CN116362864A - 基于水产养殖的贷后风险评估方法及其装置、电子设备 - Google Patents
基于水产养殖的贷后风险评估方法及其装置、电子设备 Download PDFInfo
- Publication number
- CN116362864A CN116362864A CN202310186608.7A CN202310186608A CN116362864A CN 116362864 A CN116362864 A CN 116362864A CN 202310186608 A CN202310186608 A CN 202310186608A CN 116362864 A CN116362864 A CN 116362864A
- Authority
- CN
- China
- Prior art keywords
- target
- fishing ground
- fishing
- preset
- remote sensing
- 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
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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于水产养殖的贷后风险评估方法及其装置、电子设备,涉及金融科技领域或其他相关领域,其中,该贷后风险评估方法包括:采集目标客户的目标渔场的渔场遥感影像集合,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标,基于渔排位置坐标,确定目标渔场的水产养殖产量,在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。本发明解决了相关技术中对渔场的水产养殖产量进行评估的效率以及准确度较低,导致贷后风险预警的时效性较差的技术问题。
Description
技术领域
本发明涉及金融科技领域,具体而言,涉及一种基于水产养殖的贷后风险评估方法及其装置、电子设备。
背景技术
对于水产养殖领域,一般需要在海面上或者水面上设置渔排进行水产养殖。在向客户发放贷款后,需要通过客户当前的水产养殖产量进行贷后风险评估。相关技术中,往往需要通过人工方式去养殖现场进行信息采集,然后根据采集到的信息进行人工贷后风险评估。
然后,人工方式采集养殖现场信息存在采集困难且信息采集效率低的问题,由于通过人工定时评估,存在评估不及时,贷后风险预警的时效性差的问题,容易导致贷款发放机构无法及时对影响水产产量的风险(例如,水质、台风、温度等)进行预警,导致客户以及贷款发放机构的利益受损。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于水产养殖的贷后风险评估方法及其装置、电子设备,以至少解决相关技术中对渔场的水产养殖产量进行评估的效率以及准确度较低,导致贷后风险预警的时效性较差的技术问题。
根据本发明实施例的一个方面,提供了一种基于水产养殖的贷后风险评估方法,包括:采集目标客户的目标渔场的渔场遥感影像集合,其中,所述目标渔场包括:多个目标渔排,所述目标渔排用于养殖水产;采用预设渔场分析模型分析所述渔场遥感影像集合,得到所述目标渔场中每个所述目标渔排的渔排位置坐标;基于所述渔排位置坐标,确定所述目标渔场的水产养殖产量;在所述水产养殖产量小于预设目标产量的情况下,向所述目标客户发出产量下降风险预警。
可选地,采用预设渔场分析模型分析所述渔场遥感影像集合,得到所述目标渔场中每个所述目标渔排的渔排位置坐标的步骤,包括:将所述渔场遥感影像集合中的每个渔场遥感影像转换为预设格式遥感影像,得到目标渔场遥感影像集合;将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到所述目标渔场中每个所述目标渔排的所述渔排位置坐标。
可选地,将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到所述目标渔场中每个所述目标渔排的所述渔排位置坐标的步骤,包括:将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到预测结果图,其中,所述预测结果图包括:标注框、每个标注框的标注框分数、每个标注框的位置坐标;删除所述标注框分数小于预设分数阈值的所述标注框,得到目标标注框集合;计算所述目标标注框集合中每两个重叠的所述标注框的重叠比例值;在所述重叠比例值属于预设重叠阈值范围的情况下,删除两个重叠的所述标注框中所述标注框分数小的所述标注框,得到目标预测结果图;将所述目标预测结果图中所述标注框的所述位置坐标表征为所述目标渔排的所述渔排位置坐标。
可选地,在采用预设渔场分析模型分析所述渔场遥感影像集合之前,还包括:采集多个渔场的渔场遥感影像,并对所述渔场遥感影像进行标注,得到训练数据;采用所述训练数据训练初始渔场分析模型,直到预设损失函数通过所述初始渔场分析模型输出的结果数据计算出的损失值小于预设损失阈值,得到所述预设渔场分析模型。
可选地,在采集多个渔场的渔场遥感影像之前,还包括:基于预设基本框架,构建所述初始渔场分析模型;将所述初始渔场分析模型中对于标注框的回归算法转换为预设分类算法,其中,所述预设分类算法是采用环形平滑标签构建的分类算法;基于所述训练数据中的真实角度以及所述结果数据中的预测角度,构建损失函数权重因子函数;基于所述损失函数权重因子函数,构建所述预设损失函数。
可选地,在向所述目标客户发出产量下降风险预警之前,还包括:获取历史时间段内多个渔场所在地的历史气象数据以及历史渔场数据;基于所述历史气象数据以及所述历史渔场数据,训练预设产量预测模型;获取所述目标渔场在预设时间段内的气象数据;将所述气象数据输入至所述预设产量预测模型,得到所述预设目标产量。
可选地,所述贷后风险评估方法还包括:基于所述历史气象数据以及所述历史渔场数据,分析影响所述水产养殖产量的气象风险因素;在所述气象数据存在所述气象风险因素的情况下,向所述目标客户推荐与所述气象风险因素关联的产品。
根据本发明实施例的另一方面,还提供了一种基于水产养殖的贷后风险评估装置,包括:采集单元,用于采集目标客户的目标渔场的渔场遥感影像集合,其中,所述目标渔场包括:多个目标渔排,所述目标渔排用于养殖水产;分析单元,用于采用预设渔场分析模型分析所述渔场遥感影像集合,得到所述目标渔场中每个所述目标渔排的渔排位置坐标;确定单元,用于基于所述渔排位置坐标,确定所述目标渔场的水产养殖产量;预警单元,用于在所述水产养殖产量小于预设目标产量的情况下,向所述目标客户发出产量下降风险预警。
可选地,所述分析单元包括:第一转换模块,用于将所述渔场遥感影像集合中的每个渔场遥感影像转换为预设格式遥感影像,得到目标渔场遥感影像集合;第一输入模块,用于将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到所述目标渔场中每个所述目标渔排的所述渔排位置坐标。
可选地,所述第一输入模块包括:第一输入子模块,用于将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到预测结果图,其中,所述预测结果图包括:标注框、每个标注框的标注框分数、每个标注框的位置坐标;第一删除子模块,用于删除所述标注框分数小于预设分数阈值的所述标注框,得到目标标注框集合;第一计算子模块,用于计算所述目标标注框集合中每两个重叠的所述标注框的重叠比例值;第二删除子模块,用于在所述重叠比例值属于预设重叠阈值范围的情况下,删除两个重叠的所述标注框中所述标注框分数小的所述标注框,得到目标预测结果图;第一表征子模块,用于将所述目标预测结果图中所述标注框的所述位置坐标表征为所述目标渔排的所述渔排位置坐标。
可选地,所述贷后风险评估装置还包括:第一采集模块,用于在采用预设渔场分析模型分析所述渔场遥感影像集合之前,采集多个渔场的渔场遥感影像,并对所述渔场遥感影像进行标注,得到训练数据;第一训练模块,用于采用所述训练数据训练初始渔场分析模型,直到预设损失函数通过所述初始渔场分析模型输出的结果数据计算出的损失值小于预设损失阈值,得到所述预设渔场分析模型。
可选地,所述贷后风险评估装置还包括:第一构建模块,用于在采集多个渔场的渔场遥感影像之前,基于预设基本框架,构建所述初始渔场分析模型;第二转换模块,用于将所述初始渔场分析模型中对于标注框的回归算法转换为预设分类算法,其中,所述预设分类算法是采用环形平滑标签构建的分类算法;第二构建模块,用于基于所述训练数据中的真实角度以及所述结果数据中的预测角度,构建损失函数权重因子函数;第三构建模块,用于基于所述损失函数权重因子函数,构建所述预设损失函数。
可选地,所述贷后风险评估装置还包括:第一获取模块,用于在向所述目标客户发出产量下降风险预警之前,获取历史时间段内多个渔场所在地的历史气象数据以及历史渔场数据;第二训练模块,用于基于所述历史气象数据以及所述历史渔场数据,训练预设产量预测模型;第二获取模块,用于获取所述目标渔场在预设时间段内的气象数据;第二输入模块,用于将所述气象数据输入至所述预设产量预测模型,得到所述预设目标产量。
可选地,所述贷后风险评估装置还包括:第一分析模块,用于基于所述历史气象数据以及所述历史渔场数据,分析影响所述水产养殖产量的气象风险因素;第一推荐模块,用于在所述气象数据存在所述气象风险因素的情况下,向所述目标客户推荐与所述气象风险因素关联的产品。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述基于水产养殖的贷后风险评估方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,所述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,使得所述一个或多个处理器实现上述基于水产养殖的贷后风险评估方法。
在本公开中,采集目标客户的目标渔场的渔场遥感影像集合,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标,基于渔排位置坐标,确定目标渔场的水产养殖产量,在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。在本公开中,可以通过预设渔场分析模型分析采集到的渔场遥感影像集合,以得到目标渔场中每个目标渔排的渔排位置坐标,然后根据渔排位置坐标确定目标渔场的水产养殖产量,如果水产养殖产量小于预设目标产量,则向目标客户发出产量下降风险预警,通过预设渔场分析模型对渔场遥感影像集合进行分析,有效提升了对水产养殖产量进行评估的效率以及准确度,能够及时进行贷后风险预警,进而解决了相关技术中对渔场的水产养殖产量进行评估的效率以及准确度较低,导致贷后风险预警的时效性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的基于水产养殖的贷后风险评估方法的流程图;
图2是根据本发明实施例的一种可选的预设渔场分析模型结构的示意图;
图3是根据本发明实施例的一种可选的渔场遥感影像的面积计算流程的示意图;
图4是根据本发明实施例的一种可选的基于水产养殖的贷后风险评估装置的示意图;
图5是根据本发明实施例的一种用于基于水产养殖的贷后风险评估方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于本领域技术人员理解本发明,下面对本发明各实施例中涉及的部分术语或名词做出解释:
卫星遥感技术,是一门综合性的科学技术,集中了空间、电子、光学、计算机通信和地学等学科。遥感卫星能在规定的时间内覆盖整个地球或指定的任何区域,当沿地球同步轨道运行时,它能连续地对地球表面某指定地域进行遥感。
需要说明的是,本公开中的基于水产养殖的贷后风险评估方法及其装置可用于金融科技领域在基于水产养殖进行贷后风险评估的情况下,也可用于除金融科技领域之外的任意领域在基于水产养殖进行贷后风险评估的情况下,本公开中对基于水产养殖的贷后风险评估方法及其装置的应用领域不做限定。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
本发明下述各实施例可应用于各种基于水产养殖进行贷后风险评估的系统/应用/设备中。本发明通过卫星遥感技术可以采集渔场的渔场遥感影像,通过分析渔场遥感影像能够确定客户的水产养殖情况,依据水产养殖情况并结合气象情况,能够及时确定存在影响水产养殖产量的风险,以对客户进行及时预警,能够有效避免贷后风险预警的时效性差的问题。
下面结合各个实施例来详细说明本发明。
实施例一
根据本发明实施例,提供了一种基于水产养殖的贷后风险评估方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的基于水产养殖的贷后风险评估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,采集目标客户的目标渔场的渔场遥感影像集合,其中,目标渔场包括:多个目标渔排,目标渔排用于养殖水产。
步骤S102,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标。
步骤S103,基于渔排位置坐标,确定目标渔场的水产养殖产量。
步骤S104,在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。
通过上述步骤,可以采集目标客户的目标渔场的渔场遥感影像集合,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标,基于渔排位置坐标,确定目标渔场的水产养殖产量,在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。在本发明实施例中,可以通过预设渔场分析模型分析采集到的渔场遥感影像集合,以得到目标渔场中每个目标渔排的渔排位置坐标,然后根据渔排位置坐标确定目标渔场的水产养殖产量,如果水产养殖产量小于预设目标产量,则向目标客户发出产量下降风险预警,通过预设渔场分析模型对渔场遥感影像集合进行分析,有效提升了对水产养殖产量进行评估的效率以及准确度,能够及时进行贷后风险预警,进而解决了相关技术中对渔场的水产养殖产量进行评估的效率以及准确度较低,导致贷后风险预警的时效性较差的技术问题。
下面结合上述各步骤对本发明实施例进行详细说明。
步骤S101,采集目标客户的目标渔场的渔场遥感影像集合,其中,目标渔场包括:多个目标渔排,目标渔排用于养殖水产。
在本发明实施例中,可以先获取目标客户的渔场信息,该渔场信息可以包括:渔场位置(即目标客户需要进行贷后风险评估的渔场的地理位置,例如,经纬度坐标),以便根据渔场位置,通过卫星遥感技术实时拍摄目标渔场的渔场遥感影像(即采集目标客户的目标渔场的渔场遥感影像集合,该目标渔场包括:多个目标渔排,目标渔排用于养殖水产,且养殖水产的种类可以不同)。
可选地,在采用预设渔场分析模型分析渔场遥感影像集合之前,还包括:采集多个渔场的渔场遥感影像,并对渔场遥感影像进行标注,得到训练数据;采用训练数据训练初始渔场分析模型,直到预设损失函数通过初始渔场分析模型输出的结果数据计算出的损失值小于预设损失阈值,得到预设渔场分析模型。
在本发明实施例中,在遥感场景下,由于数据规模小,难以进行旋转目标检测。而数据增强是基于深度学习的图像任务中考虑优先度最高的阶段。如果数据集的复杂度已经接近真实应用场景,哪怕一个训练到过拟合的模型也会有极好的应用体验,但是显然这不可能。因此,只能尽量增加数据集的规模、泛化性以及表征无人机影像特点的充分性,使得数据集在样本数量、接近真实世界的复杂度上足以支撑基于深度学习的方法。
由于公开的训练数据集中没有关于渔排的数据,对此需要采集多个渔场的渔场遥感影像,然后对包含渔排的影像进行人工标注(例如,人工标注200张左右,每张图像的像素尺寸在800*800至4000*4000的范围内不等),以得到训练数据(即采集多个渔场的渔场遥感影像,并对渔场遥感影像进行标注,得到训练数据)。此外,为了丰富训练数据集及提高算法模型的检测准确率,对标注后的影像进行数据增强(例如,对影像进行随机改变操作,包括:亮暗度、模糊、高斯噪声等改变操作,如此,对于200张左右的影像,增强后的数据大致为1000张,面积大致为1000平方公里)。
然后,采用训练数据训练初始渔场分析模型(例如,改进后的YOLOv5模型,其中,YOLOv5是一个对象检测算法),直到预设损失函数通过初始渔场分析模型输出的结果数据计算出的损失值小于预设损失阈值(即可以通过预先构建的预设损失函数优化初始渔场分析模型,直到通过预设损失函数计算出的损失值小于预设损失阈值,该预设损失函数的输入变量可以为初始渔场分析模型输出的结果数据),训练完成,得到预设渔场分析模型。
在本实施例中,初始渔场分析模型可以采用改进后的YOLOv5模型,该模型能够对训练数据进行裁剪(例如,裁剪成1024*1024的图像),图像裁剪后为了更好的图像拼接效果,以及渔排小而密的特点,裁剪时图像的重叠区域需设置较大(即该模型在裁剪时图像的重叠区域面积大于预设重叠阈值)。
在本实施例中,卫星遥感影像的分辨率影响着准确率及召回率,分辨率越高准确率和召回率越高,为能够达到实用,分辨率需大于5米。最终训练后的预设渔场分析模型的准确率及召回率如表1所示:
表1
卫星遥感影像分辨率(米) | 准确率 | 召回率 |
0.5 | 0.96 | 0.87 |
0.75 | 0.95 | 0.87 |
1 | 0.90 | 0.85 |
5 | 0.85 | 0.8 |
可选地,在采集多个渔场的渔场遥感影像之前,还包括:基于预设基本框架,构建初始渔场分析模型;将初始渔场分析模型中对于标注框的回归算法转换为预设分类算法,其中,预设分类算法是采用环形平滑标签构建的分类算法;基于训练数据中的真实角度以及结果数据中的预测角度,构建损失函数权重因子函数;基于损失函数权重因子函数,构建预设损失函数。
在本发明实施例中,当前的YOLOv5模型在小物体、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,但YOLOv5的标注框为水平框,不能为旋转标注框,而渔排的分布及形状为任意旋转角度的长方形,为了适应渔排的特点,需改进YOLOv5模型,由于旋转的标注框更能标识出物体的形状,因此将其水平标注框改为任意旋转角度标注框。根据遥感影像中渔排分布密集、渔排小、渔排角度随机的特点,需要对当前的YOLOv5模型算法进行二次开发和改进,使得检测的标准框能够进行任意角度的旋转,以更加适应遥感影像中渔排的特点。改进的YOLOv5是计算渔排面积的关键的部分,本实施例中的渔排目标检测是基于改进后的YOLOv5模型进行的,然后通过训练得到预设渔场分析模型。
在本发明实施例中,为了将水平框改进为旋转框,可以将模型中对于标注框的角度回归方式转换成分类的形式。还可以从损失函数上进行优化,以解决长边定义法对于边框的长宽长度比较接近的目标检测准确率不高的问题。具体为:
在本实施例中,将回归问题转换成分类问题其实是一个连续到离散的问题,在这个转换的过程中是会有精度的损失的,比如在一度一类的情况下,无法预测出0.5度这种结果。通过计算可得出这种损失对于最后评测其实影响非常小。目前的分类损失无法衡量预测结果和标签之间的角度距离,例如,如果旋转角度是0度,当预测成1度和-90度的损失值是一样的,但是如果预测成1度也是可以接受的。因此,可以将当前分类算法中的one hot标签(即180度的水平标签)转换为360度的环形平滑标签(Circular Smooth Label,简称CSL)(即将初始渔场分析模型中对于标注框的回归算法转换为预设分类算法,其中,预设分类算法是采用环形平滑标签构建的分类算法)。
CSL的具体表达式如下:
其中,g(x)是窗口函数,x为输入的角度变量,θ为设置的角度阈值,本实施例中的窗口函数可以采用高斯函数,窗口半径由r来控制。窗口函数具有以下四点性质:
周期性:g(x)=g(x+kT),k∈N,T=180/ω;
对称性:0≤g(θ-ε)≤1,|ε|<r;
最大值:g(θ)=1;
单调性:0≤g(θ±ε)≤g(θ±l),|l|<|ε|<r;
其中,N表示自然数,ω表示角度,T表示周期,ε、l分别表示设置的参数。
在本实施例中,具有上述四点性质的窗口函数,分别有脉冲函数、矩形函数、三角函数、高斯函数等,本实施例可以采用高斯函数。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相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的损失值越小。而且通过引入周期性解决了角度周期性的问题,即使得89和-90两个度数变成是近邻的。
为了解决方形物体不适合由长边定义方法定义的问题,可以利用角度差值和长宽比的损失函数权重因子函数,公式如下:
W(Δθ)=sin|α(θg-θp)|
其中θg,θp分别为实际角度和预测角度,h/t为长宽比。此权重因子可改变长边定义法的周期性,当长宽比>3/2时,周期仍为π,当长宽比接近,周期改为π/2。这种损失函数因子可以使得训练策略灵活调整,优化了当长宽比接近时的模型准确率(即基于训练数据中的真实角度以及结果数据中的预测角度,构建损失函数权重因子函数)。然后,基于损失函数权重因子函数,构建预设损失函数,以对模型进行优化。
在本实施例中,可以将当前YOLOv5常用的Backbone(即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,例如,CSPDarknet53(即一种特征提取网络))转换为Swin-Transformer(即一种视觉架构,能够在线性计算复杂度的基础上构建图像的层级特征图),将YOLOv5的Neck(即一系列混合和组合图像特征的网络层,并将图像特征传递到预测层)转换为FPN(Feature Pyramid Network,即特征金字塔网络)和ASPP(Atrous spatialpyramid pooling,即空洞金字塔池化)的结构(即基于预设基本框架(即预先确定的Backbone和Neck结构),构建初始渔场分析模型)。此外,输出的损失函数需乘上损失函数权重因子函数。经过优化后的模型,对渔排预测的标注框更为准确,而相应的面积计算也会更为准确。
图2是根据本发明实施例的一种可选的预设渔场分析模型结构的示意图,如图2所示,可以将遥感影像输入至Backbone(如Swin-Transformer)和Neck(如FPN和ASPP)结构构建的预设渔场分析模型中,进行Backbone和Neck结构处理,能够输出渔排的预测角度和位置坐标。
步骤S102,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标。
可选地,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标的步骤,包括:将渔场遥感影像集合中的每个渔场遥感影像转换为预设格式遥感影像,得到目标渔场遥感影像集合;将目标渔场遥感影像集合输入至预设渔场分析模型,得到目标渔场中每个目标渔排的渔排位置坐标。
在本发明实施例中,可以采用预设渔场分析模型分析渔场遥感影像集合,以得到目标渔场中每个目标渔排的渔排位置坐标(即经纬度坐标),具体为:需要将渔场遥感影像集合中的每个渔场遥感影像的初始格式(如tif格式,即一种影像格式)转换为训练模型时使用的图像格式(即预设格式,如PNG格式)(即将渔场遥感影像集合中的每个渔场遥感影像转换为预设格式遥感影像,得到目标渔场遥感影像集合)。之后将PNG格式的图像(即目标渔场遥感影像集合)输入到训练好的YOLOv5模型(即预设渔场分析模型)中,模型将对图像中的渔排进行预测标注,生成的结果中有预测好的图像以及标注框的概率值、具体坐标值(即将目标渔场遥感影像集合输入至预设渔场分析模型,得到目标渔场中每个目标渔排的渔排位置坐标)。
图3是根据本发明实施例的一种可选的渔场遥感影像的面积计算流程的示意图,如图3所示,将遥感影像(tif格式)转换为PNG格式图像,并输入给改进的目标检测模型YOLOv5,然后输出目标检测结果,之后根据目标检测结果,计算渔场面积。
可选地,将目标渔场遥感影像集合输入至预设渔场分析模型,得到目标渔场中每个目标渔排的渔排位置坐标的步骤,包括:将目标渔场遥感影像集合输入至预设渔场分析模型,得到预测结果图,其中,预测结果图包括:标注框、每个标注框的标注框分数、每个标注框的位置坐标;删除标注框分数小于预设分数阈值的标注框,得到目标标注框集合;计算目标标注框集合中每两个重叠的标注框的重叠比例值;在重叠比例值属于预设重叠阈值范围的情况下,删除两个重叠的标注框中标注框分数小的标注框,得到目标预测结果图;将目标预测结果图中标注框的位置坐标表征为目标渔排的渔排位置坐标。
在本发明实施例中,针对低分辨率(例如,5米或10米分辨率)的渔排遥感影像目标监测,目前存在如下问题:(1)低分辨率遥感影像相对于高分辨率遥感影像和航拍图像,影像存在模糊问题,加大了模型识别难度;(2)相对于船舶等其他物体的识别,渔排目标小且模糊、排布不规则、大小不规则、排布紧密且间隔大小不规则、同一张渔排深浅不一造成的明亮不一致等问题。
例如,目标标注框在优化前的数据如表2所示:
表2
从表2数据可以看出,因上述问题(如排布不规则、大小不规则、排布紧密且间隔大小不规则、同一张渔排深浅不一造成的明亮不一致等问题),造成的标注框有重叠、交叉等问题。
在上述问题的实际情况下,本实施例对渔排遥感影像的目标标注框做优化,以使得监测结果更好。
在本实施例中,将目标渔场遥感影像集合输入至预设渔场分析模型,以得到预测结果图,该预测结果图包括:标注框、每个标注框的标注框分数、每个标注框的位置坐标。之后对标注框进行优化,对标注框进行优化的过程如下:
(1)当标注框的分数Score<0.25,删除标注框(即删除标注框分数小于预设分数阈值的标注框,得到目标标注框集合);
(2)遍历计算两个标注框的重叠面积比例值(即计算目标标注框集合中每两个重叠的标注框的重叠比例值),公式如下:
其中,inter_area为p1和p2两个标注框的重叠面积,p1.area为标注框p1的分数,p2.area为标注框p2的分数。
当area_un大于0.5且小于等于1时,如果标注框p1的Score大于p2的Score,则删除p2标注框、保留p1的标注框(即在重叠比例值属于预设重叠阈值范围的情况下,删除两个重叠的标注框中标注框分数小的标注框,得到目标预测结果图),否则,反之。
然后,将目标预测结果图中标注框的位置坐标表征为目标渔排的渔排位置坐标,完成标注框的优化。
步骤S103,基于渔排位置坐标,确定目标渔场的水产养殖产量。
在本发明实施例中,读取每个渔排的经纬度和预测好的标注框坐标值(即渔排位置坐标),然后根据渔排的经纬度计算渔场的面积(即基于渔排位置坐标,确定目标渔场的水产养殖产量,其中,渔场面积越大,水产养殖产量越高)。计算渔场面积的公式如下:
f(x)=x*π/180
其中,area表示渔场面积,lg和lt分别为经纬度,n表示渔排的数量,i为与渔排对应的遥感影像的标识,x为输入的经纬度。
可选地,在向目标客户发出产量下降风险预警之前,还包括:获取历史时间段内多个渔场所在地的历史气象数据以及历史渔场数据;基于历史气象数据以及历史渔场数据,训练预设产量预测模型;获取目标渔场在预设时间段内的气象数据;将气象数据输入至预设产量预测模型,得到预设目标产量。
在本发明实施例中,可以依据历史时间段内(如近10年)的水质、台风大小、台风位置、最高温度、最低温度、平均温度、种植的种类,一周内下雨量、一月内下雨量、一季度下雨量等特征数据(即历史气象数据以及历史渔场数据),对预设产量预测模型(如xgboost模型,即一个优化的分布式梯度增强库)进行多分类训练(即取历史时间段内多个渔场所在地的历史气象数据以及历史渔场数据,并基于历史气象数据以及历史渔场数据,训练预设产量预测模型),通过设产量预测模型预测当年的产量(即获取目标渔场在预设时间段内的气象数据,并将气象数据输入至预设产量预测模型,得到预设目标产量)。
步骤S104,在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。
在本发明实施例中,如果水产养殖产量小于预设目标产量,则表明当前的目标渔场的水产养殖产量存在问题,需要向目标客户发出产量下降风险预警,以及时解决产量下降问题,避免利益损失。
在本实施例中,可以依据当年的天气、气候、台风等情况,和历年去比较,确定可能存在的问题(例如,食物问题、气象问题、养殖问题等)。依据存在的问题,向客户推荐匹配的产品,例如,由于客户养殖原因,可以推荐养殖经验等相关文章,由于食物问题,可以推荐相应的食物等。
在本实施例中,如果水产养殖产量正常,可以为客户提供贷款建议,以扩大生产,获取更多利益。
可选地,贷后风险评估方法还包括:基于历史气象数据以及历史渔场数据,分析影响水产养殖产量的气象风险因素;在气象数据存在气象风险因素的情况下,向目标客户推荐与气象风险因素关联的产品。
在本发明实施例中,可以根据历史气象数据以及历史渔场数据,分析影响水产养殖产量的气象风险因素,如果当前的气象数据存在气象风险因素,则可以预测水产养殖产量将要受到的影响,向目标客户推荐与气象风险因素关联的产品,以消除影响,例如,存在台风影响时向客户推荐针对台风的产品等。
本发明实施例中,通过遥感技术采集渔场的遥感影像,能够确定客户的水产养殖情况,依据水产养殖情况能够评估客户的贷后风险,能够有效解决人工方式采集养殖现场信息存在信息采集效率低以及人为方式评估是否发放贷款存在工作量大,人工评估效率低的问题。之后,在贷款发放机构发放贷款后,贷款发放机构可实时获取渔场的遥感影像,并结合气象情况,及时确定存在影响水产产量的风险,对客户进行及时预警,能够有效避免贷后风险预警的时效性差的问题。并且,通过对水产养殖情况的分析,能够确定客户在水产养殖时存在的问题,依据存在的问题,能够向客户推荐匹配的产品(可以是实体产品、也可以是虚拟产品,例如,药物、文章等),从而解决人工方式采集养殖现场信息存在信息采集效率低以及根据人为的评估结果推荐产品的准确率较低的问题。
下面结合另一实施例进行详细说明。
实施例二
本实施例中提供的一种基于水产养殖的贷后风险评估装置包含了多个实施单元,每个实施单元对应于上述实施例一中的各个实施步骤。
图4是根据本发明实施例的一种可选的基于水产养殖的贷后风险评估装置的示意图,如图4所示,该贷后风险评估装置可以包括:采集单元40,分析单元41,确定单元42,预警单元43,其中,
采集单元40,用于采集目标客户的目标渔场的渔场遥感影像集合,其中,目标渔场包括:多个目标渔排,目标渔排用于养殖水产;
分析单元41,用于采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标;
确定单元42,用于基于渔排位置坐标,确定目标渔场的水产养殖产量;
预警单元43,用于在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。
上述贷后风险评估装置,可以通过采集单元40采集目标客户的目标渔场的渔场遥感影像集合,通过分析单元41采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标,通过确定单元42基于渔排位置坐标,确定目标渔场的水产养殖产量,通过预警单元43在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。在本发明实施例中,可以通过预设渔场分析模型分析采集到的渔场遥感影像集合,以得到目标渔场中每个目标渔排的渔排位置坐标,然后根据渔排位置坐标确定目标渔场的水产养殖产量,如果水产养殖产量小于预设目标产量,则向目标客户发出产量下降风险预警,通过预设渔场分析模型对渔场遥感影像集合进行分析,有效提升了对水产养殖产量进行评估的效率以及准确度,能够及时进行贷后风险预警,进而解决了相关技术中对渔场的水产养殖产量进行评估的效率以及准确度较低,导致贷后风险预警的时效性较差的技术问题。
可选地,分析单元包括:第一转换模块,用于将渔场遥感影像集合中的每个渔场遥感影像转换为预设格式遥感影像,得到目标渔场遥感影像集合;第一输入模块,用于将目标渔场遥感影像集合输入至预设渔场分析模型,得到目标渔场中每个目标渔排的渔排位置坐标。
可选地,第一输入模块包括:第一输入子模块,用于将目标渔场遥感影像集合输入至预设渔场分析模型,得到预测结果图,其中,预测结果图包括:标注框、每个标注框的标注框分数、每个标注框的位置坐标;第一删除子模块,用于删除标注框分数小于预设分数阈值的标注框,得到目标标注框集合;第一计算子模块,用于计算目标标注框集合中每两个重叠的标注框的重叠比例值;第二删除子模块,用于在重叠比例值属于预设重叠阈值范围的情况下,删除两个重叠的标注框中标注框分数小的标注框,得到目标预测结果图;第一表征子模块,用于将目标预测结果图中标注框的位置坐标表征为目标渔排的渔排位置坐标。
可选地,贷后风险评估装置还包括:第一采集模块,用于在采用预设渔场分析模型分析渔场遥感影像集合之前,采集多个渔场的渔场遥感影像,并对渔场遥感影像进行标注,得到训练数据;第一训练模块,用于采用训练数据训练初始渔场分析模型,直到预设损失函数通过初始渔场分析模型输出的结果数据计算出的损失值小于预设损失阈值,得到预设渔场分析模型。
可选地,贷后风险评估装置还包括:第一构建模块,用于在采集多个渔场的渔场遥感影像之前,基于预设基本框架,构建初始渔场分析模型;第二转换模块,用于将初始渔场分析模型中对于标注框的回归算法转换为预设分类算法,其中,预设分类算法是采用环形平滑标签构建的分类算法;第二构建模块,用于基于训练数据中的真实角度以及结果数据中的预测角度,构建损失函数权重因子函数;第三构建模块,用于基于损失函数权重因子函数,构建预设损失函数。
可选地,贷后风险评估装置还包括:第一获取模块,用于在向目标客户发出产量下降风险预警之前,获取历史时间段内多个渔场所在地的历史气象数据以及历史渔场数据;第二训练模块,用于基于历史气象数据以及历史渔场数据,训练预设产量预测模型;第二获取模块,用于获取目标渔场在预设时间段内的气象数据;第二输入模块,用于将气象数据输入至预设产量预测模型,得到预设目标产量。
可选地,贷后风险评估装置还包括:第一分析模块,用于基于历史气象数据以及历史渔场数据,分析影响水产养殖产量的气象风险因素;第一推荐模块,用于在气象数据存在气象风险因素的情况下,向目标客户推荐与气象风险因素关联的产品。
上述的贷后风险评估装置还可以包括处理器和存储器,上述采集单元40,分析单元41,确定单元42,预警单元43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。
上述处理器中包含内核,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在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。
上述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。
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,适于执行初始化有如下方法步骤的程序:采集目标客户的目标渔场的渔场遥感影像集合,采用预设渔场分析模型分析渔场遥感影像集合,得到目标渔场中每个目标渔排的渔排位置坐标,基于渔排位置坐标,确定目标渔场的水产养殖产量,在水产养殖产量小于预设目标产量的情况下,向目标客户发出产量下降风险预警。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述的基于水产养殖的贷后风险评估方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述的基于水产养殖的贷后风险评估方法。
图5是根据本发明实施例的一种用于基于水产养殖的贷后风险评估方法的电子设备(或移动设备)的硬件结构框图。如图5所示,电子设备可以包括一个或多个(图5中采用502a、502b,……,502n来示出)处理器502(处理器502可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器504。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解,图5所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于水产养殖的贷后风险评估方法,其特征在于,包括:
采集目标客户的目标渔场的渔场遥感影像集合,其中,所述目标渔场包括:多个目标渔排,所述目标渔排用于养殖水产;
采用预设渔场分析模型分析所述渔场遥感影像集合,得到所述目标渔场中每个所述目标渔排的渔排位置坐标;
基于所述渔排位置坐标,确定所述目标渔场的水产养殖产量;
在所述水产养殖产量小于预设目标产量的情况下,向所述目标客户发出产量下降风险预警。
2.根据权利要求1所述的贷后风险评估方法,其特征在于,采用预设渔场分析模型分析所述渔场遥感影像集合,得到所述目标渔场中每个所述目标渔排的渔排位置坐标的步骤,包括:
将所述渔场遥感影像集合中的每个渔场遥感影像转换为预设格式遥感影像,得到目标渔场遥感影像集合;
将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到所述目标渔场中每个所述目标渔排的所述渔排位置坐标。
3.根据权利要求2所述的贷后风险评估方法,其特征在于,将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到所述目标渔场中每个所述目标渔排的所述渔排位置坐标的步骤,包括:
将所述目标渔场遥感影像集合输入至所述预设渔场分析模型,得到预测结果图,其中,所述预测结果图包括:标注框、每个标注框的标注框分数、每个标注框的位置坐标;
删除所述标注框分数小于预设分数阈值的所述标注框,得到目标标注框集合;
计算所述目标标注框集合中每两个重叠的所述标注框的重叠比例值;
在所述重叠比例值属于预设重叠阈值范围的情况下,删除两个重叠的所述标注框中所述标注框分数小的所述标注框,得到目标预测结果图;
将所述目标预测结果图中所述标注框的所述位置坐标表征为所述目标渔排的所述渔排位置坐标。
4.根据权利要求1所述的贷后风险评估方法,其特征在于,在采用预设渔场分析模型分析所述渔场遥感影像集合之前,还包括:
采集多个渔场的渔场遥感影像,并对所述渔场遥感影像进行标注,得到训练数据;
采用所述训练数据训练初始渔场分析模型,直到预设损失函数通过所述初始渔场分析模型输出的结果数据计算出的损失值小于预设损失阈值,得到所述预设渔场分析模型。
5.根据权利要求4所述的贷后风险评估方法,其特征在于,在采集多个渔场的渔场遥感影像之前,还包括:
基于预设基本框架,构建所述初始渔场分析模型;
将所述初始渔场分析模型中对于标注框的回归算法转换为预设分类算法,其中,所述预设分类算法是采用环形平滑标签构建的分类算法;
基于所述训练数据中的真实角度以及所述结果数据中的预测角度,构建损失函数权重因子函数;
基于所述损失函数权重因子函数,构建所述预设损失函数。
6.根据权利要求1所述的贷后风险评估方法,其特征在于,在向所述目标客户发出产量下降风险预警之前,还包括:
获取历史时间段内多个渔场所在地的历史气象数据以及历史渔场数据;
基于所述历史气象数据以及所述历史渔场数据,训练预设产量预测模型;
获取所述目标渔场在预设时间段内的气象数据;
将所述气象数据输入至所述预设产量预测模型,得到所述预设目标产量。
7.根据权利要求6所述的贷后风险评估方法,其特征在于,所述贷后风险评估方法还包括:
基于所述历史气象数据以及所述历史渔场数据,分析影响所述水产养殖产量的气象风险因素;
在所述气象数据存在所述气象风险因素的情况下,向所述目标客户推荐与所述气象风险因素关联的产品。
8.一种基于水产养殖的贷后风险评估装置,其特征在于,包括:
采集单元,用于采集目标客户的目标渔场的渔场遥感影像集合,其中,所述目标渔场包括:多个目标渔排,所述目标渔排用于养殖水产;
分析单元,用于采用预设渔场分析模型分析所述渔场遥感影像集合,得到所述目标渔场中每个所述目标渔排的渔排位置坐标;
确定单元,用于基于所述渔排位置坐标,确定所述目标渔场的水产养殖产量;
预警单元,用于在所述水产养殖产量小于预设目标产量的情况下,向所述目标客户发出产量下降风险预警。
9.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于水产养殖的贷后风险评估方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述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,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于水产养殖的贷后风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186608.7A CN116362864A (zh) | 2023-02-21 | 2023-02-21 | 基于水产养殖的贷后风险评估方法及其装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186608.7A CN116362864A (zh) | 2023-02-21 | 2023-02-21 | 基于水产养殖的贷后风险评估方法及其装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116362864A true CN116362864A (zh) | 2023-06-30 |
Family
ID=86932247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310186608.7A Pending CN116362864A (zh) | 2023-02-21 | 2023-02-21 | 基于水产养殖的贷后风险评估方法及其装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362864A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787736A (zh) * | 2023-11-17 | 2024-03-29 | 新光瑞合(青岛)生物科技有限公司 | 一种健康养殖安全体系的构建方法及系统 |
-
2023
- 2023-02-21 CN CN202310186608.7A patent/CN116362864A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787736A (zh) * | 2023-11-17 | 2024-03-29 | 新光瑞合(青岛)生物科技有限公司 | 一种健康养殖安全体系的构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Drǎguţ et al. | ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data | |
Vastaranta et al. | Airborne laser scanning and digital stereo imagery measures of forest structure: Comparative results and implications to forest mapping and inventory update | |
Zhao et al. | Mapping rice paddies in complex landscapes with convolutional neural networks and phenological metrics | |
Dujon et al. | Machine learning to detect marine animals in UAV imagery: effect of morphology, spacing, behaviour and habitat | |
CN110097536A (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
Kim et al. | Estimating fractional green vegetation cover of Mongolian grasslands using digital camera images and MODIS satellite vegetation indices | |
Carvajal et al. | Relationship between atmospheric corrections and training-site strategy with respect to accuracy of greenhouse detection process from very high resolution imagery | |
Xu et al. | Comparison and assessment of NDVI time series for seasonal wetland classification | |
Meroni et al. | Early detection of biomass production deficit hot-spots in semi-arid environment using FAPAR time series and a probabilistic approach | |
Jiang et al. | HISTIF: A new spatiotemporal image fusion method for high-resolution monitoring of crops at the subfield level | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
Kim et al. | Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data | |
Yu et al. | Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China | |
Verger et al. | Accuracy assessment of fraction of vegetation cover and leaf area index estimates from pragmatic methods in a cropland area | |
Su et al. | Classification of MODIS images combining surface temperature and texture features using the Support Vector Machine method for estimation of the extent of sea ice in the frozen Bohai Bay, China | |
Wang et al. | Channel bar feature extraction for a mining-contaminated river using high-spatial multispectral remote-sensing imagery | |
Sun et al. | A spatio-temporal fusion method for remote sensing data using a linear injection model and local neighbourhood information | |
CN116362864A (zh) | 基于水产养殖的贷后风险评估方法及其装置、电子设备 | |
Brini et al. | Linking Soil Erosion Modeling to Landscape Patterns and Geomorphometry: An Application in Crete, Greece | |
Román et al. | High-spatial resolution UAV multispectral data complementing satellite imagery to characterize a chinstrap penguin colony ecosystem on deception island (Antarctica) | |
Tamim et al. | Automatic detection of Moroccan coastal upwelling zones using sea surface temperature images | |
Shiu et al. | Mapping paddy rice agriculture in a highly fragmented area using a geographic information system object-based post classification process | |
Merchant | Classifying open water features using optical satellite imagery and an object-oriented convolutional neural network | |
Vlachopoulos et al. | Delineation of bare soil field areas from unmanned aircraft system imagery with the mean shift unsupervised clustering and the random forest supervised classification |
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 |