CN107122922B - 一种基于排序学习的农机深松作业质量评价方法 - Google Patents

一种基于排序学习的农机深松作业质量评价方法 Download PDF

Info

Publication number
CN107122922B
CN107122922B CN201710371669.5A CN201710371669A CN107122922B CN 107122922 B CN107122922 B CN 107122922B CN 201710371669 A CN201710371669 A CN 201710371669A CN 107122922 B CN107122922 B CN 107122922B
Authority
CN
China
Prior art keywords
agricultural machinery
agricultural
track
subsoiling
axis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710371669.5A
Other languages
English (en)
Other versions
CN107122922A (zh
Inventor
尹振东
安普强
吴芝路
马波
杨柱天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201710371669.5A priority Critical patent/CN107122922B/zh
Publication of CN107122922A publication Critical patent/CN107122922A/zh
Application granted granted Critical
Publication of CN107122922B publication Critical patent/CN107122922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于排序学习的农机深松作业质量评价方法，解决了现有对农机深松作业质量的评价未采用客观的评价体系的问题。所述方法包括：采集多台农机在一次深松作业中的作业数据的步骤：作业数据包括多个等间隔时间节点和农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度和耕地深度数据；对农机作业数据进行预处理的步骤；从预处理后的作业数据中提取作业特征值，并将特征值与其对应的标签值作为训练样本集的步骤：特征值包括地块轨迹规整度、农机单位里程内的不良作业行为数量和耕地深度稳定值；采用排序学习法对训练样本集进行训练得到最优农机深松作业质量评价模型的步骤。采用该模型对农机的深松作业质量进行评价的步骤。

Description

一种基于排序学习的农机深松作业质量评价方法
技术领域
本发明涉及一种农机深松作业质量评价方法，属于农机深松作业质量评价领域。
背景技术
由于浅翻等传统耕整地作业模式的大范围推广使用，我国的土壤耕层逐年变浅，并导致土壤耕层下出现坚硬的犁底层。犁底层的出现导致农作物的根系难以下扎，既降低了产量又易诱发水土流失问题。深松作业是解决这一系列问题的有效途径。深松作业能够疏松土壤，打破犁底层，改善耕层结构，增强土壤蓄水保墒和抗旱排涝的能力。开展深松整地作业有利于农作物生长，是提高农作物产量的重要手段之一，对于改善我国耕地情况，促进农业可持续发展有着重要意义。
国务院为大力推广深松作业，实行根据深松作业面积和深松作业质量对深松作业进行补贴的政策。目前，可以根据来自农机管理平台的农机深松作业数据来计算深松作业面积。然而，对于深松作业质量的评价，至今还没有提出对其进行客观评价的指标和体系。因此，无法有效地保证深松作业的质量，也影响了政策补贴的实际效果。
发明内容
本发明为解决现有对农机深松作业质量的评价并未采用客观的评价体系的问题，提出了一种基于排序学习的农机深松作业质量评价方法。
本发明所述的基于排序学习的农机深松作业质量评价方法包括：
步骤一、采集多台农机在一次深松作业中的作业数据；
一台农机的作业数据包括多个时间节点以及该农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度以及耕地深度数据；
一台农机的作业数据所包含的相邻的两个时间节点之间的时间间隔相同；
每台农机的作业数据所包含的相邻的两个时间节点之间的时间间隔均相同；
所述三轴分别为X轴、Y轴和Z轴，深耕犁的前进方向为X轴方向，深耕犁的作业方向为Z轴方向，X轴、Y轴和Z轴构成三轴直角坐标系；
步骤二、对农机的作业数据进行预处理，所述预处理的具体内容为：
将每台农机的深耕犁在大地坐标下的多个经纬坐标转换为平面直角坐标系下的多个坐标，将所述多个坐标作为多个轨迹点，进而得到深耕犁在平面直角坐标系下的运动轨迹；
按照所对应的时间节点的先后顺序对多个轨迹点进行排序，以第一轨迹点为起点，将所述运动轨迹分为多个地块轨迹，相邻的两个地块轨迹的起始点的间距大于L，L为预设的距离；
对三轴加速度和三轴角速度数据进行滤波和校正；
步骤三、对预处理后的农机作业数据进行特征提取，得到量化的农机作业特征值，通过对每台农机的作业特征值进行打分得到农机的深松作业标签值，将每台农机的作业特征值与深松作业标签值作为训练样本集；
所述农机作业特征值包括：
采用动态时间规整方法获得的每台农机的多个地块轨迹的轨迹规整度；
根据预处理后的三轴加速度和三轴角速度数据，获得的每台农机单位里程内的不良作业行为数量；
耕地深度稳定值，该稳定值为耕地深度的标准差与均值的比值；
步骤四、采用排序学习法对所述训练样本集进行训练，得到最优的农机深松作业质量评价模型；
步骤五、将待评价农机的作业特征值输入所述农机深松作业质量评价模型，得到该农机的深松作业标签值。
作为优选的是，步骤二采用高斯-克吕格投影法将大地坐标下的经纬坐标转换为平面直角坐标系下的坐标。
作为优选的是，采用动态时间规整方法获得每台农机的多个地块轨迹的轨迹规整度的具体过程为：对地块轨迹和该地块对应的标准轨迹进行归一化处理，并将归一化地块轨迹与归一化标准轨迹之间的动态时间规整距离作为地块轨迹的轨迹规整度。
作为优选的是，根据预处理后的三轴加速度和三轴角速度数据，获得每台农机单位里程内的不良作业行为数量的具体过程为：根据预处理后的X轴加速度和Z轴角速度数据来判断农机是否发生不良作业行为，当X轴加速度大于2.5m/s2或Z轴角速度大于0.3rad/s时，判断农机发生不良作业行为；
根据农机在一次作业中的行驶里程以及发生的不良作业行为数量，获得农机单位里程内的不良作业行为数量。
作为优选的是，步骤四的具体过程为：对训练样本集进行归一化处理，采用排序支持向量机法并选取径向基核函数对归一化的训练样本集进行训练，通过优化参数的方式得到最优的农机深松作业质量评价模型。
本发明所述的基于排序学习的农机深松作业质量评价方法，对采集到的农机深松作业数据进行预处理，并采用轨迹相似性度量和数据平稳性比较的方式对预处理后的农机深松作业数据进行特征提取并量化表示，采用排序学习法对由农机作业特征值与深松作业标签值构成的训练样本集进行训练，建立最优的农机深松作业质量评价模型，并使用该模型对待评价的农机进行客观准确的评价。
附图说明
在下文中将基于实施例并参考附图来对本发明所述的基于排序学习的农机深松作业质量评价方法进行更详细的描述，其中：
图1为实施例一所述的基于排序学习的农机深松作业质量评价方法的流程图。
具体实施方式
下面将结合附图对本发明所述的基于排序学习的农机深松作业质量评价方法作进一步说明。
实施例一：下面结合图1详细地说明本实施例。
本实施例所述的基于排序学习的农机深松作业质量评价方法包括：
步骤一、采集多台农机在一次深松作业中的作业数据；
一台农机的作业数据包括多个时间节点以及该农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度以及耕地深度数据；
一台农机的作业数据所包含的相邻的两个时间节点之间的时间间隔相同；
每台农机的作业数据所包含的相邻的两个时间节点之间的时间间隔均相同；
所述三轴分别为X轴、Y轴和Z轴，深耕犁的前进方向为X轴方向，深耕犁的作业方向为Z轴方向，X轴、Y轴和Z轴构成三轴直角坐标系；
步骤二、对农机的作业数据进行预处理，所述预处理的具体内容为：
将每台农机的深耕犁在大地坐标下的多个经纬坐标转换为平面直角坐标系下的多个坐标，将所述多个坐标作为多个轨迹点，进而得到深耕犁在平面直角坐标系下的运动轨迹；
按照所对应的时间节点的先后顺序对多个轨迹点进行排序，以第一轨迹点为起点，将所述运动轨迹分为多个地块轨迹，相邻的两个地块轨迹的起始点的间距大于L，L为预设的距离；
对三轴加速度和三轴角速度数据进行滤波和校正；
步骤三、对预处理后的农机作业数据进行特征提取，得到量化的农机作业特征值，通过对每台农机的作业特征值进行打分得到农机的深松作业标签值，将每台农机的作业特征值与深松作业标签值作为训练样本集；
所述农机作业特征值包括：
采用动态时间规整方法获得的每台农机的多个地块轨迹的轨迹规整度；
根据预处理后的三轴加速度和三轴角速度数据，获得的每台农机单位里程内的不良作业行为数量；
耕地深度稳定值，该稳定值为耕地深度的标准差与均值的比值；
步骤四、采用排序学习法对所述训练样本集进行训练，得到农机深松作业质量评价模型；
步骤五、将待评价农机的作业特征值输入所述农机深松作业质量评价模型，得到该农机的深松作业标签值。
本实施例的步骤一通过农机管理平台获取100台农机在一次深松作业中的作业数据。
在本实施例中，将耕地深度的标准差与均值的比值作为耕地深度稳定值：
Figure BDA0001302611370000041
其中，C.V为深松作业深度稳定值，N为轨迹点的数量，xi为第i个轨迹点对应的耕地深度值，μ为平均耕地深度值。
实施例二：本实施例是对实施例一所述的基于排序学习的农机深松作业质量评价方法作进一步的限定。
本实施例所述的基于排序学习的农机深松作业质量评价方法，步骤二采用高斯-克吕格投影法将大地坐标下的经纬坐标转换为平面直角坐标系下的坐标。
实施例三：本实施例是对实施例一所述的基于排序学习的农机深松作业质量评价方法作进一步的限定。
本实施例所述的基于排序学习的农机深松作业质量评价方法，采用动态时间规整方法获得每台农机的多个地块轨迹的轨迹规整度的具体过程为：对地块轨迹和该地块对应的标准轨迹进行归一化处理，并将归一化地块轨迹与归一化标准轨迹之间的动态时间规整距离作为地块轨迹的轨迹规整度。
对于轨迹A＝{a1,a2,…,am}和轨迹B＝{b1,b2,…,bn}，为了采用动态时间规整方法将这两个时间序列非线性对齐，需要构建m×n的代价矩阵C＝[c(i,j)]。其中，第(i,j)元素为bj和ai的距离，c(i,j)＝||bj-ai||p。本实施例选用的为欧式距离，即p＝2。
为了找到这两个时间序列的最佳匹配，从代价矩阵C中找出一个路径来使它们之间的累计距离最小。轨迹A和轨迹B之间规整距离p的累计代价函数可以表示为Cp(A,B)，它是关于局部代价度量的加权和：
Figure BDA0001302611370000051
其中，规整路径P＝(p1,p2,…,pl,…pL)，l∈[1,L]为一个轨迹A与轨迹B之间映射的队列，它由来自轨迹A的元素ail和来自轨迹B的元素bjl组成，而轨迹A与轨迹B之间的最优规整路径P*就是累计代价函数取得最小值时候的路径，于是DTW距离公式为
Figure BDA0001302611370000055
最优规整路径P*可以通过下面的递归公式得到：
Figure BDA0001302611370000052
其中，γ为存储距离的矩阵，γ(m,n)为矩阵中的第m行n列的元素，该元素需要通过其余元素计算得到，矩阵中的第一行元素通过
Figure BDA0001302611370000053
计算得到，a1为轨迹A中的第一个轨迹点，bk为轨迹B中的第k个轨迹点，第一列的元素通过公式
Figure BDA0001302611370000054
计算得到，ak为轨迹A中的第k个轨迹点，b1为轨迹B中的第一个点，其他元素由下面的递归公式计算得到：
γ(i,j)＝c(i,j)+min{γ(i-1,j),γ(i,j-1),γ(i-1,j-1)},i∈[1,m],j∈[1,n] (5)
DTW距离反映了轨迹之间的相似性程度，DTW距离越小表示轨迹越相似，选取标准轨迹作为评价基准，根据官方给出的深松作业规范要求，作业前应根据地块形状规划出作业路线和转弯地带，保证行车方便，空行程最短，确保直线行走。因此标准轨迹是最规整的行驶轨迹。计算归一化的地块轨迹和归一化的标准轨迹之间的DTW距离，将其作为量化的轨迹规整度特征值。
考虑到原始轨迹包含大量的冗余点，平稳变化的轨迹点只带有较少的信息，为了简化计算的同时兼顾相似性度量效果，将选取归集的特征点进行DTW距离计算，计算轨迹中的拐点，拐点是该点与相邻点之间形成的夹角大于100度的点，计算每个地块轨迹的特征点与标准轨迹特征点之间的DTW距离，将一次作业中所有地块的轨迹规整度特征值进行平均，得到最终的轨迹规整度平均值。
实施例四：本实施例是对实施例一所述的基于排序学习的农机深松作业质量评价方法作进一步的限定。
本实施例所述的基于排序学习的农机深松作业质量评价方法，根据预处理后的三轴加速度和三轴角速度数据，获得每台农机单位里程内的不良作业行为数量的具体过程为：根据预处理后的X轴加速度和Z轴角速度数据来判断农机是否发生不良作业行为，当X轴加速度大于2.5m/s2或Z轴角速度大于0.3rad/s时，判断农机发生不良作业行为；
根据农机在一次作业中的行驶里程以及发生的不良作业行为数量，获得农机单位里程内的不良作业行为数量。
实施例五：本实施例是对实施例一所述的基于排序学习的农机深松作业质量评价方法作进一步的限定。
本实施例所述的基于排序学习的农机深松作业质量评价方法，步骤四的具体过程为：对训练样本集进行归一化处理，采用排序支持向量机法并选取径向基核函数对归一化的训练样本集进行训练，通过优化参数的方式得到最优的农机深松作业质量评价模型。
排序支持向量机法总体来说可以分为两步：
针对训练样本集X＝{x1,x2,…,xN}，每个样本均为多个特征值组成的向量。
第一步：假设存在一个函数f(x)，满足
Figure BDA0001302611370000061
即对于同一个查询中的样本xi排在样本xj之前时有：决策函数g(xi,xj)>0，反之有g(xi,xj)<0，这样针对每个样本对中根据位置关系可以进行二分类，也就是将排序问题转化为二分类问题。
第二步：使用排序支持向量机法求解上述二分类问题：
Figure BDA0001302611370000062
其中w为要学习的参数值，C为惩罚因子，ξi为松弛因子，zi的值为+1或者-1，当xi排在xj前为+1，当xi排在xj后为-1。
实施例六：本实施例是对实施例一所述的基于排序学习的农机深松作业质量评价方法作进一步的限定。
本实施例所述的基于排序学习的农机深松作业质量评价方法，步骤二采用高斯-克吕格投影法将大地坐标下的经纬坐标转换为平面直角坐标系下的坐标。
采用动态时间规整方法获得每台农机的多个地块轨迹的轨迹规整度的具体过程为：对地块轨迹和该地块对应的标准轨迹进行归一化处理，并将归一化地块轨迹与归一化标准轨迹之间的动态时间规整距离作为地块轨迹的轨迹规整度。
根据预处理后的三轴加速度和三轴角速度数据，获得每台农机单位里程内的不良作业行为数量的具体过程为：根据预处理后的X轴加速度和Z轴角速度数据来判断农机是否发生不良作业行为，当X轴加速度大于2.5m/s2或Z轴角速度大于0.3rad/s时，判断农机发生不良作业行为；
根据农机在一次作业中的行驶里程以及发生的不良作业行为数量，获得农机单位里程内的不良作业行为数量。
步骤四的具体过程为：对训练样本集进行归一化处理，采用排序支持向量机法并选取径向基核函数对归一化的训练样本集进行训练，通过优化参数的方式得到最优的农机深松作业质量评价模型。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (4)

1.一种基于排序学习的农机深松作业质量评价方法，其特征在于，所述评价方法包括：
步骤一、采集多台农机在一次深松作业中的作业数据；
一台农机的作业数据包括多个时间节点以及该农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度以及耕地深度数据；
一台农机的作业数据所包含的相邻的两个时间节点之间的时间间隔相同；
每台农机的作业数据所包含的相邻的两个时间节点之间的时间间隔均相同；
所述三轴分别为X轴、Y轴和Z轴，深耕犁的前进方向为X轴方向，深耕犁的作业方向为Z轴方向，X轴、Y轴和Z轴构成三轴直角坐标系；
步骤二、对农机的作业数据进行预处理，所述预处理的具体内容为：
将每台农机的深耕犁在大地坐标下的多个经纬坐标转换为平面直角坐标系下的多个坐标，将所述多个坐标作为多个轨迹点，进而得到深耕犁在平面直角坐标系下的运动轨迹；
按照所对应的时间节点的先后顺序对多个轨迹点进行排序，以第一轨迹点为起点，将所述运动轨迹分为多个地块轨迹，相邻的两个地块轨迹的起始点的间距大于L，L为预设的距离；
对三轴加速度和三轴角速度数据进行滤波和校正；
步骤三、对预处理后的农机作业数据进行特征提取，得到量化的农机作业特征值，通过对每台农机的作业特征值进行打分得到农机的深松作业标签值，将每台农机的作业特征值与深松作业标签值作为训练样本集；
所述农机作业特征值包括：
采用动态时间规整方法获得的每台农机的多个地块轨迹的轨迹规整度；
根据预处理后的三轴加速度和三轴角速度数据，获得的每台农机单位里程内的不良作业行为数量，具体过程为：
根据预处理后的X轴加速度和Z轴角速度数据来判断农机是否发生不良作业行为，当X轴加速度大于2.5m/s2或Z轴角速度大于0.3rad/s时，判断农机发生不良作业行为；
根据农机在一次作业中的行驶里程以及发生的不良作业行为数量，获得农机单位里程内的不良作业行为数量；
耕地深度稳定值，该稳定值为耕地深度的标准差与均值的比值；
步骤四、采用排序学习法对所述训练样本集进行训练，得到最优的农机深松作业质量评价模型；
步骤五、将待评价农机的作业特征值输入所述农机深松作业质量评价模型，得到该农机的深松作业标签值。
2.如权利要求1所述的基于排序学习的农机深松作业质量评价方法，其特征在于，步骤二采用高斯-克吕格投影法将大地坐标下的经纬坐标转换为平面直角坐标系下的坐标。
3.如权利要求1所述的基于排序学习的农机深松作业质量评价方法，其特征在于，采用动态时间规整方法获得每台农机的多个地块轨迹的轨迹规整度的具体过程为：对地块轨迹和该地块对应的标准轨迹进行归一化处理，并将归一化地块轨迹与归一化标准轨迹之间的动态时间规整距离作为地块轨迹的轨迹规整度。
4.如权利要求1所述的基于排序学习的农机深松作业质量评价方法，其特征在于，步骤四的具体过程为：对训练样本集进行归一化处理，采用排序支持向量机法并选取径向基核函数对归一化的训练样本集进行训练，通过优化参数的方式得到最优的农机深松作业质量评价模型。
CN201710371669.5A 2017-05-23 2017-05-23 一种基于排序学习的农机深松作业质量评价方法 Active CN107122922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710371669.5A CN107122922B (zh) 2017-05-23 2017-05-23 一种基于排序学习的农机深松作业质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710371669.5A CN107122922B (zh) 2017-05-23 2017-05-23 一种基于排序学习的农机深松作业质量评价方法

Publications (2)

Publication Number Publication Date
CN107122922A CN107122922A (zh) 2017-09-01
CN107122922B true CN107122922B (zh) 2020-06-16

Family

ID=59729299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710371669.5A Active CN107122922B (zh) 2017-05-23 2017-05-23 一种基于排序学习的农机深松作业质量评价方法

Country Status (1)

Country Link
CN (1) CN107122922B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108646267A (zh) * 2018-05-15 2018-10-12 广州极飞科技有限公司 一种识别采样点的方法及装置
CN109993410B (zh) * 2019-03-01 2023-12-05 北京农业信息技术研究中心 农机深松作业质量评价方法及装置
CN117035566B (zh) * 2023-10-10 2023-12-22 民航成都电子技术有限责任公司 一种飞行区作业评估方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699041A (zh) * 2015-02-04 2015-06-10 青岛农业大学 一种振动式深松机作业状态监控方法
CN105987679A (zh) * 2016-04-27 2016-10-05 中电科卫星导航运营服务有限公司 农机具深松作业的远程实时监测系统及面积测算方法
CN106017400A (zh) * 2016-07-13 2016-10-12 哈尔滨工业大学 基于耕作轨迹等效矩形累加的农机作业面积测量方法
WO2017004074A1 (en) * 2015-06-30 2017-01-05 Precision Planting Llc Systems and methods for image capture and analysis of agricultural fields

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699041A (zh) * 2015-02-04 2015-06-10 青岛农业大学 一种振动式深松机作业状态监控方法
WO2017004074A1 (en) * 2015-06-30 2017-01-05 Precision Planting Llc Systems and methods for image capture and analysis of agricultural fields
CN105987679A (zh) * 2016-04-27 2016-10-05 中电科卫星导航运营服务有限公司 农机具深松作业的远程实时监测系统及面积测算方法
CN106017400A (zh) * 2016-07-13 2016-10-12 哈尔滨工业大学 基于耕作轨迹等效矩形累加的农机作业面积测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于DTW改进的轨迹相似度算法;郭岩 等;《研究与开发》;20160930;第35卷(第9期);第66-71页 *
水稻机制钵苗抛秧机及主要技术参数的优化设计;王荣 等;《农机化研究》;19960229(第1期);第25-29页 *

Also Published As

Publication number Publication date
CN107122922A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
Zermas et al. 3D model processing for high throughput phenotype extraction–the case of corn
US10817962B2 (en) Farm field management apparatus, farm field management method, and storage medium
CN107122922B (zh) 一种基于排序学习的农机深松作业质量评价方法
US20170270446A1 (en) Agronomic systems, methods and apparatuses for determining yield limits
Dengiz et al. Multi-criteria approach with linear combination technique and analytical hierarchy process in land evaluation studies
CN109886155B (zh) 基于深度学习的单株水稻检测定位方法、系统、设备及介质
CN104486435A (zh) 基于传感器网络的低能耗生态环境监控节点部署方法
Schuster et al. Using bird species community occurrence to prioritize forests for old growth restoration
Xia et al. Model-based analysis of spatio-temporal changes in land use in Northeast China
Xie et al. Spatiotemporal changes and fragmentation of forest land in Jiangxi Province, China
US20210035034A1 (en) Crop characteristic prediction system, crop characteristic prediction method, and non-transitory computer-readable storage medium storing crop characteristic prediction program
CN104112062A (zh) 基于插值方法的风资源分布的获取方法
Kraemer et al. From plants to landmarks: Time-invariant plant localization that uses deep pose regression in agricultural fields
Suchithra et al. Data mining based geospatial clustering for suitable recommendation system
Adu et al. Intensity analysis to link changes in land-use pattern in the Abuakwa North and south municipalities, Ghana, from 1986 to 2017
Neményi Precision crop production and artificial intelligence–the future of sustainable agriculture
CN106225762B (zh) 基于视觉仿生的农业装备姿态角获取方法
Pender Climatic niche estimation, trait evolution and species richness in North American Carex (Cyperaceae)
Keerthirathna et al. Multi-Criteria Decision Analysis in Land Suitability and Land Use Planning, Kadawedduwa Watershed, Nilwala River Basin, Sri Lanka
CN109543729A (zh) 基于特征参数聚类的时间序列数据土地覆被分类方法
CN110175215A (zh) 一种划分地理过渡带的方法
Harshith et al. Optimizing Crop Yields through Machine Learning-Based Prediction
CN113868826B (zh) 一种基于栅格尺度耕地农田生产能力重心变化的测度方法
CN108446433A (zh) 一种土壤酸化驱动力的识别方法、系统和装置
Hamzat et al. Impact of Weather Variability on Yam Yield in South Western Nigeria

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yin Zhendong

Inventor after: An Puqiang

Inventor after: Wu Zhilu

Inventor after: Ma Bo

Inventor after: Yang Zhutian

Inventor before: Wu Zhilu

Inventor before: An Puqiang

Inventor before: Yin Zhendong

Inventor before: Ma Bo

Inventor before: Yang Zhutian

GR01 Patent grant
GR01 Patent grant