[发明专利]一种利用机器学习技术的农业保险查勘定损方法

说明书

技术领域

本发明属农业保险技术领域，尤其涉及利用机器学习技术进行分析、处理的一种利用机器学习技术的农业保险查勘定损方法。

背景技术

农业保险是指保险公司根据农业保险合同，对被保险人在农业生产过程中因保险标的遭受约定的自然灾害等事故所造成的财产损失承担赔偿保险金责任的保险活动。农业保险包含范围广泛，有精准承保、查勘定损和产量估计等，不论以上哪种形式的保险，均归结为承保农作物的长势、受灾面积和分布，以作物长势、受灾面积和分布为依据，确定产量和定损等具体指标。保险公司确定受灾面积的方法是获取受灾范围后，命令查勘人员去受灾区域对受灾面积进行测量。外业查勘人员获取受灾面积的方式存在以下缺点，第一，大面积和大范围的灾害发生时，需要大量的人员去完成查勘工作。第二，在查勘过程中无法确定承保区域是否为承保标的，存在多报的可能，信息准确性无法保证。

传统的人工实地统计损失需大量人力物力，利用遥感影像进行分类及确定损失是遥感影像智能处理的一个发展趋势，而在遥感图像分类研究中，借助机器学习方法从海量数据集中找到有用信息是一个重要研究方向。传统的机器学习方法需要依靠人工经验来分析与选取样本的特征，特征的好坏易成为系统性能的瓶颈，且通常需要花费较多的时间和精力来发掘更好的特征；针对不同的应用，所选择的特征不同，通用性较差；需要根据经验和现有的参考数据来选择训练样本和特征，扩展性较差，难以推广到大的应用，并且准确率和自动化程度有待进一步提高。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，通过对输入数据从低层到高层渐进地进行特征提取，最终形成适合模式分类的较理想特征，从而提升分类的准确性。

发明内容

本发明的目的就是为解决农业保险查勘定损过程中存在的承保区域受灾面积和分布不易获取的问题，而提供采用在图像处理方面具有独特优势的卷积神经网络（CNN）构建相应的遥感图像农作物提取模型，该模型能充分利用遥感图像的光谱和空间信息，直接从输入图像中自学习有利于图像分类的高层语义特征，通过深度学习方法对农作物进行精确提取，辅助农业保险业务进行的一种利用机器学习技术的农业保险查勘定损方法。

本发明采用的技术方案是：

一种利用机器学习技术的农业保险查勘定损方法，包括以下步骤：

步骤1）、外业采样：派外业调查人员到受灾现场采集信息，主要对受灾区域的农作物随机进行照片采样，包含受灾作物和不受灾作物，拍摄照片中含有GPS坐标，同时记录所拍摄的受灾地区的基本信息，包括受灾时间、受灾情况、种植作物信息，将获取到的信息实时回传；

步骤2）、样本数据的获取：根据回传的调查数据，从服务器数据库中抽取受灾地区受灾前后的遥感影像，并根据回传照片的GPS坐标信息从遥感影像中分割出若干受灾作物和非受灾作物的样本数据，并贴上对应的标签；

步骤3）、模型的训练：根据分割出的样本大小设计卷积神经网络模型参数，将样本分成训练样本、测试样本和验证样本，利用训练样本和测试样本对模型进行参数的训练和测试，测试样本进行模型测试，利用验证样本对得到的模型进行精度验证；

步骤4）、分类遥感影像：将得到模型用于遥感影像的分类，提取本次农作物的受灾面积和分布，并快速确定受灾的整体情况，之后将提取的结果制作成专题地图；

步骤5）、专题图的制作：将制作成的专题地图，以在线的形式发布到客户端，提供在线浏览的服务；

步骤6）、生成受灾报告：对受灾地区的情况加以描述，并根据农业专家对现场照片的判读，确定农作物受损程度，形成一份完整的受灾识别服务报告提供给保险公司，为保险公司产量估计和查勘定损的工作提供数据支持。

进一步的，所述步骤3）中将样本分成训练样本、测试样本和验证样本时，训练样本占比为74%，测试样本占比为11%，验证样本占比为15%。

进一步的，所述步骤3）中首先利用训练样本对模型的参数进行训练，然后利用测试样本对模型进行测试，测试过程中模型参数会发生改变，当模型参数不再发生改变后，模型训练结束，最后用参数稳定的模型对验证样本数据进行精度验证，如果精度达到90%以上，即为满足精度要求，否则调整模型参数和结构，重新进行训练、测试和验证过程。

进一步的，所述步骤4）中在分类遥感影像的同时，利用机器学习分类遥感影像的技术对农作物的光谱信息和空间信息进行分析，学习到更多的特征，分类更准确。

本发明的有益效果是：