CN112613426A - 一种资源区域确定方法、装置、设备和存储介质 - Google Patents
一种资源区域确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112613426A CN112613426A CN202011573810.8A CN202011573810A CN112613426A CN 112613426 A CN112613426 A CN 112613426A CN 202011573810 A CN202011573810 A CN 202011573810A CN 112613426 A CN112613426 A CN 112613426A
- Authority
- CN
- China
- Prior art keywords
- resource
- area
- image
- satellite
- small
- 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 53
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的资源区域确定方法、装置、设备和存储介质，通过获得第一卫星图像和目标资源的资源类型；去除其它资源类型的区域，获得剩余区域的高精度卫星图像；将图像拆成多个相邻区域块并将色彩一致且特征一致的区域块组合为第二卫星图像。将第二卫星图像拆分成多个小块，并输入至神经网络模型得到各小块的特征值；将预先存储的、目标资源在历史时期的卫星图像输入至神经网络模型获得在历史不同时期的多个卫星图像的特征值；将各小块的特征值与历史不同时期的多个卫星图像的特征值进行对比，得到各小块的当前比对结果。本发明可以快速、准确地识别各类资源的边界，并且可以结合各类资源在历史不同时期的图像，动态确定各类资源的当前区域。
Description
技术领域
本发明涉及数据统计技术领域，特别是涉及一种资源区域确定方法、装置、设备和存储介质。
背景技术
随着图像识别技术的成熟，该技术的应用领域也在不断扩大。例如目前可以利用图像识别技术确定地球上不同的资源的区域。现有的方案往往通过特定颜色，通过划分边界计算特定颜色的面积的方式来实现。例如现有的技术方案一般为：
1.获取特定区域的卫星图像；
2.切割成相同面积的图像；
3.识别特定颜色并画出区域；
4.计算该区域的面积大小；
5.汇总获得所有区域面积大小；
现有方案受限于主要以图像颜色边界来区分各类资源，具有识别率低等问题，虽然可以通过放大图像的方式，可以不断提高边界精度，但是仍然会存在计算量大，同一资源在不同地区不同时期存在图像颜色变化，无法动态确定的问题。
发明内容
本发明实施例的目的在于提供一种资源区域确定方法、装置、设备和存储介质，以实现快速、准确地识别各类资源的边界，并且可以结合各类资源在历史不同时期的图像，动态确定各类资源的当前区域。具体技术方案如下：
第一方面，一种资源区域确定方法，包括：
获得第一卫星图像和目标资源的资源类型；
根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像；
将所述高精度卫星图像拆分成多个相邻区域块；
将所述多个相邻区域块中、色彩一致且特征一致的区域块组合为第二卫星图像，其中，所述特征包括纹理或图案；
将所述第二卫星图像拆分成多个小块，并分别输入至预先训练好的神经网络模型，从而分别得到所述多个小块的特征值；
将预先存储的、所述目标资源在历史时期的卫星图像分别输入至所述神经网络模型，从而分别获得所述目标资源在历史不同时期的多个卫星图像的特征值；
将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，其中，所述当前比对结果为：所述目标资源或者非所述目标资源。
结合第一方面，在某些可选的实施方式中，所述方法还包括：
将确定为所述目标资源的各小块的图像尺寸与所述各小块的比例尺相乘，得到各小块的实际尺寸；
根据各小块的形状和实际尺寸，采用相应的面积计算公式计算得到所述各小块的实际物理面积；
将所述各小块的实际物理面积相加，得到所述第一卫星图像中的所述目标资源的实际物理面积。
结合第一方面，在某些可选的实施方式中，所述方法还包括：
获得各所述多个小块的历史时期的比对结果，所述历史时期的比对结果为：根据历史时期获得的卫星图像进行权利要求1所述方法后得到的比对结果；
分别根据各所述多个小块的历史时期的比对结果和当前比对结果，分别确定各所述多个小块的资源变化情况。
结合第一方面，在某些可选的实施方式中，所述将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，包括：
将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行加权得到特征匹配值；
根据各所述多个小块的特征匹配值，分别得到各所述多个小块的当前比对结果。
结合第一方面，在某些可选的实施方式中，所述神经网络模型的表达公式如公式1所示：
公式1：
其中，S(i,j)为输出的特征值，i为输入的图像的长，j为输入的图像的宽，I为输入的长为i、宽为j的图像，m为输入核函数的长，n为输入核函数的宽，K为二核函数，m为所述二核函数的长，n为所述二核函数的宽。
结合第一方面，在某些可选的实施方式中，所述根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像，包括：
根据所述资源类型，确定所述目标资源在低精度卫星图像中呈现的颜色；
根据所述呈现的颜色，去除所述第一卫星图像中不是所述呈现的颜色的区域，从而去除所述第一卫星图像中其它资源类型的区域；
获得去除所述第一卫星图像中其它资源类型的区域后的剩余区域的经纬度；
根据所述经纬度，下载获得所述剩余区域的高精度卫星图像。
第二方面，一种资源区域确定装置，包括：第一获得单元、高精度图获得单元、相邻块拆分单元、相邻块组合单元、小块拆分单元、特征值获得单元和特征值比对单元；
所述第一获得单元，被配置为执行获得第一卫星图像和目标资源的资源类型；
所述高精度图获得单元，被配置为执行根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像；
所述相邻块拆分单元，被配置为执行将所述高精度卫星图像拆分成多个相邻区域块；
所述相邻块组合单元，被配置为执行将所述多个相邻区域块中、色彩一致且特征一致的区域块组合为第二卫星图像，其中，所述特征包括纹理或图案；
所述小块拆分单元，被配置为执行将所述第二卫星图像拆分成多个小块，并分别输入至预先训练好的神经网络模型，从而分别得到所述多个小块的特征值；
所述特征值获得单元，被配置为执行将预先存储的、所述目标资源在历史时期的卫星图像分别输入至所述神经网络模型，从而分别获得所述目标资源在历史不同时期的多个卫星图像的特征值；
所述特征值比对单元，被配置为执行将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，其中，所述当前比对结果为：所述目标资源或者非所述目标资源。
结合第二方面，在某些可选的实施方式中，所述装置还包括：实际尺寸获得单元、小块面积计算单元和资源面积获得单元；
所述实际尺寸获得单元，被配置为执行将确定为所述目标资源的各小块的图像尺寸与所述各小块的比例尺相乘，得到各小块的实际尺寸；
所述小块面积计算单元，被配置为执行根据各小块的形状和实际尺寸，采用相应的面积计算公式计算得到所述各小块的实际物理面积；
所述资源面积获得单元，被配置为执行将所述各小块的实际物理面积相加，得到所述第一卫星图像中的所述目标资源的实际物理面积。
第三方面，一种存储介质，所述存储介质用于存储程序，所述程序被处理器执行时实现上述任一项所述的资源区域确定方法。
第四方面，一种资源区域确定设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序，所述程序至少用于实现上述任一项所述的资源区域确定方法。
本发明实施例提供的一种资源区域确定方法、装置、设备和存储介质，可以实现快速、准确地识别各类资源的边界，并且可以结合各类资源在历史不同时期的图像，动态确定各类资源的当前区域。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种资源区域确定方法的流程图；
图2为本发明实施例提供的一种资源区域确定装置的结构示意图；
图3为本发明实施例提供的一种资源区域确定设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种资源区域确定方法，包括：
S100、获得第一卫星图像和目标资源的资源类型；
可选的，本文所说的第一图像可以是经过粗筛选得到的接近目标资源的区域图像，但第一卫星图像中可能还含有除了目标资源之外的其它区域。
可选的，目标资源可以是：不同农作物、自然资源(冰川、河流、湖泊、草原、森林、山区和荒漠等等)或住宅区，本发明对此不做限制。
S200、根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像；
可选的，第一卫星图像中可能含有除了目标资源之外的其它区域，为了提高后续计算目标资源的精度，可以去除第一卫星图像中其它资源类型的区域。例如，可以执行如下步骤一至步骤五中的至少一个步骤以获得剩余区域的图像：
步骤一、根据资源类型和资源历史数据，粗略划定区域，降低计算数据量；例如计算中国沙漠的面积，可以根据资源历史数据，直接排除中国的沿海地带和大部分的南方地区。
步骤二、结合资源的特点，选择下载较低比例尺的图像，能从宏观上能区分颜色等区域即可，这样可以提高计算效率。
步骤三、考虑到资源的相对稳定性，预处理解决图像清晰度，色差和遮挡等问题，并通过查找最近的图像资料进行替换。
步骤四、根据资源类型，判断如果属于静态资源，则可以用传统的图像颜色识别等方式进行首次识别，以快速排除不相关区域；这里所说的静态资源为长时间范围内、该资源类型的面积和颜色状态变化不大的资源。
步骤五、根据资源类型，进行进一步区域划定，比如判断农作物，可排除海洋，沙漠，寒带，山区等等区域。
可选的，上述处理没有严格的先后执行顺序，任何可行的执行顺序均属于本发明的可选实施方式。本发明对此不做限制。
可选的，经过上述的全部或部分处理，可以获得本文所说的剩余区域的图像。当然，也可以获得目标资源的区域图像的经纬度范围，本发明对此不做限制。
例如，结合图1所示的实施方式，在某些可选的实施方式中，所述S200，包括：
步骤2.1、根据所述资源类型，确定所述目标资源在低精度卫星图像中呈现的颜色；
可选的，在低精度卫星图像中识别不同资源类型的区域，可以避免高精度大范围识别导致的识别时间过长、识别效率慢的问题。
步骤2.2、根据所述呈现的颜色，去除所述第一卫星图像中不是所述呈现的颜色的区域，从而去除所述第一卫星图像中其它资源类型的区域；
步骤2.3、获得去除所述第一卫星图像中其它资源类型的区域后的剩余区域的经纬度；
步骤2.4、根据所述经纬度，下载获得所述剩余区域的高精度卫星图像。
可选的，本文所说的剩余区域的高精度图像，是在低精度图像的情况排除了一些不相关区域后得到，所以剩余区域的高精度图像与目标资源的区域图像还有一定的差距。因此，可以在后续步骤中在高精度图像下进行更精确的识别，从而提高本发明的精度。
S300、将所述高精度卫星图像拆分成多个相邻区域块；
可选的，在高精度图像下，可以进一步将高精度卫星图像依据颜色拆分成多个相邻区域，以便于后续进行识别。
S400、将所述多个相邻区域块中、色彩一致且特征一致的区域块组合为第二卫星图像，其中，所述特征包括纹理或图案。
可选的，在实际中，一般同一资源类型在高精度卫星图像中呈现的色彩和特征差别不是很大，所以可以将色彩一致且特征一致的区域块组合为第二卫星图像。这里需要说明的是，前述已经经过系列的筛选，本文所说的高精度卫星图像中的大部分内容均是目标资源的区域。所以这里可以将色彩一致且特征一致且组合后面积最大的的区域块组合为第二卫星图像。
可选的，在经过步骤S400之后，得到的第二卫星图像可以理解为非常接近目标资源的实际区域的图像，基于第二卫星图像可以进行后续的处理，本发明对此不做限制。
可选的，虽然第二卫星图像虽然已经非常接近目标资源的实际区域的图像，但前述均是基于图像识别的方式进行处理的，即考虑到图像识别的误差。后续可以结合神经网络模型，进行更进一步地确定目标资源的区域和面积。
S500、将所述第二卫星图像拆分成多个小块，并分别输入至预先训练好的神经网络模型，从而分别得到所述多个小块的特征值；
可选的，本文所说的神经网络模型是预先训练好的模型，即该神经网络模型的精度已经达到本发明的要求。至于训练过程，本发明对不做过多描述，具体可以参见对于神经网络模型的一般训练方法。
可选的，结合图1所示的实施方式，在某些可选的实施方式中，所述神经网络模型的表达公式如公式1所示：
公式1：
其中，S(i,j)为输出的特征值，i为输入的图像的长，j为输入的图像的宽，I为输入的长为i、宽为j的图像，K为二核函数，m为所述二核函数的长，n为所述二核函数的宽。
可选的，公式1是如下公式的互关联函数：
本发明对此不做限制。
可选的，本文所述的多个小块的每一块的规格可以根据实际的神经网络模型的要求，例如本文所述的神经网络模型的输入是长为i、宽为j的图像，即本文所述的多个小块的每一块的规格可以是长为i、宽为j的图像，本发明对此不做限制。
可选的，具体一个小块的特征值表征的是该小块与输入特征的参数共享相关性，通过卷积神经网络(CNN)的后续激活，池化操作和一系列训练，能够得到小块的图像和特定特征图像的匹配概率，匹配概率可以作为特征值，特征值的取值范围可以为：从0至1中的任何正数，其中，0表示完全不匹配，1表示完全匹配，本发明对此不做限制。
可选的，本步骤获得的是各个小块的特征值，以便于在后续进行特征值比对，这里不做过多的描述。
可选的，二核函数可以达到特征图像在输入图像上滑动检测的效果，即“卷积”的效果，本发明对此不做限制。
S600、将预先存储的、所述目标资源在历史时期的卫星图像分别输入至所述神经网络模型，从而分别获得所述目标资源在历史不同时期的多个卫星图像的特征值；
可选的，本文所说的目标资源在历史时期的卫星图像是比较精确的卫星图像，即历史时期的卫星图像作为“标准”，以便于后续进行特征值比对。
可选的，目标资源在历史时期的卫星图像的获取方式可以有多种，例如可以前期建立标准卫星图像库，库中存储了各种资源在不同历史时期的卫星图像。为了提高目标资源在历史时期的卫星图像的精确度，在采集时，可以结合实地勘察的方式。例如，先人工实地勘察，确定具体一种资源类型的具体区域的经纬度，然后通过经纬度获得该区域的卫星图像作为该资源类型的历史时期的卫星图像。
可选的，还可以预先存储该资源在不同历史时期的卫星图像，例如可以分别获得水稻的种植周期在早期、中期和晚期的不同时期的卫星图像并存储在标准卫星图像库中，以便于在需要使用时直接从库中获取，一定程度上可以提高本发明的精确度和效率。
S700、将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，其中，所述当前比对结果为：所述目标资源或者非所述目标资源。
可选的，对于每一个小块而言，通过将该小块的特征值与目标资源在历史不同时期的多个卫星图像的特征值进行逐一比对，可以确定该小块是否为目标资源，甚至还可以确定该小块为目标资源的哪个时期。
可选的，将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，可以降低错误率。因为，对于每一个小块而言，其所包含的资源是哪种资源，以及是哪个时期的资源，在经过本步骤之前是未知的，所以为了降低错误率，可以将该每一个小块的特征值与目标资源在历史不同时期的多个卫星图像的特征值进行逐一比对。
可选的，特征比对的过程可以有多种方式，例如，结合图1所示的实施方式，在某些可选的实施方式中，所述S700，包括：
步骤7.1、将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行加权得到特征匹配值；
步骤7.2、根据各所述多个小块的特征匹配值，分别得到各所述多个小块的当前比对结果。
可选的，特征匹配值可以反映各个小块与目标资源的匹配程度，当具体一个小块的特征匹配值符合预设条件时，可以确定该小块为目标资源，否则确定该小块为非目标资源，本发明对此不做限制。
结合图1所示的实施方式，在某些可选的实施方式中，所述方法还包括：
步骤8.1、将确定为所述目标资源的各小块的图像尺寸与所述各小块的比例尺相乘，得到各小块的实际尺寸；
可选的，本发明可以在确定目标资源的各个小块之后，可以计算该目标资源的面积。具体的可以先将被确定为目标资源的各个小块拼接在一起后再计算，也可以分别计算各个小块的实际物理面积后再相加，本发明对此不做限制。
可选的，前述得到的被确定为目标资源的各个小块，其实际仅是图像，并不是真正的实地土地小块，所以可以通过上述计算得到各个小块的实际尺寸，以便于后续计算面积。
步骤8.2、根据各小块的形状和实际尺寸，采用相应的面积计算公式计算得到所述各小块的实际物理面积；
步骤8.3、将所述各小块的实际物理面积相加，得到所述第一卫星图像中的所述目标资源的实际物理面积。
可选的，通过本发明的方法不仅可以快速、准确地区分各类资源的边界，并且可以结合各类资源在历史不同时期的图像，动态确定各类资源的当前区域。还可以准确计算出具体一种资源类型的实际物理面积，本发明对此不做限制。
结合图1所示的实施方式，在某些可选的实施方式中，所述方法还包括：
步骤9.1、获得各所述多个小块的历史时期的比对结果，所述历史时期的比对结果为：根据历史时期获得的卫星图像进行权利要求1所述方法后得到的比对结果；
步骤9.2、分别根据各所述多个小块的历史时期的比对结果和当前比对结果，分别确定各所述多个小块的资源变化情况。
可选的，为了进一步提高本发明的准确度，对于具体一个小块而言，除了可以依据该小块在本次计算过程得到的当前比对结果确定该小块的资源状况。还可以参考该小块在之前的计算过程中得到的历史时期的比对结，从而确定该小块的资源状况。例如，在本次计算过程中确定某个小块为非水稻区域，但在之前的某次计算过程中确定该小块是水稻区域，且是成熟水稻的区域。则说明该小块的水稻已经被收割，现在该小块中没有水稻，本发明对此不做限制。
如图2所示，本发明提供了一种资源区域确定装置，包括：第一获得单元100、高精度图获得单元200、相邻块拆分单元300、相邻块组合单元400、小块拆分单元500、特征值获得单元600和特征值比对单元700；
所述第一获得单元100，被配置为执行获得第一卫星图像和目标资源的资源类型；
所述高精度图获得单元200，被配置为执行根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像；
所述相邻块拆分单元300，被配置为执行将所述高精度卫星图像拆分成多个相邻区域块；
所述相邻块组合单元400，被配置为执行将所述多个相邻区域块中、色彩一致且特征一致的区域块组合为第二卫星图像，其中，所述特征包括纹理或图案；
所述小块拆分单元500，被配置为执行将所述第二卫星图像拆分成多个小块，并分别输入至预先训练好的神经网络模型，从而分别得到所述多个小块的特征值；
所述特征值获得单元600，被配置为执行将预先存储的、所述目标资源在历史时期的卫星图像分别输入至所述神经网络模型，从而分别获得所述目标资源在历史不同时期的多个卫星图像的特征值；
所述特征值比对单元700，被配置为执行将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，其中，所述当前比对结果为：所述目标资源或者非所述目标资源。
结合图2所示的实施方式，在某些可选的实施方式中，所述装置还包括：实际尺寸获得单元、小块面积计算单元和资源面积获得单元；
所述实际尺寸获得单元，被配置为执行将确定为所述目标资源的各小块的图像尺寸与所述各小块的比例尺相乘，得到各小块的实际尺寸；
所述小块面积计算单元，被配置为执行根据各小块的形状和实际尺寸，采用相应的面积计算公式计算得到所述各小块的实际物理面积；
所述资源面积获得单元，被配置为执行将所述各小块的实际物理面积相加，得到所述第一卫星图像中的所述目标资源的实际物理面积。
结合图2所示的实施方式，在某些可选的实施方式中，所述装置还包括：历史结果获得单元和资源变化获得单元；
所述历史结果获得单元，被配置为执行获得各所述多个小块的历史时期的比对结果，所述历史时期的比对结果为：根据历史时期获得的卫星图像进行权利要求1所述方法后得到的比对结果；
所述资源变化获得单元，被配置为执行分别根据各所述多个小块的历史时期的比对结果和当前比对结果，分别确定各所述多个小块的资源变化情况。
结合图2所示的实施方式，在某些可选的实施方式中，所述特征对比单元，包括：特征对比子单元和比对结果子单元；
所述特征对比子单元，被配置为执行将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行加权得到特征匹配值；
所述比对结果子单元，被配置为执行根据各所述多个小块的特征匹配值，分别得到各所述多个小块的当前比对结果。
结合图2所示的实施方式，在某些可选的实施方式中，所述高精度图获得单元200，包括：目标颜色确定子单元、区域去除子单元、剩余区域获得子单元和高精度图获得子单元；
所述目标颜色确定子单元，被配置为执行根据所述资源类型，确定所述目标资源在低精度卫星图像中呈现的颜色；
所述区域去除子单元，被配置为执行根据所述呈现的颜色，去除所述第一卫星图像中不是所述呈现的颜色的区域，从而去除所述第一卫星图像中其它资源类型的区域；
所述剩余区域获得子单元，被配置为执行获得去除所述第一卫星图像中其它资源类型的区域后的剩余区域的经纬度；
所述高精度图获得子单元，被配置为执行根据所述经纬度，下载获得所述剩余区域的高精度卫星图像。
本发明提供了一种存储介质，所述存储介质用于存储程序，所述程序被处理器执行时实现上述任一项所述的资源区域确定方法。
所述资源区域确定装置包括处理器和存储器，上述第一获得单元100、高精度图获得单元200、相邻块拆分单元300、相邻块组合单元400、小块拆分单元500、特征值获得单元600和特征值比对单元700等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现快速、准确地区分各类资源的边界，并且可以结合各类资源在历史不同时期的图像，动态确定各类资源的当前区域。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述资源区域确定方法。
如图3所示，本发明实施例提供了一种资源区域确定设备70，设备70包括至少一个处理器701、以及与处理器701连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器701用于调用存储器702中的程序指令，以执行上述的资源区域确定方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述的资源区域确定方法包括的步骤的程序。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种资源区域确定方法，其特征在于，包括：
获得第一卫星图像和目标资源的资源类型；
根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像；
将所述高精度卫星图像拆分成多个相邻区域块；
将所述多个相邻区域块中、色彩一致且特征一致的区域块组合为第二卫星图像，其中，所述特征包括纹理或图案；
将所述第二卫星图像拆分成多个小块，并分别输入至预先训练好的神经网络模型，从而分别得到所述多个小块的特征值；
将预先存储的、所述目标资源在历史时期的卫星图像分别输入至所述神经网络模型，从而分别获得所述目标资源在历史不同时期的多个卫星图像的特征值；
将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，其中，所述当前比对结果为：所述目标资源或者非所述目标资源。
2.根据权利要求1所述的资源区域确定方法，其特征在于，所述方法还包括：
将确定为所述目标资源的各小块的图像尺寸与所述各小块的比例尺相乘，得到各小块的实际尺寸；
根据各小块的形状和实际尺寸，采用相应的面积计算公式计算得到所述各小块的实际物理面积；
将所述各小块的实际物理面积相加，得到所述第一卫星图像中的所述目标资源的实际物理面积。
3.根据权利要求1所述的资源区域确定方法，其特征在于，所述方法还包括：
获得各所述多个小块的历史时期的比对结果，所述历史时期的比对结果为：根据历史时期获得的卫星图像进行权利要求1所述方法后得到的比对结果；
分别根据各所述多个小块的历史时期的比对结果和当前比对结果，分别确定各所述多个小块的资源变化情况。
4.根据权利要求1所述的资源区域确定方法，其特征在于，所述将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，包括：
将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行加权得到特征匹配值；
根据各所述多个小块的特征匹配值，分别得到各所述多个小块的当前比对结果。
5.根据权利要求1所述的资源区域确定方法，其特征在于，所述神经网络模型的表达公式如公式1所示：
公式1：
其中，S(i,j)为输出的特征值，i为输入的图像的长，j为输入的图像的宽，I为输入的长为i、宽为j的图像，m为输入核函数的长，n为输入核函数的宽，K为二核函数，m为所述二核函数的长，n为所述二核函数的宽。
6.根据权利要求1所述的资源区域确定方法，其特征在于，所述根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像，包括：
根据所述资源类型，确定所述目标资源在低精度卫星图像中呈现的颜色；
根据所述呈现的颜色，去除所述第一卫星图像中不是所述呈现的颜色的区域，从而去除所述第一卫星图像中其它资源类型的区域；
获得去除所述第一卫星图像中其它资源类型的区域后的剩余区域的经纬度；
根据所述经纬度，下载获得所述剩余区域的高精度卫星图像。
7.一种资源区域确定装置，其特征在于，包括：第一获得单元、高精度图获得单元、相邻块拆分单元、相邻块组合单元、小块拆分单元、特征值获得单元和特征值比对单元；
所述第一获得单元，被配置为执行获得第一卫星图像和目标资源的资源类型；
所述高精度图获得单元，被配置为执行根据所述资源类型，去除所述第一卫星图像中其它资源类型的区域，获得剩余区域的高精度卫星图像；
所述相邻块拆分单元，被配置为执行将所述高精度卫星图像拆分成多个相邻区域块；
所述相邻块组合单元，被配置为执行将所述多个相邻区域块中、色彩一致且特征一致的区域块组合为第二卫星图像，其中，所述特征包括纹理或图案；
所述小块拆分单元，被配置为执行将所述第二卫星图像拆分成多个小块，并分别输入至预先训练好的神经网络模型，从而分别得到所述多个小块的特征值；
所述特征值获得单元，被配置为执行将预先存储的、所述目标资源在历史时期的卫星图像分别输入至所述神经网络模型，从而分别获得所述目标资源在历史不同时期的多个卫星图像的特征值；
所述特征值比对单元，被配置为执行将各所述多个小块的特征值逐一与所述目标资源在历史不同时期的多个卫星图像的特征值进行对比，从而分别得到各所述多个小块的当前比对结果，其中，所述当前比对结果为：所述目标资源或者非所述目标资源。
8.根据权利要求7所述的资源区域确定装置，其特征在于，所述装置还包括：实际尺寸获得单元、小块面积计算单元和资源面积获得单元；
所述实际尺寸获得单元，被配置为执行将确定为所述目标资源的各小块的图像尺寸与所述各小块的比例尺相乘，得到各小块的实际尺寸；
所述小块面积计算单元，被配置为执行根据各小块的形状和实际尺寸，采用相应的面积计算公式计算得到所述各小块的实际物理面积；
所述资源面积获得单元，被配置为执行将所述各小块的实际物理面积相加，得到所述第一卫星图像中的所述目标资源的实际物理面积。
9.一种存储介质，其特征在于，所述存储介质用于存储程序，所述程序被处理器执行时实现权利要求1至6中任一项所述的资源区域确定方法。
10.一种资源区域确定设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序，所述程序至少用于实现权利要求1至6中任一项所述的资源区域确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011573810.8A CN112613426A (zh) | 2020-12-26 | 2020-12-26 | 一种资源区域确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011573810.8A CN112613426A (zh) | 2020-12-26 | 2020-12-26 | 一种资源区域确定方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112613426A true CN112613426A (zh) | 2021-04-06 |
Family
ID=75248073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011573810.8A Pending CN112613426A (zh) | 2020-12-26 | 2020-12-26 | 一种资源区域确定方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613426A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| CN103678586A (zh) * | 2013-12-11 | 2014-03-26 | 中国神华能源股份有限公司 | 在卫星图像中标记页岩层的方法和装置 |
| CN103745239A (zh) * | 2013-12-18 | 2014-04-23 | 广西生态工程职业技术学院 | 一种基于卫星遥感技术的森林资源测量方法 |
| US20170061249A1 (en) * | 2015-08-26 | 2017-03-02 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
| CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
| CN107864007A (zh) * | 2017-11-03 | 2018-03-30 | 西安电子科技大学 | 面向区域目标的多星多地面站资源协同分配管理方法 |
| CN108052876A (zh) * | 2017-11-28 | 2018-05-18 | 广东数相智能科技有限公司 | 基于图像识别的区域发展评估方法及装置 |
| US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| WO2018222775A1 (en) * | 2017-05-30 | 2018-12-06 | Digitalglobe, Inc. | Broad area geospatial object detection |
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| CN109740504A (zh) * | 2018-12-28 | 2019-05-10 | 四创科技有限公司 | 一种基于遥感影像提取海域资源的方法 |
| CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测系统及方法 |
| CN109919108A (zh) * | 2019-03-11 | 2019-06-21 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
| CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
| CN110969143A (zh) * | 2019-12-19 | 2020-04-07 | 深圳壹账通智能科技有限公司 | 基于图像识别的取证方法、系统、计算机设备及存储介质 |
-
2020
- 2020-12-26 CN CN202011573810.8A patent/CN112613426A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| CN103678586A (zh) * | 2013-12-11 | 2014-03-26 | 中国神华能源股份有限公司 | 在卫星图像中标记页岩层的方法和装置 |
| CN103745239A (zh) * | 2013-12-18 | 2014-04-23 | 广西生态工程职业技术学院 | 一种基于卫星遥感技术的森林资源测量方法 |
| US20170061249A1 (en) * | 2015-08-26 | 2017-03-02 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| WO2018222775A1 (en) * | 2017-05-30 | 2018-12-06 | Digitalglobe, Inc. | Broad area geospatial object detection |
| CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
| CN107864007A (zh) * | 2017-11-03 | 2018-03-30 | 西安电子科技大学 | 面向区域目标的多星多地面站资源协同分配管理方法 |
| CN108052876A (zh) * | 2017-11-28 | 2018-05-18 | 广东数相智能科技有限公司 | 基于图像识别的区域发展评估方法及装置 |
| CN109740504A (zh) * | 2018-12-28 | 2019-05-10 | 四创科技有限公司 | 一种基于遥感影像提取海域资源的方法 |
| CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测系统及方法 |
| CN109919108A (zh) * | 2019-03-11 | 2019-06-21 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
| CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
| CN110969143A (zh) * | 2019-12-19 | 2020-04-07 | 深圳壹账通智能科技有限公司 | 基于图像识别的取证方法、系统、计算机设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| WEI WU 等: "Remote sensing recognition of residential areas based on GF-4 satellite image", 《2018 FIFTH INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS》, 3 January 2019 (2019-01-03), pages 1 - 4 * |
| 吕琲 等: "基于资源三号卫星影像的面向对象水资源监测应用研究", 《江西测绘》, no. 04, 25 December 2013 (2013-12-25), pages 14 - 15 * |
| 沈鹏: "基于图像的草地退化识别研究", 《中国优秀硕士学位论文全文数据库农业科技辑》, no. 2020, 15 January 2020 (2020-01-15), pages 050 - 59 * |
| 王碧晴 等: "基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取", 《国土资源遥感》, vol. 32, no. 02, 15 June 2020 (2020-06-15), pages 219 - 225 * |
| 陈峰 等: "基于图像代数的资源三号卫星居民地要素变化检测方法及其有效性评价", 《测绘通报》, no. 05, 25 May 2015 (2015-05-25), pages 38 - 41 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126258A (zh) | 图像识别方法及相关装置 | |
| CN111143685B (zh) | 一种商品推荐方法及装置 | |
| CN111310784B (zh) | 资源数据的处理方法及装置 | |
| CN114782838B (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
| CN113160183A (zh) | 一种高光谱数据处理方法、设备及介质 | |
| CN111191735A (zh) | 基于数据差异和多尺度特征的卷积神经网络影像分类方法 | |
| Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
| CN110852149B (zh) | 基于分类和回归树算法的植被指数预测方法、系统及设备 | |
| CN109902641B (zh) | 基于语义对齐的人脸关键点检测方法、系统、装置 | |
| Im et al. | Optimizing the binary discriminant function in change detection applications | |
| CN109145932A (zh) | 用户性别预测方法、装置及设备 | |
| CN112613426A (zh) | 一种资源区域确定方法、装置、设备和存储介质 | |
| CN115082803B (zh) | 基于植被季相变化的耕地撂荒监测方法、装置和存储介质 | |
| CN117036941A (zh) | 一种基于孪生Unet模型的建筑物变化检测方法及系统 | |
| CN115018394B (zh) | 旱情评估方法、装置、存储介质及设备 | |
| CN114324336B (zh) | 一种大豆全生育期生物量无损测量方法 | |
| CN113177606B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN116152542A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
| CN110222657B (zh) | 单步人脸检测器优化系统、方法、装置 | |
| CN114818458A (zh) | 系统参数优化方法、装置、计算设备及介质 | |
| CN113077458A (zh) | 一种遥感影像中的云和阴影检测方法及系统 | |
| CN111144765A (zh) | 一种特定地点间关联关系的确定方法及装置 | |
| KR20200108206A (ko) | 과수재해 손실 분석 시스템 및 이를 이용한 과수재해 손실 분석 방법 | |
| CN110032498B (zh) | 一种用户app行为的预测方法 | |
| CN117557917B (zh) | 水质检测方法和装置 |
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 |