CN116739739A - 一种贷款额度评估方法、装置、电子设备及存储介质 - Google Patents
一种贷款额度评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116739739A CN116739739A CN202310611941.8A CN202310611941A CN116739739A CN 116739739 A CN116739739 A CN 116739739A CN 202310611941 A CN202310611941 A CN 202310611941A CN 116739739 A CN116739739 A CN 116739739A
- Authority
- CN
- China
- Prior art keywords
- mapping
- area
- crop
- depth map
- loan
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 228
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000003066 decision tree Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000009432 framing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000011157 data evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本申请公开了一种贷款额度评估方法、装置、电子设备及存储介质，可应用于人工智能领域或金融领域。获取用户基于农作物提交的贷款申请请求，响应请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接并采用预设方法进行目标检测得到农作物数据，进而评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过及贷款审核通过的贷款额度。本申请通过测绘无人机对农作物分布区域扫描，并对扫描得到测绘区域深度图进行处理得到贷款额度，从而实现对贷款额度的自动评估，提高贷款额度的评估效率和评估结果准确度。
Description
技术领域
本发明涉及人工智能技术领域，更具体的说，涉及一种贷款额度评估方法、装置、电子设备及存储介质。
背景技术
新农业亦可称为现代农业，是相对于传统农业提出的，指广泛应用现代科学技术、现代工业提供的生产资料和科学管理方法的社会化农业，相对于分户小规模生产形式的传统农业，它是一种高投入、高产出的农业形态。因此，相对于传统农地种植而言，新农业需要更丰厚的资金支持。
在农业贷款场景中，传统的农地种植贷款额度评估方法通常采用地面调查法。然而，若新农业采用地面调查法，会因新农业的种植养殖规模大，而导致贷款额度评估过程工作量大、耗时长和人工成本高，与此同时，由于难以估算大规模种植的产量以及人为因素的影响，因此导致评估结果的贷款额度存在较大误差。
因此，如何提供一种贷款额度评估方法，提高贷款额度评估效率，降低人工成本和贷款额度评估结果误差，成为本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明公开一种贷款额度评估方法、装置、电子设备及存储介质，以实现对贷款额度的自动评估且无需人工参与，从而提高贷款额度评估效率和贷款额度评估结果的准确度。
一种贷款额度评估方法，包括：
获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
基于所述农作物数据评估得到农地种植产量评估值；
将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
可选的，所述响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图，包括：
响应于所述贷款申请请求，采用弓形折线框定所述农作物分布区域，并将所述农作物分布区域确定为所述飞行测绘区域；
采用直方图拟合所述飞行测绘区域，得到飞行测绘拟合图；
在所述飞行测绘拟合图上，沿所述直方图的边生成弓字型飞行路径；
控制所述测绘无人机在所述弓字型飞行路径上进行扫描，得到多个所述测绘区域深度图。
可选的，所述对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图，包括：
基于所述测绘无人机的双目深度传感器，从多个所述测绘区域深度图中选取重叠区域大于重叠区域阈值的第一深度图和第二深度图，其中，所述第一深度图和所述第二深度图与左目图像的像素点一一对应；
对所述左目图像进行体征提取，得到单应性矩阵；
基于所述单应性矩阵，对所述第一深度图和所述第二深度图进行拼接和矫正，得到拼接后的目标深度图；
基于所述测绘无人机的飞行数据，确定所述目标深度图各处的海拔数据，得到所述测绘区域深度地图。
可选的，所述对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据，包括：
基于所述测绘区域深度地图，确定农地框定区域，并基于所述农地框定区域计算得到农地面积；
基于多作物识别模型，从所述测绘区域深度地图中识别出种植作物种类；
基于单作物长势模型，从所述测绘区域深度地图中识别出农作物长势数据；
其中，所述农作物数据包括：所述农地面积、所述种植作物种类和所述农作物长势数据。
可选的，还包括：
将所述农地面积、所述种植作物种类和所述农作物长势数据转换成对应的可视化图表信息；
输出并显示所述可视化图表信息。
可选的，所述预设方法为Mask-R-Cnn模型。
一种贷款额度评估装置，包括：
获取单元，用于获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
扫描单元，用于响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
拼接单元，用于对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
检测单元，用于对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
评估单元，用于基于所述农作物数据评估得到农地种植产量评估值；
预测单元，用于将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
可选的，所述扫描单元包括：
飞行区域确定子单元，用于响应于所述贷款申请请求，采用弓形折线框定所述农作物分布区域，并将所述农作物分布区域确定为所述飞行测绘区域；
拟合子单元，用于采用直方图拟合所述飞行测绘区域，得到飞行测绘拟合图；
路径生成子单元，用于在所述飞行测绘拟合图上，沿所述直方图的边生成弓字型飞行路径；
扫描子单元，用于控制所述测绘无人机在所述弓字型飞行路径上进行扫描，得到多个所述测绘区域深度图。
可选的，所述拼接单元包括：
选取子单元，用于基于所述测绘无人机的双目深度传感器，从多个所述测绘区域深度图中选取重叠区域大于重叠区域阈值的第一深度图和第二深度图，其中，所述第一深度图和所述第二深度图与左目图像的像素点一一对应；
提取子单元，用于对所述左目图像进行体征提取，得到单应性矩阵；
拼接子单元，用于基于所述单应性矩阵，对所述第一深度图和所述第二深度图进行拼接和矫正，得到拼接后的目标深度图；
确定子单元，用于基于所述测绘无人机的飞行数据，确定所述目标深度图各处的海拔数据，得到所述测绘区域深度地图。
可选的，所述检测单元包括：
面积计算子单元，用于基于所述测绘区域深度地图，确定农地框定区域，并基于所述农地框定区域计算得到农地面积；
作物种类识别子单元，用于基于多作物识别模型，从所述测绘区域深度地图中识别出种植作物种类；
作物长势识别子单元，用于基于单作物长势模型，从所述测绘区域深度地图中识别出农作物长势数据；
其中，所述农作物数据包括：所述农地面积、所述种植作物种类和所述农作物长势数据。
一种电子设备，所述电子设备包括存储器和处理器；
所述存储器用于存储至少一个指令；
所述处理器用于执行所述至少一个指令以实现上述所述的贷款额度评估方法。
一种计算机可读存储介质，所述计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现上述所述的贷款额度评估方法。
从上述的技术方案可知，本发明公开了一种贷款额度评估方法、装置、电子设备及存储介质，获取用户基于农作物提交的贷款申请请求，响应于贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接得到测绘区域深度地图，对测绘区域深度地图采用预设方法进行目标检测得到农作物数据，基于农作物数据评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。本发明通过测绘无人机实现对农作物分布区域的扫描，通过对扫描得到测绘区域深度图进行处理得到贷款额度，因此，实现了对贷款额度的自动评估且无需人工参与，从而提高了贷款额度评估效率和贷款额度评估结果的准确度。
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，还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种贷款额度评估方法流程图；
图2为本发明实施例公开的一种测绘区域深度图的获取方法流程图；
图3为本发明实施例公开的一种飞行测绘区域示意图；
图4为本发明实施例公开的一种飞行测绘拟合图的示意图；
图5为本发明实施例公开的一种弓字型飞行路径示意图；
图6为本发明实施例公开的一种对多个测绘区域深度图进行拼接得到测绘区域深度地图的方法流程图；
图7为本发明实施例公开的一种贷款额度评估装置的结构示意图；
图8为本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
需要说明的是，本发明提供的一种贷款额度评估方法、装置、电子设备及存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的一种贷款额度评估方法、装置、电子设备及存储介质的应用领域进行限定。
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。
本发明实施例公开了一种贷款额度评估方法、装置、电子设备及存储介质，获取用户基于农作物提交的贷款申请请求，响应于贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接得到测绘区域深度地图，对测绘区域深度地图采用预设方法进行目标检测得到农作物数据，基于农作物数据评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。本发明通过测绘无人机实现对农作物分布区域的扫描，通过对扫描得到测绘区域深度图进行处理得到贷款额度，因此，实现了对贷款额度的自动评估且无需人工参与，从而提高了贷款额度评估效率和贷款额度评估结果的准确度。
参见图1，本发明实施例公开的一种贷款额度评估方法流程图，该方法包括：
步骤S101、获取用户基于农作物提交的贷款申请请求。
其中，贷款申请请求中携带有贷款申请信息。
在实际应用中，用户(即贷款申请人)可以通过线上方式发送贷款申请请求，贷款申请请求中可以携带贷款人信息、贷款企业信息、贷款申请信息等。
银行或金融机构获取到用户基于农作物提交的贷款申请请求后，与贷款申请人形成业务关系。
步骤S102、响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图。
预先框定的农作物分布区域可以为：贷款申请人在地图上框定的农作物分布区域。
测绘无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，比如大疆的农业无人机T40。测绘无人机采取弓字形的运动轨迹采集地形数据，并实现了“断点续航”的功能，即在超大地图数据采集的场景中需要多次返航充电，在绘制全程中可以自动返航充电，充电完毕后自动回到断点继续完成数据采集任务。
本实施例中的测绘无人机装有双目深度传感器、GPS(Global PositioningSystem，全球定位系统)定位、海拔测量仪等设备。
在实际应用中，测绘无人机可以采用定速巡航的方式扫描飞行测绘区域，并支持“断点续航”。
步骤S103、对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图。
对多个测绘区域深度图进行拼接包括：将测绘无人机采集的深度图像、GPS定位数据和海拔数据等进行拼接拟合。
步骤S104、对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据。
本实施例中，预测方法可以为Mask-R-Cnn模型。
Faster-RCNN:一种深度学习目标检测算法，包括4个部分：
1)Conv layers。作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。
2)Region Proposal Networks。RPN网络用于生成region proposals。该层通过softmax判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的proposals。
3)RoiPooling。该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。
4)Classification。利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。
Mask-RCNN是Faster-RCNN的迭代升级版，相对于Faster-RCNN而言，Mask-RCNN主要改动为，去除像素分割时的取整操作，使用双线性插值算法求取物体坐标，使得目标框转化为了掩膜，增加识别的准确性和可读性。
其中，农作物数据可以包括：农地面积、种植作物种类和农作物长势数据。
步骤S105、基于所述农作物数据评估得到农地种植产量评估值。
在实际应用中，可以根据历史农作物数据与农地种植产量值的对应关系，确定本次的农作物数据对应的农地种植产量评估值。
步骤S106、将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树算法最早产生于上世纪60年代，是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。本专利在贷款决策过程中运用的便是基于C4.5算法原理的决策树技术。
本实施例中的决策树算法可以选用C4.5决策树算法。
在实际应用中，可以将银行历史贷款记录(贷款人信息、农地种植评估结果、还贷情况等)作为训练集，对C4.5决策树算法进行模型训练。
综上可知，本发明公开了一种贷款额度评估方法，获取用户基于农作物提交的贷款申请请求，响应于贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接得到测绘区域深度地图，对测绘区域深度地图采用预设方法进行目标检测得到农作物数据，基于农作物数据评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。本发明通过测绘无人机实现对农作物分布区域的扫描，通过对扫描得到测绘区域深度图进行处理得到贷款额度，因此，实现了对贷款额度的自动评估且无需人工参与，从而提高了贷款额度评估效率和贷款额度评估结果的准确度。
需要说明的是，银行在对贷款额度等信息进行一系列评估后，通过与贷款申请人签约，使得银行与贷款申请人形成借贷关系，再向贷款申请人发放贷款。
为进一步优化上述实施例，参见图2，本发明实施例公开的一种测绘区域深度图的获取方法流程图，也即步骤S102具体可以包括：
步骤S201、响应于贷款申请请求，采用弓形折线框定农作物分布区域，并将农作物分布区域确定为飞行测绘区域。
在实际应用中，可以根据贷款申请人在地图上圈定的农作物范围，采用采用弓形折线框定农作物分布区域，并将该农作物分布区域确定为飞行测绘区域。
举例说明，飞行测绘区域可参见图3所示。
步骤S202、采用直方图拟合飞行测绘区域，得到飞行测绘拟合图。
其中，直方图的尺寸依据实际测绘无人机的双目深度传感器焦距、飞行高度等参数决定。
举例说明，飞行测绘拟合图可参见图4所示。
步骤S203、在飞行测绘拟合图上，沿直方图的边生成弓字型飞行路径。
举例说明，沿直方图的边生成的弓字型飞行路径可参见图5所示。
步骤S204、控制测绘无人机在弓字型飞行路径上进行扫描，得到多个测绘区域深度图。
为进一步优化上述实施例，参见图6，本发明实施例公开的一种对多个测绘区域深度图进行拼接得到测绘区域深度地图的方法流程图，也即步骤S103可以包括：
步骤S301、基于测绘无人机的双目深度传感器，从多个测绘区域深度图中选取重叠区域大于重叠区域阈值的第一深度图和第二深度图。
其中，所述第一深度图和所述第二深度图与左目图像的像素点一一对应。
本实施例中，深度图像拼接技术利用无人机上的双目深度传感器，通过运动采集到具有一定重叠区域的两张深度图，即第一深度图和第二深度图，两个深度图与左目图像的像素点一一对应。
重叠区域阈值的取值依据实际需要而定，本发明在此不做限定。
步骤S302、对所述左目图像进行体征提取，得到单应性矩阵。
单应性矩阵：单应性被定义为图像的两个平面投影之间的映射。约束了同一3D空间点在两个像素平面的2D齐次坐标。
步骤S303、基于所述单应性矩阵，对所述第一深度图和所述第二深度图进行拼接和矫正，得到拼接后的目标深度图。
步骤S304、基于所述测绘无人机的飞行数据，确定所述目标深度图各处的海拔数据，得到所述测绘区域深度地图。
为进一步优化上述实施例，步骤S104具体可以包括：
基于测绘区域深度地图，确定农地框定区域，并基于农地框定区域计算得到农地面积；
基于多作物识别模型，从所述测绘区域深度地图中识别出种植作物种类；
基于单作物长势模型，从所述测绘区域深度地图中识别出农作物长势数据；
其中，农作物数据包括：农地面积、种植作物种类和农作物长势数据。
需要说明的是，多作物识别模型和单作物长势模型采用历史农作物数据训练得到，具体训练过程可参见现有成熟方案，此处不再赘述。
为进一步优化上述实施例，还可以包括：
将农地面积、种植作物种类和农作物长势数据转换成对应的可视化图表信息；
输出并显示所述可视化图表信息。
本实施例通过将农地面积、种植作物种类和农作物长势数据转换成对应的可视化图表信息，可以辅助业务人员进行最终贷款决策。
与上述方法实施例相对应，本发明还公开了一种贷款额度评估装置。
参见图7，本发明实施例公开的一种贷款额度评估装置的结构示意图，该装置包括：
获取单元401，用于获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
在实际应用中，用户(即贷款申请人)可以通过线上方式发送贷款申请请求，贷款申请请求中可以携带贷款人信息、贷款企业信息、贷款申请信息等。
银行或金融机构获取到用户基于农作物提交的贷款申请请求后，与贷款申请人形成业务关系。
扫描单元402，用于响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
预先框定的农作物分布区域可以为：贷款申请人在地图上框定的农作物分布区域。
本实施例中的测绘无人机装有双目深度传感器、GPS(Global PositioningSystem，全球定位系统)定位、海拔测量仪等设备。
在实际应用中，测绘无人机可以采用定速巡航的方式扫描飞行测绘区域，并支持“断点续航”。
拼接单元403，用于对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
对多个测绘区域深度图进行拼接包括：将测绘无人机采集的深度图像、GPS定位数据和海拔数据等进行拼接拟合。
检测单元404，用于对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
本实施例中，预测方法可以为Mask-R-Cnn模型。
其中，农作物数据可以包括：农地面积、种植作物种类和农作物长势数据。
评估单元405，用于基于所述农作物数据评估得到农地种植产量评估值；
在实际应用中，可以根据历史农作物数据与农地种植产量值的对应关系，确定本次的农作物数据对应的农地种植产量评估值。
预测单元406，用于将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
本实施例中的决策树算法可以选用C4.5决策树算法。
在实际应用中，可以将银行历史贷款记录(贷款人信息、农地种植评估结果、还贷情况等)作为训练集，对C4.5决策树算法进行模型训练。
综上可知，本发明公开了一种贷款额度评估装置，获取用户基于农作物提交的贷款申请请求，响应于贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接得到测绘区域深度地图，对测绘区域深度地图采用预设方法进行目标检测得到农作物数据，基于农作物数据评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。本发明通过测绘无人机实现对农作物分布区域的扫描，通过对扫描得到测绘区域深度图进行处理得到贷款额度，因此，实现了对贷款额度的自动评估且无需人工参与，从而提高了贷款额度评估效率和贷款额度评估结果的准确度。
为进一步优化上述实施例，扫描单元402可以包括：
飞行区域确定子单元，用于响应于所述贷款申请请求，采用弓形折线框定所述农作物分布区域，并将所述农作物分布区域确定为所述飞行测绘区域；
拟合子单元，用于采用直方图拟合所述飞行测绘区域，得到飞行测绘拟合图；
路径生成子单元，用于在所述飞行测绘拟合图上，沿所述直方图的边生成弓字型飞行路径；
扫描子单元，用于控制所述测绘无人机在所述弓字型飞行路径上进行扫描，得到多个所述测绘区域深度图。
在实际应用中，可以根据贷款申请人在地图上圈定的农作物范围，采用采用弓形折线框定农作物分布区域，并将该农作物分布区域确定为飞行测绘区域。
为进一步优化上述实施例，拼接单元403可以包括：
选取子单元，用于基于所述测绘无人机的双目深度传感器，从多个所述测绘区域深度图中选取重叠区域大于重叠区域阈值的第一深度图和第二深度图，其中，所述第一深度图和所述第二深度图与左目图像的像素点一一对应；
提取子单元，用于对所述左目图像进行体征提取，得到单应性矩阵；
拼接子单元，用于基于所述单应性矩阵，对所述第一深度图和所述第二深度图进行拼接和矫正，得到拼接后的目标深度图；
确定子单元，用于基于所述测绘无人机的飞行数据，确定所述目标深度图各处的海拔数据，得到所述测绘区域深度地图。
本实施例中，深度图像拼接技术利用无人机上的双目深度传感器，通过运动采集到具有一定重叠区域的两张深度图，即第一深度图和第二深度图，两个深度图与左目图像的像素点一一对应。
重叠区域阈值的取值依据实际需要而定，本发明在此不做限定。
为进一步优化上述实施例，检测单元404可以包括：
面积计算子单元，用于基于所述测绘区域深度地图，确定农地框定区域，并基于所述农地框定区域计算得到农地面积；
作物种类识别子单元，用于基于多作物识别模型，从所述测绘区域深度地图中识别出种植作物种类；
作物长势识别子单元，用于基于单作物长势模型，从所述测绘区域深度地图中识别出农作物长势数据；
其中，所述农作物数据包括：所述农地面积、所述种植作物种类和所述农作物长势数据。
其中，多作物识别模型和单作物长势模型采用历史农作物数据训练得到，具体训练过程可参见现有成熟方案，此处不再赘述。
需要说明的是，装置实施例中各组成部分的具体工作原理，请参见方法实施例对应部分，此处不再赘述。
与上述实施例相对应，如图8所示，本发明还提供了一种电子设备，电子设备可以包括：处理器1和存储器2；
其中，处理器1和存储器2通过通信总线3完成相互间的通信；
处理器1，用于执行至少一个指令；
存储器2，用于存储至少一个指令；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器2可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，处理器执行至少一个指令实现如下功能：
获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
基于所述农作物数据评估得到农地种植产量评估值；
将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
综上可知，本发明公开了一种电子设备，获取用户基于农作物提交的贷款申请请求，响应于贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接得到测绘区域深度地图，对测绘区域深度地图采用预设方法进行目标检测得到农作物数据，基于农作物数据评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。本发明通过测绘无人机实现对农作物分布区域的扫描，通过对扫描得到测绘区域深度图进行处理得到贷款额度，因此，实现了对贷款额度的自动评估且无需人工参与，从而提高了贷款额度评估效率和贷款额度评估结果的准确度。
与上述实施例相对应，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现如下功能：
获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
基于所述农作物数据评估得到农地种植产量评估值；
将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
综上可知，本发明公开了一种计算机可读存储介质，获取用户基于农作物提交的贷款申请请求，响应于贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描得到多个测绘区域深度图，对多个测绘区域深度图进行拼接得到测绘区域深度地图，对测绘区域深度地图采用预设方法进行目标检测得到农作物数据，基于农作物数据评估得到农地种植产量评估值，将贷款申请信息和农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。本发明通过测绘无人机实现对农作物分布区域的扫描，通过对扫描得到测绘区域深度图进行处理得到贷款额度，因此，实现了对贷款额度的自动评估且无需人工参与，从而提高了贷款额度评估效率和贷款额度评估结果的准确度。
需要说明的是，电子设备和计算机可读存储介质的具体工作原理，请参见方法实施例对应部分，此处不再赘述。
最后，还需要说明的是，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。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种贷款额度评估方法，其特征在于，包括：
获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
基于所述农作物数据评估得到农地种植产量评估值；
将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
2.根据权利要求1所述的贷款额度评估方法，其特征在于，所述响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图，包括：
响应于所述贷款申请请求，采用弓形折线框定所述农作物分布区域，并将所述农作物分布区域确定为所述飞行测绘区域；
采用直方图拟合所述飞行测绘区域，得到飞行测绘拟合图；
在所述飞行测绘拟合图上，沿所述直方图的边生成弓字型飞行路径；
控制所述测绘无人机在所述弓字型飞行路径上进行扫描，得到多个所述测绘区域深度图。
3.根据权利要求1所述的贷款额度评估方法，其特征在于，所述对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图，包括：
基于所述测绘无人机的双目深度传感器，从多个所述测绘区域深度图中选取重叠区域大于重叠区域阈值的第一深度图和第二深度图，其中，所述第一深度图和所述第二深度图与左目图像的像素点一一对应；
对所述左目图像进行体征提取，得到单应性矩阵；
基于所述单应性矩阵，对所述第一深度图和所述第二深度图进行拼接和矫正，得到拼接后的目标深度图；
基于所述测绘无人机的飞行数据，确定所述目标深度图各处的海拔数据，得到所述测绘区域深度地图。
4.根据权利要求1所述的贷款额度评估方法，其特征在于，所述对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据，包括：
基于所述测绘区域深度地图，确定农地框定区域，并基于所述农地框定区域计算得到农地面积；
基于多作物识别模型，从所述测绘区域深度地图中识别出种植作物种类；
基于单作物长势模型，从所述测绘区域深度地图中识别出农作物长势数据；
其中，所述农作物数据包括：所述农地面积、所述种植作物种类和所述农作物长势数据。
5.根据权利要求4所述的贷款额度评估方法，其特征在于，还包括：
将所述农地面积、所述种植作物种类和所述农作物长势数据转换成对应的可视化图表信息；
输出并显示所述可视化图表信息。
6.根据权利要求1所述的贷款额度评估方法，其特征在于，所述预设方法为Mask-R-Cnn模型。
7.一种贷款额度评估装置，其特征在于，包括：
获取单元，用于获取用户基于农作物提交的贷款申请请求，其中，所述贷款申请请求中携带有贷款申请信息；
扫描单元，用于响应于所述贷款申请请求，将预先框定的农作物分布区域作为飞行测绘区域，控制测绘无人机在所述飞行测绘区域进行扫描，得到多个测绘区域深度图；
拼接单元，用于对多个所述测绘区域深度图进行拼接，得到测绘区域深度地图；
检测单元，用于对所述测绘区域深度地图采用预设方法进行目标检测，得到农作物数据；
评估单元，用于基于所述农作物数据评估得到农地种植产量评估值；
预测单元，用于将所述贷款申请信息和所述农地种植产量评估值作为决策树算法的输入，预测得到农业贷款是否审核通过以及贷款审核通过后的贷款额度。
8.根据权利要求7所述的贷款额度评估装置，其特征在于，所述扫描单元包括：
飞行区域确定子单元，用于响应于所述贷款申请请求，采用弓形折线框定所述农作物分布区域，并将所述农作物分布区域确定为所述飞行测绘区域；
拟合子单元，用于采用直方图拟合所述飞行测绘区域，得到飞行测绘拟合图；
路径生成子单元，用于在所述飞行测绘拟合图上，沿所述直方图的边生成弓字型飞行路径；
扫描子单元，用于控制所述测绘无人机在所述弓字型飞行路径上进行扫描，得到多个所述测绘区域深度图。
9.根据权利要求7所述的贷款额度评估装置，其特征在于，所述拼接单元包括：
选取子单元，用于基于所述测绘无人机的双目深度传感器，从多个所述测绘区域深度图中选取重叠区域大于重叠区域阈值的第一深度图和第二深度图，其中，所述第一深度图和所述第二深度图与左目图像的像素点一一对应；
提取子单元，用于对所述左目图像进行体征提取，得到单应性矩阵；
拼接子单元，用于基于所述单应性矩阵，对所述第一深度图和所述第二深度图进行拼接和矫正，得到拼接后的目标深度图；
确定子单元，用于基于所述测绘无人机的飞行数据，确定所述目标深度图各处的海拔数据，得到所述测绘区域深度地图。
10.根据权利要求7所述的贷款额度评估装置，其特征在于，所述检测单元包括：
面积计算子单元，用于基于所述测绘区域深度地图，确定农地框定区域，并基于所述农地框定区域计算得到农地面积；
作物种类识别子单元，用于基于多作物识别模型，从所述测绘区域深度地图中识别出种植作物种类；
作物长势识别子单元，用于基于单作物长势模型，从所述测绘区域深度地图中识别出农作物长势数据；
其中，所述农作物数据包括：所述农地面积、所述种植作物种类和所述农作物长势数据。
11.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；
所述存储器用于存储至少一个指令；
所述处理器用于执行所述至少一个指令以实现如权利要求1～6任意一项所述的贷款额度评估方法。
12.一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存储至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1～6任意一项所述的贷款额度评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310611941.8A CN116739739A (zh) | 2023-05-26 | 2023-05-26 | 一种贷款额度评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310611941.8A CN116739739A (zh) | 2023-05-26 | 2023-05-26 | 一种贷款额度评估方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116739739A true CN116739739A (zh) | 2023-09-12 |
Family
ID=87912487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310611941.8A Pending CN116739739A (zh) | 2023-05-26 | 2023-05-26 | 一种贷款额度评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739739A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593119A (zh) * | 2024-01-18 | 2024-02-23 | 中化现代农业有限公司 | 农业贷款方案的确定方法、装置、电子设备和存储介质 |
-
2023
- 2023-05-26 CN CN202310611941.8A patent/CN116739739A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593119A (zh) * | 2024-01-18 | 2024-02-23 | 中化现代农业有限公司 | 农业贷款方案的确定方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automated robust crop-row detection in maize fields based on position clustering algorithm and shortest path method | |
| CN111406261B (zh) | 一种从大视野图像中检测被感染对象的计算机实现的方法 | |
| JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
| CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
| CN107918776B (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
| US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
| CN110517311A (zh) | 基于叶片病斑面积的病虫害监测方法 | |
| CN109255302A (zh) | 目标物识别方法及终端、移动装置控制方法及终端 | |
| CN114239756B (zh) | 一种虫害检测方法及系统 | |
| CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
| US11935289B2 (en) | Agricultural analysis robotic systems and methods thereof | |
| Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
| Li et al. | A robot vision navigation method using deep learning in edge computing environment | |
| de Silva et al. | Towards agricultural autonomy: crop row detection under varying field conditions using deep learning | |
| 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 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
| Magistri et al. | Towards in-field phenotyping exploiting differentiable rendering with self-consistency loss | |
| Xiang et al. | Field‐based robotic leaf angle detection and characterization of maize plants using stereo vision and deep convolutional neural networks | |
| CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
| CN110781865A (zh) | 一种农作物生长控制系统 | |
| CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| CN113807137B (zh) | 用于识别种植行中心线的方法、装置、农用机械及介质 | |
| CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与系统 | |
| CN113256567A (zh) | 香蕉叶面积指数检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |