[发明专利]基于多条件时间序列的农机监测数据清洗方法与装置

权利要求书

1.一种基于多条件时间序列的监测数据清洗方法，其特征在于，所述方法包括：

获取监测车辆在当前地块内的作业工况数据和图像抓拍数据；

对所述作业工况数据进行预处理，将数据划分为训练集和测试集；

将工况时间序列输入多条件的时序模型中进行特征提取，获得多维度的时空特征；

将所述多维度的时空特征按照通道进行融合，获得工况状态预测信息；

将所述测试集中抓拍时间对应的工况信息输入到训练好的模型中，获得车辆当前时刻抓拍图像清洗状态预测结果。

2.如权利要求1所述的监测数据清洗方法，其特征在于，所述对所述作业工况数据进行预处理包括对工况对应时刻的状态真值进行标注。

3.如权利要求1所述的监测数据清洗方法，其特征在于，所述将工况时间序列输入多条件的时序模型中进行特征提取，获得多维度的时空特征的步骤，包括：

将工况信息在时间维度上展开，每类工况时间序列分别为单个长短时记忆网络的输入，工况类别包括车速、播种量和瞬时面积；

将多类工况序列划分为多个子序列，每一个时刻对应一个时间单元，即组成深层的时间特征提取模型，并将多类工况信息提取为隐藏层特征序列输出。

4.如权利要求1所述的监测数据清洗方法，其特征在于，所述将所述多维度的时空特征按照通道进行融合，获得工况状态预测信息的步骤，包括：

多类工况序列分别通过LSTM的时空特征提取后，得到的最后一个时刻的特征输出作为整个工况参数时间序列信息的融合；

将各类特征输出在融合前乘以一个权重系数，用于提高不同条件的区分度；

将加权后的各类特征输出进行通道融合；

将融合后特征输入神经网络中进行预测，得到工况状态预测结果。

5.如权利要求2所述的监测数据清洗方法，其特征在于，所述多条件的时序模型由至少三个单独的LSTM网络模型组成，每个网络模型的特征输出的激活函数为tanh激活函数。

6.如权利要求1所述的监测数据清洗方法，其特征在于，在特征融合后引入BatchNormalization和Dropout方法，其中：

通过Batch Normalization使得网络中每个批次的特征输入保持较为标准的正态分布，但等比例的变化和偏移后不会造成信息缺失；

通过Dropout使得整个训练过程随着批次和迭代次数的增加更加复杂多样，但最后的输出结果取平均后，能够在一定程度上减轻整体网络的过拟合。

7.一种基于多条件时间序列的监测数据清洗装置，其特征在于，包括：

数据获取及预处理模块，用于获取监测车辆在当前地块内的作业工况数据和图像抓拍数据；及对所述作业工况数据进行预处理，将数据划分为训练集和测试集；

模型训练模块，用于将工况时间序列输入多条件的时序模型中进行特征提取，获得多维度的时空特征；及将所述多维度的时空特征按照通道进行融合，获得工况状态预测信息；

预测模块，将所述测试集中抓拍时间对应的工况信息输入到训练好的模型中，获得车辆当前时刻抓拍图像清洗状态预测结果。

8.如权利要求7所述的监测数据清洗装置，其特征在于，所述将工况时间序列输入多条件的时序模型中进行特征提取，获得多维度的时空特征包括：

将工况信息在时间维度上展开，每类工况时间序列分别为单个长短时记忆网络的输入，工况类别包括车速、播种量和瞬时面积；

将多类工况序列划分为多个子序列，每一个时刻对应一个时间单元，即组成深层的时间特征提取模型，并将多类工况信息提取为隐藏层特征序列输出。