[发明专利]融合模型构建方法、融合模型使用方法、装置和电子设备

说明书

本申请提供一种融合模型构建方法、融合模型使用方法、装置和电子设备，涉及遥感影像处理技术领，融合模型构建方法包括：根据目标作物群的遥感分类知识构建静态知识图谱；根据各个时间点的静态知识图谱，构建动态知识图谱；将动态知识图谱与深度学习模型进行融合，得到融合模型，其中，融合模型用于对目标作物群的作物类型进行分类。本申请实施例根据需要进行作物类型分类的作物群的遥感分类知识进行知识图谱的构建，通过将知识图谱与深度学习模型进行融合训练，能够提高融合模型对作物类型进行分类的准确率，为智慧农业发展提供支撑。

技术领域

本申请涉及遥感影像处理技术领域，具体而言，涉及一种融合模型构建方法、融合模型使用方法、装置和电子设备。

背景技术

随着卫星技术的迅猛发展，出现了利用遥感影像对农作物进行分类识别的多种方法，传统的农作物遥感分类方法的实施要求采用高分辨率的遥感图像，使用深度学习模型对农作物的种类进行遥感分类。随着遥感数据的获取、存储和分析技术有了重大发展，光学的分辨率和重访频率大大增加，更高分辨率的时间序列遥感数据获取成为可能，应用深度学习算法开展多时态影像分析的研究已经出现，但这些研究多是将多时态遥感数据作为独立的多变量数据处理。

因此，现有技术中，在使用深度学习模型进行作物遥感分类时，通常只学习图像中包含的信息，由于深度学习缺乏这种基本而重要的知识认知和推理能力，在对农作物进行分类识别时导致分类结果的准确率较低。

发明内容

有鉴于此，本申请实施例的目的在于提供一种融合模型构建方法、融合模型使用方法、装置和电子设备，以改善现有技术中存在的对农作物类型进行分类时准确率较低的问题。

第一方面，本申请实施例提供了一种融合模型构建方法，所述方法包括：

根据目标作物群的遥感分类知识构建静态知识图谱；

根据各个时间点的所述静态知识图谱，构建动态知识图谱；

将所述动态知识图谱与深度学习模型进行融合，得到融合模型，其中，所述融合模型用于对所述目标作物群的作物类型进行分类。

在上述实现过程中，根据需要进行作物类型分类的目标作物群的遥感分类知识，建立每个时间点对应的静态知识图谱，通过各个时间点的静态知识图谱结合，得到动态化的动态知识图谱。通过将动态知识图谱与深度学习模型进行融合，得到用于对目标作物群的作物进行分类的融合模型，能够在深度学习模型的基础上，结合具有时间序列的知识图谱，有效地提高了融合模型的分类准确率，使融合模型具有认知和推理能力，为智慧农业发展提供支撑。

可选地，所述根据目标作物群的遥感分类知识构建静态知识图谱，包括：

获取所述遥感分类知识中所述目标作物群的作物类型；

计算得到所述作物类型中任意两个作物类型之间的分类相似度；

根据所述分类相似度获取每一个所述作物类型对应的关系子图；

根据多个所述关系子图，构建静态知识图谱。

在上述实现过程中，通过遥感分类知识获取目标作物群中每个作物类型分类相似度的关系子图，能够根据多个关系子图获取整个目标作物群的静态知识图谱。通过对任意两种作物类型之间分类相似度计算的准确度进行获取，增加了各个关系子图的准确度，从而增加静态知识图谱的准确度，适用于多种具有不同作物类型的情况。

可选地，所述计算得到所述作物类型中任意两个作物类型之间的分类相似度，包括：

基于第一表达式计算所述作物类型中任意两个作物类型之间的分类相似度，所述第一表达式包括：