【技术实现步骤摘要】
本专利技术属于农业，具体涉及一种基于深度迁移学习的农机轨迹识别方法。
技术介绍
1、在农业领域中，随着农业机械自动化、信息化、智能化水平提升，农机种类、作业类型繁多，作业范围广泛，各个地区土地特点不一，这导致了作业质量的监管难度加大，作业效率评估也变得复杂。现有的农机信息化技术系统已经能够定位、追踪和远程监控农机作业。可以提取并利用农机的行驶轨迹，农机行驶轨迹分为道路行驶轨迹和田间作业轨迹。由于农机手操作不规范或者传感器等诸多问题，有效地区分农机行驶过程中的道路行驶轨迹和田间作业轨迹是智慧农业领域重点课题。目前主要相关技术和方法有以下几种。
2、（1）基于传感器识别：通过安装在农机上传感设备对作业状态监控，该方法主要问题在传感器安装位置复杂、监控方式不统一、传感器维护难和管理难、设备高成本和高功耗。
3、（2）基于遥感图像识别：获取农机作业地区的卫星遥感图像，采用图像分析识别相关技术手段进行判断。该方法需要高质量的图像信息，经济成本高，识别速度低，难以大规模地进行使用。
4、（3）基于聚类的识别方式：利用作业地块和路上轨迹密度不同的特性，使用聚类的方法进行识别分割，该方式大多需要指定距离、个数、类数等初始化参数，对于复制的作业难以统一，效果不加，识别准确率极低，容易出现误判。
5、（4）基于机器学习的方式识别：利用人工智能的机器学习领域的技术手段作为该研究技术前沿方向，大多出于实验室理论试验阶段，应用较少，主要面临样本数据少、特征提取不理想，对于算法模型识别效果难以评价，导致识别准
技术实现思路
1、本专利技术旨在提供一种基于深度迁移学习的农机轨迹识别方法，通过解决深度学习模型、训练样本批量生成、模型评估体系构建等问题，得到可应用的算法模型，对农业机械行驶轨迹进行农田和道路识别划分，大大提高识别准确率，准确率达92%以上，并能够适应不同作业类型的农机和环境、任务需求。
2、为解决上述技术问题，本专利技术采用的技术方案是：一种基于深度迁移学习的农机轨迹识别方法，包括以下步骤：
3、步骤a、获取农机作业行驶轨迹点数据；
4、步骤b、轨迹点异常检测，过滤农机行驶轨迹点中的停车点和漂移点；
5、步骤c、将过滤后的农机作业行驶轨迹点数据输入深度学习网络模型，得到农田轨迹、行驶轨迹和异常轨迹。
6、进一步的，在步骤c中，深度学习网络模型的建立包括以下步骤：
7、步骤1、建立深度学习模型；
8、步骤2、利用深松深耕作业类型轨迹点数据对深度学习模型进行预训练得到预训练模型；
9、步骤3、利用其他作业类型对预训练模型进行调整，得到调整后的预训练模型；
10、步骤4、对调整后的预训练模型结构进行调整，得到深度学习网络模型；
11、所述其他作业类型包括植保轨迹点数据、镇压轨迹点数据和秸秆粉碎还田轨迹点数据和社会化作业轨迹点数据。
12、进一步的，所述深度学习预训练模型包括输入层、3层隐含层和输出层，输出为二分类；输入层的特征值包括经度、纬度、速度、作业深度和加速度。
13、进一步的，所述深度学习网络模型包括输入层、4层隐含层和输出层，
14、输入层的特征值包括农机行驶轨迹数据中经度、纬度、速度、方向、平均速度、加速度、角度差、时间差以及临近一个作业幅宽内轨迹点的最大间距、最小间距、平均间距、最大速度、最小速度、平均速度、最大加速度、最小加速度和平均加速度，
15、隐含层采用relu激活函数，最后一层隐含层到输出层使用softmax函数。
16、进一步的，临近一个作业幅宽内轨迹点的最大间距、最小间距、平均间距、最大速度、最小速度、平均速度、最大加速度、最小加速度和平均加速度通过经纬度格网的临近点确定算法得到，所述经纬度格网的临近点确定算法包括以下步骤：
17、（1）格网生成：对于经纬度点集，通过
18、
19、进行均匀规格划分，
20、其中，
21、loni为第i个点经度值，lonmin为点集中最小经度值，lonmax为点集中最大经度值，
22、lati为第i个点纬度值，latmin为点集中最小纬度值，latmax为点集中最大纬度值，
23、 分别代表经度横跨距离和纬度横跨距离，单位是米，
24、
25、
26、size代表格网中正方形方格的边长，选取一个作业幅宽，单位是米；
27、（2）格网定位：根据轨迹点的经度和纬度信息，获取该轨迹点所属的格网标号，把轨迹点经纬度通过步骤（1）中的公式进行计算，得到所属格网的标号；
28、（3）格网特征值生成：批量遍历格网编号相同的轨迹点组成的格网内点集，进行最大间距、最小间距、平均间距、临近轨迹数量、最大速度、最小速度、平均速度、最大平均速度、最小平均速度、平均平均速度特征值计算。
29、进一步的，模型中训练样本的生成方法包括如下步骤：
30、步骤s1、获取农机全天的轨迹数据；
31、步骤s2、采用dbscan聚类算法过滤轨迹数据中路上残留的轨迹点；
32、步骤s3、采用mean-shift聚类算法对轨迹数据中大地块进行拆分，拆分由于密度聚类引起的大地块、形状异常地块；
33、步骤s4、采用dbscan聚类算法过滤轨迹数据中地头、地尾无效轨迹点；
34、步骤s5、将路上和作业农田地块的轨迹数据分别存储为训练样本。
35、进一步的，步骤s2中，dbscan聚类算法中的距离参数为3-7，点数为8；步骤s4中，dbscan聚类算法中的距离参数为3-7，点数为16-24。
36、进一步的，通过计算f1分数对深度学习网络模型进行评价，其中，
37、
38、
39、
40、tp是预测正确，预测和实际均是路上的轨迹点；fp是预测错误，预测为路上但实际是地里的轨迹点；fn是预测错误，预测为地里但实际是路上的轨迹点；tn是预测正确，预测和实际均是地里的轨迹点。
41、本专利技术的方法利用在农业机械上安装的定位终端，实时采集其行驶路线轨迹。这些数据包括轨迹空间信息（如经度和纬度），还包括其对应的附加信息（如时间戳、速度、方向、海拔等）。通过构建深度学习网络模型，迭代训练学习分析轨迹数据中不同轨迹点之间的关联信息，捕捉到轨迹点间的时空关系，从而挖掘到更加丰富的轨迹点特征信息。相较于传统的基于规则或统计模型的方法，采用深度学习模型能够更好地表示和理解轨迹数据的复杂模式、有效地从农机轨迹数据中提取出农田和道路的信息，实现自动分割，提高了数据处理效率和准确性。
42、下面结合附图对本专利技术进行详细说明。
本文档来自技高网...【技术保护点】
1.一种基于深度迁移学习的农机轨迹识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，在步骤c中，深度学习网络模型的建立包括以下步骤：
3.根据权利要求2所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，所述预训练模型包括输入层、3层隐含层和输出层，输出为二分类；输入层的特征值包括经度、纬度、速度、作业深度和加速度。
4.根据权利要求2所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，所述深度学习网络模型包括输入层、4层隐含层和输出层，
5.根据权利要求4所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，临近一个作业幅宽内轨迹点的最大间距、最小间距、平均间距、最大速度、最小速度、平均速度、最大加速度、最小加速度和平均加速度通过经纬度格网的临近点确定算法得到，
6.根据权利要求2所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，模型中训练样本的生成方法包括如下步骤：
7.根据权利要求6所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，
8.根据权利要求1-7任一项所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，通过计算F1分数对深度学习网络模型进行评价，其中，
...【技术特征摘要】
1.一种基于深度迁移学习的农机轨迹识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，在步骤c中，深度学习网络模型的建立包括以下步骤：
3.根据权利要求2所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，所述预训练模型包括输入层、3层隐含层和输出层，输出为二分类；输入层的特征值包括经度、纬度、速度、作业深度和加速度。
4.根据权利要求2所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，所述深度学习网络模型包括输入层、4层隐含层和输出层，
5.根据权利要求4所述的基于深度迁移学习的农机轨迹识别方法，其特征在于，临近一个作...
【专利技术属性】
技术研发人员：王亚圣，张同赞，
申请(专利权)人：中电科卫星导航运营服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。