(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210568385.6 (22)申请日 2022.05.24 (65)同一申请的已公布的文献号 申请公布号 CN 114662621 A (43)申请公布日 2022.06.24 (73)专利权人 灵枭科技 （武汉） 有限公司 地址 430000 湖北省武汉市经济技 术开发 区17C1地块东合中心二期E栋15层 1501室 (72)发明人 齐浩　周婷　杨帆　熊振　 (74)专利代理 机构 武汉知伯乐知识产权代理有 限公司 42 282 专利代理师 王福新 (51)Int.Cl. G06K 9/62(2022.01)G06V 10/762(2022.01) G06V 10/72(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/62(2017.01) (56)对比文件 CN 111868566 A,2020.10.3 0 CN 113409240 A,2021.09.17 审查员 张裕 (54)发明名称 基于机器学习的农机作业面积计算方法及 系统 (57)摘要 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。 权利要求书4页 说明书10页 附图14页 CN 114662621 B 2022.09.06 CN 114662621 B 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CN N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CN N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，权　利　要　求　书 1/4 页 2 CN 114662621 B 2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CN N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CN N模型进行分类。 3.根据权利要求2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6.5中， CN N训练出分类模型包括： 步骤6.5.1： 初始化CN N网络结构， 以及权值 参数和偏置参数； 步骤6.5.2： 输入训练集， 利用前向传播 算法计算出网络最后一层输出； 步骤6.5.3： 用softmax函数对输出进行处 理， 并计算交叉熵损失函数； 步骤6.5.4： 根据反向传播 算法， 计算损失函数对各项权 重和偏置的偏导； 步骤6.5.5： 利用Adam梯度下降法， 更新权 重与偏置,运行5 0轮结束， 保存 模型。 4.根据权利要求3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， 按照轨 迹特征分为五类： 交替形、 回字形、 往复形、 联合作业或其 他中的一种或几种。权　利　要　求　书 2/4 页 3 CN 114662621 B 3