[发明专利]一种基于时空图神经网络的农机作业轨迹田路分割方法

说明书

本发明公开了属于计算机网络应用技术领域的一种基于时空图神经网络的农机作业轨迹田路分割方法。该方法采用基于时间与空间关系的时空图神经网络对农机有效作业轨迹进行分割，利用安装在农机上的北斗定位采集模块采集农机轨迹数据，利用农机轨迹数据中不同轨迹点之间的关联信息构建时空图神经网络，以便挖掘到更加丰富的轨迹点特征信息，从而取得更好的轨迹分割效果；本发明利用农机轨迹数据中蕴含的时空关联信息创建出针对农机作业轨迹点的时空图神经网络，对农机作业轨迹实现农田和道路的自动分割，节省了大量的人力物力。

技术领域

本发明属于计算机网络应用技术领域的一种基于时空图神经网络的农机作业轨迹田路分割方法。

背景技术

目前在农机有效作业轨迹分割方法和技术存在的缺陷主要有：

(1)基于农田边界的分割方法：首先，人工采集相关的农田边界；其次，当农机行驶时，根据其实时定位信息自动判定该农机是否进入农田，从而达到作业轨迹田路分割的目的。但是，农田边界人工采集会耗费人力物力，不能适应农机作业少人化，无人化的发展趋势，并且人工采集存在误报漏报的情况，也不利于农机有效作业轨迹的统计和监管。

(2)基于遥感图像的分割方法：给定农机行驶区域的遥感图像，采用图像分割方法进行田路分割。该方法会极大地受到遥感图像数据本身的限制。例如，遥感图像的低分辨率会降低图像分割效果，进而降低分割准确率。

(3)基于密度聚类的分割方法：针对农田和道路上轨迹点密度不同这个特征，采用聚类方法进行轨迹田路分割；但是，密度特征过于单一，不能有效地进行农机作业轨迹田路分割。例如，道路红绿灯处的轨迹点密度往往很高，导致这些区域会被误识为农田，降低了分割准确率。

(4)基于传统机器学习的分割方法：采用传统的全监督的机器学习方法对轨迹点进行分类(“农田”vs.“道路”)。在轨迹点分类过程中，默认轨迹点之间没有相关性。为弥补这个缺陷，在使用各种分类方法前，需要进行特征工程，尽可能地提取不同轨迹点之间的相关特征。这些特征提取往往耗时耗力，并且不能很好地提取轨迹点之间的空间相关性信息，导致田路分割准确率较低。

(5)基于深度学习的分割方法：采用一些常用深度学习模型(例如，LSTM，CNN)对轨迹点进行分类(“农田”vs.“道路”)。这些常用深度学习模型目前只应用于城市交通轨迹分割，并没有在农机作业轨迹田路分割上进行相关实验。而且，这些常用深度学习模型也不能同时提取不同轨迹点之间的时空间相关性信息，进而导致田路分割准确率较低。

随着农业现代化进程的发展，个体种植的经营方式逐步向集体种植方式转变，在农业生产的过程中产生了大量的农机作业轨迹数据。因此，挖掘有效农机作业轨迹并推算出农田作业面积对于大规模农业生产管理具有十分重要的意义。播种、施肥、农药喷洒等生产资料的投入量都需要估算农田面积，根据农机作业轨迹推算出农机的有效作业面积对于农业机械进行田间作业计算工时和收费也具有很大的参考价值。精确的田路分割方法可以精准地估算出农田面积，以此可以减少计算农田面积投入的人力和物力。北斗定位全球卫星定位系统能够提供农机实时的经度、纬度、方向等导航和定位信息，是支撑精细农业实践的核心技术之一。利用北斗定位的定位功能，能够测量农机不同时刻轨迹点的经度和纬度，从而为田路分割方法的研究提供了数据支撑。监管农机轨迹数据并挖掘其中的价值信息能够推动农业现代化建设。同时，农机作业轨迹监测也是“互联网+农机作业”新型监管模式的重要体现。

伴随着物联网技术的兴起和发展，基于位置服务的数据处理方法不断出现，精准农业领域正是这样一个以信息技术为基础的领域。利用导航定位终端设备可以获取农机轨迹数据，根据加工处理数据后获取的信息人们能够提高农田和道路分割准确率。

发明内容