CN117670527B - 基于地块数据的农户贷款授信额度确定方法及系统 - Google Patents
基于地块数据的农户贷款授信额度确定方法及系统 Download PDFInfo
- Publication number
- CN117670527B CN117670527B CN202410145486.1A CN202410145486A CN117670527B CN 117670527 B CN117670527 B CN 117670527B CN 202410145486 A CN202410145486 A CN 202410145486A CN 117670527 B CN117670527 B CN 117670527B
- Authority
- CN
- China
- Prior art keywords
- land
- feature
- feature map
- shallow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims description 123
- 238000012549 training Methods 0.000 claims description 98
- 239000013598 vector Substances 0.000 claims description 80
- 238000011176 pooling Methods 0.000 claims description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012271 agricultural production Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于地块数据的农户贷款授信额度确定方法及系统,其涉及农户贷款授信额度技术领域,通过获取待分析地块的多源多时相遥感图像,并利用基于人工智能和云计算技术的图像处理和分析算法来进行该地块的多源多时相遥感图像分析,以此对该地块的农作物产量进行预估,并确定农户贷款的授信额度,这样可以实现对该地块的多源多时相遥感图像的自动处理和分析,减少人工操作和时间成本,从而提高农作物产量预估的准确性和精度。通过这样的方式,农业相关机构和金融机构可以快速获得地块分析结果,并以此来确定对农户贷款的授信额度,以便做出更科学和可靠的决策。
Description
技术领域
本申请涉及农户贷款授信额度技术领域,且更为具体地,涉及一种基于地块数据的农户贷款授信额度确定方法及系统。
背景技术
农户贷款是指金融机构向农业户口或农民提供的用于农业生产、农村经营或农民个人消费等方面的贷款。农户贷款旨在支持和促进农业生产和农村经济发展,帮助农民解决资金短缺问题,提高农业生产效率和农民收入水平。
农户贷款授信额度确定是指金融机构根据一系列评估和分析,确定对农户授予的贷款金额上限。农户贷款的授信额度通常根据农户的经营规模、信用状况、还款能力以及贷款用途等因素来确定。合理确定贷款额度可以满足农户的资金需求,确保资金用于农业生产、农村经营或农民个人消费等合适的领域,从而提高资金利用效率和贷款的实际效果,实现农村经济的可持续发展。
但传统方法对农户贷款授信额度的确定通常依赖于人工的主观判断。这种主观判断可能受到个人经验、偏见或主观意识的影响,导致评估结果不够客观和准确。同时,主观判断也可能存在一定的不一致性,不同的评估人员可能得出不同的贷款额度确定结果,从而影响贷款授信额度确定的准确性和可靠性。
因此,期望一种优化的农户贷款授信额度确定方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于地块数据的农户贷款授信额度确定方法及系统,其通过获取待分析地块的多源多时相遥感图像,并利用基于人工智能和云计算技术的图像处理和分析算法来进行该地块的多源多时相遥感图像分析,以此对该地块的农作物产量进行预估,并确定农户贷款的授信额度,这样可以实现对该地块的多源多时相遥感图像的自动处理和分析,减少人工操作和时间成本,从而提高农作物产量预估的准确性和精度。通过这样的方式,农业相关机构和金融机构可以快速获得地块分析结果,并以此来确定对农户贷款的授信额度,以便做出更科学和可靠的决策。
根据本申请的一方面,提供了一种基于地块数据的农户贷款授信额度确定方法,其包括:
获取待分析地块的多源多时相遥感图像;
对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图;
对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图;
将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图;
使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征;
基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度。
在上述基于地块数据的农户贷款授信额度确定方法中,对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图,包括:将所述多源多时相遥感图像通过基于第一卷积神经网络模型的地块表面浅层特征提取器以得到所述地块表面浅层特征图。
在上述基于地块数据的农户贷款授信额度确定方法中,对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图,包括:将所述地块表面浅层特征图通过基于第二卷积神经网络模型的地块表面深层特征提取器以得到所述地块表面深层语义特征图。
在上述基于地块数据的农户贷款授信额度确定方法中,所述金字塔池化模块使用四种不同尺度的平均池化窗口,其中,所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。
在上述基于地块数据的农户贷款授信额度确定方法中,使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征,包括:使用跨越稀疏融合模块以如下融合公式对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到所述地块表面多尺度融合特征向量;其中,所述融合公式为:
其中,为所述地块表面多尺度融合特征向量,/>为所述语义强化地块表面深层语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的语义强化地块表面深层语义特征向量,/>为所述地块表面浅层特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的地块表面浅层特征向量,/>为所述语义强化地块表面深层语义特征向量的转换矩阵,/>为所述地块表面浅层特征向量的转换矩阵,/>为显著化语义强化地块表面深层语义特征向量,/>为语义强化地块表面浅层特征向量。
在上述基于地块数据的农户贷款授信额度确定方法中,基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度,包括:将所述地块表面多尺度融合特征向量通过基于解码器的农作物产量估计器以得到所述待分析地块的预估产量;以及,将所述待分析地块的预估产量输入贷款授信模型中,确定对农户贷款的授信额度。
在上述基于地块数据的农户贷款授信额度确定方法中,还包括训练步骤:用于对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括待分析地块的训练多源多时相遥感图像,以及,所述待分析地块的预估产量的真实值;将所述训练多源多时相遥感图像通过所述基于第一卷积神经网络模型的地块表面浅层特征提取器以得到训练地块表面浅层特征图;将所述训练地块表面浅层特征图通过所述基于第二卷积神经网络模型的地块表面深层特征提取器以得到训练地块表面深层语义特征图;将所述训练地块表面深层语义特征图通过所述基于金字塔池化模块的上下文编码器以得到训练语义强化地块表面深层语义特征图;使用所述跨越稀疏融合模块对所述训练语义强化地块表面深层语义特征图和所述训练地块表面浅层特征图进行融合以得到训练地块表面多尺度融合特征向量;对所述训练地块表面多尺度融合特征向量进行优化以得到优化训练地块表面多尺度融合特征向量;将所述优化训练地块表面多尺度融合特征向量通过所述基于解码器的农作物产量估计器以得到解码损失函数值;以及,基于所述解码损失函数值并通过梯度下降的反向传播来对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练。
在上述基于地块数据的农户贷款授信额度确定方法中,将所述优化训练地块表面多尺度融合特征向量通过所述基于解码器的农作物产量估计器以得到解码损失函数值,包括:使用所述基于解码器的农作物产量估计器对所述优化训练地块表面多尺度融合特征向量进行解码回归以得到训练解码值;以及,计算所述训练解码值与所述待分析地块的预估产量的真实值之间的交叉熵损失函数值作为所述解码损失函数值。
根据本申请的另一方面,提供了一种基于地块数据的农户贷款授信额度确定系统,其包括:
地块遥感图像获取模块,用于获取待分析地块的多源多时相遥感图像;
地块表面浅层特征提取模块,用于对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图;
深层特征提取模块,用于对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图;
语义强化模块,用于将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图;
多尺度融合模块,用于使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征;
地块产量预估授信额度确定模块,用于基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度。
在上述基于地块数据的农户贷款授信额度确定系统中,所述地块表面浅层特征提取模块,用于:将所述多源多时相遥感图像通过基于第一卷积神经网络模型的地块表面浅层特征提取器以得到所述地块表面浅层特征图。
与现有技术相比,本申请提供的一种基于地块数据的农户贷款授信额度确定方法及系统,其通过获取待分析地块的多源多时相遥感图像,并利用基于人工智能和云计算技术的图像处理和分析算法来进行该地块的多源多时相遥感图像分析,以此对该地块的农作物产量进行预估,并确定农户贷款的授信额度,这样可以实现对该地块的多源多时相遥感图像的自动处理和分析,减少人工操作和时间成本,从而提高农作物产量预估的准确性和精度。通过这样的方式,农业相关机构和金融机构可以快速获得地块分析结果,并以此来确定对农户贷款的授信额度,以便做出更科学和可靠的决策。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法的流程图。
图2为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法的架构示意图。
图3为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法中基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度的流程图。
图4为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法中对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练的流程图。
图5为根据本申请实施例的基于地块数据的农户贷款授信额度确定系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
需要注意,本公开中提及“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
农户贷款是指针对农村居民、农业生产经营者或农业相关企业提供的贷款服务。农户贷款的目的是为农业生产和农村经济发展提供资金支持,帮助农户解决生产经营中的资金需求。农户贷款通常由银行、农村信用社或其他金融机构提供。这些贷款可以用于农业生产、农村基础设施建设、农村企业发展、农民个体经营等方面的资金需求。
农户贷款的授信额度确定是指金融机构根据农户的信用状况、还款能力、借款目的和风险评估等因素来确定给予农户的贷款额度,旨在确保农户能够承担贷款并按时还款,同时满足其资金需求。通过合理确定贷款额度,可以满足农户在农业生产、农村经营或农民个人消费等合适领域的资金需求,从而提高资金利用效率和贷款的实际效果,实现农村经济的可持续发展。
然而,传统方法对农户贷款授信额度的确定通常依赖于人工的主观判断,这可能受到个人经验、偏见或主观意识的影响,导致评估结果不够客观和准确。此外,不同评估人员可能得出不同的贷款额度确定结果,存在一定的不一致性,这可能影响贷款授信额度确定的准确性和可靠性。
卫星遥感作为新兴的技术领域,逐渐成为农作物地块的主流观测手段之一,通过对于农作物地块进行产量预估,能够对于农户贷款授信额度进行确定。然而,传统的卫星遥感技术需要对图像预处理,解译工作主要依赖人工,一直制约着卫星遥感应用的发展,但随着人工智能和云计算领域的发展,高效、低成本的遥感解译分析成为可能。
基于此,本申请的技术构思为通过获取待分析地块的多源多时相遥感图像,并利用基于人工智能和云计算技术的图像处理和分析算法来进行该地块的多源多时相遥感图像分析,以此对该地块的农作物产量进行预估,并确定农户贷款的授信额度,这样可以实现对该地块的多源多时相遥感图像的自动处理和分析,减少人工操作和时间成本,从而提高农作物产量预估的准确性和精度。通过这样的方式,农业相关机构和金融机构可以快速获得地块分析结果,并以此来确定对农户贷款的授信额度,以便做出更科学和可靠的决策。
图1为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法的流程图。图2为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法的架构示意图。如图1和图2所示,根据本申请实施例的基于地块数据的农户贷款授信额度确定方法,包括:S110,获取待分析地块的多源多时相遥感图像;S120,对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图;S130,对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图;S140,将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图;S150,使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征;以及,S160,基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度。
在步骤S110中,获取待分析地块的多源多时相遥感图像。应可以理解,考虑到所述多源多时相遥感图像可以提供多种类型的信息,可以捕捉地块在不同时间点的变化情况,例如光学图像可以提供地表覆盖类型、植被状况等,雷达图像可以提供地表高程和土壤湿度等。基于此,在本申请的技术方案中,获取待分析地块的多源多时相遥感图像,可以获得更全面的地块信息,以此来监测地块的生长变化、土地利用变化、从而更好地了解地块的特征和变化,为后续地块产量预估提供依据。值得一提的是,本申请技术方案中的待分析地块的多源多时相遥感图像是根据经纬度数据从农田卫星地图中提取得到的。特别地,在本申请的一个具体的实施例中,首先通过卫星遥感技术获取的农田区域的图像数据以得到所述农田卫星地图,这些图像数据通常包括不同时间和不同传感器下的图像,可以提供农田的全面信息,如植被生长状态、土壤湿度、植被指数等。接着,在农田卫星地图中,每个地块都有对应的经纬度信息,通过提取农田卫星地图中每个地块的经纬度数据,可以获取地块的空间位置信息。然后,利用地块的经纬度数据,可以从农田卫星地图中获取相应地块的多源多时相遥感图像。这些图像可能来自不同的传感器,例如光学传感器(如Landsat、Sentinel等)或合成孔径雷达(SAR)传感器,可以覆盖不同的时间点,提供地块在不同时间的影像数据,并为农作物产量预估和贷款授信额度的确定提供重要数据基础。
在步骤S120中,对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图。具体地,在本申请的实施例中,对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图,包括:将所述多源多时相遥感图像通过基于第一卷积神经网络模型的地块表面浅层特征提取器以得到所述地块表面浅层特征图。相应地,考虑到地块表面特征是农作物生长和发展的重要指标之一,对于地块的产量预估具有重大意义。而所述多源多时相遥感图像中包含了地块的表面浅层特征,如植被指数(如NDVI)、植被覆盖度、土壤湿度等。特别地,卷积神经网络是一种专门用于图像隐含特征处理和分析的深度学习模型,具有强大的特征提取能力。因此,为了更好地对地表浅层特征进行处理和分析,在本申请的技术方案中,将所述多源多时相遥感图像通过基于第一卷积神经网络模型的地块表面浅层特征提取器以得到地块表面浅层特征图。应可以理解,所述地块表面浅层特征图主要包括植被指数、地块边界、农作物分布等,这些地块表面特征信息可以为后续的农作物产量预估提供重要的输入,从而进行更准确地地块农作物产值预估。
在步骤S130中,对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图。具体地,在本申请的实施例中,对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图,包括:将所述地块表面浅层特征图通过基于第二卷积神经网络模型的地块表面深层特征提取器以得到所述地块表面深层语义特征图。应可以理解,考虑到所述地块表面浅层特征图中还包含了地块表面的深层特征信息,例如不同物体或地物的类别信息,如农作物、建筑物、道路等,又如农作物的成熟程度、土壤湿度、土壤类型和农作物产量程度等。基于此,为了捕捉到更加复杂和抽象的地块表面信息,以便更好地理解和分析地块表面的深层语义信息,在本申请的技术方案中,将所述地块表面浅层特征图通过基于第二卷积神经网络模型的地块表面深层特征提取器以得到地块表面深层语义特征图。这样,能够更好地捕捉地块表面的复杂语义信息,以便更好地理解地块的农作物产量与周围环境的关系,从而提高地块分析的上下文感知能力,提高地块分析的准确性。
在步骤S140中,将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图。具体地,在本申请的实施例中,所述金字塔池化模块使用四种不同尺度的平均池化窗口,其中,所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。应可以理解,考虑到所述地块表面深层语义特征图不同尺度之间具有上下文关系,例如地块内部物体之间的关系和地块与周围环境的关系。基于此,为了在不同尺度上提取更加丰富、更抽象特征信息,在本申请的技术方案中,将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图。这样,能够更好地捕捉地块表面深层特征之间的空间联系,从而增强地块表面深层语义特征的表达能力。值得一提的是,所述金字塔池化模块将 1×1、2×2、3×3、6×6四种不同尺度的平均池化窗口作用于传入的高级语义信息,实现将丰富的高层次信息向低层次特征的映射,利用1×1卷积将池化后的 4个特征图进行通道压缩,通过 3×3卷积层的特征整合和跳跃连接通道,与未经过池化的特征图进行级联融合,这样可以在地块表面深层语义特征图中引入更广阔的上下文关系,包括地块表面的局部细节和全局结构,从而提供更全面和多尺度的地块表面语义信息。
在步骤S150中,使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征。相应地,考虑到所述地块表面深层语义特征图是通过基于第一卷积神经网络模型的地块表面浅层特征提取器得到的,其中包含了地块表面浅层特征信息。所述语义强化地块表面深层语义特征图是通过基于金字塔池化模块的上下文编码器得到,提供了更准确和丰富的地块表面深层语义特征,表达了更强的地块表面深层语义特征的上下文感知能力。基于此,在本申请的技术方案中,使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量,可以综合地块表面深层特征和浅层特征的多尺度信息,以此丰富地块表面特征的表达能力,从而提高地块农作物产值预估任务的性能和准确性。应可以理解,所述跨越稀疏融合模块充分利用单模态类别信息,有效地将同类特征信息进行关联,同时消除不同类别样本之间的相关性,缓解了网络训练过程中的部分缺陷。也就是说,跨越稀疏融合模块具有强大的特征融合能力,能够将地块的不同尺度的特征进行有效地融合。在地块表面分析中,所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图包含了不同层次和粒度的关于地块的特征信息,通过融合这些特征,可以同时利用多尺度特征,从而获取更全面、准确和丰富的地块表面信息。
具体地,在本申请的实施例中,使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征,包括:使用跨越稀疏融合模块以如下融合公式对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到所述地块表面多尺度融合特征向量;其中,所述融合公式为:
其中,为所述地块表面多尺度融合特征向量,/>为所述语义强化地块表面深层语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的语义强化地块表面深层语义特征向量,/>为所述地块表面浅层特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的地块表面浅层特征向量,/>为所述语义强化地块表面深层语义特征向量的转换矩阵,/>为所述地块表面浅层特征向量的转换矩阵,/>为显著化语义强化地块表面深层语义特征向量,/>为语义强化地块表面浅层特征向量。
在步骤S160中,基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度。图3为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法中基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度的流程图。具体地,在本申请实施例中,如图3所示,基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度,包括:S210,将所述地块表面多尺度融合特征向量通过基于解码器的农作物产量估计器以得到所述待分析地块的预估产量;以及,S220,将所述待分析地块的预估产量输入贷款授信模型中,确定对农户贷款的授信额度。也就是说,利用地块表面深层特征信息和地块表面深层语义特征信息融合后的地块表面的多尺度信息进行分类处理,以此来对该地块进行产量预估,并确定农户贷款的授信额度。这样,可以对该地块进行自动化地农作物产量预估,以此提供更精细和个性化的农户贷款授信额度,从而为农户和相关机构提供决策支持。
值得一提的是,本领域普通技术人员应知晓,在应用深度神经网络模型进行推断之前,需先对深度神经网络模型进行训练以使得所述深度神经网络能够实现特定的函数功能。
具体地,在本申请实施例中,还包括训练步骤:用于对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练。
图4为根据本申请实施例的基于地块数据的农户贷款授信额度确定方法中对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练的流程图。如图4所示,所述训练步骤,包括:S310,获取训练数据,所述训练数据包括待分析地块的训练多源多时相遥感图像,以及,所述待分析地块的预估产量的真实值;S320,将所述训练多源多时相遥感图像通过所述基于第一卷积神经网络模型的地块表面浅层特征提取器以得到训练地块表面浅层特征图;S330,将所述训练地块表面浅层特征图通过所述基于第二卷积神经网络模型的地块表面深层特征提取器以得到训练地块表面深层语义特征图;S340,将所述训练地块表面深层语义特征图通过所述基于金字塔池化模块的上下文编码器以得到训练语义强化地块表面深层语义特征图;S350,使用所述跨越稀疏融合模块对所述训练语义强化地块表面深层语义特征图和所述训练地块表面浅层特征图进行融合以得到训练地块表面多尺度融合特征向量;S360,对所述训练地块表面多尺度融合特征向量进行优化以得到优化训练地块表面多尺度融合特征向量;S370,将所述优化训练地块表面多尺度融合特征向量通过所述基于解码器的农作物产量估计器以得到解码损失函数值;以及,S380,基于所述解码损失函数值并通过梯度下降的反向传播来对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练。
具体地,在步骤S360中,对所述训练地块表面多尺度融合特征向量进行优化以得到优化训练地块表面多尺度融合特征向量。应可以理解,在上述技术方案中,所述训练地块表面浅层特征图表达所述训练多源多时相遥感图像的浅层图像语义特征,而所述训练语义强化地块表面深层语义特征图表达所述训练多源多时相遥感图像的基于深层图像语义跨通道上下文关联的通道关联的深层图像语义特征,也就是,基于浅层图像语义特征在特征空间分布和通道分布维度进一步关联的深层图像语义特征,这样,考虑到浅层图像语义特征和深层图像语义特征在关联差异上导致的特征分布不对齐,会使得使用跨越稀疏融合模块对所述训练语义强化地块表面深层语义特征图和所述训练地块表面浅层特征图进行融合得到的所述训练地块表面多尺度融合特征向量的各个特征值在概率密度域下的概率密度表示稀疏化,从而影响通过解码器进行解码时的回归收敛效果。基于此,在本申请的技术方案中,对所述训练地块表面多尺度融合特征向量进行优化以得到优化训练地块表面多尺度融合特征向量。
更具体地,在本申请实施例中,对所述训练地块表面多尺度融合特征向量进行优化以得到优化训练地块表面多尺度融合特征向量,包括:以如下优化公式对所述训练地块表面多尺度融合特征向量进行优化以得到所述优化训练地块表面多尺度融合特征向量;其中,所述优化公式为:
其中,表示所述训练地块表面多尺度融合特征向量/>的逐位置平方图,/>表示训练加强地块表面多尺度融合特征向量,/>表示所述优化训练地块表面多尺度融合特征向量,/>为参数可训练的中间权重图,例如基于所述训练语义强化地块表面深层语义特征图和所述训练地块表面浅层特征图之间的稀疏式融合,初始设置为其每个特征值为所述训练地块表面多尺度融合特征向量/>的特征值集合方差,此外,/>为所有特征值为1的单位图,/>表示按位置相加,/>表示按位置点乘。
特别地,这里,为了优化所述训练地块表面多尺度融合特征向量的稀疏概率密度在整体概率空间内的分布均匀性和一致性,通过类标准柯西分布式的尾部分布加强机制,来对所述训练地块表面多尺度融合特征向量/>在高维特征空间内的距离式空间分布进行基于空间角度倾斜式的距离分布优化,以实现所述训练地块表面多尺度融合特征向量/>的各个局部特征分布的距离弱相关的特征分布空间共振,从而提升所述训练地块表面多尺度融合特征向量/>整体在概率密度分布层面相对于回归概率收敛的均匀性和一致性,提升解码收敛效果,即解码收敛的速度和解码值的准确性。这样,可以实现对该地块的多源多时相遥感图像的自动处理和分析,减少人工操作和时间成本,从而提高农作物产量预估的准确性和精度。通过这样的方式,农户和农业相关机构可以快速获得地块分析结果,以便做出更科学和可靠的决策。
具体地,在步骤S370中,将所述优化训练地块表面多尺度融合特征向量通过所述基于解码器的农作物产量估计器以得到解码损失函数值,包括:使用所述基于解码器的农作物产量估计器对所述优化训练地块表面多尺度融合特征向量进行解码回归以得到训练解码值;以及,计算所述训练解码值与所述待分析地块的预估产量的真实值之间的交叉熵损失函数值作为所述解码损失函数值。
综上,基于本申请实施例的基于地块数据的农户贷款授信额度确定方法被阐明,其通过获取待分析地块的多源多时相遥感图像,并利用基于人工智能和云计算技术的图像处理和分析算法来进行该地块的多源多时相遥感图像分析,以此对该地块的农作物产量进行预估,并确定农户贷款的授信额度。这样,可以实现对该地块的多源多时相遥感图像的自动处理和分析,减少人工操作和时间成本,从而提高农作物产量预估的准确性和精度。通过这样的方式,农业相关机构和金融机构可以快速获得地块分析结果,并以此来确定对农户贷款的授信额度,以便做出更科学和可靠的决策。
图5为根据本申请实施例的基于地块数据的农户贷款授信额度确定系统的框图。如图5所示,根据本申请实施例的基于地块数据的农户贷款授信额度确定系统100,包括:地块遥感图像获取模块110,用于获取待分析地块的多源多时相遥感图像;地块表面浅层特征提取模块120,用于对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图;深层特征提取模块130,用于对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图;语义强化模块140,用于将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图;多尺度融合模块150,用于使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征;以及,地块产量预估授信额度确定模块160,用于基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度。
这里,本领域技术人员可以理解,上述基于地块数据的农户贷款授信额度确定系统中的各个步骤的具体操作已经在上面参考图1到图4的基于地块数据的农户贷款授信额度确定方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的基于地块数据的农户贷款授信额度确定系统100可以实现在各种无线终端中,例如具有基于地块数据的农户贷款授信额度确定算法的服务器等。在一种可能的实现方式中,根据本公开实施例的基于地块数据的农户贷款授信额度确定系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于地块数据的农户贷款授信额度确定系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于地块数据的农户贷款授信额度确定系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于地块数据的农户贷款授信额度确定系统100与该无线终端也可以是分立的设备,并且该基于地块数据的农户贷款授信额度确定系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上所述仅是本公开的原理的示例,并且在不脱离本公开的范围的情况下,本领域的技术人员可以做出各种修改。出于说明而非限制的目的呈现上述实施例。本公开还可以采取除本文明确描述的那些形式之外的许多形式。因此,需要强调的是,本公开不限于明确公开的方法、系统和设备,而是旨在包括在所附权利要求的精神范围之内的变型和进行的修改。
Claims (9)
1.一种基于地块数据的农户贷款授信额度确定方法,其特征在于,包括:
获取待分析地块的多源多时相遥感图像;
对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图;
对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图;
将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图;
使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征;
基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度;
其中,使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征,包括:使用跨越稀疏融合模块以如下融合公式对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到所述地块表面多尺度融合特征向量;
其中,所述融合公式为:
;
;
;
其中,为所述地块表面多尺度融合特征向量,/>为所述语义强化地块表面深层语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的语义强化地块表面深层语义特征向量,/>为所述地块表面浅层特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的地块表面浅层特征向量,/>为所述语义强化地块表面深层语义特征向量的转换矩阵,/>为所述地块表面浅层特征向量的转换矩阵,/>为显著化语义强化地块表面深层语义特征向量,/>为语义强化地块表面浅层特征向量。
2.根据权利要求1所述的基于地块数据的农户贷款授信额度确定方法,其特征在于,对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图,包括:将所述多源多时相遥感图像通过基于第一卷积神经网络模型的地块表面浅层特征提取器以得到所述地块表面浅层特征图。
3.根据权利要求2所述的基于地块数据的农户贷款授信额度确定方法,其特征在于,对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图,包括:将所述地块表面浅层特征图通过基于第二卷积神经网络模型的地块表面深层特征提取器以得到所述地块表面深层语义特征图。
4.根据权利要求3所述的基于地块数据的农户贷款授信额度确定方法,其特征在于,所述金字塔池化模块使用四种不同尺度的平均池化窗口,其中,所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。
5.根据权利要求4所述的基于地块数据的农户贷款授信额度确定方法,其特征在于,基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度,包括:
将所述地块表面多尺度融合特征向量通过基于解码器的农作物产量估计器以得到所述待分析地块的预估产量;
将所述待分析地块的预估产量输入贷款授信模型中,确定对农户贷款的授信额度。
6.根据权利要求5所述的基于地块数据的农户贷款授信额度确定方法,其特征在于,还包括训练步骤:用于对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括待分析地块的训练多源多时相遥感图像,以及,所述待分析地块的预估产量的真实值;
将所述训练多源多时相遥感图像通过所述基于第一卷积神经网络模型的地块表面浅层特征提取器以得到训练地块表面浅层特征图;
将所述训练地块表面浅层特征图通过所述基于第二卷积神经网络模型的地块表面深层特征提取器以得到训练地块表面深层语义特征图;
将所述训练地块表面深层语义特征图通过所述基于金字塔池化模块的上下文编码器以得到训练语义强化地块表面深层语义特征图;
使用所述跨越稀疏融合模块对所述训练语义强化地块表面深层语义特征图和所述训练地块表面浅层特征图进行融合以得到训练地块表面多尺度融合特征向量;
对所述训练地块表面多尺度融合特征向量进行优化以得到优化训练地块表面多尺度融合特征向量;
将所述优化训练地块表面多尺度融合特征向量通过所述基于解码器的农作物产量估计器以得到解码损失函数值;
基于所述解码损失函数值并通过梯度下降的反向传播来对所述基于第一卷积神经网络模型的地块表面浅层特征提取器、所述基于第二卷积神经网络模型的地块表面深层特征提取器、所述基于金字塔池化模块的上下文编码器、所述跨越稀疏融合模块和所述基于解码器的农作物产量估计器进行训练。
7.根据权利要求6所述的基于地块数据的农户贷款授信额度确定方法,其特征在于,将所述优化训练地块表面多尺度融合特征向量通过所述基于解码器的农作物产量估计器以得到解码损失函数值,包括:
使用所述基于解码器的农作物产量估计器对所述优化训练地块表面多尺度融合特征向量进行解码回归以得到训练解码值;
计算所述训练解码值与所述待分析地块的预估产量的真实值之间的交叉熵损失函数值作为所述解码损失函数值。
8.一种基于地块数据的农户贷款授信额度确定系统,其特征在于,包括:
地块遥感图像获取模块,用于获取待分析地块的多源多时相遥感图像;
地块表面浅层特征提取模块,用于对所述多源多时相遥感图像进行地块表面浅层特征提取以得到地块表面浅层特征图;
深层特征提取模块,用于对所述地块表面浅层特征图进行深层语义特征提取以得到地块表面深层语义特征图;
语义强化模块,用于将所述地块表面深层语义特征图通过基于金字塔池化模块的上下文编码器以得到语义强化地块表面深层语义特征图;
多尺度融合模块,用于使用跨越稀疏融合模块对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到地块表面多尺度融合特征向量作为地块表面多尺度融合特征;
地块产量预估授信额度确定模块,用于基于所述地块表面多尺度融合特征,确定所述待分析地块的预估产量,并确定对农户贷款的授信额度;
其中,多尺度融合模块,包括:使用跨越稀疏融合模块以如下融合公式对所述语义强化地块表面深层语义特征图和所述地块表面浅层特征图进行融合以得到所述地块表面多尺度融合特征向量;
其中,所述融合公式为:
;
;
;
其中,为所述地块表面多尺度融合特征向量,/>为所述语义强化地块表面深层语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的语义强化地块表面深层语义特征向量,/>为所述地块表面浅层特征图中沿通道维度的各个特征矩阵进行全局均值池化处理后的地块表面浅层特征向量,/>为所述语义强化地块表面深层语义特征向量的转换矩阵,/>为所述地块表面浅层特征向量的转换矩阵,/>为显著化语义强化地块表面深层语义特征向量,/>为语义强化地块表面浅层特征向量。
9.根据权利要求8所述的基于地块数据的农户贷款授信额度确定系统,其特征在于,所述地块表面浅层特征提取模块,用于:将所述多源多时相遥感图像通过基于第一卷积神经网络模型的地块表面浅层特征提取器以得到所述地块表面浅层特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145486.1A CN117670527B (zh) | 2024-02-02 | 2024-02-02 | 基于地块数据的农户贷款授信额度确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145486.1A CN117670527B (zh) | 2024-02-02 | 2024-02-02 | 基于地块数据的农户贷款授信额度确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670527A CN117670527A (zh) | 2024-03-08 |
CN117670527B true CN117670527B (zh) | 2024-04-09 |
Family
ID=90073560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145486.1A Active CN117670527B (zh) | 2024-02-02 | 2024-02-02 | 基于地块数据的农户贷款授信额度确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670527B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019223254A1 (zh) * | 2018-05-21 | 2019-11-28 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
CN112070069A (zh) * | 2020-11-10 | 2020-12-11 | 支付宝(杭州)信息技术有限公司 | 遥感图像的识别方法和装置 |
CN115526713A (zh) * | 2022-10-14 | 2022-12-27 | 中国农业银行股份有限公司 | 一种农户贷款的授信额度确定方法及装置 |
CN116310832A (zh) * | 2023-03-27 | 2023-06-23 | 中国工商银行股份有限公司 | 遥感图像处理方法、装置、设备、介质及产品 |
CN117252689A (zh) * | 2023-11-13 | 2023-12-19 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
-
2024
- 2024-02-02 CN CN202410145486.1A patent/CN117670527B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019223254A1 (zh) * | 2018-05-21 | 2019-11-28 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
CN112070069A (zh) * | 2020-11-10 | 2020-12-11 | 支付宝(杭州)信息技术有限公司 | 遥感图像的识别方法和装置 |
CN115526713A (zh) * | 2022-10-14 | 2022-12-27 | 中国农业银行股份有限公司 | 一种农户贷款的授信额度确定方法及装置 |
CN116310832A (zh) * | 2023-03-27 | 2023-06-23 | 中国工商银行股份有限公司 | 遥感图像处理方法、装置、设备、介质及产品 |
CN117252689A (zh) * | 2023-11-13 | 2023-12-19 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117670527A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nevavuori et al. | Crop yield prediction with deep convolutional neural networks | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN110533100B (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN112115916A (zh) | 域适应Faster R-CNN半监督SAR检测方法 | |
CN112733800A (zh) | 基于卷积神经网络的遥感图像道路信息提取方法和装置 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Kumawat et al. | Time-variant satellite vegetation classification enabled by hybrid metaheuristic-based adaptive time-weighted dynamic time warping | |
CN114385611A (zh) | 一种基于人工智能算法和知识图谱的降水预测方法和系统 | |
Guo et al. | Automatic and accurate calculation of rice seed setting rate based on image segmentation and deep learning | |
Bhadra et al. | End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images | |
CN116403071B (zh) | 基于特征重构的少样本混凝土缺陷检测方法及装置 | |
CN117670527B (zh) | 基于地块数据的农户贷款授信额度确定方法及系统 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN115731476A (zh) | 基于集成预测弱监督无人机多源高光谱点云语义分割方法 | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
CN112464997B (zh) | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 | |
Ramachandran et al. | Tiny Criss-Cross Network for segmenting paddy panicles using aerial images | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
Zhang et al. | A hierarchical growth method for extracting 3D phenotypic trait of apple tree branch in edge computing | |
CN117808650B (zh) | 一种基于Transform-Flownet和R-FPN的降水预测方法 | |
Sumalatha et al. | Real Time Big Data Analytics for Agricultural Land Hotspot Prediction | |
Deepanayaki et al. | Sugarcane Yield Classification and Prediction Using Light weight Deep Network |
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 |