[发明专利]基于机器学习的农机作业面积计算方法及系统

说明书

本发明公开了一种基于机器学习的农机作业面积计算方法及系统，包括实现计亩算法的终端与存储介质。本发明为了解决单一计亩算法在多种行驶轨迹与多种复杂的作业场景下作业面积计算精度较低的问题。具体步骤包括：获取农机具作业数据，使用lof算法去除轨迹漂移点与停留点；利用霍普金斯统计量与dbsca算法对数据进行时间和空间上的聚类分割作业地块；利用CNN算法出识别轨迹类型；根据图像像素点计算漏耕率；通过决策树算法选择适宜的插值方法与面积计算方法，并计算作业面积。本发明相对于现有的算法，适用于多种作业场景，多种作业轨迹类型，并且避免了漏耕对面积测量结果的影响，有效地提高了作业面积计算的精确度。

技术领域

本发明属于农机作业面积计算方法领域，更具体地，涉及一种基于机器学习的农机作业面积计算方法及系统。

背景技术

智慧农业系统在帮助农户耕种管收无人化作业时，需要准确地监测出各个环节的作业面积，从而进行全过程的科学化管控。同时，在国家农机作业补贴实施过程中，存在套补现象，实际种植粮食面积仍需要进一步准确核实。如何精准地测出作业面积，是智慧农业科学控制农业生产以及国家作业补贴核实的需要。

目前，基于的农机作业面积测量方法大致可分为两类：一种是基于边界的测量方法，一种是基于轨迹的测量方法。基于边界的测量方法主要是手持或车载测量仪绕作业区域边界一周，然后计算所得多边形面积即为作业面积。基于轨迹的测量方法目前主要有：根据农机位移长度乘作业幅宽来计算出实际的作业面积的方法、基于农机空间运行轨迹的设置作业缓冲区的作业计量算法、使用改进后的Alpha-Shape算法计算农机作业面积、基于面积格点覆盖的深松作业面积计算方法、基于耕作轨迹等效矩形累加的农机作业面积测量方法、基于贝塞尔曲线拟合路径的农机作业面积计算方法、识别最外侧的轮廓点然后使用三角剖分法求出作业面积的方法等。

基于边界的面积测量方法可以胜任不规则地块的面积测量，一般来说地块面积愈大，测量结果的精度就愈高，但是其缺点就在于无法对单台农机的作业面积进行实时动态测量，且难以对作业过程中的重漏面积进行处理。故本专利采用基于轨迹的测量方法。上述基于轨迹的计算方法，其泛化能力较弱，不适宜多场景应用如：根据农机位移长度乘作业幅宽来计算出实际的作业面积的方法，其在涉及到重耕操作时误差较为明显；又如基于农机空间运行轨迹的设置作业缓冲区的作业计量算法，其在作业地块面积偏大时其运行效率较低；又如改进后的Alpha-Shape算法其比较适用于小面积与不规则田块的计算，其对于小块农田与不规则农田面积测量时的误差率分别为：3.5%，5%以上，但对于大田块的测量误差较大。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于作业轨迹识别的农机作业面积计算方法，可以计算携带了北斗或GPS且带有差分定位功能的数据采集设备的农业机械的作业面积，并且可以保证计算结果的相对准确性，且使计算速度达到相对最优。

为了解决上述问题，按照本发明的第一方面，提供一种基于机器学习的农机作业面积计算方法，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；