基于卷积神经网络的作业地块自动识别与计算方法与流程

1.本发明涉及卫星定位识别技术领域，更具体的说，尤其涉及一种基于卷积神经网络的作业地块自动识别与自动分类方法。


背景技术：

2.卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
3.20世纪60年代，hubel和wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(convolutional neural networks-简称cnn)。
4.现在，cnn已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。
5.k.fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。
6.随后，更多的科研工作者对该网络进行了改进，其中，具有代表性的研究成果是alexander和taylor提出的"改进认知机"，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
7.一般地，cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征：
8.其一：该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；
9.其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。
10.特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
11.此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。
12.卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
13.cnn主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。
14.由于cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。
15.卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
16.在传统农业大多人工干预，自动化程度不高，比如在农业耕地面积统筹与计算方
面，一般均是通过人工划分及测量，耗费大量劳动力，而且人工测量存在一定误差，不能准确反映耕地面积实情。
17.随着我国北斗卫星导航系统的建设发展与北斗三号系统组网完成,北斗系统已可提供可靠的无源定位服务,可满足精准农业应用对高精度定位,低成本化等需求,具有良好的应用优势和潜力，给精准农业测量与监控方面提供了重要的技术支撑。同时随着农业智能化程度的提高，更实时高效的监管系统对农场和区域农业的种植效果提高显而易见，使用卫星导航系统自动化检测耕作状态并管理耕作机具，有助于整体效率评估以及作业进度管理，同时提高了数据可信度，为农业工作数据的分析识别提供了可能性。
18.在已有的卫星定位轨迹识别并计算农田作业的过程中，多数单独使用作业轨迹形状、作业轨迹速度等单独参数的特征进行简单识别，其可信度受到各地区的地理条件和作业习惯不同的影响波动很大泛用性极低。
19.如果引入更复杂的参数来构建更精准的计算模型，需要引入抽象特征的构建方法，深度学习技术的不断发展为其提供了可能。
20.因此使用卷积神经网络方法通过组合低层特征形成更加抽象的高层表示属性类别或特征，开源发现数据的分布式特征表示。
21.由此使用该方法可以对作业地块自动识别和自动分类有极大提升。
22.有鉴于此，针对现有的问题予以研究改良，提供基于卷积神经网络的作业地块自动识别与计算方法，旨在通过该项技术，达到解决问题与提高实用价值性的目的。


技术实现要素：

23.本发明的目的在于提供基于卷积神经网络的作业地块自动识别与计算方法，以解决上述背景技术中提出的问题和不足。
24.为实现上述目的，本发明提供了基于卷积神经网络的作业地块自动识别与计算方法，由以下具体技术手段所达成：
25.基于卷积神经网络的作业地块自动识别与计算方法，包括以下步骤:
26.步骤一、多维特征图像生成；
27.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述多维特征图像生成主要完成：
28.(1)使用地理编码转换矢量轨迹数据生成栅格数据
29.根据以车辆为单位的轨迹数据经纬度信息，使用原点为(,),空间分辨率为(,)、(,)、(,)的简单地理编码对轨迹点进行编码(,)，并连接时序点位；
30.连接方法为直线生成算法，既则计算直线斜率后根据直线方程判断直线像素格是否经过直线，生成出的轨迹线的编码数组为dl；
31.使用编码数组生成轨迹图像，其中中像素位置(,)为地理编码(,),生成轨迹层和参数信息层。轨迹层像素数值为该地理编码在编码数组中重复的次数，参数信息层像素数值为地理编码轨迹点搭载的传感器平均值。
32.生成的轨迹图像像素值使用log归一化以避免停车等轨迹停滞场景带来的长尾数据干扰；
33.生成的参数信息层pi像素值使用进行归一化处理。
34.(2)使用外部地理矢量数据转换成栅格数据
35.使用轨迹图像的最大最小经纬度信息截取矢量图层，使用扫描线方法建立栅格图像。
36.扫描线法具体是从最小经度到最大经度依次以空间分辨率为为间隔扫描线上是否存在矢量图形，如果存在图形则标记为该块栅格值为1否则为0，最终得到基础地理矢量的栅格形式数据。
37.(3)使用外部地理栅格数据统一成栅格数据
38.将轨迹图像的栅格覆盖到基础地理栅格数据上去，计算每个栅格在上的对应栅格，计算新的像素值,最终得到新的基础地理矢量的栅格形式数据，像素数值使用进行归一化处理。
39.步骤二、使用多维卷积神经网络对作业地块进行识别；
40.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述使用多维卷积神经网络对作业地块进行识别主要完成：
41.(1)将生成的二维轨迹图像，二维基础地理矢量栅格，二维基础地理栅格数据，叠层组合为新的多维图像，此时多维图像维数由载具自身传感器数量与外部地理信息数据数量决定；
42.(2)为了去掉重复或相近的属性对计算造成的冗余，对多维图像进行pca主成分分析，取贡献率前80％以上字段组合为新的多维图像，维度为n；
43.(3)使用深度学习网型训练识别作业地块得到分割结果：
44.使用1层的3*3卷积核进行卷积计算，输入通道为n输出通道为64，再使用1层的3*3卷积核进行卷积计算，通道数为64，最后经过relu函数激活；
45.使用最大池化层简化图像到原尺寸的一半；
46.使用通道数为128的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
47.使用最大池化层简化图像到原尺寸的一半；
48.使用通道数为256的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
49.使用最大池化层简化图像到原尺寸的一半；
50.使用通道数为512的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
51.使用最大池化层简化图像到原尺寸的一半；
52.使用通道数为512的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
53.使用最大池化层简化图像到原尺寸的一半；
54.经过2层的1*1*4096全连接层，经过relu函数激活；
55.最后通过softmax输出识别结果。
56.步骤三、识别结果结合时序关系回归为矢量数据；
57.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述识别结果结合时序关系回归为矢量数据主要完成：
58.(1)将轨迹编码d_p对照第二步的分割结果图像，将识别标签结果信息作为属性信息还原到轨迹数据中去；
59.(2)使用窗口为7的中值滤波按时序处理轨迹数据的识别标签结果属性，通过标签结果属性的不同和时间间隔阈值tt得到作业地块对应轨迹的开始结束时间，并根据轨迹与
作业范围生成作业面矢量mp_b，同时根据步骤一中编码规则生成地块地理编码d_b。
60.步骤四、识别结果的作业地块面积计算。
61.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述识别结果的作业地块面积计算主要完成：
62.(1)将作业面矢量进行宽度为作业宽度一半w/2的膨胀运算，恢复真实作业面mp；
63.(2)将真实作业面mp进行宽度为w/2的闭运算消除地块内噪点；
64.(3)提取真实作业面mp中的外轮廓数据，使用道格拉斯普克法平滑外轮廓轨迹，道格拉斯普克法将待处理曲线的首末点连一条直线，求所有中间点与直线的距离，并找出最大距离值d_max，用d_max与抽稀阈值t_dp相比较：
65.若d_max小于t_dp，这条曲线上的中间点全部舍去；
66.若d_max大于等于t_dp，则以该点为界，把曲线分为两部分；
67.对这两部分曲线重复上述过程，直至所有的点都被处理完成。
68.(4)将得到的真实作业面mp_b中的轮廓所有点投影到横坐标上，通过计算顺序连接点与投影到横坐标的点形成的梯形面积，其中从左到右连接点梯形面积为正面积，从右到左连接点梯形面积为负面积，其梯形面积之和为整个图形的总面积。
69.由于上述技术方案的运用，本发明与现有技术相比具有下列优点：
70.本发明通过引入了卫星定位提供的多维运动参数和基础地理数据提供的地理环境参数，使用多源数据的组合大大提高了作业地块识别精度，同时对地理数据参数的引入可以使模型根据轨迹数据的空间分布自动调整权重，使得在不同地区的地理条件和不同的作业习惯下泛用性更高,对超小地块的识别和特形地块的识别正确率更高。
附图说明
71.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
72.图1为本发明的方法结构示意图；
具体实施方式
73.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
74.需要说明的是，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
75.此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
76.同时，在本发明的描述中，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电性连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技
术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
77.请参见图1，本发明提供基于卷积神经网络的作业地块自动识别与计算方法的具体技术实施方案：
78.如图1中所示的多维特征图像生成方法，通过以下三个方式进行参数生成；
79.(1)使用地理编码转换矢量轨迹数据生成栅格数据：
80.根据以车辆为单位的轨迹数据经纬度信息，使用原点为(,),空间分辨率为(,)、(,)、(,)的简单地理编码对轨迹点进行编码(,)，并连接时序点位；
81.连接方法为直线生成算法，既则计算直线斜率后根据直线方程判断直线像素格是否经过直线，生成出的轨迹线的编码数组为dl；
82.使用编码数组生成轨迹图像，其中中像素位置(,)为地理编码(,),生成轨迹层和参数信息层。轨迹层像素数值为该地理编码在编码数组中重复的次数，参数信息层像素数值为地理编码轨迹点搭载的传感器平均值。
83.生成的轨迹图像像素值使用log归一化以避免停车等轨迹停滞场景带来的长尾数据干扰；
84.生成的参数信息层pi像素值使用进行归一化处理。
85.(2)使用外部地理矢量数据转换成栅格数据
86.使用轨迹图像的最大最小经纬度信息截取矢量图层，使用扫描线方法建立栅格图像。
87.扫描线法具体是从最小经度到最大经度依次以空间分辨率为为间隔扫描线上是否存在矢量图形，如果存在图形则标记为该块栅格值为1否则为0，最终得到基础地理矢量的栅格形式数据。
88.(3)使用外部地理栅格数据统一成栅格数据
89.将轨迹图像的栅格覆盖到基础地理栅格数据上去，计算每个栅格在上的对应栅格，计算新的像素值,最终得到新的基础地理矢量的栅格形式数据，像素数值使用进行归一化处理。
90.步骤二、多维卷积神经网络对作业地块进行识别：
91.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述使用多维卷积神经网络对作业地块进行识别主要完成：
92.(1)将生成的二维轨迹图像，二维基础地理矢量栅格，二维基础地理栅格数据，叠层组合为新的多维图像，此时多维图像维数由载具自身传感器数量与外部地理信息数据数量决定；
93.(2)为了去掉重复或相近的属性对计算造成的冗余，对多维图像进行pca主成分分析，取贡献率前80％以上字段组合为新的多维图像，维度为n；
94.(3)使用深度学习网型训练识别作业地块得到分割结果：
95.使用1层的3*3卷积核进行卷积计算，输入通道为n输出通道为64，再使用1层的3*3卷积核进行卷积计算，通道数为64，最后经过relu函数激活；
96.使用最大池化层简化图像到原尺寸的一半；
97.使用通道数为128的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
98.使用最大池化层简化图像到原尺寸的一半；
99.使用通道数为256的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
100.使用最大池化层简化图像到原尺寸的一半；
101.使用通道数为512的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
102.使用最大池化层简化图像到原尺寸的一半；
103.使用通道数为512的2层3*3卷积核进行卷积计算，最后经过relu函数激活；
104.使用最大池化层简化图像到原尺寸的一半；
105.经过2层的1*1*4096全连接层，经过relu函数激活；
106.最后通过softmax输出识别结果。
107.步骤三、栅格识别结果的矢量数据回归：
108.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述识别结果结合时序关系回归为矢量数据主要完成：
109.(1)将轨迹编码d_p对照第二步的分割结果图像，将识别标签结果信息作为属性信息还原到轨迹数据中去；
110.(2)使用窗口为7的中值滤波按时序处理轨迹数据的识别标签结果属性，通过标签结果属性的不同和时间间隔阈值tt得到作业地块对应轨迹的开始结束时间，并根据轨迹与作业范围生成作业面矢量mp_b，同时根据步骤一中编码规则生成地块地理编码d_b。
111.步骤四、作业地块面积计算：
112.作为本技术方案的进一步优化，本发明基于卷积神经网络的作业地块自动识别与计算方法，所述识别结果的作业地块面积计算主要完成：
113.(1)将作业面矢量进行宽度为作业宽度一半w/2的膨胀运算，恢复真实作业面mp；
114.(2)将真实作业面mp进行宽度为w/2的闭运算消除地块内噪点；
115.(3)提取真实作业面mp中的外轮廓数据，使用道格拉斯普克法平滑外轮廓轨迹，道格拉斯普克法将待处理曲线的首末点连一条直线，求所有中间点与直线的距离，并找出最大距离值d_max，用d_max与抽稀阈值t_dp相比较：
116.若d_max小于t_dp，这条曲线上的中间点全部舍去；
117.若d_max大于等于t_dp，则以该点为界，把曲线分为两部分；
118.对这两部分曲线重复上述过程，直至所有的点都被处理完成。
119.(4)将得到的真实作业面mp_b中的轮廓所有点投影到横坐标上，通过计算顺序连接点与投影到横坐标的点形成的梯形面积，其中从左到右连接点梯形面积为正面积，从右到左连接点梯形面积为负面积，其梯形面积之和为整个图形的总面积。
120.综上所述：该本发明通过引入了卫星定位提供的多维运动参数和基础地理数据提供的地理环境参数，使用多源数据的组合大大提高了作业地块识别精度，同时对地理数据参数的引入可以使模型根据轨迹数据的空间分布自动调整权重，使得在不同地区的地理条件和不同的作业习惯下泛用性更高,对超小地块的识别和特形地块的识别正确率更高。
121.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。