农业保险赔偿额预测方法、装置、设备及可读存储介质
阅读：636发布：2020-05-14
专利汇可以提供农业保险赔偿额预测方法、装置、设备及可读存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种农业保险赔偿额预测方法、装置、设备及可读存储介质，所述方法包括：获取预先采集的农业保险赔偿记录；通过所述农业保险赔偿记录训练预设 机器学习 模型，得到赔偿额 预测模型 ；获取待预测 农作物 的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。本发明实现了在农业保险的定损理赔阶段，直接根据农作物的生长情况信息，采用 人工智能 的方式预测得出直观可靠的保险赔偿额，而无需花费资金聘请专业人员进行定损，从而降低了保险公司理赔的成本，也提高了理赔效率。，下面是农业保险赔偿额预测方法、装置、设备及可读存储介质专利的具体信息内容。
1.一种农业保险赔偿额预测方法，其特征在于，所述农业保险赔偿额预测方法包括以下步骤：
获取预先采集的农业保险赔偿记录；
通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型；
获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
2.如权利要求1所述的农业保险赔偿额预测方法，其特征在于，所述获取待预测农作物的生长情况信息的步骤包括：
获取待预测农作物的样本图片；
将所述样本图片输入预置图像多分类模型进行分类，得到所述待预测农作物的生长情况信息。
3.如权利要求2所述的农业保险赔偿额预测方法，其特征在于，所述获取待预测农作物的样本图片的步骤之前，还包括：
获取预先采集的农作物图片集，以及所述农作物图片集中每张图片对应的生长情况信息标注；
通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型。
4.如权利要求3所述的农业保险赔偿额预测方法，其特征在于，所述生长情况信息包括多个信息项，所述预置待训练的CNN模型为多个与所述信息项分别对应的CNN模型，所述通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型的步骤包括：
将所述农作物图片集和所述生长情况信息标注按照所述信息项进行划分，得到每个所述CNN模型的训练集；
通过各所述训练集基于迭代训练的方式对应训练各所述CNN模型，将训练完成的各所述CNN模型作为所述图像多分类模型。
5.如权利要求1至4任一项所述的农业保险赔偿额预测方法，其特征在于，所述生长情况信息包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息。
6.如权利要求1至4任一项所述的农业保险赔偿额预测方法，其特征在于，所述获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额的步骤之后，还包括：
获取所述待预测农作物的实际保险赔偿额；
通过所述实际保险赔偿额对所述赔偿额预测模型进行更新迭代训练，以更新所述赔偿额预测模型。
7.如权利要求1至4任一项所述的农业保险赔偿额预测方法，其特征在于，所述农业保险赔偿记录包括历史生长情况信息和历史保险赔偿额，
所述通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型的步骤包括：
将所述历史生长情况信息作为特征信息，将所述历史保险赔偿额作为标签信息，对所述预设机器学习模型进行训练，得到赔偿额预测模型。
8.一种农业保险赔偿额预测装置，其特征在于，所述农业保险赔偿额预测装置包括：
获取模块，用于获取预先采集的农业保险赔偿记录；
训练模块，用于通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型；
预测模块，用于获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
9.一种农业保险赔偿额预测设备，其特征在于，所述农业保险赔偿额预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农业保险赔偿额预测程序，所述农业保险赔偿额预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的农业保险赔偿额预测方法的步骤。
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业保险赔偿额预测程序，所述农业保险赔偿额预测程序被处理器执行时实现如权利要求1至7中任一项所述的农业保险赔偿额预测方法的步骤。
农业保险赔偿额预测方法、装置、设备及可读存储介质
技术领域
背景技术
[0002] 农业作为第一产业，是国家产业之根本与基础，但农业究其产业特性，农业生产具有季节性、周期性、地域性等特点且易受自然灾害的影响，因此相较而言是风险较高行业。农业保险作为现代农业风险规避的有效工具，在世界范围内都是各国政府稳定保障农业生产、支持农业经济发展的主要手段。目前农业保险在定损阶段，需要工作人员到实地考察农户农作物的情况，如农作物的病害情况，结合其专业经验对农户损失进行估计，然后确定赔偿额，这种人工定损的方式，对工作人员的专业要求过高，造成保险公司理赔的成本增加、理赔效率低下。
发明内容
[0003] 本发明的主要目的在于提供一种农业保险赔偿额预测方法、装置、设备及可读存储介质，旨在解决目前农业保险的定损理赔阶段，人工定损方式成本高、效率低的问题。
[0004] 为实现上述目的，本发明提供一种农业保险赔偿额预测方法，所述农业保险赔偿额预测方法包括以下步骤：
[0005] 获取预先采集的农业保险赔偿记录；
[0007] 获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
[0008] 可选地，所述获取待预测农作物的生长情况信息的步骤包括：
[0009] 获取待预测农作物的样本图片；
[0010] 将所述样本图片输入预置图像多分类模型进行分类，得到所述待预测农作物的生长情况信息。
[0011] 可选地，所述获取待预测农作物的样本图片的步骤之前，还包括：
[0012] 获取预先采集的农作物图片集，以及所述农作物图片集中每张图片对应的生长情况信息标注；
[0014] 可选地，所述生长情况信息包括多个信息项，所述预置待训练的CNN模型为多个与所述信息项分别对应的CNN模型，
[0015] 所述通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型的步骤包括：
[0016] 将所述农作物图片集和所述生长情况信息标注按照所述信息项进行划分，得到每个所述CNN模型的训练集；
[0017] 通过各所述训练集基于迭代训练的方式对应训练各所述CNN模型，将训练完成的各所述CNN模型作为所述图像多分类模型。
[0018] 可选地，所述生长情况信息包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息。
[0019] 可选地，所述获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额的步骤之后，还包括：
[0020] 获取所述待预测农作物的实际保险赔偿额；
[0021] 通过所述实际保险赔偿额对所述赔偿额预测模型进行更新迭代训练，以更新所述赔偿额预测模型。
[0022] 可选地，所述农业保险赔偿记录包括历史生长情况信息和历史保险赔偿额，[0023] 所述通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型的步骤包括：
[0024] 将所述历史生长情况信息作为特征信息，将所述历史保险赔偿额作为标签信息，对所述预设机器学习模型进行训练，得到赔偿额预测模型。
[0025] 为实现上述目的，本发明还提供一种农业保险赔偿额预测装置，所述农业保险赔偿额预测装置包括：
[0026] 获取模块，用于获取预先采集的农业保险赔偿记录；
[0027] 训练模块，用于通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型；
[0028] 预测模块，用于获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
[0029] 为实现上述目的，本发明还提供一种农业保险赔偿额预测设备，所述农业保险赔偿额预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农业保险赔偿额预测程序，所述农业保险赔偿额预测程序被所述处理器执行时实现如上所述的农业保险赔偿额预测方法的步骤。
[0030] 此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有农业保险赔偿额预测程序，所述农业保险赔偿额预测程序被处理器执行时实现如上所述的农业保险赔偿额预测方法的步骤。
[0031] 本发明中，通过获取预先采集的农业保险赔偿记录，通过农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型，获取待预测农作物的生长情况信息，并输入赔偿额预测模型进行预测，得到待预测农作物的预测保险赔偿额，实现了在农业保险的定损理赔阶段，直接根据农作物的生长情况信息，采用人工智能的方式预测得出直观可靠的保险赔偿额，而无需花费资金聘请专业人员进行定损，从而降低了保险公司理赔的成本，也提高了理赔效率。附图说明
[0033] 图2为本发明农业保险赔偿额预测方法第一实施例的流程示意图；
[0034] 图3为本发明实施例涉及的一种图像多分类模型和赔偿额预测模型的训练和使用流程示意图；
[0035] 图4为本发明农业保险赔偿额预测装置较佳实施例的功能示意图模块图。
[0036] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0037] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0038] 如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
[0039] 需要说明的是，本发明实施例农业保险赔偿额预测设备可以是智能手机、个人计算机和服务器等设备，在此不做具体限制。
[0040] 如图1所示，该农业保险赔偿额预测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0041] 本领域技术人员可以理解，图1中示出的设备结构并不构成对农业保险赔偿额预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0042] 如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及农业保险赔偿额预测程序。其中，操作系统是管理和控制设备硬件和软件资源的程序，支持农业保险赔偿额预测程序以及其它软件或程序的运行。
[0043] 在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与各参与设备建立通信连接；而处理器1001可以用于调用存储器1005中存储的农业保险赔偿额预测程序，并执行以下操作：
[0044] 获取预先采集的农业保险赔偿记录；
[0045] 通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型；
[0046] 获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
[0047] 进一步地，所述获取待预测农作物的生长情况信息的步骤包括：
[0048] 获取待预测农作物的样本图片；
[0049] 将所述样本图片输入预置图像多分类模型进行分类，得到所述待预测农作物的生长情况信息。
[0050] 进一步地，所述获取待预测农作物的样本图片的步骤之前，处理器1001可以用于调用存储器1005中存储的农业保险赔偿额预测程序，还执行以下操作：
[0051] 获取预先采集的农作物图片集，以及所述农作物图片集中每张图片对应的生长情况信息标注；
[0052] 通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型。
[0053] 进一步地，所述生长情况信息包括多个信息项，所述预置待训练的CNN模型为多个与所述信息项分别对应的CNN模型，
[0054] 所述通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型的步骤包括：
[0055] 将所述农作物图片集和所述生长情况信息标注按照所述信息项进行划分，得到每个所述CNN模型的训练集；
[0056] 通过各所述训练集基于迭代训练的方式对应训练各所述CNN模型，将训练完成的各所述CNN模型作为所述图像多分类模型。
[0057] 进一步地，所述生长情况信息包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息。
[0058] 进一步地，所述获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额的步骤之后，处理器1001可以用于调用存储器1005中存储的农业保险赔偿额预测程序，还执行以下操作：
[0059] 获取所述待预测农作物的实际保险赔偿额；
[0060] 通过所述实际保险赔偿额对所述赔偿额预测模型进行更新迭代训练，以更新所述赔偿额预测模型。
[0061] 进一步地，所述农业保险赔偿记录包括历史生长情况信息和历史保险赔偿额，[0062] 所述通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型的步骤包括：
[0063] 将所述历史生长情况信息作为特征信息，将所述历史保险赔偿额作为标签信息，对所述预设机器学习模型进行训练，得到赔偿额预测模型。
[0064] 基于上述的结构，提出农业保险赔偿额预测方法的各个实施例。
[0065] 参照图2，图2为本发明农业保险赔偿额预测方法第一实施例的流程示意图。
[0066] 本发明实施例提供了农业保险赔偿额预测方法的实施例，需要说明的是，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。本发明农业保险赔偿额预测方法的各个实施例的执行主体可以是智能手机、个人计算机和服务器等设备，为便于描述，以下各实施例中以预测系统为执行主体进行阐述。在本实施例中，农业保险赔偿额预测方法包括：
[0067] 步骤S10，获取预先采集的农业保险赔偿记录；
[0068] 农业保险的类型分为多种，在本实施例中，对于一种类型的农业保险，可以预先采集多条该种类型农业保险的农业保险赔偿记录，每条农业保险赔偿记录对应一次农业保险理赔程序，记录了该次农业保险理赔程序中各种理赔信息，如赔偿额、农户农作物的损坏情况信息等。可以预先将农业保险赔偿记录保存在预测系统的数据库中，并不断采集新的农业保险赔偿记录扩充数据库中的数据。预测系统获取预先采集的农业保险赔偿记录，具体地，可以获取当前数据库中的农业保险赔偿记录。
[0069] 步骤S20，通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型；
[0070] 预测系统通过农业保险赔偿记录训练预设机器学习模型，得到赔偿额度预测模型。其中，预设机器学习模型可以是预先根据需要设置的待训练的机器学习模型，可以是回归模型，如线性回归、岭回归、贝叶斯岭回归、最近邻回归等，也可以是神经网络模型。如预测系统采用线性回归算法拟合一个带系数的线性回归模型，将多条农业保险赔偿记录中的农作物损坏情况作为线性回归模型的输入，得到多个预测值，不断调整线性回归模型的系数，以最小化各个预测值与农业保险赔偿记录中实际赔偿额之间的残差平方和，最终得到确定系数的线性回归模型。该最终得到的线性回归模型预测得到的预测值与实际赔偿额之间的误差被最小化，预测系统将该线性回归模型作为赔偿额预测模型。需要说明的是，农业保险赔偿记录中的实际赔偿额可以是亩均赔偿额，也即平均每亩地的赔偿额，则预测系统训练得到的赔偿额预测模型的输出也是亩均赔偿额。
[0071] 进一步地，所述农业保险赔偿记录包括历史生长情况信息和历史保险赔偿额，所述步骤S20包括：
[0072] 步骤S201，将所述历史生长情况信息作为特征信息，将所述历史保险赔偿额作为标签信息，对所述预设机器学习模型进行训练，得到赔偿额预测模型。
[0073] 在本实施例中，每条农业保险赔偿记录可包括该次农业保险理赔程序执行时，保险对象农作物当时的生长情况信息(历史生长情况信息)，如农作物的病害类别，以及包括该次农业保险理赔程序的最终赔偿额(历史保险赔偿额)。预测系统将各条农业保险赔偿记录中的历史生长情况信息作为特征信息，也即输入变量，将各条农业保险赔偿记录中的历史保险赔偿额作为标签信息，也即实际输出值，对预设机器学习模型进行训练，得到赔偿额预测模型。
[0074] 步骤S30，获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
[0075] 预测系统可部署于用户终端或服务器中。预测系统部署于用户终端时，训练得到的赔偿额预测模型保存在用户终端中，用户可将待预测农作物的生长情况信息输入用户终端中的预测系统，并触发预测系统进行赔偿额预测操作。预测系统部署于服务器时，训练得到的赔偿额预测模型保存在服务器中，用户可通过用户终端将待预测农作物的生长情况信息上传至服务器中的预测系统，并触发预测系统进行赔偿额预测操作。其中，农作物的生长情况信息可以包括农作物的种类信息、生长阶段信息、病害类别信息和病害程度信息等，每项信息的取值可以预先进行定义，如病害程度信息的取值可以是正常、轻度、中度、重度等。预测系统获取用户输入或上传的待预测农作物的生长情况信息，并将生长情况信息输入训练好的赔偿额预测模型中，由赔偿额预测模型输出得到待预测农作物的预测保险赔偿额。
预测系统可将该预测保险赔偿额输出显示，供用户参考该直观显示的预测保险赔偿额。保险公司的工作人员可根据预测保险赔偿额确定对农户的实际保险赔偿额。需要说明的是，本实施例中的用户可以是农户也可以是保险公司的工作人员。
预测系统可将该预测保险赔偿额输出显示，供用户参考该直观显示的预测保险赔偿额。保险公司的工作人员可根据预测保险赔偿额确定对农户的实际保险赔偿额。需要说明的是，本实施例中的用户可以是农户也可以是保险公司的工作人员。
[0076] 在本实施例中，通过获取预先采集的农业保险赔偿记录，通过农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型，获取待预测农作物的生长情况信息，并输入赔偿额预测模型进行预测，得到待预测农作物的预测保险赔偿额，实现了在农业保险的定损理赔阶段，直接根据农作物的生长情况信息，采用人工智能的方式预测得出直观可靠的保险赔偿额，而无需花费资金聘请专业人员进行定损，从而降低了保险公司理赔的成本，也提高了理赔效率。
[0077] 进一步地，所述步骤S30之后，还包括：
[0078] 步骤S40，获取所述待预测农作物的实际保险赔偿额；
[0079] 保险公司的工作人员可将待预测农作物的实际保险赔偿额上传至预测系统。预测系统获取上传的待预测农作物的实际保险赔偿额。具体地，预测系统可将实际保险赔偿额和待预测农作物的损坏信息，如生长情况信息，作为一条农业保险赔偿记录进行保存。
[0080] 步骤S50，通过所述实际保险赔偿额对所述赔偿额预测模型进行更新迭代训练，以更新所述赔偿额预测模型。
[0081] 实际保险赔偿额可能与预测保险赔偿额相同，也可能不相同，当不相同且误差较大时，说明训练得到的赔偿额预测模型的预测效果较差，此时预测系统可对赔偿额预测模型的预测效果进行优化。预测系统可通过实际保险赔偿额对训练好的赔偿额预测模型进行更新迭代训练，以更新赔偿额预测模型。具体地，预测系统可通过调整赔偿额预测模型的参数，如调整线性回归模型的系数，最小化预测保险赔偿额与实际保险赔偿额之间的误差，采用参数调整后的赔偿额预测模型更新原赔偿额预测模型，得到预测效果更佳精准的赔偿额预测模型。需要说明的是，预测系统可预先检测待预测农作物的实际保险赔偿额与预测保险赔偿额之间的误差是否大于预设误差，若不大于预设误差，则不进行赔偿额预测模型的更新，若检测到大于预设误差，则可进行赔偿额预测模型的更新，以使得更新后的赔偿额预测模型预测得到的预测保险赔偿额与实际保险赔偿额之间的误差不大于该预设误差。其中，预设误差可以预设根据需要进行设置，如当对赔偿额预测模型的精度要求较高时，可将预设误差设置得较小，当对赔偿额预测模型的精确度要求较低时，可将预设误差设置得较大。
[0082] 在本实施例中，通过获取待预测农作物的实际保险赔偿额，并通过实际保险赔偿额对训练好的赔偿额预测模型进行更新迭代训练，以更新赔偿额预测模型，使得赔偿额预测模型的预测效果随着使用记录的不断增多，预测效果更加精准。
[0083] 进一步地，基于上述第一实施例，提出本发明农业保险赔偿额预测方法第二实施例，在本发明农业保险赔偿额预测方法第二实施例中，所述获取待预测农作物的生长情况信息的步骤包括：
[0084] 步骤A10，获取待预测农作物的样本图片；
[0085] 在本实施例中，对于要预测保险赔偿额的农田中的农作物，即待预测农作物，用户可在其中随机抽选多棵农作物，并通过手机、相机或无人机等拍摄装置，分别采集选取的各棵农作物的图片，作为样本图片，如采集各农作物病害区域的图片，将样本图片上传至预测系统。预测系统获取上传的待预测农作物的样本图片。
[0086] 步骤A20，将所述样本图片输入预置图像多分类模型进行分类，得到所述待预测农作物的生长情况信息。
[0087] 预测系统将样本图片输入预置的图像多分类模型中进行分类，得到待预测农作物的生长情况信息。其中，生长情况信息可包括多个信息项，如包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息。预置的图像多分类模型是预先训练好的用于对农作物生长情况信息进行分类预测的模型。
[0088] 图像多分类模型可以是一个模型，如一个CNN(卷积神经网络，Convolutional Neural Networks)模型，该模型包括多个输出值，对应生长情况信息的多个信息项，用于实现多分类任务，预测系统将样本图片直接输入该模型，该模型直接输出多个输出值，即得到待预测农作物的各生长情况信息，如将样本图片输入大模型，输出得到该样本图片中农作物的生长情况信息：农作物种类是苹果树，生长阶段是挂果阶段，病害类别是黑星病，病害程度是中度。
[0089] 生长情况信息所包括的各个信息项之间可包括层次关系，如农作物分为不同种类，每个种类的农作物都包括不同的生长阶段，每个种类农作物的每个生长阶段包括不同的病害类别。预置的图像多分类模型也可以是由多个模型(以下称为小模型)构成，如多个CNN模型，每个小模型有一个输出值，小模型分别对应每一层信息项，形成层次关系，以实现多分类任务。
[0090] 如，当生长情况信息包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息时：农作物种类信息对应一个小模型，该小模型的输入是样本图片，输出是该样本图片中农作物的种类；每种农作物的生长阶段信息分别对应一个小模型，该小模型的输入是该种类农作物的样本图片，输出是样本图片中农作物的生长阶段，如苹果树的生长阶段信息对应一个小模型，用于预测样本图片中苹果树的生长阶段信息，梨树的生长阶段信息对应一个小模型，用于预测样本图片中梨树的生长阶段信息；每种农作物每个生长阶段的病害类别信息分别对应一个小模型，该小模型的输入是该种类农作物在该生长阶段的样本图片，输出是样本图片中农作物的病害类别，如苹果树在挂果阶段的病害类别信息对应一个小模型，该小模型用于预测样本图片中挂果阶段的苹果树的病害类别，又如，苹果树在幼苗阶段的病害类别信息对应一个小模型，该小模型用于预测样本图片中幼苗阶段的苹果树的病害类别；每种农作物每个生长阶段每个病害类别的病害程度信息分别对应一个小模型，该小模型的输入是患有该类别病害的该种类农作物处于该生长阶段时的样本图片，输出是样本图片中农作物的病害程度，如苹果树在挂果阶段患有黑星病的病害程度信息对应一个小模型，该小模型用于预测样本图片中在挂果阶段患有黑星病的苹果树的病害程度。
[0091] 预测系统将样本图片逐级输入小模型中，得到多项生长情况信息，如预测系统先将样本图片输入农作物种类信息对应的小模型，得到该样本图片中农作物的种类是苹果树；然后将样本图片输入苹果树的生长阶段信息对应的小模型，得到样本图片中该苹果树的生长阶段是挂果阶段；然后将样本图片输入苹果树挂果阶段的病害类别信息对应的小模型中，得到该样本图片中处于挂果阶段的该苹果树的病害类别是黑星病，然后将样本图片输入苹果树挂果阶段患有黑星病的病害程度信息对应的小模型中，得到该样本图片中处于挂果阶段患有黑星病的该苹果树的病害程度是中度。
[0092] 当预测系统得到待预测农作物的生长情况信息后，将生长情况信息输入训练好的赔偿额预测模型中，得到待预测农作物的预测保险赔偿额，供用户参考该预测赔偿额确定待预测农作物的实际保险赔偿额。
[0093] 在本实施例中，通过获取待预测农作物的样本图片，将样本图片输入预置图像多分类模型进行分类，得到待预测农作物的生长情况信息，将生长情况信息输入训练好的赔偿额预测模型中，得到待预测农作物的预测保险赔偿额，实现了直接根据农作物的图片即可对农户的农田定损，并预测得到保险赔偿额，无需工作人员实地考察，也无需聘请专业人员定损，极大地降低了保险公司理赔阶段的成本，提高了理赔效率。
[0094] 在本实施例中，优选地生长情况信息包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息，通过图像多任务模型对样本图片进行分类预测，得到细粒度的生长情况信息，如细化到病害程度，给保险赔偿额的预测提供了更加直接客观的依据，使得保险额的预测更加精准。
[0095] 进一步地，所述步骤A10之前，还包括：
[0096] 步骤A30，获取预先采集的农作物图片集，以及所述农作物图片集中每张图片对应的生长情况信息标注；
[0097] 在本实施例中，可以人工预先通过拍摄装置，如手机、相机或无人机等，拍摄不同种类的农作物在不同生长阶段、不同病害类别的图片，并将这些图片上传至预测系统，同时对于每一张图片标注图片中农作物的生长情况信息，一并上传至预测系统。预测系统获取预先采集的农作物图片集，以及农作物图片集中每一张图片对应的生长信息标注。
[0098] 步骤A40，通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型。
[0099] 预测系统中预先设置有待训练的CNN模型，待训练的CNN模型可以是一个具有多分类目标的CNN模型，也即有多个输出值，可以采用现有实现多分类目标的CNN模型的结构。预测系统通过农作物图片集和生长情况信息标注，基于迭代训练的方式对该CNN模型进行训练，得到训练好的CNN模型，将该训练好的CNN模型作为图像多分类模型。具体地，预测系统可将农作物图片集作为该CNN模型的输入，CNN模型对农作物图片中的特征进行提取，得到CNN模型预测的预测生长情况信息，然后预测系统根据该预测生长情况信息和生长情况信息标注计算损失函数的损失值，根据损失值判断该CNN模型是否收敛，若未收敛，则调整该CNN模型的参数后，再次将农作物图片集输入该CNN模型，经过多次迭代训练，直到该CNN模型收敛，即得到训练好的图像多分类模型。
[0100] 在本实施例中，通过获取预先采集的农作物图片集，以及每张图片对应的生长情况信息标注，基于农作物图片集和生长情况信息标注对CNN模型进行训练，得到能够预测农作物生长情况信息的图像多分类模型，使得无需通过人工实地考察即可对农户的农田定损，从而降低了保险公司理赔阶段的成本，提高了理赔效率。
[0101] 进一步地，所述生长情况信息包括多个信息项，所述预置待训练的CNN模型为多个与所述信息项分别对应的CNN模型。
[0102] 所述步骤A40包括：
[0103] 步骤A401，将所述农作物图片集和所述生长情况信息标注按照所述信息项进行划分，得到每个所述CNN模型的训练集；
[0104] 在本实施例中，生长情况信息可包括多个信息项，如农作物种类、生长阶段和病害类别，预置待训练的CNN模型可以是多个具有单任务目标的CNN模型，也即每个CNN模型有一个输出值，这多个CNN模型与各信息项分别对应。具体地，本实施例中多个CNN模型之间的关系，与上述步骤A20中小模型之间的关系相同，在此不再详细赘述。对本实施例中的各个CNN模型分别进行训练，即得到上述步骤A20中的多个小模型，预测系统将多个小模型作为图像多任务模型。
[0105] 训练过程：预测系统将农作物图片和生长情况信息标注按照生长情况信息的信息项进行划分，得到每个CNN模型的训练集。如，预测系统将生长情况信息标注中包括农作物种类标注的农作物图片，以及该图片对应的农作物种类标注作为一个训练集，该训练集训练用于对图片进行农作物种类分类预测的模型；又如，将生长情况信息标注中农作物种类标注为苹果树，并且包括生长阶段标注的农作物图片作为一个训练集，该训练集训练用于对苹果树图片进行生长阶段分类预测的模型。
[0106] 步骤A402，通过各所述训练集基于迭代训练的方式对应训练各所述CNN模型，将训练完成的各所述CNN模型作为所述图像多分类模型。
[0107] 预测系统通过各训练集基于迭代训练的方式对应训练各CNN模型，将训练完成的各CNN模型作为图像多分类模型。具体地，预测模型采用CNN模型对应的训练集来训练该CNN模型，每个CNN模型单独训练。如采用训练集：苹果树图片集和每张图片对应标注的生长阶段标注，训练用于对苹果树图片进行生长阶段分类预测的CNN模型，具体迭代训练方式与上述步骤A40中对多任务目标的CNN模型进行训练的过程类似，在此不再详细赘述。
[0108] 进一步地，用户可将待预测农作物的样本图片的实际生长情况信息上传至预测系统，预测系统根据实际生长情况信息，与图像多分类模型输出的生长情况信息进行比对，当不相同时，预测系统可通过实际生长情况信息对训练好的图像多分类模型进行更新迭代训练，以更新图像多分类模型，使得图像多分类模型的分类预测效果随着使用记录的不断增多，分类预测效果更加精准。
[0109] 基于上述实施例方案，在一实施例中，如图3所示，为一种图像多分类模型和赔偿额预测模型的训练和使用流程示意图，预测系统按照图3所示的流程步骤，对图像多分类模型和赔偿额预测模型进行训练和使用，以实现无需通过人工实地考察即可对农户的农田定损并对农户的保险额度进行预测，从而降低了保险公司理赔阶段的成本，提高了理赔效率。
[0110] 此外，此外本发明实施例还提出一种农业保险赔偿额预测装置，参照图4，本发明农业保险赔偿额预测装置较佳实施例的功能示意图模块图。所述农业保险赔偿额预测装置包括：
[0111] 获取模块10，用于获取预先采集的农业保险赔偿记录；
[0112] 训练模块20，用于通过所述农业保险赔偿记录训练预设机器学习模型，得到赔偿额预测模型；
[0113] 预测模块30，用于获取待预测农作物的生长情况信息，并输入所述赔偿额预测模型进行预测，得到所述待预测农作物的预测保险赔偿额。
[0114] 进一步地，所述预测模块30包括：
[0115] 获取单元，用于获取待预测农作物的样本图片；
[0116] 分类单元，用于将所述样本图片输入预置图像多分类模型进行分类，得到所述待预测农作物的生长情况信息。
[0117] 进一步地，
[0118] 所述获取单元还用于在获取待预测农作物的样本图片的步骤之前，获取预先采集的农作物图片集，以及所述农作物图片集中每张图片对应的生长情况信息标注；
[0119] 所述预测模块30还包括：
[0120] 训练单元，用于通过所述农作物图片集和所述生长情况信息标注，基于迭代训练的方式对预置待训练的卷积神经网络CNN模型进行训练，得到所述图像多分类模型。
[0121] 进一步地，所述生长情况信息包括多个信息项，所述预置待训练的CNN模型为多个与所述信息项分别对应的CNN模型，
[0122] 所述训练单元包括：
[0123] 划分子单元，用于将所述农作物图片集和所述生长情况信息标注按照所述信息项进行划分，得到每个所述CNN模型的训练集；
[0124] 训练子单元，用于通过各所述训练集基于迭代训练的方式对应训练各所述CNN模型，将训练完成的各所述CNN模型作为所述图像多分类模型。
[0125] 进一步地，所述生长情况信息包括农作物种类信息、生长阶段信息、病害类别信息和病害程度信息。
[0126] 进一步地，所述获取模型10还用于获取所述待预测农作物的实际保险赔偿额；
[0127] 所述农业保险赔偿额预测装置还包括：
[0128] 更新模块，用于通过所述实际保险赔偿额对所述赔偿额预测模型进行更新迭代训练，以更新所述赔偿额预测模型。
[0129] 进一步地，所述农业保险赔偿记录包括历史生长情况信息和历史保险赔偿额，[0130] 所述训练模块20还用于将所述历史生长情况信息作为特征信息，将所述历史保险赔偿额作为标签信息，对所述预设机器学习模型进行训练，得到赔偿额预测模型。
[0131] 本发明农业保险赔偿额预测装置的具体实施方式的拓展内容与上述农业保险赔偿额预测方法各实施例基本相同，在此不做赘述。
[0132] 此外，本发明实施例还提出一种计算机可读存储介质，所述存储介质上存储有农业保险赔偿额预测程序，所述农业保险赔偿额预测程序被处理器执行时实现如下所述的农业保险赔偿额预测方法的步骤。
[0133] 本发明农业保险赔偿额预测设备和计算机可读存储介质的各实施例，均可参照本发明农业保险赔偿额预测方法各个实施例，此处不再赘述。
[0134] 需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0135] 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。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种覆膜甜菜收获机 | 2020-05-11 | 889 |
| 一种榴莲高效采摘收集机器人 | 2020-05-12 | 182 |
| 一种水果采摘机器人及其采摘方法 | 2020-05-12 | 25 |
| 一种大马力拖拉机 | 2020-05-11 | 359 |
| 一种智能芦笋收获机 | 2020-05-08 | 932 |
| 一种咖啡定距移栽机 | 2020-05-08 | 32 |
| 一种带有升降手的农业机器人平台及其工作方法 | 2020-05-13 | 312 |
| 应用于农业LoRa网关的机器学习决策系统 | 2020-05-08 | 178 |
| 基于田间作业的农业机器控制方法、装置和设备 | 2020-05-08 | 44 |
| 摆动式育种排种器专用S形板簧减振连杆 | 2020-05-12 | 471 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈