CN114881763A - 养殖业贷后监管方法、装置、设备和介质 - Google Patents

养殖业贷后监管方法、装置、设备和介质 Download PDF

Info

Publication number
CN114881763A
CN114881763A CN202210546739.7A CN202210546739A CN114881763A CN 114881763 A CN114881763 A CN 114881763A CN 202210546739 A CN202210546739 A CN 202210546739A CN 114881763 A CN114881763 A CN 114881763A
Authority
CN
China
Prior art keywords
target
image
frame
target object
training
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
Application number
CN202210546739.7A
Other languages
English (en)
Other versions
CN114881763B (zh
Inventor
吕朝辉
罗涛
施佳子
于海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210546739.7A priority Critical patent/CN114881763B/zh
Publication of CN114881763A publication Critical patent/CN114881763A/zh
Application granted granted Critical
Publication of CN114881763B publication Critical patent/CN114881763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G06N3/045—Combinations of 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Development Economics (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)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种养殖业贷后监管方法，可以应用于人工智能技术领域或金融领域。该方法包括：获取包含目标物的卫星遥感图像，目标物包含渔排；基于卫星遥感图像以及预训练得到的目标检测模型对目标物进行检测识别，获取与目标物位姿相匹配的旋转目标框以及目标物数量，其中，预训练得到的目标检测模型基于旋转目标框改进的YOLOv5模型训练得到；基于旋转目标框的坐标值获取目标物面积；以及基于目标物面积和目标物数量进行所述贷后监管，其中，贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。本发明提供的方法提升了养殖业贷后监管的智能性和科学性。本发明还提供了一种养殖业贷后监管装置、设备和介质。

Description

养殖业贷后监管方法、装置、设备和介质
技术领域
本发明涉及人工智能技术领域或金融领域，具体涉及一种养殖业贷后监管方法、装置、设备和介质。
背景技术
银行等信贷机构在农业信贷工作中，一直存在着农业资产信息获取难、查勘人力成本高、贷款额度和还款周期预估不准确等问题，农村地广人稀，人力成本巨大，平均一笔贷款的勘察成本，可能就达几百上千元。例如，在海水养殖项目中，渔排作为渔民的主要作业工具，由于排布密集，面积小，角度随机等情况，存在着勘测困难，贷后管理工作难度较大的问题。
发明内容
鉴于上述问题，本发明的实施例提供了一种养殖业贷后监管方法、装置、设备和介质。
根据本发明的第一个方面，提供了一种养殖业贷后监管方法，包括：获取包含目标物的卫星遥感图像，其中，所述目标物包含渔排；基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量，其中，所述预训练得到的目标检测模型根据基于旋转目标框改进的YOLOv5模型训练得到；基于所述旋转目标框的坐标值获取目标物面积，其中，所述基于所述旋转目标框的坐标值获取目标物面积包括：将旋转目标框的坐标值转化为对应的经纬度数据，所述经纬度数据用于计算目标物面积；以及基于所述目标物面积和所述目标物数量进行贷后监管，其中，所述贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。
根据本发明的实施例，其中，所述基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别包括：将预处理后的卫星遥感图像输入主干网络层，获取渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述渔排特征提取图像包含不同粒度聚合的渔排特征图像；将所述渔排特征图像输入特征融合层，获取渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络；以及将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框，所述预测网络层包含改进的边框锚定算法和改进的损失函数，其中，所述改进的边框锚定算法包含基于角度参数改进的预测构造函数，所述改进的损失函数包含基于角度差值和目标框长宽比设置的损失函数权重因子函数。
根据本发明的实施例，将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像包括：基于所述预测网络层中改进的边框锚定算法和改进的损失函数对渔排特征融合图像进行处理，获取初始旋转框，其中，所述基于角度参数改进的预测构造函数基于长边定义法结合环形平滑标签设定，所述初始旋转框包含重叠和/或交叉的旋转标注框；以及基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选，获取与渔排位姿相匹配的旋转目标框，并获取旋转目标框的坐标值以及目标渔排数量。
根据本发明的实施例，所述基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选包括：判断第i个旋转标注框得分是否大于或等于预设的阈值，其中，i为大于或等于1的整数；当第k个旋转标注框得分大于或等于预设的阈值时，计算所述第k个旋转目标框与第k+1个或第k-1个旋转目标框的重叠面积比值，其中，第k个旋转目标框与第k+1个或第k-1个旋转目标框重叠或交叉，k满足1≤k≤ i；以及基于所述重叠面积比值，第k个旋转标注框得分以及第k+1 个或第k-1个旋转标注框得分筛选保留的旋转标注框。
根据本发明的实施例，所述预训练得到的目标检测模型根据基于旋转目标框改进的YOLOv5模型训练得到，包括：获取第一训练数据集，所述第一训练数据集包含q张包含目标物的卫星遥感图像，其中，q为大于或等于2的整数；对所述q张包含目标物的卫星遥感图像进行人工标注；将人工标注后q张包含目标物的卫星遥感图像进行数据增强，获取p张包含目标物的卫星遥感图像，所述p张包含目标物的卫星遥感图像构成第二训练数据集，其中，p取值为q的预先设定的倍数；将第二训练数据集中的包含目标物的卫星遥感图像裁剪成预设尺寸的输入图像，其中，相邻区域的输入图像具有预设比值的重叠区域，所述预设比值满足1/5≤预设比值≤2/3；将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像；以及基于所述训练渔排预测特征图像和训练渔排位姿标签对所述待训练的目标检测模型参数进行更新，直至达到预设的训练截止条件。
根据本发明的实施例，所述将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像包括：将所述输入图像输入主干网络层，获取训练渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述训练渔排特征提取图像包含不同粒度聚合的训练渔排特征图像；将所述训练渔排特征图像输入特征融合层，获取训练渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络；以及将所述训练渔排特征融合图像输入预测网络层，获取训练渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框。
根据本发明的实施例，所述待训练的目标检测模型包含改进的损失函数，其中，所述改进的损失函数包含基于角度差值和边框长宽比设置的损失函数权重因子，其中，所述预测网络层中的构造函数包含基于长边定义法结合环形平滑标签的角度参数，所述预测网络层中的损失函数包含基于角度差值和边框长宽比设置的损失函数权重因子，其中，所述角度差值为渔排实际角度和模型预测角度的差值。
根据本发明的实施例，所述基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警包括：获取第一时点下待监管区域的第一目标物数量和第一目标物面积；基于预设的监管周期获取第二时点下待监管区域的第二目标物数量和第二目标物面积；计算第二目标物数量与第一目标物数量之间的第一变化量，以及第二目标物面积和第一目标物面积之间的第二变化量；以及当所述第一变化量大于第一阈值，和/或所述第二变化量大于第二阈值时，触发贷后风险预警，其中，所述第一变化量和第二变化量相同或不同。
本发明的第二方面提供了一种养殖业贷后监管装置，包括：获取模块，配置为获取包含目标物的卫星遥感图像，其中，所述目标物包含渔排；识别模块，配置为基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量，其中，所述预训练得到的目标检测模型基于旋转目标框改进的YOLOv5模型训练得到；计算模块，配置为基于所述旋转目标框的坐标值获取目标物面积，其中，在获取目标物面积前，将旋转目标框的坐标值转化为对应的经纬度数据，所述经纬度数据用于计算目标物面积；以及监管模块，配置为基于所述目标物面积和所述目标物数量进行所述贷后监管，其中，所述贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。
根据本发明的实施例，识别模块还可以包括第一处理子模块、第二处理子模块和第三处理子模块。其中，第一处理子模块被配置为将预处理后的卫星遥感图像输入主干网络层，获取渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述渔排特征提取图像包含不同粒度聚合的渔排特征图像。第二处理子模块被配置为将所述渔排特征图像输入特征融合层，获取渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络。第三处理子模块被配置为将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框，所述预测网络层包含改进的边框锚定算法和改进的损失函数，其中，所述改进的边框锚定算法包含基于角度参数改进的预测构造函数，所述改进的损失函数包含基于角度差值和目标框长宽比设置的损失函数权重因子函数。
根据本发明的实施例，第三处理子模块还可以包括计算单元和目标框筛选单元。其中，计算单元被配置为基于所述预测网络层中改进的边框锚定算法和改进的损失函数对渔排特征融合图像进行处理，获取初始旋转框，其中，所述基于角度参数改进的预测构造函数基于长边定义法结合环形平滑标签设定，所述初始旋转框包含重叠和/或交叉的旋转标注框。目标框筛选单元被配置为基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选，获取与渔排位姿相匹配的旋转目标框，并获取旋转目标框的坐标值以及目标渔排数量。
根据本发明的实施例，目标框筛选单元还可以包括判断子单元，计算子单元和保留子单元。其中，判断子单元被配置为判断第i个旋转标注框得分是否大于或等于预设的阈值，其中，i为大于或等于1 的整数。计算子单元被配置为当第k个旋转标注框得分大于或等于预设的阈值时，计算所述第k个旋转目标框与第k+1个或第k-1个旋转目标框的重叠面积比值，其中，第k个旋转目标框与第k+1个或第 k-1个旋转目标框重叠或交叉，k满足1≤k≤i。保留子单元被配置为基于所述重叠面积比值，第k个旋转标注框得分以及第k+1个或第k-1个旋转标注框得分筛选保留的旋转标注框。
根据本发明的实施例，还提供了一种目标检测模型的训练装置，包括采集模块，标注模块，增强模块，剪裁模块，第一训练模块和第二训练模块。其中，采集模块被配置为获取第一训练数据集，所述第一训练数据集包含q张包含目标物的卫星遥感图像，其中，q为大于或等于2的整数。标注模块被配置为对所述q张包含目标物的卫星遥感图像进行人工标注。增强模块被配置为将人工标注后q张包含目标物的卫星遥感图像进行数据增强，获取p张包含目标物的卫星遥感图像，所述p张包含目标物的卫星遥感图像构成第二训练数据集，其中， p取值为q的预先设定的倍数。剪裁模块被配置为将第二训练数据集中的包含目标物的卫星遥感图像裁剪成预设尺寸的输入图像，其中，相邻区域的输入图像具有预设比值的重叠区域，所述预设比值满足 1/5≤预设比值≤2/3。第一训练模块被配置为将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像。第二训练模块被配置为基于所述训练渔排预测特征图像和训练渔排位姿标签对所述待训练的目标检测模型参数进行更新，直至达到预设的训练截止条件。
根据本发明的实施例，监管模块还可以包括第一获取子模块，第二获取子模块，运算子模块和预警子模块。其中，第一获取子模块被配置为获取第一时点下待监管区域的第一目标物数量和第一目标物面积。第二获取子模块被配置为基于预设的监管周期获取第二时点下待监管区域的第二目标物数量和第二目标物面积。运算子模块被配置为计算第二目标物数量与第一目标物数量的第一变化量，以及第二目标物面积和第一目标物面积的第二变化量。预警子模块被配置为当所述第一变化量大于第一阈值，和/或所述第二变化量大于第二阈值时，触发贷后风险预警，其中，所述第一变化量和第二变化量相同或不同。
本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述养殖业贷后监管方法。
本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述养殖业贷后监管方法。
本发明的实施例提供的方法，依托卫星遥感技术和目标检测技术对渔排等海水养殖业核心作业工具进行监控，提升了养殖业贷后监管方法的智能性和科学性，至少部分解决了传统的农业资产勘察中存在的人力成本高，耗时耗力，调查难度大，贷后监管困难的问题。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本发明实施例的养殖业贷后监管方法、装置、设备和介质的应用场景图。
图2示意性示出了根据本发明实施例的养殖业贷后监管方法的流程图。
图3A、图3B和图3C分别示意性示出了根据目标物的形状和角度使用不同的边框进行标注的对比图。
图4A和图4B示意性示出了水平目标框和旋转目标框的对比图。
图5示意性示出了根据本发明的实施例的基于旋转目标框的坐标值获取目标物面积的方法的流程图。
图6示意性示出了根据本发明的实施例的基于卫星遥感图像以及预训练得到的目标检测模型对目标物进行检测识别的方法的流程图。
图7示意性示出了根据本发明的实施例的将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像的方法的流程图。
图8示意性示出了长边定义法的示意图。
图9示意性示出了环形平滑标签的示意图。
图10A和图10B示意性示出了根据本发明一些的实施例的数据集卫星遥感图像对比图。
图11A和图11B示意性示出了根据本发明另一些的实施例的数据集卫星遥感图像对比图。
图12A和图12B分别示意性示出了根据本发明的一些实施例的在检测低分辨率的排布紧密且不规则渔排时的目标框标注示意图。
图13示意性示出了根据本发明的一些实施例的对重叠和/或交叉的旋转目标框进行筛选的方法的流程图。
图14A和图14B示意性示出了根据本发明的一些实施例的对旋转目标框进行筛选前后检测结果的对比示意图。
图15示意性示出了根据本发明具体的实施例的优化后的目标检测模型的整体结构。
图16A和图16B示意性示出了根据本发明的具体的实施例的模型网络优化效果对比图。
图17示意性示出了根据本发明的实施例的预训练得到目标检测模型的方法的示意图。
图18A和图18B分别示意性示出了根据本发明的实施例的人工标注前后渔排卫星遥感图像的示意图。
图19示意性示出了根据本发明的实施例的将输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像的方法的流程图。
图20示意性示出了根据本发明的实施例的基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警的方法的流程图。
图21示意性示出了根据本发明实施例的养殖业贷后监管装置的结构框图。
图22示意性示出了根据本发明实施例的识别模块的结构框图。
图23示意性示出了根据本发明实施例的第三处理子模块的结构框图。
图24示意性示出了根据本发明实施例的目标框筛选单元的结构框图。
图25示意性示出了根据本发明实施例的目标检测模型的训练装置的结构框图。
图26示意性示出了根据本发明实施例的监管模块的结构框图。
图27示意性示出了根据本发明实施例的适于实现养殖业贷后监管方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有 B和C、和/或具有A、B、C的系统等)。
近年来，银行等信贷机构积极致力于农村农业信贷工作。然而，在现有的农业信贷工作中，一直存在着农业资产信息获取难、查勘人力成本高、贷款额度和还款周期预估不准确等问题。农村地广人稀，人力成本巨大，平均一笔贷款的勘察成本可能就达几百上千元。例如，在海水养殖项目中，渔排作为渔民的主要作业工具也是海水养殖业的核心资产。然而，由于渔排存在排布密集，面积小，角度随机等问题，具备较大的勘测难度，从而也给贷后管理工作带来了一定困难。
卫星遥感技术是应用各种传感仪器对远距离目标所辐射和反射的电磁波信息进行收集、处理和成像，从而实现对地面进行探测和识别的一种对地观测综合技术，是采集地球数据信息的重要手段。将卫星遥感技术运用于农业勘察在解决现有的人工勘察耗费人力巨大，效率较低的问题方面具备广阔的应用前景。
结合国家大力发展卫星遥感技术，针对现有技术中存在的问题，本发明的实施例提供了一种养殖业贷后监管方法，包括：获取包含目标物的卫星遥感图像，其中，所述目标物包含渔排；基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量，其中，所述预训练得到的目标检测模型根据基于旋转目标框改进的YOLOv5模型训练得到；基于所述旋转目标框的坐标值获取目标物面积，其中，所述基于所述旋转目标框的坐标值获取目标物面积包括：将旋转目标框的坐标值转化为对应的经纬度数据，所述经纬度数据用于计算目标物面积；以及基于所述目标物面积和所述目标物数量进行贷后监管，其中，所述贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。
本发明的实施例提供的养殖业贷后监管方法，依托卫星遥感勘察和目标检测技术，智能、快速地勘察渔排等海水养殖业核心作业工具的资产信息，进一步通过监测渔排的面积和数量变动情况实时监控养殖户贷后资产信息，从而为银行等信贷机构解决勘察成本高，人力物力耗费巨大，贷后监管困难的问题提供良好抓手。
需要说明的是，本发明实施例提供的养殖业贷后监管方法、装置、设备和介质可用于人工智能技术在目标检测相关方面，也可用于除人工智能技术之外的多种领域，如金融领域等。本发明实施例提供的养殖业贷后监管方法、装置、设备和介质的应用领域不做限定。
以下将结合附图及其说明文字围绕实现本发明的至少一个目的的上述操作进行阐述。
图1示意性示出了根据本发明实施例的养殖业贷后监管方法、装置、设备和介质的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括终端设备 101、102、103，网络104和服务器105。网络104用以在终端设备 101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器 105交互，以接收或发送消息等。终端设备101、102、103可以接收卫星遥感图像以进行目标检测。终端设备101、102、103上还可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。例如，服务器105可以将目标检测识别结果，目标物面积，基于目标物面积变化和目标物数量变化得到的养殖状况分析，风险事项分析等结果反馈给终端设备。
需要说明的是，本发明实施例所提供的养殖业贷后监管方法一般可以由服务器105执行。相应地，本发明实施例所提供的养殖业贷后监管装置一般可以设置于服务器105中。本发明实施例所提供的养殖业贷后监管方法也可以由不同于服务器105且能够与终端设备101、 102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本发明实施例所提供的养殖业贷后监管装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2～图20对公开实施例的养殖业贷后监管方法进行详细描述。
图2示意性示出了根据本发明实施例的养殖业贷后监管方法的流程图。
如图2所示，该实施例的养殖业贷后监管方法包括操作S210～操作S240，该养殖业贷后监管方法可以由处理器执行，也可以由包括处理器的任何电子设备执行。
在操作S210，获取包含目标物的卫星遥感图像。
根据本发明的实施例，目标物包含渔排。渔排是海水养殖业核心作业工具，在本发明的实施例中，可以通过勘查渔排资产变动情况来监控养殖户贷后资产风险。其中，卫星遥感图像可以获取自商业地图软件等开放平台，也可以获取自专门的卫星遥感图像提供机构。为实现本发明的实施例的方法和目的，可以获取与渔户利用渔排进行作业的区域相对应的卫星遥感图像。需要说明的是，本发明的实施例所获取的卫星遥感图像主要包括来自于真实区域的米级及亚米级遥感图像，以达到实用目的。例如，获取的卫星遥感图像的分辨率可以为 0.5米～5米。可以理解，监测中的渔排至少具有排列角度随机的特性。渔排还可以具有如下特性中的至少一种：各渔排排布紧密且排布不规则；各渔排间间隔大小不规则；各渔排在卫星遥感图像中具有不同的明暗程度。应理解，明暗程度的差异是由于渔排在实际三维空间中相较基准面(例如海平面)高度存在差异所造成的。在本发明的实施例中，卫星遥感图像通常为图片格式。在一些实施例中，可以直接将卫星遥感图像输入至改进的目标检测模型中。在另一些实施例中，可以依据目标检测平台的参数设计，先将卫星遥感图像转换成预定格式的图像，再将转换后的图像输入至改进的目标检测模型中，以提高数据处理的效率。例如，可以将TIF格式的卫星遥感图像转换成PNG 格式的图像进行输入。
在操作S220，基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量。
根据本发明的实施例，基于目标检测技术对所述目标物进行检测识别。其中，预训练得到的目标检测模型根据基于旋转目标框改进的 YOLOv5模型训练得到。YOLO系列作为常用的目标检测算法，经过从YOLOv1到YOLOv5不断地创新和改进，到目前为止YOLOv5在小物体、紧凑密集、高度重叠上的目标检测和泛化能力明显提升的同时，还兼备了识别速度和性能。经典的YOLOv5模型包括三个主要组件，分别是主干网络层(Backbone层)，特征融合层(Neck层)，以及预测层(Prediction层，又称output层)。其中，Backbone层为在不同图像细粒度上聚合并形成图像特征的卷积神经网络。Neck层为一系列混合和组合图像特征的网络层，其可以用于将图像特征传递到预测层。Prediction层用于对图像特征进行预测，生成边界框和预测类别。
应当理解，在目标检测中，检测方法所采取的边框标注方式通常需要根据被检测物体本身的形状特征进行改变。
图3A、图3B和图3C分别示意性示出了根据目标物的形状和角度使用不同的边框进行标注的对比图。
如图3A-图3C所示，目标物为倾斜的不规则四边形，图3A使用水平的感兴趣区域边框和水平的包围盒进行标注，图3B使用水平的感兴趣区域边框和自定义的包围盒(包围盒形状不规则)进行标注，图3C使用旋转的感兴趣区域边框和旋转的包围盒进行标注。可以理解，标注方式越精准，提供给网络训练时的冗余信息就越少；先验越充分，网络的可学习方案就越少，有利于约束网络的训练方向和减少网络的收敛时间。在较优的情况下，精准的标注方式可以确保紧密的物体之间的交并比(IOU)为0；如果标注方式改为水平目标框，检测效果将惨不忍睹。常规的YOLOv5模型的应用场景通常为自然场景下的目标，其所采用的目标框为水平矩形框。然而，当视角发生改变时，物体呈现在二维图像中的形状特征就会发生改变。进一步，当视角继续上升到无人机/卫星的高度，俯视视角下的物体形状特征会继续发生变化，此时若仍采用水平目标框，其标注结果会产生较大的误差。
图4A和图4B示意性示出了水平目标框和旋转目标框的对比图。
如图4A和图4B所示，目标物为飞机，多架飞机在地面上以随机角度进行排列。图4A示出了水平目标框的标注结果，图4B示出了旋转目标框的标注结果。可以发现，对于角度随机的目标物，采用旋转目标框更能够准确标识出物体的形状。
在本发明的实施例中，由于检测目标物为包含渔排的养殖户作业工具，其通常并不具备规则的形状和排布方式。以渔排为示例，不同于船舶等常见水下交通工具相对整齐规则的排布方式，卫星遥感影像中的渔排具有分布密集、尺寸较小、角度随机、排布不规则等特点，进一步为准确标注增加了难度。本发明的实施例发现，通过将YOLOv5模型的水平目标框改进为旋转目标框，可以提高其对于角度随机排布的渔排的检测精度。
在操作S230，基于所述旋转目标框的坐标值获取目标物面积。
根据本发明的实施例，为了准确监控渔排等养殖户核心资产，利于实时把控养殖情况，防范贷后风险，在识别目标物后，可以结合目标物面积的计算来监控养殖作业情况。其中，目标物的面积可以包括单个渔排的面积。在一些具体的实施例中，也可以进一步计算预设区域内所有渔排的总面积以全面掌握养殖作业总体状况。
图5示意性示出了根据本发明的实施例的基于旋转目标框的坐标值获取目标物面积的方法的流程图。
如图5所示，该实施例的基于旋转目标框的坐标值获取目标物面积的方法包括操作S510～操作S520。
在操作5510，将旋转目标框的坐标值转化为对应的经纬度数据。
在操作S520，基于所述旋转目标框对应的经纬度数据计算目标物面积。
根据本发明的实施例，对应于目标物的旋转目标框的坐标值可以包目标框四个顶点的x和y坐标值。可以将其转换成对应于真实地图的经纬度数据，并通过面积计算公式获取对应的目标物的面积。在一些具体的实施例中，可以应用式(1)的公式计算目标物的面积：
Figure BDA0003649608910000141
f(x)＝x*π/180 式(1)
在式(1)中，area为目标物面积，lgi为第i个目标框顶点的经度，lti为第i个目标框顶点的维度。i为目标框顶点的序号，可以理解，对于方形目标框，共有4个目标框顶点，n为3，f(x)为角度转换公式，用于将经纬度数值转换为角度值。
根据本发明的实施例，在完成目标物面积计算后，可以执行操作 S240。
在操作S240，基于目标物面积和目标物数量进行贷后监管。
根据本发明的实施例，贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。本发明的实施例发现，通过监测一段时间内渔排的目标物数量和面积的变化情况，可以有效掌握养殖情况，防范贷后风险。
在本发明的实施例中，依托卫星遥感勘察和目标检测技术，智能、快速地对渔排等海水养殖业核心作业工具进行勘察，进一步通过监测渔排的面积和数量变动情况实时监控养殖户贷后资产信息，提高贷后管理的科学性和智能化，减少传统贷后监管方法中的人力成本，提高管理效率。
图6示意性示出了根据本发明的实施例的基于卫星遥感图像以及预训练得到的目标检测模型对目标物进行检测识别的方法的流程图。
如图6所示，该实施例的基于卫星遥感图像以及预训练得到的目标检测模型对目标物进行检测识别的方法包括操作S610～操作S630。
在操作S610，将预处理后的卫星遥感图像输入主干网络层，获取渔排特征提取图像。
在操作S620，将所述渔排特征图像输入特征融合层，获取渔排特征融合图像。
在操作S630，将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量。
根据本发明的实施例，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述渔排特征提取图像包含不同粒度聚合的渔排特征图像。所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络。在本发明的实施例中，对YOLOv5模型的主干网络层做出改进。以基于滑动窗口的深度自注意力网络替代YOLOv5模型中 Backbone层常用的CSPDarknet53结构。基于滑动窗口的深度自注意力网络将自注意力计算限制在不重叠的局部窗口的同时，还允许跨窗口连接来提高效率，具有在各种尺度上建模的灵活性，并且相对于图像大小具有线性计算复杂度，能够在提升数据处理效率的同时提取更丰富的特征。另一方面，本发明的实施例使用的特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络。其中，特征图金字塔网络可以同时利用底层特征的高分辨率和高层特征的高语义信息，实现不同层特征的融合。多孔空间金字塔池化网络可以在不丢失分辨率的情况下扩大卷积核的感受野。在本发明的实施例中，通过上述主干网络层和特征融合层网络的选取，能够进一步提高对于排列角度随机，排布不规则的渔排的目标检测效果。
在一些具体的实施例中，基于滑动窗口的深度自注意力网络为 Swin-Transformer结构。Swin-Transformer结构的整体架构采取类似于卷积神经网络的层次化构建方法，以助于在此基础上的目标检测任务。架构包含4个阶段(Stage)，每个Stage都会缩小输入特征图的分辨率，逐渐扩大感受野。在输入开始时，进行图像块分割，即将图片切成一个个图块，通过线性嵌入层对每个像素的通道数据做线性变换。然后通过4个Stage构建不同大小的特征图。除第一个Stage中先通过一个线性嵌入层外，剩下三个Stage均由图像块融合块(Patch Merging)和窗口多头自注意力块和移动窗口多头自注意力块组成。其中，Patch Merging主要用于在进入每个Stage的开始时做降采样，降低图块分辨率，同时能够调整通道数进而形成层次化的设计，同时也能节省一定运算量。
在一些具体的实施例中，特征图金字塔网络为FPN结构，多孔空间金字塔池化网络为ASPP结构。FPN+ASPP结构作为特征融合层可以加强主干网络层的特征表达。其中FPN结构利用卷积神经网络模型内部从底至上各个层对同一图片不同维度特征进行表达。ASPP 结构包含数个并行的空洞卷积，此数个并行的空洞卷积直接应用于特征图，挖掘不同程度的卷积特征，并编码了全局内容信息的图像层特征，进一步提升了图像分割的效果。
根据本发明的实施例，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框。所述预测网络层包含改进的边框锚定算法和改进的损失函数，其中，所述改进的边框锚定算法包含基于角度参数改进的预测构造函数，所述改进的损失函数包含基于角度差值和目标框长宽比设置的损失函数权重因子函数。
图7示意性示出了根据本发明的实施例的将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像的方法的流程图。
如图7所示，该实施例的获取渔排预测特征图像的方法包括操作 S710～操作S720。
在操作S710，基于所述预测网络层中改进的边框锚定算法和改进的损失函数对渔排特征融合图像进行处理，获取初始旋转框。
在操作S720，基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选，获取与渔排位姿相匹配的旋转目标框，并获取旋转目标框的坐标值以及目标渔排数量。
根据本发明的实施例，预测层网络包含边框锚定算法以生成与目标物匹配的目标框。边框锚定算法包含预测构造函数。传统的 YOLOv5模型的预测构造函数中不包含角度参数，从而生成水平目标框。在本发明的实施例中，基于长边定义法结合环形平滑标签设定边框锚定算法中改进的预测构造函数。通过在预测构造函数中增加角度参数，在预测网络中增加180个角度分类通道，将角度由回归问题转化成分类问题，进而得到初始旋转框。
以下结合图8-图9对基于长边定义法结合环形平滑标签改进的边框锚定算法进行说明。
图8示意性示出了长边定义法的示意图。
如图8所示，长边定义法是旋转目标框的一类定义方式。其中，长边定义法的角度由一端点为原点的长边和x轴的夹角所决定。在长边定义法中，旋转框的标识方式可以为(x，y，h，w，θ)，其中x， y分别为目标框中与x轴存在夹角的长边在直角坐标系中的x，y坐标值，h为目标框的高，w为目标框的宽。在如图8所示的长边定义法中，其回归周期为π，并满足θ∈[-90，90)。可以发现，在利用上述长边定义法进行旋转目标检测时，存在边界不连续的问题。例如，正常训练情况下，以水平目标框逆时针旋转360°时θ的变化情况为例，利用YOLOv5模型预测的θ值为88°，目标物真实θ值为89°，利用YOLOv5模型学习到的预测值和真实值的角度差值为1°，真实情况下的两者差值也为1°；而边界情况下，利用YOLOv5模型预测的θ值为89°，目标物真实θ值为-90°，利用YOLOv5模型学习到的角度差值为179°，但真实情况下的两者差值仅为1°。可见，在角度边界处存在差值突增的问题，由此导致在模型训练过程中损失值突增，学习难度增大。为了解决边界处θ变化不连续的问题，提高模型标注准确度，本发明的实施例利用环形平滑标签(Circular Smooth Label，CSL)来解决角度周期性的问题，将角度回归问题转换成分类问题，避开边界连续的情况。可以理解，在转换过程中可能存在精度损失。例如在1°表示一类的情况下，无法对0.5°进行预测。然而，通过计算可以发现上述损失对于最后的评测结果的影响可以忽略。
图9示意性示出了环形平滑标签的示意图。
如图9所示，环形平滑标签引入窗口函数。窗口函数用于使模型衡量预测标签和地面真实标签之间的角度距离。其中，窗口函数需满足四点性质，分别为周期性，对称性，存在最大值以及单调性。满足上述条件的窗口函数包括脉冲函数、矩形函数、三角函数、高斯函数等。
根据本发明的实施例，CSL的具体表达如式(2)所示：
Figure BDA0003649608910000181
在式(2)中，g(x)是窗口函数，r为窗口函数的半径，θ为当前目标框的真实角度，x为当前目标框的预测角度。
根据本发明的实施例，可以选用高斯函数作为窗口函数。由于窗口函数的设置，使得模型可以衡量预测标签和地面真实标签之间的角度距离，即在一定范围内越靠近真实值的预测值，其损失值越小。通过引入周期性的窗口函数还可以解决角度周期性变化导致的不连续的问题，例如使得89°和-90°两个度数变成是近邻的。
根据本发明的实施例，当目标物为接近方形时，基于长边定义法以及环形平滑标签改进的边框锚定算法可能存在较大误差。为减小误差，预测层网络还可以包括改进的损失函数，所述改进的损失函数包含基于角度差值和目标框长宽比设置的损失函数权重因子函数。应当理解，所述损失函数权重因子函数可以用于调整不同目标框长宽比时长边定义法的周期。
在一些具体的实施例中，损失函数权重因子函数可以表示如式(3) 所示：
W(Δθ)＝sin|a(θg-θp)|
Figure BDA0003649608910000191
在式(3)中，θg，θp分别为实际角度和预测角度，h/t为长宽比，α为周期调整因子。上述权重因子函数可改变长边定义法的周期性，当长宽比＞3/2时，周期仍为π；而当长宽比接近时，周期改为π /2。通过引入损失函数权重因子函数，优化了模型在检测长宽比接近的类方形目标物时的准确率。值得注意的是，由于渔排具有角度随机，排布不规则，大小不规则，排列紧密且间隔大小不规则，同一张渔排深浅不一造成明亮不一等特点，初始旋转框可以包含重叠和/或交叉的旋转标注框。
图10A和图10B示意性示出了根据本发明一些的实施例的数据集卫星遥感图像对比图。如图10A和图10B所示，图10A为DOTA 数据集中的船舶的无人机航拍图像，图10B为基于商业平台获取的数据集中的渔排的卫星遥感图像，通过对比图10A和图10B可以发现，与船舶相比，渔排形状规则度较低，且由于在水中深浅不同，在图像中衬度差异更为明显(深则暗，浅则亮)，并且渔排排布紧密而不规则，间隔大小存在较大差异，上述特征均为目标框的准确标定增加了难度。而在另一些实施例中，卫星遥感图像具有较低的分辨率，例如分辨率为5米以上，相对于高分辨率的遥感图像，这些低分辨率图像存在模糊度较高的问题，加大了目标检测模型的识别难度。
图11A和图11B示意性示出了根据本发明另一些的实施例的数据集卫星遥感图像对比图。如图11A和图11B所示，图11A中渔排的卫星遥感图像分辨率为0.75米，图11B中渔排的卫星遥感图像分辨率为5米。由图11A和图11B可以看出，图11A中的渔排清晰度较高，形状较为规则，边界清晰。图11B中的渔排清晰度相对较低，部分渔排边界不清晰，在目标检测过程中可能使得目标框无法准确定位目标物，提高目标框重叠，交叉等情况出现的概率。
图12A和图12B分别示意性示出了根据本发明的一些实施例的在检测低分辨率的排布紧密且不规则渔排时的目标框标注示意图。其中，图12A为未经标注的图片，图12B为检测结果图。对比图12A 和图12B可以发现，在排布较为密集，各渔排大小不规则时，目标框存在较为严重的交叉重叠现象。
本发明的实施例通过对初始旋转框进行筛选以最终获取与渔排位姿相匹配的旋转目标框，进一步提升了预测的准确性，减少了数据冗余。
图13示意性示出了根据本发明的一些实施例的对重叠和/或交叉的旋转目标框进行筛选的方法的流程图。
如图13所示，该一些实施例的对重叠和/或交叉的旋转目标框进行筛选的方法包括操作S1310～操作S1330或操作S1310、操作S1340。
在操作S1310，判断第i个旋转目标框得分是否大于或等于预设的阈值，其中，i为大于或等于1的整数。
当第k个旋转目标框得分大于或等于预设的阈值时，执行操作 S1320。
在操作S1320，计算所述第k个旋转目标框与第k+1个或第k-1 个旋转目标框的重叠面积比值，其中，第k个旋转目标框与第k+1 个或第k-1个旋转目标框存在重叠和/或交叉，且k满足1≤k≤i。
在操作S1330，基于所述重叠面积比值，第k个旋转目标框得分以及第k+1个或第k-1个旋转目标框得分筛选保留的旋转目标框。
应当理解，当第i个旋转目标框得分小于预设的阈值时，执行操作S1340。
在操作S1340，删除第i个旋转目标框。
根据本发明的一些实施例，应当理解，在目标检测后，对于每个旋转目标框，均有其对应的得分值(例如评估指标Map值)。得分值越大，检测效果越好。在本发明的一些实施例中，在对重叠和/或交叉的旋转目标框进行筛选时，可以先将得分小于阈值的旋转目标框筛除，得到初始保留目标框。进一步，计算存在重叠和/或交叉的一组或多组旋转目标框的重叠部分的面积。为了减少数据处理开销，提高数据处理效率，如果重叠部分的面积较大，根据该组目标框中两个目标框的得分值做进一步筛选，保留得分值较大的目标框作为最终的保留旋转目标框。对于重叠部分面积较小的目标框则不做处理。在本发明的一些实施例中，i为旋转目标框的个数，可以遍历旋转目标框以判断每个目标框的得分是否大于或等于预设的阈值。k为旋转目标框的编号。第k个旋转目标框与第k+1个旋转目标框为相邻的编号连续的旋转目标框。类似的，第k个旋转目标框与第k-1个旋转目标框为相邻的编号连续的旋转目标框。
在一些具体的示例中，预设的得分阈值可以为0.25。可以基于式 (4)遍历计算检测结果图中相邻两个目标框的重叠面积比值：
Figure BDA0003649608910000211
在式(4)中，area_un为重叠面积比值，inter_area为p1和p2 两个检测框的重叠面积，p1和p2为相邻目标框的编号。根据本发明的一些具体的实施例，当area_un大于0.5且小于等于1时，比较目标框p1的得分值和目标框p2的得分值，当p1的得分值大于p2的得分值时，则删除p2目标框、保留p1目标框；当p2的得分值大于p1 的得分值时，则删除p1目标框、保留p2目标框。当area_un小于0.5 时，同时保留p1和p2目标框。
图14A和图14B示意性示出了根据本发明的一些实施例的对旋转目标框进行筛选前后检测结果的对比示意图。
如图14A和图14B所示，图14A是对旋转目标框进行筛选前的渔排预测特征图像。图14B是对旋转目标框进行筛选后的渔排预测特征图像。从图14A和图14B中可以看出，在对旋转目标框进行优化后，检测效果进一步提高，对于目标框重叠和/或交叉等情况有了明显改善。
图15示意性示出了根据本发明具体的实施例的优化后的目标检测模型的整体结构。
以渔排为目标物示例，如图15所示，本发明具体的实施例中，以卫星遥感图像为输入数据，在基于YOLOv5的目标检测模型中，以Swin-Transformer结构为主干网络层的基于滑动窗口的深度自注意力网络的具体选择，以FPN+ASPP结构为特征融合层的特征图金字塔网络和多孔空间金字塔池化网络的具体选择，基于长边定义法以及环形平滑标签改进预测网络层中边框锚定算法的预测构造函数以引入角度参数，以及优化损失函数，并对旋转目标框进行筛选后，实现了对包含排列紧密且不规则，大小不一且角度随机的渔排的卫星遥感图像的准确标注。
图16A和图16B示意性示出了根据本发明的具体的实施例的模型网络优化效果对比图。
如图16A和图16B所示，在本发明的具体的实施例中，在均使用长边定义法结合环形平滑标签改进YOLOv5模型的情况下，采用 Swin-Transformer结构替代常用的CSPDarknet53结构作为YOLOv5 模型的主干网络层，并且以FPN+ASPP结构替代常用的FPN+PAN结构作为YOLOv5模型的特征融合层后，获取了更为优异的渔排检测效果。其中，图16A为主干网络层和特征融合层中的网络结构优化前的检测结果，图16B为主干网络层和特征融合层中的网络结构优化后的检测结果，白色虚线框示意性示出了在替换目标检测模型的主干网络层以及特征融合层后，对于渔排检测结果的差异，可以发现，本发明的具体的实施例中的改进的目标检测模型相较于仅做旋转目标框和损失函数优化的模型提高了对于渔排检测的准确度。
本发明的具体的实施例的改进的目标检测模型在亚米级及米级卫星遥感图像的目标检测中具备较高的模型准确率和召回率，如表1 所示。
表1 不同分辨率下模型的准确率和召回率
Figure BDA0003649608910000231
根据本发明的实施例，可以理解，在养殖户贷后管理中，包含作业工具的卫星遥感图像的获取是比较困难的。例如，现有公开训练数据集中鲜有关于渔排等养殖户作业工具的数据，即使通过商业平台或机构进行购买，也难以获得较大体量的能够满足训练需求的训练数据集。为了丰富训练数据集及提高目标检测模型的检测准确率，本发明的一些具体的实施例在训练改进的目标检测模型时，还包括对训练集数据进行增量处理的步骤。
图17示意性示出了根据本发明的实施例的预训练得到目标检测模型的方法的示意图。
如图17所示，该实施例的预训练得到目标检测模型的方法包括操作S1710～操作S1760。
在操作S1710，获取第一训练数据集，所述第一训练数据集包含 q张包含目标物的卫星遥感图像，所述q为大于或等于2的整数。
在操作S1720，对所述q张包含目标物的卫星遥感图像进行人工标注。
在操作S1730，将人工标注后q张包含目标物的卫星遥感图像进行数据增强，获取p张包含目标物的卫星遥感图像，所述p张包含目标物的卫星遥感图像构成第二训练数据集，其中，p取值为q的预先设定的倍数。
在操作S1740，将第二训练数据集中的包含目标物的卫星遥感图像裁剪成预设尺寸的输入图像，其中，相邻区域的输入图像具有预设比值的重叠区域，所述预设比值满足1/5≤预设比值≤2/3。
在操作S1750，将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像。
在操作S1760，基于所述训练渔排预测特征图像和训练渔排位姿标签对所述待训练的目标检测模型参数进行更新，直至达到预设的训练截止条件。
在本发明的实施例中，可以在获取原始卫星遥感图像后先进行人工标注，然后对标注后的渔排进行数据增强。数据增强是指对图片进行随机旋转，翻转，裁剪，随机设置图片的亮度和对比度以及对数据进行标准化等操作。通过这些操作可以获得更多的图片样本，将原来的一张图片变为多张图片，扩大了样本容量，有利于提高模型的准确率和泛化能力。在本发明的实施例中，可以采用包括对卫星遥感图像进行旋转、翻转和剪裁等随机改变，调整图像明暗度和对比度、模糊图片、添加高斯噪声等方法来进行数据增强。可以理解，本发明实施例的数据增强方法不作限定，以能够实现样本扩充为目标。应当理解，在扩充样本后，第二训练数据集中的卫星遥感图像可以为未经数据增强的第一数据集中的卫星遥感图像的预设的倍数。在一个示例中，第一训练集数据包含200张渔排的卫星遥感图像，每张图像的像素尺寸在800*800至4000*4000的范围内不等。对该200张图像进行人工标注后采用数据增强的方法将第二训练集数据扩充至1000张，覆盖面积大致为1000平方公里，能够匹配真实场景下的渔排作业区域。
图18A和图18B分别示意性示出了根据本发明的实施例的人工标注前后渔排卫星遥感图像的示意图。
如图18A和图18B所示，图18A为原始渔排卫星遥感图像，图 18B为人工标注后的渔排卫星遥感图像。可以看见，人工标注可以排除在卫星遥感影响中不同渔排大小，角度，衬度不一的影响，实现对每个渔排的准确标注。在此基础上，可以将样本扩充后的第二训练集数据划分为训练集和验证集以实现对改进的目标检测模型的训练。其中，训练集数据和验证集数据可以依照常规比例设定，例如训练集数据∶验证集数据＝8∶2。
在本发明的实施例中，所获取的卫星遥感图像具有较大的面积。为了减少数据处理开销，降低计算资源消耗，在完成人工标注和数据增强后，可以将卫星遥感图像裁剪成预设尺寸的输入图像。可以理解，为了使图像裁剪后具备更好的图像拼接效果，提高模型训练的准确度，可以设置相邻区域的输入图像具有预设比值的重叠区域。在一些具体的实施例中，结合渔排等养殖户作业工具具有的排列紧密，尺寸小等特点，可以设置裁剪时图像的重叠区域较大。本发明的实施例发现，将重叠区域的预设比值设置为满足1/5≤预设比值≤2/3，更优的预设比例可以为1/3，此时对于包含排列紧密，尺寸小的目标物渔排的输入图像具有优异的图像拼接效果和模型准确率且不至于产生过大的数据处理开销。类似的，在利用目标检测模型进行预测时，也可以以相同的方法进行图像裁剪以提高数据处理效率。在获取处理好的输入图像后，可以将输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像。应理解，训练集数据含有渔排位姿标签，可以基于训练渔排预测特征图像和训练渔排位姿标签对待训练的目标检测模型参数进行更新，直至达到预设的训练截止条件。其中训练截止条件可以基于专家经验设定。例如，达到指定精度或指定的迭代训练轮次后，可以停止训练。
图19示意性示出了根据本发明的实施例的将输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像的方法的流程图。
如图19所示，该实施例的获取训练渔排预测特征图像的方法包括操作S1910～操作S1930。
在操作S1910，将所述输入图像输入主干网络层，获取训练渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述训练渔排特征提取图像包含不同粒度聚合的训练渔排特征图像。
在操作S1920，将所述训练渔排特征图像输入特征融合层，获取训练渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络。
在操作S1930，将所述训练渔排特征融合图像输入预测网络层，获取训练渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框。
根据本发明的实施例，应理解，待训练的目标检测模型的预测网络层包含改进的边框锚定算法和改进的损失函数。其中，所述改进的边框锚定算法中的构造函数包含基于长边定义法结合环形平滑标签设定的角度参数，所述改进的损失函数包含基于角度差值和边框长宽比设置的损失函数权重因子，所述角度差值为渔排实际角度和模型预测角度的差值。所述预设的训练截止条件包括训练直至所述改进的损失函数收敛时截止。
图20示意性示出了根据本发明的实施例的基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警的方法的流程图。
如图20所示，该实施例的基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警的方法包括操作S2010～操作S2040。
在操作S2010，获取第一时点下待监管区域的第一目标物数量和第一目标物面积。
在操作S2020，基于预设的监管周期获取第二时点下待监管区域的第二目标物数量和第二目标物面积。
在操作S2030，计算第二目标物数量与第一目标物数量之间的第一变化量，以及第二目标物面积和第一目标物面积之间的第二变化量。
在操作S2040，当所述第一变化量大于第一阈值，和/或所述第二变化量大于第二阈值时，触发贷后风险预警，其中，所述第一变化量和第二变化量相同或不同。
根据本发明的实施例，可以记录多个不同时点下目标物的数量及面积。进一步，可以基于对比多个目标检测结果图像中目标物的数量和面积的变化情况进行养殖情况分析，及时发现贷后风险事项并触发预警，以利于业务人员进行风险分析和防控。其中，第一阈值和第二阈值可以基于专家经验设定，其可以相同或不同。例如，可以以第一阈值和第二阈值均为5％进行设置。即当第一变化量和第二变化量均超过5％时，触发贷后风险预警，以提示业务人员关注后进行后续分析即防控，从而实现科学、智能化地进行贷后管理，减少传统贷后监管方法中的人力成本，提高管理的科学性和管理效率。
基于上述养殖业贷后监管方法，本发明的实施例还提供了一种养殖业贷后监管装置。以下将结合图21对该装置进行详细描述。
图21示意性示出了根据本发明实施例的养殖业贷后监管装置的结构框图。
如图21所示，该实施例的养殖业贷后监管装置800包括获取模块801、识别模块802、计算模块803和监管模块804。
获取模块801被配置为获取包含目标物的卫星遥感图像，其中，所述目标物包含渔排。
识别模块802被配置为基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量，其中，所述预训练得到的目标检测模型基于旋转目标框改进的YOLOv5模型训练得到。
计算模块803被配置为基于所述旋转目标框的坐标值获取目标物面积，其中，所述基于所述旋转目标框的坐标值获取目标物面积包括：将旋转目标框的坐标值转化为对应的经纬度数据，所述经纬度数据用于计算目标物面积。
监管模块804被配置为基于所述目标物面积和所述目标物数量进行所述贷后监管，其中，所述贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。
根据本发明的实施例，识别模块还可以包括第一处理子模块，第二处理子模块和第三处理子模块。
图22示意性示出了根据本发明实施例的识别模块的结构框图。
如图22所示，该实施例的识别模块802还可以包括第一处理子模块8021、第二处理子模块8022和第三处理子模块8023。
其中，第一处理子模块8021被配置为将预处理后的卫星遥感图像输入主干网络层，获取渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述渔排特征提取图像包含不同粒度聚合的渔排特征图像。
第二处理子模块8022被配置为将所述渔排特征图像输入特征融合层，获取渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络。
第三处理子模块8023被配置为将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框，所述预测网络层包含改进的边框锚定算法和改进的损失函数，其中，所述改进的边框锚定算法包含基于角度参数改进的预测构造函数，所述改进的损失函数包含基于角度差值和目标框长宽比设置的损失函数权重因子函数。
根据本发明的实施例，第三处理子模块还可以包括计算单元和目标框筛选单元。
图23示意性示出了根据本发明实施例的第三处理子模块的结构框图。
如图23所示，该实施例的第三处理子模块8023还可以包括计算单元80231和目标框筛选单元80232。
其中，计算单元80231被配置为基于所述预测网络层中改进的边框锚定算法和改进的损失函数对渔排特征融合图像进行处理，获取初始旋转框，其中，所述基于角度参数改进的预测构造函数基于长边定义法结合环形平滑标签设定，所述初始旋转框包含重叠和/或交叉的旋转标注框。
目标框筛选单元80232被配置为基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选，获取与渔排位姿相匹配的旋转目标框，并获取旋转目标框的坐标值以及目标渔排数量。
根据本发明的实施例，目标框筛选单元还可以包括判断子单元，计算子单元和保留子单元。
图24示意性示出了根据本发明实施例的目标框筛选单元的结构框图。
如图24所示，该实施例的目标框筛选单元80232还可以包括判断子单元802321、计算子单元802322和保留子单元802323。
其中，判断子单元802321被配置为判断第i个旋转标注框得分是否大于或等于预设的阈值，其中，i为大于或等于1的整数。
计算子单元802322被配置为当第k个旋转标注框得分大于或等于预设的阈值时，计算所述第k个旋转目标框与第k+1个或第k-1个旋转目标框的重叠面积比值，其中，第k个旋转目标框与第k+1个或第k-1个旋转目标框重叠或交叉，k满足1≤k≤i。
保留子单元802323被配置为基于所述重叠面积比值，第k个旋转标注框得分以及第k+1个或第k-1个旋转标注框得分筛选保留的旋转标注框。
本发明的实施例还提供了一种目标检测模型的训练装置。
图25示意性示出了根据本发明实施例的目标检测模型的训练装置的结构框图。
如图25所示，该实施例的目标检测模型的训练装置900可以包括采集模块901，标注模块902，增强模块903，剪裁模块904，第一训练模块905和第二训练模块906。
其中，采集模块901被配置为获取第一训练数据集，所述第一训练数据集包含q张包含目标物的卫星遥感图像，其中，q为大于或等于2的整数。
标注模块902被配置为对所述q张包含目标物的卫星遥感图像进行人工标注。
增强模块903被配置为将人工标注后q张包含目标物的卫星遥感图像进行数据增强，获取p张包含目标物的卫星遥感图像，所述p张包含目标物的卫星遥感图像构成第二训练数据集，其中，p取值为q 的预先设定的倍数。
剪裁模块904被配置为将第二训练数据集中的包含目标物的卫星遥感图像裁剪成预设尺寸的输入图像，其中，相邻区域的输入图像具有预设比值的重叠区域，所述预设比值满足1/5≤预设比值≤2/3。
第一训练模块905被配置为将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像。
第二训练模块906被配置为基于所述训练渔排预测特征图像和训练渔排位姿标签对所述待训练的目标检测模型参数进行更新，直至达到预设的训练截止条件。
根据本发明的实施例，监管模块还可以包括第一获取子模块，第二获取子模块，运算子模块和预警子模块。
图26示意性示出了根据本发明实施例的监管模块的结构框图。
如图26所示，该实施例的监管模块804还可以包括第一获取子模块8041，第二获取子模块8042，运算子模块8043和预警子模块 8044。
其中，第一获取子模块8041被配置为获取第一时点下待监管区域的第一目标物数量和第一目标物面积；
第二获取子模块8042被配置为基于预设的监管周期获取第二时点下待监管区域的第二目标物数量和第二目标物面积；
运算子模块8043被配置为计算第二目标物数量与第一目标物数量之间的第一变化量，以及第二目标物面积和第一目标物面积之间的第二变化量；以及
预警子模块8044被配置为当所述第一变化量大于第一阈值，和/ 或所述第二变化量大于第二阈值时，触发贷后风险预警，其中，所述第一变化量和第二变化量相同或不同。
根据本发明的实施例，获取模块801、识别模块802、计算模块 803、监管模块804、第一处理子模块8021、第二处理子模块8022、第三处理子模块8023、计算单元80231、目标框筛选单元80232、判断子单元802321、计算子单元802322、保留子单元802323、采集模块901，标注模块902，增强模块903，剪裁模块904，第一训练模块905、第二训练模块906、第一获取子模块8041、第二获取子模块8042、运算子模块8043和预警子模块8044中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，获取模块801、识别模块802、计算模块803、监管模块804、第一处理子模块8021、第二处理子模块8022、第三处理子模块8023、计算单元80231、目标框筛选单元80232、判断子单元802321、计算子单元802322、保留子单元802323、采集模块901，标注模块902，增强模块903，剪裁模块904，第一训练模块905、第二训练模块906、第一获取子模块8041、第二获取子模块8042、运算子模块8043和预警子模块8044中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块801、识别模块802、计算模块 803、监管模块804、第一处理子模块8021、第二处理子模块8022、第三处理子模块8023、计算单元80231、目标框筛选单元80232、判断子单元802321、计算子单元802322、保留子单元802323、采集模块901，标注模块902，增强模块903，剪裁模块904，第一训练模块 905、第二训练模块906、第一获取子模块8041、第二获取子模块8042、运算子模块8043和预警子模块8044中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图27示意性示出了根据本发明实施例的适于实现养殖业贷后监管方法的电子设备的方框图。
如图27所示，根据本发明实施例的电子设备1000包括处理器 1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备1000还可以包括输入/输出(I/O) 接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM1002和RAM 1003以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的养殖业贷后监管方法。
在该计算机程序被处理器1001执行时执行本发明实施例的系统/ 装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本发明实施例的系统中限定的上述功本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++， python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网 (LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。

Claims (11)

1.一种养殖业贷后监管方法，其特征在于，包括：
获取包含目标物的卫星遥感图像，其中，所述目标物包含渔排；
基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量，其中，所述预训练得到的目标检测模型根据基于旋转目标框改进的YOLOv5模型训练得到；
基于所述旋转目标框的坐标值获取目标物面积，其中，所述基于所述旋转目标框的坐标值获取目标物面积包括：将旋转目标框的坐标值转化为对应的经纬度数据，所述经纬度数据用于计算目标物面积；以及
基于所述目标物面积和所述目标物数量进行贷后监管，其中，所述贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。
2.根据权利要求1所述的方法，其中，所述基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别包括：
将预处理后的卫星遥感图像输入主干网络层，获取渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述渔排特征提取图像包含不同粒度聚合的渔排特征图像；
将所述渔排特征图像输入特征融合层，获取渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络；以及
将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框，所述预测网络层包含改进的边框锚定算法和改进的损失函数，其中，所述改进的边框锚定算法包含基于角度参数改进的预测构造函数，所述改进的损失函数包含基于角度差值和目标框长宽比设置的损失函数权重因子函数。
3.根据权利要求2所述的方法，其中，将所述渔排特征融合图像输入预测网络层，获取渔排预测特征图像包括：
基于所述预测网络层中改进的边框锚定算法和改进的损失函数对渔排特征融合图像进行处理，获取初始旋转框，其中，所述基于角度参数改进的预测构造函数基于长边定义法结合环形平滑标签设定，所述初始旋转框包含重叠和/或交叉的旋转标注框；以及
基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选，获取与渔排位姿相匹配的旋转目标框，并获取旋转目标框的坐标值以及目标渔排数量。
4.根据权利要求3所述的方法，其中，所述基于旋转标注框得分以及重叠面积对所述初始旋转框进行筛选包括：
判断第i个旋转标注框得分是否大于或等于预设的阈值，其中，i为大于或等于1的整数；
当第k个旋转标注框得分大于或等于预设的阈值时，计算所述第k个旋转目标框与第k+1个或第k-1个旋转目标框的重叠面积比值，其中，第k个旋转目标框与第k+1个或第k-1个旋转目标框重叠或交叉，k满足1≤k≤i；以及
基于所述重叠面积比值，第k个旋转标注框得分以及第k+1个或第k-1个旋转标注框得分筛选保留的旋转标注框。
5.根据权利要求1所述的方法，其中，所述预训练得到的目标检测模型根据基于旋转目标框改进的YOLOv5模型训练得到，包括：
获取第一训练数据集，所述第一训练数据集包含q张包含目标物的卫星遥感图像，其中，q为大于或等于2的整数；
对所述q张包含目标物的卫星遥感图像进行人工标注；
将人工标注后的q张包含目标物的卫星遥感图像进行数据增强，获取p张包含目标物的卫星遥感图像，所述p张包含目标物的卫星遥感图像构成第二训练数据集，其中，p取值为q的预先设定的倍数；
将第二训练数据集中的包含目标物的卫星遥感图像裁剪成预设尺寸的输入图像，其中，相邻区域的输入图像具有预设比值的重叠区域，所述预设比值满足1/5≤预设比值≤2/3；
将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像；以及
基于所述训练渔排预测特征图像和训练渔排位姿标签对所述待训练的目标检测模型参数进行更新，直至达到预设的训练截止条件。
6.根据权利要求5所述的方法，其中，所述将所述输入图像输入至待训练的目标检测模型，获取训练渔排预测特征图像包括：
将所述输入图像输入主干网络层，获取训练渔排特征提取图像，其中，所述主干网络层包含基于滑动窗口的深度自注意力网络，所述训练渔排特征提取图像包含不同粒度聚合的训练渔排特征图像；
将所述训练渔排特征图像输入特征融合层，获取训练渔排特征融合图像，其中，所述特征融合层包含特征图金字塔网络和多孔空间金字塔池化网络；以及
将所述训练渔排特征融合图像输入预测网络层，获取训练渔排预测特征图像、旋转目标框的坐标值以及目标渔排数量，其中，所述渔排预测特征图像包含与渔排位姿相匹配的旋转目标框。
7.根据权利要求6所述的方法，其中，所述待训练的目标检测模型包含改进的损失函数，其中，所述改进的损失函数包含基于角度差值和边框长宽比设置的损失函数权重因子，
其中，所述预测网络层中的构造函数包含基于长边定义法结合环形平滑标签的角度参数，所述预测网络层中的损失函数包含基于角度差值和边框长宽比设置的损失函数权重因子，其中，所述角度差值为渔排实际角度和模型预测角度的差值。
8.根据权利要求1所述的方法，其中，所述基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警包括：
获取第一时点下待监管区域的第一目标物数量和第一目标物面积；
基于预设的监管周期获取第二时点下待监管区域的第二目标物数量和第二目标物面积；
计算第二目标物数量与第一目标物数量之间的第一变化量，以及第二目标物面积和第一目标物面积之间的第二变化量；以及
当所述第一变化量大于第一阈值，和/或所述第二变化量大于第二阈值时，触发贷后风险预警，其中，所述第一变化量和第二变化量相同或不同。
9.一种养殖业贷后监管装置，其特征在于，包括：
获取模块，配置为获取包含目标物的卫星遥感图像，其中，所述目标物包含渔排；
识别模块，配置为基于所述卫星遥感图像以及预训练得到的目标检测模型对所述目标物进行检测识别，获取与所述目标物的位姿相匹配的旋转目标框的坐标值以及目标物数量，其中，所述预训练得到的目标检测模型根据基于旋转目标框改进的YOLOv5模型训练得到；
计算模块，配置为基于所述旋转目标框的坐标值获取目标物面积，其中，所述基于所述旋转目标框的坐标值获取目标物面积包括：将旋转目标框的坐标值转化为对应的经纬度数据，所述经纬度数据用于计算目标物面积；以及
监管模块，配置为基于所述目标物面积和所述目标物数量进行所述贷后监管，其中，所述贷后监管包括基于预设时间周期内目标物数量变化量和目标物面积变化量触发贷后风险预警。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～8中任一项所述的方法。
CN202210546739.7A 2022-05-18 2022-05-18 养殖业贷后监管方法、装置、设备和介质 Active CN114881763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210546739.7A CN114881763B (zh) 2022-05-18 2022-05-18 养殖业贷后监管方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210546739.7A CN114881763B (zh) 2022-05-18 2022-05-18 养殖业贷后监管方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN114881763A true CN114881763A (zh) 2022-08-09
CN114881763B CN114881763B (zh) 2023-05-26

Family

ID=82676721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210546739.7A Active CN114881763B (zh) 2022-05-18 2022-05-18 养殖业贷后监管方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114881763B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115925A (zh) * 2022-08-29 2022-09-27 福建（泉州）哈工大工程技术研究院 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164282A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN113239953A (zh) * 2021-03-30 2021-08-10 西安电子科技大学 基于有向高斯函数的sar图像旋转舰船检测方法
CN113689488A (zh) * 2021-08-19 2021-11-23 安徽工大信息技术有限公司 一种基于深度学习的近海养殖鱼框个数与面积统计方法
CN113935822A (zh) * 2021-09-24 2022-01-14 四川享宇金信金融科技有限公司 基于农牧业的贷款核验方法、系统及设备
CN114066603A (zh) * 2021-11-11 2022-02-18 中国建设银行股份有限公司 贷后风险预警方法、装置、电子设备和计算机可读介质
WO2022036702A1 (zh) * 2020-08-21 2022-02-24 深圳技术大学 资产证券产品的预警方法、装置、电子设备及存储介质
CN114493975A (zh) * 2022-02-17 2022-05-13 华北电力大学（保定） 一种种苗旋转框目标检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164282A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 基于yolo的图像目标识别方法、装置、电子设备和存储介质
WO2022036702A1 (zh) * 2020-08-21 2022-02-24 深圳技术大学 资产证券产品的预警方法、装置、电子设备及存储介质
CN113239953A (zh) * 2021-03-30 2021-08-10 西安电子科技大学 基于有向高斯函数的sar图像旋转舰船检测方法
CN113689488A (zh) * 2021-08-19 2021-11-23 安徽工大信息技术有限公司 一种基于深度学习的近海养殖鱼框个数与面积统计方法
CN113935822A (zh) * 2021-09-24 2022-01-14 四川享宇金信金融科技有限公司 基于农牧业的贷款核验方法、系统及设备
CN114066603A (zh) * 2021-11-11 2022-02-18 中国建设银行股份有限公司 贷后风险预警方法、装置、电子设备和计算机可读介质
CN114493975A (zh) * 2022-02-17 2022-05-13 华北电力大学（保定） 一种种苗旋转框目标检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUE YANG 等: "Arbitrary-Oriented Object Detection with Circular Smooth Label", 《ARXIV》 *
XUE YANG 等: "Dense Label Encoding for Boundary Discontinuity Free Rotation Detection", 《ARXIV》 *
唐建宇 等: "基于旋转框和注意力机制的遥感图像目标检测算法", 《电子测量技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115925A (zh) * 2022-08-29 2022-09-27 福建（泉州）哈工大工程技术研究院 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法

Also Published As

Publication number Publication date
CN114881763B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
US20220245936A1 (en) Object-based change detection using a neural network
US11527062B2 (en) Method and system for crop recognition and boundary delineation
Corbane et al. Big earth data analytics on Sentinel-1 and Landsat imagery in support to global human settlements mapping
Dujon et al. Machine learning to detect marine animals in UAV imagery: effect of morphology, spacing, behaviour and habitat
Marcu et al. SafeUAV: Learning to estimate depth and safe landing areas for UAVs from synthetic data
US20180189954A1 (en) Method and system for crop recognition and boundary delineation
US8319793B2 (en) Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
CN107731011B (zh) 一种港口泊船监测方法、系统及电子设备
Hidaka et al. Pixel-level image classification for detecting beach litter using a deep learning approach
Patanè et al. Heterogeneous spatial data: Fusion, modeling, and analysis for GIS applications
CN114881763B (zh) 养殖业贷后监管方法、装置、设备和介质
Nian et al. The identification and prediction of mesoscale eddy variation via memory in memory with scheduled sampling for sea level anomaly
CN117808708A (zh) 云雾遥感影像的处理方法、装置、设备和介质
US20220327335A1 (en) Controlling asynchronous fusion of spatio-temporal multimodal data
Sen et al. Unsupervised extraction of urban features from airborne lidar data by using self-organizing maps
Ivanda et al. An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea
CN116129320A (zh) 基于视频sar的目标检测方法、系统及设备
Pavlove et al. Efficient Deep Learning Methods for Automated Visibility Estimation at Airports
CN113902703B (zh) 对象统计模型的训练方法、对象统计方法及装置
Barrile et al. Using Snn Neural Networks Trained with High Resolution Data 2 and Applied to Copernicus SENTINEL-2 Data
Nguyen Deep learning for tropical cyclone formation detection
CN118470444B (zh) 基于sar图像和光学图像的海冰检测方法、装置、设备及介质
US20240282100A1 (en) On-orbit downlink prioritization of spaceborne data
US11961172B1 (en) Advanced image enhancements for accurate processing, exploitation, and dissemination

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