基于神经网络的自然环境修复评估方法、装置及设备

1.本技术涉及环境检测技术领域，尤其涉及一种基于神经网络的自然环境修复评估方法、装置、电子设备以及计算机可读存储介质。


背景技术：

2.伴随科学技术的进步，人们生活水平逐步提高，但过渡的开采、污染等原因，导致地球的自然环境造成一定程度的破坏，目前人们已逐渐认识到自然环境修复的重要性，但如何评估自然环境修复方法的有效性，是目前极其重要的一个环节。
3.目前，自然环境修复评估技术主要是先依靠无人机设备先拍摄出待评估的自然环境区域，下一步根据有经验的专家观察拍摄图片，并利用计算机标定软件在拍摄图片中标定出修复不理想的区域。
4.上述方法虽可实现自然环境修复评估，但由于人工干预过多，导致产生自然环境修复评估的效率较低、智能化有待进一步提高的问题。


技术实现要素：

5.为了解决上述技术问题，本技术提供了一种基于神经网络的自然环境修复评估方法、装置、电子设备以及计算机可读存储介质，可解决自然环境修复评估的效率及智能化程度较低的问题。
6.第一方面，本技术提供了一种基于神经网络的自然环境修复评估方法，包括：
7.接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片；
8.在所述第二时间点时启动所述无人机设备拍摄待修复评估的自然环境照片，得到第二自然环境图片；
9.对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片；
10.构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型；
11.将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级。
12.相比于背景技术所述：先依靠无人机设备先拍摄出待评估的自然环境区域，下一步根据有经验的专家观察拍摄图片，并利用计算机标定软件在拍摄图片中标定出修复不理想的区域从而完成评估，导致产生评估的效率较低、智能化有待进一步提高的问题来说。本技术实施例先接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片，同理在第二时间点时拍摄得到第二自然环境图片，从而得到两个不同时间点的拍摄图片，用于后续的环境修复评估图片。进一步地，深度学习模型具有高识别率、高智能化程度的特点，因此构建包
括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型，从而为后续自然环境修复的智能化评估提供了必要条件，最后，将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级，可见相比于背景技术来说，整个检测过程无需人为干预，均为自动化评估过程。因此，本技术实施例提出的一种基于神经网络的自然环境修复评估方法可解决自然环境修复评估的效率及智能化程度较低的问题。
13.在第一方面的一种可能实现方式中，所述构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，包括：
14.获取预设定的多个自然环境修复区的位置区域坐标；
15.根据不同的自然环境修复区的修复需求，设定对应的修复指标；
16.将不同的所述自然环境修复区的位置区域坐标，与对应的修复指标进行绑定，得到每个所述自然环境修复区的坐标-指标对照表；
17.从预训练完成的bp神经网络中提取原始输入层，根据所述自然环境修复区的位置区域坐标，利用所述原始输入层，构建可接收所述位置区域坐标的输入层；
18.接收用户输入的隐藏层数量值和卷积层数量值，从所述bp神经网络中提取与所述隐藏层数量值相同数量的所述隐藏层；
19.从预训练完成的卷积神经网络中提取与所述卷积层数量值相同数量的所述卷积层；
20.接收用户指定的激活函数，根据所述坐标-指标对照表，构建包括所述激活函数的所述输出层；
21.按照输入层在前，隐藏层、卷积层在中间及输出层在尾的结构构建得到所述自然环境修复评估原始模型。
22.在第一方面的一种可能实现方式中，所述利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型，包括：
23.爬取包括荒漠、沼泽及绿色植被类的自然图片集；
24.将所述自然图片集按照所述修复指标的不同，分类为每个所述自然环境修复区对应的指标修复程度图片集；
25.利用每个自然环境修复区对应的指标修复程度图片集，训练所述自然环境修复评估原始模型，得到所述自然环境修复评估标准模型。
26.在第一方面的一种可能实现方式中，所述利用每个自然环境修复区对应的指标修复程度图片集，训练所述自然环境修复评估原始模型，得到所述自然环境修复评估标准模型，包括：
27.根据每个自然环境修复区对应的指标修复程度图片集，构建自然环境修复评估等级，其中所述自然环境修复评估等级至少包括两个等级；
28.接收用户训练所述自然环境修复评估原始模型输入的训练学习率、批尺寸；
29.在所述输入层内，利用所述输入层接收用户输入的位置区域坐标，并分别将所述正样本及所述负样本执行像素维度转换，得到正像素集及负像素集；
30.将所述指标修复程度图片集输入至所述隐藏层执行映射计算，得到映射像素集；
31.根据所述训练学习率及所述批尺寸，利用所述卷积层对所述映射像素集均执行卷积提取，得到样本特征集；
32.在所述输出层内，根据所述坐标-指标对照表查询所述位置区域坐标对应的目标修复指标，根据所述目标修复指标，对所述样本特征集执行激活计算，得到自然环境修复预测等级；
33.根据所述自然环境修复预测等级与所述自然环境修复评估等级的误差调整所述训练学习率、所述批尺寸及所述自然环境修复评估原始模型的内部参数，并返回上述映射计算步骤；
34.直至调整所述训练学习率、所述批尺寸及所述自然环境修复评估原始模型的内部参数的调整次数大于指定调整阈值时，确定所述自然环境修复评估原始模型为所述自然环境修复评估标准模型。
35.在第一方面的一种可能实现方式中，所述对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片，包括：
36.裁剪所述第一自然环境图片及所述第二自然环境图片的空白区域，得到第一紧凑环境图片及第二紧凑环境图片；
37.接收用户对所述第一紧凑环境图片及第二紧凑环境图片的图片截取，得到第一截取环境图片和第二截取环境图片；
38.对所述第一截取环境图片和第二截取环境图片均执行像素润色，得到所述第一评估图片和第二评估图片。
39.在第一方面的一种可能实现方式中，所述所述在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片，包括：
40.从gps定位系统中获取待修复评估的所述自然环境的地理位置信息；
41.将所述地理位置信息按照所述无人机设备的拍摄区域大小执行划分，得到多组拍摄位置信息；
42.根据多组所述拍摄位置信息设定所述无人机设备的拍摄规律；
43.启动计时器设备，当计时器设备中的计时时间与所述第一时间点吻合时，启动所述无人机设备，根据所述拍摄规律对所述待修复评估的所述自然环境执行拍摄，得到多组环境拍摄图片；
44.合成多组所述环境拍摄图片，得到所述第一自然环境图片。
45.在第一方面的一种可能实现方式中，所述合成多组所述环境拍摄图片，得到所述第一自然环境图片，包括：
46.根据自然环境的所述地理位置信息构建一张空图片；
47.依次提取每组所述环境拍摄图片对应的拍摄位置信息，并将每组所述环境拍摄图片对应的拍摄位置信息映射到包括所述地理位置信息的空图片中，得到所述第一自然环境图片。
48.第二方面，本技术提供了一种基于神经网络的自然环境修复评估装置，所述装置包括：
49.第一自然环境拍摄模块，用于接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然
环境图片；
50.第二自然环境拍摄模块，用于在所述第二时间点时启动所述无人机设备拍摄待修复评估的自然环境照片，得到第二自然环境图片；
51.模型训练模块，用于对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片，构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型；
52.自然环境修复评估模块，用于将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级。
53.第三方面，本技术提供一种电子设备，包括：
54.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
55.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的基于神经网络的自然环境修复评估方法。
56.第四方面，本技术提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的基于神经网络的自然环境修复评估方法。
57.可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
58.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
59.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
60.图1为本技术一实施例提供的一种基于神经网络的自然环境修复评估方法的详细流程示意图；
61.图2为本技术一实施例中图1提供的一种基于神经网络的自然环境修复评估方法的模型结构图；
62.图3为为本技术一实施例中图1提供的一种基于神经网络的自然环境修复评估方法的另外一个步骤流程示意图；
63.图4为本技术一实施例提供的一种基于神经网络的自然环境修复评估装置的模块示意图；
64.图5为本技术一实施例提供的实现基于神经网络的自然环境修复评估方法的电子设备的内部结构示意图。
具体实施方式
65.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
66.参阅图1所示的流程图描述了本技术一实施例提供的基于神经网络的自然环境修复评估方法。其中，图1中描述的基于神经网络的自然环境修复评估方法包括：
67.s1、接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片。
68.可理解的是，自然环境的修复由于涉及到植树造林、沼泽清理等手段，需要较长的修复期，因此本发明实施例中，接收用户设定的第一时间点和第二时间点，其中所述第一时间点一般表示未开始执行环境修复的时间点，第二时间点表示已开始执行环境修复的时间点或已完成环境修复的时间点。
69.示例性的，某沙漠荒地需要执行环境修复，政府部门计划用3年的时间完成修复，计划开始时间为2021年1月1日，修复计划的完成时间为2024年1月1日，中间阶段性考察5次，第一次阶段性考察为2021年7月1日，因此若基于本发明实施例方法来看，所述第一时间点为2021年1月1日，第二时间点为2021年7月1日。
70.应解释的是，一般自然环境地广人稀，若直接人工拍摄或测量环境状况，工作量大且危险性高，因此本发明实施例采用无人机拍摄待修复评估的自然环境，详细地，参阅图2所示，所述在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片，包括：
71.s11、从gps定位系统中获取待修复评估的所述自然环境的地理位置信息；
72.s12、将所述地理位置信息按照所述无人机设备的拍摄区域大小执行划分，得到多组拍摄位置信息；
73.s13、根据多组所述拍摄位置信息设定所述无人机设备的拍摄规律；
74.s14、启动计时器设备，当计时器设备中的计时时间与所述第一时间点吻合时，启动所述无人机设备，根据所述拍摄规律对所述待修复评估的所述自然环境执行拍摄，得到多组环境拍摄图片；
75.s15、合成多组所述环境拍摄图片，得到所述第一自然环境图片。
76.应理解的是，一般情况下，自然环境地广人稀，无人机设备无法一次性拍摄到自然环境的全部面貌，因此需要根据自然环境的大小执行区域划分，在每个区域内执行拍摄，最后合成得到所述第一自然环境图片。因此本发明实施例先从gps定位系统中调取出待修复评估的所述自然环境的地理位置信息，其中地理位置信息包括自然环境的边界范围的经纬度信息。
77.示例性的，上述某沙漠荒地需要执行环境修复，该通过gps定位系统所获取的经纬度信息可见，该荒漠为面积100亩的正方形，因此执行上述s12步骤，若无人机设备每次只能拍摄5亩的地区，因此将100亩正方形的荒漠划为20块拍摄区域，因此将地理位置信息划分为20块经纬度信息，从而得到多组所述拍摄位置信息。
78.进一步的，所述拍摄规律表示无人机设备拍摄20块拍摄区域的拍摄方法，如每块
拍摄区域，无人机设备均拍摄10张、20张等。
79.根据上述描述可知，当计时器设备中的计时时间与所述第一时间点吻合时，会自动启动无人机设备拍摄得到多组环境拍摄图片，每组环境拍摄图片表示某块拍摄区域，如上述沙漠荒地的20块拍摄区域，对应得到20组环境拍摄图片，因此需要将20组环境拍摄图片合并成一张完整的沙漠荒地。详细地，所述合成多组所述环境拍摄图片，得到所述第一自然环境图片，包括：
80.根据自然环境的所述地理位置信息构建一张空图片；
81.依次提取每组所述环境拍摄图片对应的拍摄位置信息，并将每组所述环境拍摄图片对应的拍摄位置信息映射到包括所述地理位置信息的空图片中，得到所述第一自然环境图片。
82.s2、在所述第二时间点时启动所述无人机设备拍摄待修复评估的自然环境照片，得到第二自然环境图片。
83.需解释的是，本发明实施例s2步骤与上述s1步骤相同，在此不再赘述。示例性的，上述某沙漠荒地需要执行环境修复，所述第一时间点为2021年1月1日，第二时间点为2021年7月1日，则在2021年7月1日时，启动无人机设备拍摄得到第二自然环境图片。
84.s3、对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片。
85.详细地，所述对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片，包括：
86.裁剪所述第一自然环境图片及所述第二自然环境图片的空白区域，得到第一紧凑环境图片及第二紧凑环境图片；
87.接收用户对所述第一紧凑环境图片及第二紧凑环境图片的图片截取，得到第一截取环境图片和第二截取环境图片；
88.对所述第一截取环境图片和第二截取环境图片均执行像素润色，得到所述第一评估图片和第二评估图片。
89.需解释的是，在第一自然环境图片及所述第二自然环境图片因在上述图片合并阶段中可能存在空白区域，空白区域会影响自然环境的修复评估，因此在本发明实施例中需执行裁剪。此外，若用户需要对指定的自然环境区域执行修复评估的话，则需要接收用户的图片截取。最后，为防止因无人机设备的拍摄误差，本发明需要执行像素润色，所述像素润色主要将两张图片保持相同的亮度、对比度、色温等图像指标。
90.s4、构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型。
91.详细地，参阅图3所示，所述构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，包括：
92.s41、获取预设定的多个自然环境修复区的位置区域坐标；
93.s42、根据不同的自然环境修复区的修复需求，设定对应的修复指标；
94.s43、将不同的所述自然环境修复区的位置区域坐标，与对应的修复指标进行绑定，得到每个所述自然环境修复区的坐标-指标对照表；
95.s44、从预训练完成的bp神经网络中提取原始输入层，根据所述自然环境修复区的位置区域坐标，利用所述原始输入层，构建可接收所述位置区域坐标的输入层；
96.s45、接收用户输入的隐藏层数量值和卷积层数量值，从所述bp神经网络中提取与所述隐藏层数量值相同数量的所述隐藏层；
97.s46、从预训练完成的卷积神经网络中提取与所述卷积层数量值相同数量的所述卷积层；
98.s47、接收用户指定的激活函数，根据所述坐标-指标对照表，构建包括所述激活函数的所述输出层；
99.s48、按照输入层在前，隐藏层、卷积层在中间及输出层在尾的结构构建得到所述自然环境修复评估原始模型。
100.需解释的是，bp神经网络是一种多层的前馈神经网络，其主要的特点是数据(如本发明实施例的图片)是前向传播的，而误差是反向传播的。主要包括输入层和隐藏层，因此本发明实施例从bp神经网络中提取出输入层。卷积神经网络(convolutional neural networks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deep learning)的代表算法之一。
101.由于激活层和卷积层的层数会影响深度学习模型的表现，因此本发明实施例先接收用户指定的激活函数和卷积层数量值，分别从bp神经网络和卷积神经网络中提取相同数量的激活层和卷积层。
102.此外，本发明实施例所述激活函数包括但不限于softmax函数、tanh函数、relu函数等。
103.进一步地，所述利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型，包括：
104.爬取包括荒漠、沼泽及绿色植被类的自然图片集；
105.将所述自然图片集按照所述修复指标的不同，分类为每个所述自然环境修复区对应的指标修复程度图片集；
106.利用每个自然环境修复区对应的指标修复程度图片集，训练所述自然环境修复评估原始模型，得到所述自然环境修复评估标准模型。
107.需解释的是，本发明可从网络、各自然环境网址或app等地获取包括荒漠、沼泽及绿色植被类的自然图片集。进一步，可通过人工执行划分，从而整理并筛选出每个所述自然环境修复区对应的指标修复程度图片集。
108.进一步地，所述利用每个自然环境修复区对应的指标修复程度图片集，训练所述自然环境修复评估原始模型，得到所述自然环境修复评估标准模型，包括：
109.根据每个自然环境修复区对应的指标修复程度图片集，构建自然环境修复评估等级，其中所述自然环境修复评估等级至少包括两个等级；
110.接收用户训练所述自然环境修复评估原始模型输入的训练学习率、批尺寸；
111.在所述输入层内，利用所述输入层接收用户输入的位置区域坐标，并分别将所述正样本及所述负样本执行像素维度转换，得到正像素集及负像素集；
112.将所述指标修复程度图片集输入至所述隐藏层执行映射计算，得到映射像素集；
113.根据所述训练学习率及所述批尺寸，利用所述卷积层对所述映射像素集均执行卷
积提取，得到样本特征集；
114.在所述输出层内，根据所述坐标-指标对照表查询所述位置区域坐标对应的目标修复指标，根据所述目标修复指标，对所述样本特征集执行激活计算，得到自然环境修复预测等级；
115.根据所述自然环境修复预测等级与所述自然环境修复评估等级的误差调整所述训练学习率、所述批尺寸及所述自然环境修复评估原始模型的内部参数，并返回上述映射计算步骤；
116.直至调整所述训练学习率、所述批尺寸及所述自然环境修复评估原始模型的内部参数的调整次数大于指定调整阈值时，确定所述自然环境修复评估原始模型为所述自然环境修复评估标准模型。
117.需解释的是，每个所述自然环境修复区对应的指标修复程度图片集指可以根据不同的自然环境修复区建立的可以反应不同自然环境修复区修复程度的图片集，例如：可以设置修复程度为1级(非常差)对应的图片集、修复程度为2级(比较差)对应的图片集、修复程度为3级(一般)对应的图片集、修复程度为4级(良好)对应的图片集、修复程度为5级(优秀)对应的图片集。
118.进一步地，所述训练学习率表示每次调整所述自然环境修复评估原始模型的内部参数、所述训练学习率及所述批尺寸的调节幅度，所述批尺寸表示每次训练时输入的样本的图片个数。
119.此外，所述像素维度转换、映射计算、卷积提取及激活计算均为当前已公开技术，在此不再赘述。其次，所述指定调整阈值可设置的区间为[5000,20000]，直至满足调整次数大于指定调整阈值后，即确定所述自然环境修复评估原始模型为所述自然环境修复评估标准模型。
[0120]
s5、将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级
[0121]
示例性的，当完成自然环境修复评估标准模型的训练后，需要评估某沙漠荒地的环境修复工作，将第一时间点为2021年1月1日的第一评估图片，第二时间点为2021年7月1日的第二评估图片输入至所述自然环境修复评估标准模型，可得到两者图片的差别，从而判断出在2021年1月1日至2021年7月1日的时间期间，该沙漠荒地的环境修复的工作完成度。
[0122]
相比于背景技术所述：先依靠无人机设备先拍摄出待评估的自然环境区域，下一步根据有经验的专家观察拍摄图片，并利用计算机标定软件在拍摄图片中标定出修复不理想的区域从而完成评估，导致产生评估的效率较低、智能化有待进一步提高的问题来说。本技术实施例先接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片，同理在第二时间点时拍摄得到第二自然环境图片，从而得到两个不同时间点的拍摄图片，用于后续的环境修复评估图片。进一步地，深度学习模型具有高识别率、高智能化程度的特点，因此构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型，从而为后续自然环境修复的智能化评估提供了必要条件，最后，将所述第一评估图片及所述第二评估图片
同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级，可见相比于背景技术来说，整个检测过程无需人为干预，均为自动化评估过程。因此，本技术实施例提出的一种基于神经网络的自然环境修复评估方法可解决自然环境修复评估的效率及智能化程度较低的问题。
[0123]
如图4所示，是本技术基于神经网络的自然环境修复评估装置的功能模块图。
[0124]
本技术所述基于神经网络的自然环境修复评估装置400可以安装于电子设备中。根据实现的功能，所述基于神经网络的自然环境修复评估装置可以包括第一自然环境拍摄模块401、第二自然环境拍摄模块402、模型训练模块403以及自然环境修复评估模块404。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0125]
在本实施例中，关于各模块/单元的功能如下：
[0126]
所述第一自然环境拍摄模块401，用于接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片；
[0127]
所述第二自然环境拍摄模块402，用于在所述第二时间点时启动所述无人机设备拍摄待修复评估的自然环境照片，得到第二自然环境图片；
[0128]
所述模型训练模块403，用于对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片，构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型；
[0129]
所述自然环境修复评估模块404，用于将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级。
[0130]
详细地，本技术实施例中所述基于神经网络的自然环境修复评估装置400中的所述各模块在使用时采用与上述的图1和图3中所述的基于神经网络的自然环境修复评估方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0131]
如图5所示，是本技术实现基于神经网络的自然环境修复评估方法的电子设备的结构示意图。
[0132]
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53，还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序，如基于神经网络的自然环境修复评估程序。
[0133]
其中，所述处理器50在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块(例如执行基于神经网络的自然环境修复评估程序等)，以及调用存储在所述存储器51内的数据，以执行电子设备的各种功能和处理数据。
[0134]
所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、
移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于神经网络的自然环境修复评估程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0135]
所述通信总线52可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
[0136]
所述通信接口53用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0137]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0138]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器50逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0139]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0140]
所述电子设备中的所述存储器51存储的基于神经网络的自然环境修复评估程序是多个计算机程序的组合，在所述处理器50中运行时，可以实现：
[0141]
接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片；
[0142]
在所述第二时间点时启动所述无人机设备拍摄待修复评估的自然环境照片，得到第二自然环境图片；
[0143]
对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片；
[0144]
构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预
设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型；
[0145]
将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级。
[0146]
具体地，所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0147]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0148]
本技术还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0149]
接收自然环境修复评估的第一时间点和第二时间点，在所述第一时间点时启动无人机设备拍摄待修复评估的自然环境照片，得到第一自然环境图片；
[0150]
在所述第二时间点时启动所述无人机设备拍摄待修复评估的自然环境照片，得到第二自然环境图片；
[0151]
对所述第一自然环境图片及所述第二自然环境图片均执行图片预处理，得到第一评估图片和第二评估图片；
[0152]
构建包括输入层、隐藏层、卷积层及输出层的自然环境修复评估原始模型，利用预设定的训练方法训练所述自然环境修复评估原始模型，得到自然环境修复评估标准模型；
[0153]
将所述第一评估图片及所述第二评估图片同时输入至所述自然环境修复评估标准模型，得到在所述第一时间点和所述第二时间点之间的自然环境修复评估等级。
[0154]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0155]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0156]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0157]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。
[0158]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0159]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一
个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0160]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。