农作 物的未受灾面积，M2为当前农作物未受灾的生长模型，B为根据当前农作物 的耕种史获得的当前农作物历年单位面积的产量。
其中，上述农险理赔装置中各个模块与上述基于图像处理的农作物的灾 情评估方法的实施例中各步骤相对应，其功能和实现过程在此处不再一一赘 述。
此外，本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有农险理赔程序，其中所述基于图像 处理的农作物灾情评估程序被处理器执行时，实现如上述的农作物灾情评估 方法的步骤。
其中，基于图像处理的农作物灾情评估程序被执行时所实现的方法可参 照本发明农作物灾情评估方法的各个实施例，此处不再赘述。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM)中，包括 若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等) 执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上 述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的， 本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求 所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内 容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领 域，这些均属于本发明的保护之内。
Claims (10)
1.一种农作物灾情评估方法，其特征在于，所述基于图像处理的农作物的灾情评估方法包括：
获取农作物的遥感图像和农作物的生长环境参数；
对所述农作物的遥感图像进行处理，以获取农作物特征，并根据所述农作物特征确定农作物类别，其中，所述农作物特征包括光谱特性、茎属性以及叶片属性；
根据所述农作物类别以及所述农作物特征，生成对应类别农作物的时变发育变化量函数；以及根据所述农作物的生长环境参数，生成农作物生长环境的温度时变输入函数、光照时变输入函数以及营养时变输入函数；
基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数，构建双并联前馈过程神经网络模型；
通过所述双并联前馈过程神经网络模型的输入输出训练，以生成所述农作物的生长模型；
基于所述农作物的生长模型不同时刻的状态，判断当前农作物是否处于受灾状态；
若当前农作物处于受灾状态，则基于所述农作物的遥感图像确定农作物当前的受灾程度。
2.如权利要求1所述的农作物灾情评估方法，其特征在于，所述基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数，构建双并联前馈过程神经网络模型包括：
以所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数为双并联前馈神经网络模型的输入层；
以所述输入层的多个函数的空间加权聚合、时间累积聚合与激励运算为双并联前馈神经网络模型的隐层；
以所述隐层的激励运算结果以及所述输入层的时变函数进行空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模型的输出层。
3.如权利要求1所述的农作物灾情评估方法，其特征在于，所述基于所述农作物的生长模型不同时刻的状态，判断当前农作物是否处于受灾状态包括：
获取所述农作物的生长模型不同时刻的输出值；
对所述农作物的生长模型不同时刻的输出值进行比较；
若所述农作物的生长模型不同时刻的输出值的差值在预设差值范围内，则判定农作物处于非受灾状态；
若所述农作物的生长模型不同时刻的输出值的差值超过所述预设差值范围，则判定农作物处于受灾状态。
4.如权利要求1-3中任一项所述的农作物灾情评估方法，其特征在于，所述若农作物当前处于受灾状态，则基于所述农作物的遥感图像确定农作物当前的受灾程度的步骤包括：
若农作物当前处于受灾状态，则基于所述农作物的遥感图像，计算当前农作物的受灾面积；
计算当前农作物受灾后的农作物的生长模型；
根据公式：
计算当前农作物的受灾程度；其中，C为当前农作物的受灾程度，S1为当前农作物的受灾面积，M1为当前农作物受灾后的生长模型，S2为当前农作物的未受灾面积，M2为当前农作物未受灾的生长模型，B为根据当前农作物的耕种史获得的当前农作物历年单位面积的产量。
5.一种农作物灾情评估装置，其特征在于，所述基于图像处理的农作物灾情评估装置包括：
获取模块，用于获取农作物的遥感图像和农作物的生长环境参数；
处理模块，用于对所述农作物的遥感图像进行处理，以获取农作物特征，并根据所述农作物特征，确定农作物类别，其中，所述农作物特征包括光谱特性、茎属性以及叶片属性；
生成模块，用于根据所述农作物类别以及所述农作物特征，生成对应类别农作物的时变发育变化量函数；以及根据所述农作物的生长环境参数，生成农作物生长环境的温度时变输入函数、光照时变输入函数以及营养时变输入函数；
神经网络模型构建模块，用于基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数，构建双并联前馈过程神经网络模型；
生长模型构建模块，用于通过所述双并联前馈过程神经网络模型的输入输出训练，以生成所述农作物的生长模型；
比较模块，用于基于所述农作物的生长模型不同时刻的状态，判断当前农作物是否处于受灾状态；
确定模块，用于在当前农作物处于受灾状态，基于所述农作物的遥感图像确定农作物当前的受灾程度。
6.如权利要求5所述的农作物灾情评估装置，其特征在于，所述神经网络模型构建模块还包括：
输入层单元，用于以所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数为双并联前馈神经网络模型的输入层；
隐层单元，用于以所述输入层的多个函数的空间加权聚合、时间累积聚合与激励运算为双并联前馈神经网络模型的隐层；
输出层单元，用于以所述隐层的激励运算结果以及所述输入层的时变函数进行空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模型的输出层。
7.如权利要求5所述的农作物灾情评估装置，其特征在于，所述比较模块还包括：
获取单元，用于获取所述农作物的生长模型不同时刻的输出值；
作差单元，用于对所述农作物的生长模型不同时刻的输出值进行比较；
判断单元，用于在所述农作物的生长模型不同时刻的输出值的差值在预设差值范围内，判定农作物处于非受灾状态；在所述农作物的生长模型不同时刻的输出值的差值超过所述预设差值范围，则判定农作物处于受灾状态。
8.如权利要求5所述的农作物灾情评估装置，其特征在于，所述确定模块还包括：
第一计算单元，用于在农作物当前处于受灾状态，则基于所述农作物的遥感图像，计算当前农作物的受灾面积；
第二计算单元，计算当前农作物受灾后的农作物的生长模型；
第三计算单元，用于根据公式：
计算当前农作物的受灾程度；其中，C为当前农作物的受灾程度，S1为当前农作物的受灾面积，M1为当前农作物受灾后的生长模型，S2为当前农作物的未受灾面积，M2为当前农作物未受灾的生长模型，B为根据当前农作物的耕种史获得的当前农作物历年单位面积的产量。
9.一种农作物灾情评估设备，其特征在于，所述农作物灾情评估设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的农作物灾情评估程序，所述农作物灾情评估程序被所述处理器执行时，实现如权利要求1至4中任一项所述的农作物灾情评估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有农作物灾情评估程序，所述农作物灾情评估程序被处理器执行时，实现如权利要求1至4中任一项所述的农作物灾情评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910268649.4A CN110321774B (zh) | 2019-04-04 | 2019-04-04 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910268649.4A CN110321774B (zh) | 2019-04-04 | 2019-04-04 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110321774A true CN110321774A (zh) | 2019-10-11 |
| CN110321774B CN110321774B (zh) | 2022-05-17 |
Family
ID=68112936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910268649.4A Active CN110321774B (zh) | 2019-04-04 | 2019-04-04 | 农作物灾情评估方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321774B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| 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 |
| CN117876362A (zh) * | 2024-03-11 | 2024-04-12 | 国任财产保险股份有限公司 | 一种基于深度学习的自然灾害损失评估方法及装置 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
| WO2012123505A2 (en) * | 2011-03-14 | 2012-09-20 | Ecole Centrale Paris | Method and device for efficient parallel message computation for map inference |
| US20130132045A1 (en) * | 2011-11-21 | 2013-05-23 | International Business Machines Corporation | Natural Disaster Forecasting |
| US20130177235A1 (en) * | 2012-01-05 | 2013-07-11 | Philip Meier | Evaluation of Three-Dimensional Scenes Using Two-Dimensional Representations |
| CN103646299A (zh) * | 2013-12-19 | 2014-03-19 | 浙江省公众信息产业有限公司 | 基于神经元网络的农作物预测方法与装置 |
| CN103969632A (zh) * | 2014-03-26 | 2014-08-06 | 北京农业信息技术研究中心 | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 |
| US20140254884A1 (en) * | 2013-03-11 | 2014-09-11 | Peter Adrian Spencer Elkington | Methods of and Apparatuses for Identifying Geological Characteristics in Boreholes |
| CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
| CN105279738A (zh) * | 2015-07-15 | 2016-01-27 | 电子科技大学 | 基于遥感影像植被参数估算中阴影问题的应对方法 |
| WO2016014930A2 (en) * | 2014-07-24 | 2016-01-28 | Exelis Inc. | A vision-based system for dynamic weather detection |
| US20160063639A1 (en) * | 2014-08-26 | 2016-03-03 | David P. Groeneveld | System and Method to Assist Crop Loss Adjusting of Variable Impacts Across Agricultural Fields Using Remotely-Sensed Data |
| CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
| CN105389740A (zh) * | 2015-12-29 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 一种基于作物生长模型的农业旱灾风险评估方法 |
| CN105761155A (zh) * | 2015-08-26 | 2016-07-13 | 北京师范大学 | 一种基于历史案例的农业旱灾灾情快速评估方法 |
| CN106778516A (zh) * | 2016-11-24 | 2017-05-31 | 中国科学院地理科学与资源研究所 | 一种利用中国风云三号卫星遥感数据确定地表温度的方法及装置 |
| US20170161559A1 (en) * | 2011-09-23 | 2017-06-08 | Corelogic Solutions, Llc | Building footprint extraction apparatus, method and computer program product |
| CN107480888A (zh) * | 2017-08-17 | 2017-12-15 | 中国水利水电科学研究院 | 一种基于apsim模型的农业旱灾风险评估方法 |
| EP3354738A1 (en) * | 2017-01-30 | 2018-08-01 | Kws Saat Se | Transgenic maize plant exhibiting increased yield and drought tolerance |
-
2019
- 2019-04-04 CN CN201910268649.4A patent/CN110321774B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
| WO2012123505A2 (en) * | 2011-03-14 | 2012-09-20 | Ecole Centrale Paris | Method and device for efficient parallel message computation for map inference |
| EP2686808A2 (en) * | 2011-03-14 | 2014-01-22 | Ecole Centrale Paris | Method and device for efficient parallel message computation for map inference |
| US20170161559A1 (en) * | 2011-09-23 | 2017-06-08 | Corelogic Solutions, Llc | Building footprint extraction apparatus, method and computer program product |
| US20130132045A1 (en) * | 2011-11-21 | 2013-05-23 | International Business Machines Corporation | Natural Disaster Forecasting |
| US20130177235A1 (en) * | 2012-01-05 | 2013-07-11 | Philip Meier | Evaluation of Three-Dimensional Scenes Using Two-Dimensional Representations |
| US20140254884A1 (en) * | 2013-03-11 | 2014-09-11 | Peter Adrian Spencer Elkington | Methods of and Apparatuses for Identifying Geological Characteristics in Boreholes |
| CN103646299A (zh) * | 2013-12-19 | 2014-03-19 | 浙江省公众信息产业有限公司 | 基于神经元网络的农作物预测方法与装置 |
| CN103969632A (zh) * | 2014-03-26 | 2014-08-06 | 北京农业信息技术研究中心 | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 |
| WO2016014930A2 (en) * | 2014-07-24 | 2016-01-28 | Exelis Inc. | A vision-based system for dynamic weather detection |
| US20160063639A1 (en) * | 2014-08-26 | 2016-03-03 | David P. Groeneveld | System and Method to Assist Crop Loss Adjusting of Variable Impacts Across Agricultural Fields Using Remotely-Sensed Data |
| CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
| CN105279738A (zh) * | 2015-07-15 | 2016-01-27 | 电子科技大学 | 基于遥感影像植被参数估算中阴影问题的应对方法 |
| CN105761155A (zh) * | 2015-08-26 | 2016-07-13 | 北京师范大学 | 一种基于历史案例的农业旱灾灾情快速评估方法 |
| CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
| CN105389740A (zh) * | 2015-12-29 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 一种基于作物生长模型的农业旱灾风险评估方法 |
| CN106778516A (zh) * | 2016-11-24 | 2017-05-31 | 中国科学院地理科学与资源研究所 | 一种利用中国风云三号卫星遥感数据确定地表温度的方法及装置 |
| EP3354738A1 (en) * | 2017-01-30 | 2018-08-01 | Kws Saat Se | Transgenic maize plant exhibiting increased yield and drought tolerance |
| CN107480888A (zh) * | 2017-08-17 | 2017-12-15 | 中国水利水电科学研究院 | 一种基于apsim模型的农业旱灾风险评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李芬 等: "干旱灾害评估研究进展", 《地理科学进展》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113705937A (zh) * | 2021-10-27 | 2021-11-26 | 武汉大学 | 联合机器视觉与作物模型的作物估产方法 |
| 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 |
| CN117876362A (zh) * | 2024-03-11 | 2024-04-12 | 国任财产保险股份有限公司 | 一种基于深度学习的自然灾害损失评估方法及装置 |
| CN117876362B (zh) * | 2024-03-11 | 2024-05-28 | 国任财产保险股份有限公司 | 一种基于深度学习的自然灾害损失评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110321774B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321774A (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
| Pilli et al. | eAGROBOT—A robot for early crop disease detection using image processing | |
| CN108169138B (zh) | 一种利用热红外图像的水稻倒伏监测方法 | |
| US20230091677A1 (en) | Monitoring and intelligence generation for farm field | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| Concepcion et al. | Estimation of photosynthetic growth signature at the canopy scale using new genetic algorithm-modified visible band triangular greenness index | |
| Li et al. | UAV oblique imagery with an adaptive micro-terrain model for estimation of leaf area index and height of maize canopy from 3D point clouds | |
| Zeng et al. | Wheat yield prediction based on unmanned aerial vehicles-collected red–green–blue imagery | |
| CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
| CN113780097B (zh) | 基于知识图谱和深度学习的耕地提取方法 | |
| CN109919239A (zh) | 一种基于深度学习的农作物病虫害智能检测方法 | |
| Vinci et al. | Geometrical characterization of hazelnut trees in an intensive orchard by an unmanned aerial vehicle (UAV) for precision agriculture applications | |
| Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
| KR20200020209A (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
| CN114529097B (zh) | 多尺度农作物物候期遥感降维预测方法 | |
| Han et al. | Rice yield estimation using a CNN-based image-driven data assimilation framework | |
| Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
| Lee et al. | Single-plant broccoli growth monitoring using deep learning with UAV imagery | |
| Yang et al. | Assessment of grain harvest moisture content using machine learning on smartphone images for optimal harvest timing | |
| Liu et al. | PocketMaize: an android-smartphone application for maize plant phenotyping | |
| Fukano et al. | GIS-based analysis for UAV-supported field experiments reveals soybean traits associated with rotational benefit | |
| Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
| Ma et al. | Monitoring the Rice Panicle Blast Control Period Based on UAV Multispectral Remote Sensing and Machine Learning | |
| CN109523509A (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
| CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |