[发明专利]基于机器学习的农机作业面积计算方法及系统

权利要求书

1.一种基于机器学习的农机作业面积计算方法，其特征在于，包括：

步骤1：根据农机编码与作业时间，获取农机具作业轨迹数据；

步骤2：对步骤1获取到的数据进行数据处理,包括：停留点的剔除；使用lof算法对漂移点进行剔除；

步骤3：对处理好的数据计算霍普金斯统计量，如果该值大于0.8，则使用改进的dbscan聚类算法进行地块划分，如果小于0.8则不用使用聚类算法，如果小于0.55的则将其删除并标注为异常作业；

步骤4：对步骤3获取到的轨迹空间聚类数据，将其时间纬度转化为时间戳的形式，对一维的时间戳数据进行维度扩充使其扩充到二维，使用dbscan聚类算法找到其中数量规模最大的类，取该类中的最小与最大值；

步骤5：根据步骤4得到的时间最小与最大值，从步骤2处理好的数据中筛选时间范围在该最小值到最大值区间的值；

步骤6：将步骤5得到的数据，经纬度点连接为轨迹并将其转化为图片，对该图片，使用预先训练好的CNN算法进行分类；

步骤7：将步骤5得到的数据，对每段轨迹，以轨迹为长宽幅为宽填充颜色，得到作业区域图形；对步骤5得到的数据运用德劳内三角剖分算法计算出轮廓，对轮廓内部进行像素点填充得到填充图，对作业区域图形和填充图进行像素点统计，得到两个图彩色像素点个数的比值，若该值大于90%将其标注为满幅作业，大于70%，将其标注为小部分未作业，若小于70%，则将其标注为大部分未作业；

步骤8：根据机型，步骤6所得轨迹分类，步骤7所得地块作业分类，利用预先训练好的决策树模型进行计算，得出最优情况下需要使用到的轨迹插值方法与面积计算方法，对数据进行计算，并输出计算结果；

所述步骤8包括：

步骤8.1：将轨迹经纬度数据点进行预处理；

步骤8.2：用训练好的CNN模型进行轨迹分类，得到轨迹的类别；

步骤8.3：用不同的插值算法以及不同的计亩算法计算面积；

步骤8.4：计算误差值，标记方法好坏，对于每条作业轨迹，将计算误差最小的一组方法标位1，否则为0；

步骤8.5：生成特征矩阵，对于每条作业轨迹，特征为【机器类型，作业类型，轨迹类别，漏耕率，平均速度，插值方法，计亩算法】，标签为【方法的好坏】，标签取值为0或1；

步骤8.6：随机分割数据集，决策树模型建立；

所述步骤8.6中，决策树模型建立包括：

步骤8.6.1：计算样本的信息熵：

（1）

其中：代表分类数；为数据集中每个类别所占样本总数的比例；

步骤8.6.2：分别计算按不同属性对的划分信息熵：其中：表示数据集一个属性，表示属性的可取值个数，数据集被分为个；

（2）

步骤8.6.3：计算以类别划分的信息增益：

（3）

步骤8.6.4：计算信息分裂信息：

（4）

步骤8.6.5：计算信息增益率：

（5）

步骤8.6.6：重复步骤8.6.2至步骤8.6.5，同理计算出按其它属性划分的信息增益率，选取最大信息增益率的属性为根节点；

步骤8.6.7：递归上述过程，直至数据集为空或样本属于同一类别或属性列表为空；

步骤8.6.8：应用PEP剪枝算法，删去部分节点，防止过拟合，对数据进行计算，并输出计算结果。

2.根据权利要求1所述的一种基于机器学习的农机作业面积计算方法，其特征在于，步骤6中，所述预先训练好的CNN算法包括：

步骤6.1：将经纬度数据点进行预处理，按时间顺序连接点形成轨迹折线图，保存折线图；

步骤6.2：人工对部分折线图进行分类，按照轨迹特征分为五类：交替形、回字形、往复形、联合作业、其他，分别标识为0、1、2、3、4；

步骤6.3：读取折线图，转为灰度图，进行归一化，并重新修改图片尺寸，生成处理后的图片；

步骤6.4：对处理后的图片进行数据集划分，按照8:2划分为训练集和测试集，对数据集进行one-hot编码，得到编码后的训练集和测试集；

步骤6.5：CNN训练出分类模型，对新输入的经纬度数据，进行步骤6.1、步骤6.2、步骤6.3的处理后，使用训练的CNN模型进行分类。