本发明涉及人工智能领域，具体而言，涉及一种基于遥感图像的农作物状态检测方法及其装置、电子设备。
背景技术：
1、当前，在农作物生长过程中，往往存在“割青毁粮”这种农作物异常状态情况，即在农作物还未成熟时就对农作物进行收割，不利于农业发展。
2、当前，往往通过人工监测这种农作物异常状态情况，例如，定期进行人工田间巡视检查，或者在农田周边或关键区域安装摄像头或红外线监控设备，以便对农田进行实时监控。然而，这种人工监测方式不仅费时费力，成本较高，而且监测效率较低。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种基于遥感图像的农作物状态检测方法及其装置、电子设备，以至少解决相关技术中对农作物的生长状态进行检测的效率较低的技术问题。
2、根据本发明实施例的一个方面，提供了一种基于遥感图像的农作物状态检测方法，包括：采集目标区域种植的目标农作物在不同长势期的农作物遥感图像；获取所述目标农作物的正常遥感图像集合，其中，所述正常遥感图像集合中的每张正常遥感图像是在所述目标农作物处于每个长势期时采集的遥感图像；将处于同一长势期的所述农作物遥感图像以及所述正常遥感图像输入至预设检测模型，输出标签矩阵，其中，所述预设检测模型是基于历史遥感图像集合训练得到的检测模型；基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态。
3、进一步地，所述农作物状态检测方法还包括：构建初始检测模型，其中，所述初始检测模型的模型结构至少包括：残差块、注意力机制模块、金字塔结构、卷积层和反卷积层交替结构；所述残差块用于判断输入的特征图是否为过拟合特征图；所述注意力机制模块用于对输入的特征图进行加权处理；所述金字塔结构用于对输入的特征图进行不同尺度下的特征提取；所述卷积层和反卷积层交替结构用于提高输入的特征图的特征表示维度；基于所述历史遥感图像集合对所述初始检测模型进行训练，得到训练后的所述预设检测模型。
4、进一步地，基于所述历史遥感图像集合对所述初始检测模型进行训练，得到训练后的所述预设检测模型的步骤，包括：采集历史时间段内不同农作物在不同长势期的历史遥感图像，得到所述历史遥感图像集合；对每张所述历史遥感图像进行标注，得到标注信息，其中，所述标注信息包括：正常状态或者异常状态；将标注后的所有所述历史遥感图像加入至训练样本集合；采用所述训练样本集合对所述初始检测模型进行训练，得到所述预设检测模型。
5、进一步地，将处于同一长势期的所述农作物遥感图像以及所述正常遥感图像输入至预设检测模型，输出标签矩阵的步骤，包括：采用循环结构对所述农作物遥感图像以及所述正常遥感图像进行特征提取操作，直到得到的特征图的尺寸缩小至预设尺寸，其中，所述循环结构至少包括：残差块、注意力机制模块以及金字塔结构；对得到的所述预设尺寸的所述特征图进行卷积操作，得到所述标签矩阵。
6、进一步地，基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态的步骤，包括：将所述标签矩阵划分为多个区域；比较每个区域中的第一元素值的数量和第二元素值的数量，其中，所述第一元素值用于指示所述目标农作物处于异常状态，所述第二元素值用于指示所述目标农作物处于正常状态；在至少一个区域中的所述第一元素值的数量大于所述第二元素值的数量的情况下，确定所述目标农作物处于所述异常状态；在所有区域中的所述第一元素值的数量小于等于所述第二元素值的数量的情况下，确定所述目标农作物处于所述正常状态。
7、进一步地，在基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态之后，还包括：在所述目标农作物处于异常状态的情况下，确定第一元素值的数量大于第二元素值的数量的目标区域；将所述目标区域中的所述第二元素值替换为所述第一元素值，并统计所述目标区域中的像素数量，其中，每个元素值对应一个像素的值；基于所述农作物遥感图像的图像分辨率以及所述像素数量，确定所述目标区域中的所述目标农作物处于所述异常状态的异常面积。
8、进一步地，在基于所述农作物遥感图像的图像分辨率以及所述像素数量，确定所述目标区域中的所述目标农作物处于所述异常状态的异常面积之后，还包括：基于所述目标农作物的类别以及所述异常面积，确定损失金额；基于所述损失金额，确定调整等级；基于所述调整等级，调整给所述目标区域的贷款额度。
9、根据本发明实施例的另一方面，还提供了一种基于遥感图像的农作物状态检测装置，包括：采集单元，用于采集目标区域种植的目标农作物在不同长势期的农作物遥感图像；获取单元，用于获取所述目标农作物的正常遥感图像集合，其中，所述正常遥感图像集合中的每张正常遥感图像是在所述目标农作物处于每个长势期时采集的遥感图像；输入单元，用于将处于同一长势期的所述农作物遥感图像以及所述正常遥感图像输入至预设检测模型，输出标签矩阵，其中，所述预设检测模型是基于历史遥感图像集合训练得到的检测模型；确定单元，用于基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态。
10、进一步地，所述农作物状态检测装置还包括：第一构建模块，用于构建初始检测模型，其中，所述初始检测模型的模型结构至少包括：残差块、注意力机制模块、金字塔结构、卷积层和反卷积层交替结构；所述残差块用于判断输入的特征图是否为过拟合特征图；所述注意力机制模块用于对输入的特征图进行加权处理；所述金字塔结构用于对输入的特征图进行不同尺度下的特征提取；所述卷积层和反卷积层交替结构用于提高输入的特征图的特征表示维度；第一训练模块，用于基于所述历史遥感图像集合对所述初始检测模型进行训练，得到训练后的所述预设检测模型。
11、进一步地，所述第一训练模块包括：第一采集子模块，用于采集历史时间段内不同农作物在不同长势期的历史遥感图像，得到所述历史遥感图像集合；第一标注子模块，用于对每张所述历史遥感图像进行标注，得到标注信息，其中，所述标注信息包括：正常状态或者异常状态；第一加入子模块，用于将标注后的所有所述历史遥感图像加入至训练样本集合；第一训练子模块，用于采用所述训练样本集合对所述初始检测模型进行训练，得到所述预设检测模型。
12、进一步地，所述输入单元包括：第一提取模块，用于采用循环结构对所述农作物遥感图像以及所述正常遥感图像进行特征提取操作，直到得到的特征图的尺寸缩小至预设尺寸，其中，所述循环结构至少包括：残差块、注意力机制模块以及金字塔结构；第一卷积模块，用于对得到的所述预设尺寸的所述特征图进行卷积操作，得到所述标签矩阵。
13、进一步地，所述确定单元包括：第一划分模块，用于将所述标签矩阵划分为多个区域；第一比较模块，用于比较每个区域中的第一元素值的数量和第二元素值的数量，其中，所述第一元素值用于指示所述目标农作物处于异常状态，所述第二元素值用于指示所述目标农作物处于正常状态；第一确定模块，用于在至少一个区域中的所述第一元素值的数量大于所述第二元素值的数量的情况下，确定所述目标农作物处于所述异常状态；第二确定模块，用于在所有区域中的所述第一元素值的数量小于等于所述第二元素值的数量的情况下，确定所述目标农作物处于所述正常状态。
14、进一步地，所述农作物状态检测装置还包括：第三确定模块，用于在基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态之后，在所述目标农作物处于异常状态的情况下，确定第一元素值的数量大于第二元素值的数量的目标区域；第一统计模块，用于将所述目标区域中的所述第二元素值替换为所述第一元素值，并统计所述目标区域中的像素数量，其中，每个元素值对应一个像素的值；第四确定模块，用于基于所述农作物遥感图像的图像分辨率以及所述像素数量，确定所述目标区域中的所述目标农作物处于所述异常状态的异常面积。
15、进一步地，所述农作物状态检测装置还包括：第五确定模块，用于在基于所述农作物遥感图像的图像分辨率以及所述像素数量，确定所述目标区域中的所述目标农作物处于所述异常状态的异常面积之后，基于所述目标农作物的类别以及所述异常面积，确定损失金额；第六确定模块，用于基于所述损失金额，确定调整等级；第一调整模块，用于基于所述调整等级，调整给所述目标区域的贷款额度。
16、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项基于遥感图像的农作物状态检测方法。
17、根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项基于遥感图像的农作物状态检测方法。
18、在本发明中，采集目标区域种植的目标农作物在不同长势期的农作物遥感图像，获取目标农作物在所有长势期时采集的正常遥感图像，将处于同一长势期的农作物遥感图像以及正常遥感图像输入至预设检测模型，输出标签矩阵，基于标签矩阵中的每个元素值，确定目标农作物的生长状态。
19、在本发明中，可以利用遥感技术对目标区域进行定期监测，以采集目标区域种植的目标农作物在不同长势期的农作物遥感图像，然后可以将处于同一长势期的农作物遥感图像以及正常遥感图像输入至预先训练好的预设检测模型，以对目标农作物的生长状态进行检测，得到标签矩阵，之后根据标签矩阵中的每个元素值，确定目标农作物的生长状态，能够准确且高效地检测农作物的生长状态，以及时发现异常状态，进而解决了相关技术中对农作物的生长状态进行检测的效率较低的技术问题。
1.一种基于遥感图像的农作物状态检测方法，其特征在于，包括：
2.根据权利要求1所述的农作物状态检测方法，其特征在于，所述农作物状态检测方法还包括：
3.根据权利要求2所述的农作物状态检测方法，其特征在于，基于所述历史遥感图像集合对所述初始检测模型进行训练，得到训练后的所述预设检测模型的步骤，包括：
4.根据权利要求1所述的农作物状态检测方法，其特征在于，将处于同一长势期的所述农作物遥感图像以及所述正常遥感图像输入至预设检测模型，输出标签矩阵的步骤，包括：
5.根据权利要求1所述的农作物状态检测方法，其特征在于，基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态的步骤，包括：
6.根据权利要求1所述的农作物状态检测方法，其特征在于，在基于所述标签矩阵中的每个元素值，确定所述目标农作物的生长状态之后，还包括：
7.根据权利要求6所述的农作物状态检测方法，其特征在于，在基于所述农作物遥感图像的图像分辨率以及所述像素数量，确定所述目标区域中的所述目标农作物处于所述异常状态的异常面积之后，还包括：
8.一种基于遥感图像的农作物状态检测装置，其特征在于，包括：
9.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于遥感图像的农作物状态检测方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于遥感图像的农作物状态检测方法。
