基于卷积神经网络的作业地块自动识别与计算方法技术

本发明专利技术提供了基于卷积神经网络的作业地块自动识别与计算方法，本发明专利技术通过引入了卫星定位提供的多维运动参数和基础地理数据提供的地理环境参数，使用多源数据的组合大大提高了作业地块识别精度，同时对地理数据参数的引入可以使模型根据轨迹数据的空间分布自动调整权重，使得在不同地区的地理条件和不同的作业习惯下泛用性更高，对超小地块的识别和特形地块的识别正确率更高。地块的识别正确率更高。地块的识别正确率更高。

【技术实现步骤摘要】
基于卷积神经网络的作业地块自动识别与计算方法


[0001]本专利技术涉及卫星定位识别
，更具体的说，尤其涉及一种基于卷积神经网络的作业地块自动识别与自动分类方法。

技术介绍

[0002]卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
[0003]20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(Convolutional Neural Networks
‑
简称CNN)。
[0004]现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。
[0005]K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。
[0006]随后，更多的科研工作者对该网络进行了改进，其中，具有代表性的研究成果是Alexander和Taylor提出的"改进认知机"，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
[0007]一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征：
[0008]其一：该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；
[0009]其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。
[0010]特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
[0011]此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。
[0012]卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
[0013]CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。
[0014]由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。
[0015]卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
[0016]在传统农业大多人工干预，自动化程度不高，比如在农业耕地面积统筹与计算方
面，一般均是通过人工划分及测量，耗费大量劳动力，而且人工测量存在一定误差，不能准确反映耕地面积实情。
[0017]随着我国北斗卫星导航系统的建设发展与北斗三号系统组网完成,北斗系统已可提供可靠的无源定位服务,可满足精准农业应用对高精度定位,低成本化等需求,具有良好的应用优势和潜力，给精准农业测量与监控方面提供了重要的技术支撑。同时随着农业智能化程度的提高，更实时高效的监管系统对农场和区域农业的种植效果提高显而易见，使用卫星导航系统自动化检测耕作状态并管理耕作机具，有助于整体效率评估以及作业进度管理，同时提高了数据可信度，为农业工作数据的分析识别提供了可能性。
[0018]在已有的卫星定位轨迹识别并计算农田作业的过程中，多数单独使用作业轨迹形状、作业轨迹速度等单独参数的特征进行简单识别，其可信度受到各地区的地理条件和作业习惯不同的影响波动很大泛用性极低。
[0019]如果引入更复杂的参数来构建更精准的计算模型，需要引入抽象特征的构建方法，深度学习技术的不断发展为其提供了可能。
[0020]因此使用卷积神经网络方法通过组合低层特征形成更加抽象的高层表示属性类别或特征，开源发现数据的分布式特征表示。
[0021]由此使用该方法可以对作业地块自动识别和自动分类有极大提升。
[0022]有鉴于此，针对现有的问题予以研究改良，提供基于卷积神经网络的作业地块自动识别与计算方法，旨在通过该项技术，达到解决问题与提高实用价值性的目的。

技术实现思路

[0023]本专利技术的目的在于提供基于卷积神经网络的作业地块自动识别与计算方法，以解决上述
技术介绍
中提出的问题和不足。
[0024]为实现上述目的，本专利技术提供了基于卷积神经网络的作业地块自动识别与计算方法，由以下具体技术手段所达成：
[0025]基于卷积神经网络的作业地块自动识别与计算方法，包括以下步骤:
[0026]步骤一、多维特征图像生成；
[0027]作为本技术方案的进一步优化，本专利技术基于卷积神经网络的作业地块自动识别与计算方法，所述多维特征图像生成主要完成：
[0028](1)使用地理编码转换矢量轨迹数据生成栅格数据
[0029]根据以车辆为单位的轨迹数据经纬度信息，使用原点为(,),空间分辨率为(,)、(,)、(,)的简单地理编码对轨迹点进行编码(,)，并连接时序点位；
[0030]连接方法为直线生成算法，既则计算直线斜率后根据直线方程判断直线像素格是否经过直线，生成出的轨迹线的编码数组为Dl；
[0031]使用编码数组生成轨迹图像，其中中像素位置(,)为地理编码(,),生成轨迹层和参数信息层。轨迹层像素数值为该地理编码在编码数组中重复的次数，参数信息层像素数值为地理编码轨迹点搭载的传感器平均值。
[0032]生成的轨迹图像像素值使用log归一化以避免停车等轨迹停滞场景带来的长尾数据干扰；
[0033]生成的参数信息层Pi像素值使用进行归一化处理。
[0034](2)使用外部地理矢量数据转换成栅格数据
[0035]使用轨迹图像的最大最小经纬度信息截取矢量图层，使用扫描线方法建立栅格图像。
[0036]扫描线法具体是从最小经度到最大经度依次以空间分辨率为为间隔扫描线上是否存在矢量图形，如果存在图形则标记为该块栅格值为1否则为0，最终得到基础地理矢量的栅格形式数据。
[0037](3)使用外部地理栅格数据统一成栅格数据
[0038]将轨迹图像的栅格覆盖到基础地理栅格数据上去，计算每个栅格在上的对应栅格，计算新的像素值,最终得到新的基础地理矢量的栅格形式数据，像素数值使用进行归一化处理。
[0039]步骤二、使用多维卷积神经网络对作业地块进行识别；
[0040]作为本技术方案的进一步优化，本专利技术基于卷积神经网络的作业地块自动识别与计算方法，所述使用多维卷积神经网络对作业地块进行识别主要完成：
[0041](1)将生成的二维轨迹图像，二维基础地理矢量栅格，二维基础地理栅格数据，叠层组合为新的多维图像，此时多维图像维数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的作业地块自动识别与计算方法，包括以下步骤：步骤一、多维特征图像生成；步骤二、多维卷积神经网络对作业地块进行识别；步骤三、栅格识别结果的矢量数据回归；步骤四、作业地块面积计算；所述步骤一：多维特征图像生成主要完成方式：(1)使用地理编码转换矢量轨迹数据生成栅格数据根据以车辆为单位的轨迹数据经纬度信息，使用原点为(X0，Y0)，空间分辨率为(T
X
，T
Y
)、(T
X
/2，T
Y
/2)、(T
X
/4，T
Y
/4)的简单地理编码对轨迹点进行编码D
P
(D
X
，D
Y
)，并连接时序点位；连接方法为直线生成算法，既则计算直线斜率后根据直线方程判断直线像素格是否经过直线，生成出的轨迹线的编码数组为D1；使用编码数组D
l
生成轨迹图像P
l
，其中P
l
中像素位置(P
X
，P
Y
)为地理编码(D
X
，D
Y
)，生成轨迹层P
l
和参数信息层P
i
。轨迹层像素数值为该地理编码在编码数组中重复的次数，参数信息层像素数值为地理编码轨迹点搭载的传感器平均值。生成的轨迹图像P
l
像素值使用log归一化P
i
＝log
10
P
i
/log
10
P
max
以避免停车等轨迹停滞场景带来的长尾数据干扰；生成的参数信息层Pi像素值使用P
g
＝(P
g
‑
P
min
)/(P
max
‑
P
min
)进行归一化处理。(2)使用外部地理矢量数据转换成栅格数据使用轨迹图像P
l
的最大最小经纬度信息截取矢量图层，使用扫描线方法建立栅格图像。扫描线法具体是从最小经度到最大经度依次以空间分辨率为T
w
为间隔扫描线上是否存在矢量图形，如果存在图形则标记为该块栅格值为1否则为0，最终得到基础地理矢量的栅格形式数据P
v
。(3)使用外部地理栅格数据统一成栅格数据将轨迹图像P
l
的栅格覆盖到基础地理栅格数据G
g
上去，计算每个栅格P
XY
在G
g
上的对应栅格，计算新的像素值P
XY
＝(∑
i
∑
j
G
g
(i，j))/(i*j)，最终得到新的基础地理矢量的栅格形式数据P
g
，P
g
像素数值使用P
g
＝...

【专利技术属性】
技术研发人员：何春健，王天瑞，孙辰，陈伏州，朱爱星，臧兆彬，
申请(专利权)人：江苏北斗农机科技有限公司，
类型：发明
国别省市：