[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

说明书

本发明提供了一种基于多条件时间序列的监测数据清洗方法，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。解决了保护性耕作秸秆覆盖率计算干扰和监测设备的存储冗余和传输拥堵问题，提高了数据质量和数据利用率；降低对后续地块作业质量评价的准确性的影响，减轻数据并发带来的网络压力。

技术领域

本发明涉及农业工程技术领域，具体涉及一种基于多条件时间序列的农机监测数据清洗方法与装置。

背景技术

在我国北方地区，秸秆还田免耕播种是一项普遍应用的培肥地力的保护性耕作技术，在免耕播种机上安装监测设备，可以借助高清摄像头抓拍田间秸秆覆盖情况，并进行秸秆覆盖率定量计算。2020年，吉林省农业机械化远程精准作业平台中保护性耕作的监测面积约为120万公顷，获取了大约720万张抓拍图像。但由于播种机在农田地头间做往返运动，两端掉头或长时间停车占据了大量的耕作时间，使得抓拍图像中监测范围位于农田有效区域的不足40％。这些无效图像若不及时清除，不仅会占用网络传输通道和服务器内存，还将与有效图像一同作为秸秆覆盖率识别的样本基础和秸秆还田补贴的重要依据，大大降低对地块秸秆覆盖率计算的准确性。数据清洗是降低数据冗余和提高数据质量的关键步骤，也是减轻监测设备缓存压力和网络传输拥堵的有效环节。因此，准确高效的数据清洗方法对推进智能化监测系统和推广秸秆还田技术具有重要作用。

目前，在单维度时间序列清洗方面，主要是基于平滑、统计或约束的方法；针对多维时间序列，更多的使用机器学习方法处理多维度信息。但单一维度关系型数据的清洗方法较为系统，只有部分可以直接作用于时间序列数据，但图像抓拍系统中无效数据占比较大，单一维度的时间序列无法实现较高拟合精度，而现有的多维时间序列方法没有很好利用序列间的物理特质，例如车速与时间约束了面积数据，电压会影响电流的大小等。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于多条件时间序列的农机监测数据清洗方法与装置，以期部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种基于多条件时间序列的农机监测数据清洗方法，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。

其中，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。

其中，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。

其中，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；