欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019102686494
申请人: 平安科技(深圳)有限公司
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种农作物灾情评估方法,其特征在于,所述基于图像处理的农作物的灾情评估方法包括:获取农作物的遥感图像和农作物的生长环境参数;

对所述农作物的遥感图像进行处理,以获取农作物特征,并根据所述农作物特征确定农作物类别,其中,所述农作物特征包括光谱特性、茎属性以及叶片属性;

根据所述农作物类别以及所述农作物特征,生成对应类别农作物的时变发育变化量函数;以及根据所述农作物的生长环境参数,生成农作物生长环境的温度时变输入函数、光照时变输入函数以及营养时变输入函数;

基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数,构建双并联前馈过程神经网络模型;

通过所述双并联前馈过程神经网络模型的输入输出训练,以生成所述农作物的生长模型;

基于所述农作物的生长模型不同时刻的状态,判断当前农作物是否处于受灾状态;

若当前农作物处于受灾状态,则基于所述农作物的遥感图像确定农作物当前的受灾程度。

2.如权利要求1所述的农作物灾情评估方法,其特征在于,所述基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数,构建双并联前馈过程神经网络模型包括:以所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数为双并联前馈神经网络模型的输入层;

以所述输入层的多个函数的空间加权聚合、时间累积聚合与激励运算为双并联前馈神经网络模型的隐层;

以所述隐层的激励运算结果以及所述输入层的时变函数进行空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模型的输出层。

3.如权利要求1所述的农作物灾情评估方法,其特征在于,所述基于所述农作物的生长模型不同时刻的状态,判断当前农作物是否处于受灾状态包括:获取所述农作物的生长模型不同时刻的输出值;

对所述农作物的生长模型不同时刻的输出值进行比较;

若所述农作物的生长模型不同时刻的输出值的差值在预设差值范围内,则判定农作物处于非受灾状态;

若所述农作物的生长模型不同时刻的输出值的差值超过所述预设差值范围,则判定农作物处于受灾状态。

4.如权利要求1-3中任一项所述的农作物灾情评估方法,其特征在于,所述若农作物当前处于受灾状态,则基于所述农作物的遥感图像确定农作物当前的受灾程度的步骤包括:若农作物当前处于受灾状态,则基于所述农作物的遥感图像,计算当前农作物的受灾面积;

计算当前农作物受灾后的农作物的生长模型;

根据公式:

计算当前农作物的受灾程度;其中,C为当前农作物的受灾程度,S1为当前农作物的受灾面积,M1为当前农作物受灾后的生长模型,S2为当前农作物的未受灾面积,M2为当前农作物未受灾的生长模型,B为根据当前农作物的耕种史获得的当前农作物历年单位面积的产量。

5.一种农作物灾情评估装置,其特征在于,所述基于图像处理的农作物灾情评估装置包括:获取模块,用于获取农作物的遥感图像和农作物的生长环境参数;

处理模块,用于对所述农作物的遥感图像进行处理,以获取农作物特征,并根据所述农作物特征,确定农作物类别,其中,所述农作物特征包括光谱特性、茎属性以及叶片属性;

生成模块,用于根据所述农作物类别以及所述农作物特征,生成对应类别农作物的时变发育变化量函数;以及根据所述农作物的生长环境参数,生成农作物生长环境的温度时变输入函数、光照时变输入函数以及营养时变输入函数;

神经网络模型构建模块,用于基于所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数,构建双并联前馈过程神经网络模型;

生长模型构建模块,用于通过所述双并联前馈过程神经网络模型的输入输出训练,以生成所述农作物的生长模型;

比较模块,用于基于所述农作物的生长模型不同时刻的状态,判断当前农作物是否处于受灾状态;

确定模块,用于在当前农作物处于受灾状态,基于所述农作物的遥感图像确定农作物当前的受灾程度。

6.如权利要求5所述的农作物灾情评估装置,其特征在于,所述神经网络模型构建模块还包括:输入层单元,用于以所述农作物的时变发育变化量函数、所述温度时变输入函数、所述光照时变输入函数以及所述营养时变输入函数为双并联前馈神经网络模型的输入层;

隐层单元,用于以所述输入层的多个函数的空间加权聚合、时间累积聚合与激励运算为双并联前馈神经网络模型的隐层;

输出层单元,用于以所述隐层的激励运算结果以及所述输入层的时变函数进行空间加权聚合运算以及时间累积聚合运算为双并联前馈神经网络模型的输出层。

7.如权利要求5所述的农作物灾情评估装置,其特征在于,所述比较模块还包括:获取单元,用于获取所述农作物的生长模型不同时刻的输出值;

作差单元,用于对所述农作物的生长模型不同时刻的输出值进行比较;

判断单元,用于在所述农作物的生长模型不同时刻的输出值的差值在预设差值范围内,判定农作物处于非受灾状态;在所述农作物的生长模型不同时刻的输出值的差值超过所述预设差值范围,则判定农作物处于受灾状态。

8.如权利要求5所述的农作物灾情评估装置,其特征在于,所述确定模块还包括:第一计算单元,用于在农作物当前处于受灾状态,则基于所述农作物的遥感图像,计算当前农作物的受灾面积;

第二计算单元,计算当前农作物受灾后的农作物的生长模型;

第三计算单元,用于根据公式:

计算当前农作物的受灾程度;其中,C为当前农作物的受灾程度,S1为当前农作物的受灾面积,M1为当前农作物受灾后的生长模型,S2为当前农作物的未受灾面积,M2为当前农作物未受灾的生长模型,B为根据当前农作物的耕种史获得的当前农作物历年单位面积的产量。

9.一种农作物灾情评估设备,其特征在于,所述农作物灾情评估设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的农作物灾情评估程序,所述农作物灾情评估程序被所述处理器执行时,实现如权利要求1至4中任一项所述的农作物灾情评估方法的步骤。

10.一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上存储有农作物灾情评估程序,所述农作物灾情评估程序被处理器执行时,实现如权利要求1至4中任一项所述的农作物灾情评估方法的步骤。