[發(fā)明專利]基于遙感影像的災(zāi)損識別方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202111435237.9
• 申請日: 2021-11-29
• 公開（公告）號: CN114120122A
• 公開（公告）日: 2022-03-01
• 發(fā)明（設(shè)計）人: 龍鎧豪;鄭越;王創(chuàng);吳夢娟
• 申請（專利權(quán)）人: 中國平安財產(chǎn)保險股份有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06N3/04;G06N3/08
• 代理公司: 深圳市沃德知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44347
• 代理人: 高杰;于志光

本發(fā)明涉及人工智能技術(shù)，揭露一種基于遙感影像的災(zāi)損識別方法，包括：將數(shù)據(jù)增強后的訓練遙感影像集輸入災(zāi)損識別模型中，得到災(zāi)損程度類別，統(tǒng)計災(zāi)損程度類別下訓練遙感影像中像素點的數(shù)量，并計算災(zāi)損程度對應(yīng)的第一分布值和第二分布值，計算第一分布值和第二分布值的預(yù)設(shè)損失權(quán)重值，對預(yù)設(shè)損失權(quán)重值和損失值進行加權(quán)累加，得到最終損失值，根據(jù)最終損失值對災(zāi)損識別模型進行調(diào)整得到標準災(zāi)損識別模型，將待識別遙感影像輸入至標準災(zāi)損識別模型中，得到災(zāi)損識別結(jié)果。此外，本發(fā)明還涉及區(qū)塊鏈技術(shù)，第一分布值可存儲于區(qū)塊鏈的節(jié)點。本發(fā)明還提出一種基于遙感影像的災(zāi)損識別裝置、電子設(shè)備以及存儲介質(zhì)。本發(fā)明可以提高災(zāi)損識別的效率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于遙感影像的災(zāi)損識別方法、裝置、電子設(shè)備及計算機可讀存儲介質(zhì)。

背景技術(shù)

現(xiàn)在世界上各種自然災(zāi)害發(fā)生越來越最頻繁，每年發(fā)生的自然災(zāi)害都會對各國的國民經(jīng)濟和人民經(jīng)濟財產(chǎn)安全帶來嚴重威脅。因此需要根據(jù)每次發(fā)生災(zāi)害的不同區(qū)域和其對應(yīng)的災(zāi)害損失程度進行分析，便于后續(xù)更好地監(jiān)控和預(yù)防。現(xiàn)有的災(zāi)損識別方法通常是根據(jù)業(yè)務(wù)員現(xiàn)場查勘來判斷標的損失情況，不夠智能，耗費人力，且進行災(zāi)損識別的準確度和效率均不夠高。因此亟待提出一種效率更高的災(zāi)損識別方法。

發(fā)明內(nèi)容

本發(fā)明提供一種基于遙感影像的災(zāi)損識別方法、裝置及計算機可讀存儲介質(zhì)，其主要目的在于提高災(zāi)損識別的效率。

為實現(xiàn)上述目的，本發(fā)明提供的一種基于遙感影像的災(zāi)損識別方法，包括：

獲取原始遙感影像集，對所述原始遙感影像集進行數(shù)據(jù)增強，得到訓練遙感影像集；

將所述訓練遙感影像集輸入預(yù)設(shè)的災(zāi)損識別模型中，得到所述訓練遙感影像集中訓練遙感影像對應(yīng)的災(zāi)損程度類別；

統(tǒng)計所述災(zāi)損程度類別下所述訓練遙感影像集對應(yīng)的像素點的數(shù)量，并基于所述像素點的數(shù)量計算所述災(zāi)損程度對應(yīng)的第一分布值和第二分布值；

利用預(yù)設(shè)的權(quán)重賦值法計算所述第一分布值和所述第二分布值對應(yīng)的多個預(yù)設(shè)損失權(quán)重值；

基于所述災(zāi)損程度類別和預(yù)設(shè)的真實災(zāi)損類別分別計算預(yù)設(shè)個數(shù)的損失函數(shù)對應(yīng)的損失值，對所述預(yù)設(shè)損失權(quán)重值和所述損失函數(shù)對應(yīng)的損失值進行加權(quán)累加，得到最終損失值；

根據(jù)所述最終損失值和預(yù)設(shè)的損失閾值之間的大小對所述災(zāi)損識別模型進行調(diào)整，得到標準災(zāi)損識別模型；

獲取待識別遙感影像，將所述待識別遙感影像輸入至所述標準災(zāi)損識別模型中，得到所述待識別遙感影像對應(yīng)的災(zāi)損識別結(jié)果。

可選地，所述將所述訓練遙感影像集輸入預(yù)設(shè)的災(zāi)損識別模型中，得到所述訓練遙感影像集中訓練遙感影像對應(yīng)的災(zāi)損程度類別，包括：

利用所述災(zāi)損識別模型中的壓縮通道對所述訓練遙感影像集進行卷積處理及池化處理，得到初始池化影像集；

對所述初始池化影像集進行反卷積操作，得到反卷積影像集；

將所述初始池化影像集和所述反卷積影像集進行圖像拼接，并對拼接后的影像集進行特征提取，得到特征影像集；

將所述特征影像集輸入至所述災(zāi)損識別模型中的輸出層，得到所述訓練遙感影像集中訓練遙感影像對應(yīng)的災(zāi)損程度類別。

可選地，所述統(tǒng)計所述災(zāi)損程度類別下所述訓練遙感影像集對應(yīng)的像素點的數(shù)量，包括：

確定所述訓練遙感影像集中不同訓練遙感影像對應(yīng)的災(zāi)損程度類別的區(qū)域；

識別不同災(zāi)損程度類別的區(qū)域中的像素點并進行匯總，得到不同災(zāi)損程度類別對應(yīng)的像素點的數(shù)量。

可選地，所述基于所述像素點的數(shù)量計算所述災(zāi)損程度對應(yīng)的第一分布值和第二分布值，包括：