CN109993410B - 农机深松作业质量评价方法及装置 - Google Patents

农机深松作业质量评价方法及装置 Download PDF

Info

Publication number
CN109993410B
CN109993410B CN201910156536.5A CN201910156536A CN109993410B CN 109993410 B CN109993410 B CN 109993410B CN 201910156536 A CN201910156536 A CN 201910156536A CN 109993410 B CN109993410 B CN 109993410B
Authority
CN
China
Prior art keywords
agricultural machinery
depth
subsoiling
quality
agricultural
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
CN201910156536.5A
Other languages
English (en)
Other versions
CN109993410A (zh
Inventor
王培�
孟志军
陈竞平
杜经纬
魏学礼
吴春江
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.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
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 Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201910156536.5A priority Critical patent/CN109993410B/zh
Publication of CN109993410A publication Critical patent/CN109993410A/zh
Application granted granted Critical
Publication of CN109993410B publication Critical patent/CN109993410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种农机深松作业质量评价方法及装置，将多个用于评价农机深松作业质量的特征顺序组成特征向量，将每个特征对应的权重值顺序组成权重矩阵，将特征向量进行归一化处理，然后将归一化的特征向量与权重矩阵的转置矩阵相乘，获取农机深松作业质量指数AMQI，最后根据农机深松作业质量指数AMQI，对农机深松作业质量进行定量的综合评价，使得对农机深松作业质量的评价更加全面、准确。

Description

农机深松作业质量评价方法及装置
技术领域
本发明实施例涉及农业作业质量评价领域，尤其涉及一种农机深松作业质量评价方法及装置。
背景技术
农机深松作业能打破犁底层，有效降低耕地土壤容重和紧实度，提高土壤蓄水保墒能力,增强抗旱抗涝能力，促进农作物增产增收。近年来，国家加快推进深松装备的应用普及,全国深松机拥有量持续增加，各地研制并推广高精度、信息化的农机深松远程监测装备，准确掌握机械深松作业质量，并利用信息化手段来监测作业质量与面积,促进了“互联网+”农机技术的应用，为农业生产主体和农机化主管部门决策提供了科学依据，显著提升了农机作业管理的信息化水平和效率。
通过信息技术手段对深松作业进行实时监测和远程监管取得了明显成效,为深松作业管监管提供了量化依据，但是目前的信息化监管系统仅提供了作业面积和达标率作为深松作业质量的评判依据，缺乏对整个农机作业过程的综合评价，缺乏通过分析农机深松作业面积、作业遗漏率、作业深度均一度等，实现对农机深松作业质量的综合评价。
现有农机深松作业质量的研究中，针对农机深松作业质量的综合评价方法在国内外开展的研究比较少，大部分研究仅把农机作业面积、达标率、平均深度等作为农机深松作业质量的指标。有人采集农机作业的经度、纬度、三轴加速度、三轴角速度等数据，提取地块轨迹规整度、农机单位里程内不良作业行为数量和耕深稳定值三种特征值，采用排序学习法对训练样本集进行训练得到评价模型，需要耗费人工手动采集典型样本集，并添加标签，得到的结果也是表征深松作业质量的标签值；还有人重点探讨了深松作业监管信息化系统、作业深度测量和作业过程重漏区域自动检测方法的实现过程，作业质量方面没有给出计算方法，只考虑作业平均深度、达标面积和达标率；或者有人给出了深松作业的技术规范和深松作业质量标准，考虑了深松深度、邻接行距和漏耕等三个因素，并给出了作业质量的综合评判方法，但是评判方法依赖于人工检测，实施需要耗费大量的人力物力且只能抽样检测。
因此，目前针对农机深松作业质量评价的研究较少，依赖人工检测判定农机深松作业质量，或者只考虑作业平均深度、达标面积和达标率，缺乏通过分析农机深松作业面积、作业遗漏率、作业深度均一度等，实现对农机深松作业质量的综合评价。
发明内容
为了解决上述问题，本发明实施例提供一种农机深松作业质量评价方法及装置。
第一方面，本发明实施例提供一种农机深松作业质量评价方法，该方法包括：将归一化的特征向量与权重矩阵的转置矩阵相乘，获取农机深松作业质量指数AMQI；其中，特征向量由多个用于评价农机深松作业质量的特征顺序组成，权重矩阵由每个特征对应的权重值顺序组成；根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
第二方面，本发明实施例提供一种农机深松作业质量评价装置，该装置包括：质量指数模块，用于将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，特征向量由多个用于评价农机深松作业质量的特征顺序组成，权重矩阵由每个特征对应的权重值顺序组成；作业评价模块，用于根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
第三方面，本发明实施例提供一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的农机深松作业质量评价方法。
第四方面，本发明实施例提供一种暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的农机深松作业质量评价方法。
本发明实施例提供的一种农机深松作业质量评价方法及装置，将多个用于评价农机深松作业质量的特征顺序组成特征向量，将每个特征对应的权重值顺序组成权重矩阵，将特征向量进行归一化处理，然后将归一化的特征向量与权重矩阵的转置矩阵相乘，获取农机深松作业质量指数AMQI，最后根据农机深松作业质量指数AMQI，对农机深松作业质量进行定量的综合评价，使得对农机深松作业质量的评价更加全面、准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种农机深松作业质量评价方法的流程示意图；
图2为本发明实施例的一种农机深松作业质量评价装置的结构示意图；
图3为本发明实施例的一种电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，针对农机深松作业质量评价的研究较少，依赖人工检测判定农机深松作业质量，或者只考虑作业平均深度、达标面积和达标率，缺乏通过分析农机深松作业面积、作业遗漏率、作业深度均一度等，实现对农机深松作业质量的综合评价。
图1为本发明实施例的一种农机深松作业质量评价方法的流程示意图，如图1所示，本发明实施例提供一种农机深松作业质量评价方法，该方法包括：
S1、将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，特征向量由多个用于评价农机深松作业质量的特征顺序组成，权重矩阵由每个特征对应的权重值顺序组成。
具体地，由于目前对于农机深松作业质量的评价主要看作业数量，但是难以结合作业质量和作业效率等多种因素对农机深松作业质量进行综合评价。从该角度出发，本发明实施例提出选择对农机深松作业质量评价影响较大的多个特征作为关键分析变量，并将上述多个特征顺序排列组成特征向量，作为对农机深松作业质量评价的影响特征集合。
同时，上述多个特征对农机深松作业质量评价的重要性程度不同，因此根据对农机深松作业质量评价的重要性高低，确定每个特征的权重值。按照特征对农机深松作业质量评价的重要性程度，分别确定每个特征的权重值。若任一特征对农机深松作业质量评价的重要性程度较高，则该特征对应的权重值越大；相应地，若任一特征对农机深松作业质量评价的重要性程度较低，则该特征对应的权重值则越小。将每个特征对应的权重值按照该特征在特征向量中所处的顺序，对每个特征对应的权重值进行顺序排列，将每个特征对应的权重值顺序组成权重矩阵。
需要说明的是，各个特征的权重值之和为1。
S2、根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
具体地，获取农机深松作业质量指数AMQI后，将农机深松作业质量指数AMQI作为对农机深松作业质量的评价指标，根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
本发明实施例将多个用于评价农机深松作业质量的特征顺序组成特征向量，将每个特征对应的权重值顺序组成权重矩阵，将特征向量进行归一化处理，然后将归一化的特征向量与权重矩阵的转置矩阵相乘，获取农机深松作业质量指数AMQI，最后根据农机深松作业质量指数AMQI，对农机深松作业质量进行定量的综合评价，使得对农机深松作业质量的评价更加全面、准确。
需要说明的是，农机深松作业质量指数AMQI为0-1的值；根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价，具体包括：若农机深松作业质量指数AMQI大于第一预设值，则农机深松作业质量合格；若农机深松作业质量指数AMQI不大于第一预设值，则农机深松作业质量不合格。
具体地，经过测算，农机深松作业质量指数AMQI的值为0-1，农机深松作业质量指数AMQI的值越大，说明农机深松作业质量越好。一般地，设置第一预设值为农机深松作业质量的合格线，当农机深松作业质量指数AMQI大于第一预设值时，该农机深松作业质量才合格；若农机深松作业质量指数AMQI不大于第一预设值，则农机深松作业质量不合格。
基于上述实施例，获取所述归一化的特征向量，具体包括：将每个所述特征分别进行归一化处理，并将每个归一化处理的所述特征顺序组成所述归一化的特征向量；其中，特征包括农机作业深度达标率、农机作业遗漏率或农机作业深度均一度。
具体地，将特征向量进行归一化处理，即是将特征向量包括的多个特征分别进行归一化处理，然后将每个归一化处理的特征按照特征向量中每个特征排列的顺序进行排列，从而获取归一化的特征向量。
需要说明的是，用于评价农机深松作业质量的特征包括农机作业深度达标率、农机作业遗漏率或农机作业深度均一度。
进一步地，将用于评价农机深松作业质量的多个特征构成特征向量之前，还包括：获取任一次农机作业轨迹的数据记录点集合，数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；数据记录点的信息包括GNSS时间、经纬度、作业深度和作业状态；其中，若作业深度大于0，则作业状态为工作状态，若作业深度不大于0，则作业状态为非工作状态。
具体地，将任意一次农机作业轨迹进行完整记录，将该次作业轨迹中的多个数据记录点按照GNSS时间排序构成数据记录点集合，数据记录点的信息除了GNSS时间，还包括农机在该数据记录点的经纬度、作业深度、作业深度和作业状态。
需要说明的是，农机的作业状态分为工作状态和非工作状态，工作状态是农机在田间实际工作状态，非工作状态包括停歇和地头转弯等状态。其中，作业状态可以通过在农机上安装作业状态传感器，例如行程开关和角度姿态传感器来判断，将作业状态传感器安装在农机的后部，从而检测农机是否正在进行作业。作业状态可以根据作业深度进行判断，当作业深度大于0时，农机处于工作状态；当作业深度不大于0时，农机处于非工作状态。
例如，数据记录点集合为P，将P中的数据记录点按照GNSS时间排序得到：P＝{p1,p2,p3,…,pi}，其中，pi为第i个数据记录点的信息，pi包括第i个数据记录点的GNSS时间、经纬度、作业深度和作业状态。
基于上述实施例，获取归一化的特征向量之前，还包括：获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态。将作业深度大于第二预设值的数据记录点的个数之和与数据记录点集合的数据记录点的总个数之和相除，获取农机作业深度达标率；第二预设值不小于25cm。
具体地，农机深松作业时，作业深度需达到一定深度才能适于农作物耕种，因此作业深度需达到第二预设值。数据记录点中作业深度达到第二预设值的个数与总个数之比，为农机作业深度达标率，即H＝Nh/N*100％，，其中，H为农机作业深度达标率，N为数据记录点的总个数，Nh为作业深度达到第二预设值的数据记录点的个数。
需要说明的是，达标深度即第二预设值由土壤性质决定，第二预设值一般不小于25cm。
基于上述实施例，获取农机作业遗漏率之前还包括获取作业面积，因此，获取归一化的特征向量之前，还包括：获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；将任一次农机作业轨迹的数据记录点集合进行数据投影转换，以使数据记录点的经纬度转换为平面坐标；按GNSS时间顺序连接多个数据记录点，以获取农机作业路径；以农机作业幅宽的一半为缓冲半径，对农机作业路径进行缓冲操作，获取作业面积。
具体地，由于作业面积需要在平面上进行计算，因此需要将作业轨迹的数据记录点集合进行数据投影转换，从而使数据记录集合中的数据记录点的经纬度转换为平面坐标，然后根据数据记录点的平面坐标计算作业面积。
进一步地，首先将数据记录点集合中的数据记录点按照GNSS时间连接，得到作业轨迹的路径，以农机作业幅宽的一半为缓冲半径，然后对作业轨迹的路径进行缓冲操作，得到矢量面，矢量面面积大小即为作业面积大小。即A＝L.Buffer(W/2)，其中，A为作业面积，L为作业轨迹的路径，W为农机作业幅宽，Buffer为缓冲操作。该公式的含义为：以农机作业幅宽的一半作为缓冲半径，对作业轨迹的路径作缓冲操作，从而得到矢量面面积，即作业面积。
需要说明的是，农机作业幅宽根据W＝J×(n+1)/n计算获得，其中，W为农机作业幅宽，J为农机深松机具的物理宽度，n为农机深松机具的齿数。
基于上述实施例，获取归一化的特征向量之前，还包括：获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态：将任一次农机作业地块面积与作业面积进行矢量减操作，以获取农机作业遗漏面积；将农机作业遗漏面积与作业地块面积相除，获取农机作业遗漏率。
具体地，农机手在作业地块进行耕作时，一般不能对作业地块的所有面积进行耕作，因此一般会留有部分遗漏区域，在同一作业地块作业后的遗漏区域越少，说明农机深松作业质量越高，因此农机作业遗漏率也是评价农机深松作业质量的关键指标。
进一步地，将任一次农机作业地块面积与作业面积进行矢量减操作，从而获取农机作业遗漏面积，农机作业遗漏面积与作业地块面积之比，则为农机作业遗漏率。即Y＝(B–A)/B×100％，其中，Y为农机作业遗漏率，B为作业地块面积，A为作业面积。
基于上述实施例，获取归一化的特征向量之前，还包括：获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；根据多个数据记录点的作业深度，获取多个数据记录点的平均作业深度；根据作业深度和平均作业深度，获取作业深度的标准差，并将作业深度的标准差作为农机作业深度均一度。
具体地，农机作业深度均一度非常重要，如果农机作业深度不均匀，可能会使得作业地块有些区域耕作不到位，而有些区域过度耕作，因此会造成作业地块耕作不统一，影响农机作业质量。因此，农机作业深度均一度也是农机深松作业质量评价的重要指标。
进一步地，首先，将多个数据记录点的作业深度取平均数，确定农机手耕作的平均作业深度，即其中，/>为平均作业深度，i为第i个数据记录点，h(i)为第i个数据记录点的作业深度，m为数据记录点的个数。然后，根据作业深度和平均作业深度，按照获取作业深度的标准差即农机作业深度均一度，其中，U为农机作业深度均一度，/>为平均作业深度，i为第i个数据记录点，h(i)为第i个数据记录点的作业深度。
基于上述实施例，将每个特征分别进行归一化处理，具体包括：
其中，x'为归一化处理后的任一特征，x为任一特征，xmax为任一特征的历史最大值，xmin为任一特征的历史最小值。
具体地，将农机作业深度达标率、农机作业遗漏率和农机作业深度均一度构成特征向量，即X＝[H,Y,U]，其中，H为农机作业深度达标率，Y为农机作业遗漏率，U为农机作业深度均一度。
进一步地，由于需要获取归一化的特征向量，因此需要将特征向量中的特征分别进行归一化处理，即将H代入式(1)获取H'，将Y代入式(1)获取Y'，将U代入式(1)获取U'，由此获取归一化的特征向量X'＝[H',Y',U']。
需要说明的是，xmax和xmin分别为根据多个数据记录点的信息获取的各特征的历史最大值和历史最小值。
然后，确定每个特征对应的权重值，得到权重矩阵Y＝[w1,w2,w3]，其中，0＜wi＜1，i＝1、2、3；w1+w2+w3＝1。其中，w1为农机作业深度达标率H的权重值，w2为农机作业遗漏率Y的权重值，w3为农机作业深度均一度U的权重值。由此可知，农机深松作业质量指数AMQI＝X'·YT。
基于上述实施例，图2为本发明实施例的一种农机深松作业质量评价装置的结构示意图，如图2所示，本发明实施例还提供一种农机深松作业质量评价装置，该装置包括：质量指数模块201和作业评价模块202，其中：
质量指数模块201，用于将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，所述特征向量由多个用于评价农机深松作业质量的特征顺序组成，所述权重矩阵由每个所述特征对应的权重值组成。
由于目前对于农机深松作业质量的评价主要看作业数量，但是难以结合作业质量和作业效率等多种因素对农机深松作业质量进行综合评价。从该角度出发，本发明实施例提出选择对农机深松作业质量评价影响较大的多个特征作为关键分析变量，并将上述多个特征顺序排列组成特征向量，作为对农机深松作业质量评价的影响特征集合。
同时，上述多个特征对农机深松作业质量评价的重要性程度不同，因此根据对农机深松作业质量评价的重要性高低，确定每个特征的权重值。按照特征对农机深松作业质量评价的重要性程度，分别确定每个特征的权重值。若任一特征对农机深松作业质量评价的重要性程度较高，则该特征对应的权重值越大；相应地，若任一特征对农机深松作业质量评价的重要性程度较低，则该特征对应的权重值则越小。将每个特征对应的权重值按照该特征在特征向量中所处的顺序，对每个特征对应的权重值进行顺序排列，将每个特征对应的权重值顺序组成权重矩阵。
需要说明的是，各个特征的权重值之和为1。
作业评价模块202，用于根据所述农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
具体地，获取农机深松作业质量指数AMQI后，将农机深松作业质量指数AMQI作为对农机深松作业质量的评价指标，根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
本发明实施例将多个用于评价农机深松作业质量的特征顺序组成特征向量，将每个特征对应的权重值顺序组成权重矩阵，将特征向量进行归一化处理，然后将归一化的特征向量与权重矩阵的转置矩阵相乘，获取农机深松作业质量指数AMQI，最后根据农机深松作业质量指数AMQI，对农机深松作业质量进行定量的综合评价，使得对农机深松作业质量的评价更加全面、准确。
进一步地，农机深松作业质量评价装置还包括特征获取模块，通过特征获取模块采集数据记录点集合中的数据记录点的信息；根据数据记录点的信息获取多个用于评价农机深松作业质量的特征；数据记录点的信息包括GNSS时间、经纬度、作业深度和作业状态；特征包括农机作业深度达标率、农机作业遗漏率或农机作业深度均一度。
基于上述实施例，本发明实施例提供了一种电子设备，用于完成上述方法实施例中的农机深松作业质量评价方法。图3为本发明实施例的一种电子设备的结构示意图，如图3所示，该电子设备包括处理器301、存储器302和总线303。其中，处理器301和存储器302通过总线303完成相互间的通信。处理器301可以调用存储在存储器302上并可在处理器301上运行的的计算机程序，以执行上述各实施例提供的方法，例如包括：将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，特征向量由多个用于评价农机深松作业质量的特征顺序组成，权重矩阵由每个特征对应的权重值顺序组成；根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序使计算机执行对应实施例所提供的农机深松作业质量评价方法，例如包括：将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，特征向量由多个用于评价农机深松作业质量的特征顺序组成，权重矩阵由每个特征对应的权重值顺序组成；根据农机深松作业质量指数AMQI，对农机深松作业质量进行评价。
以上所描述的装置及设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
本发明实施例提供的一种农机深松作业质量评价方法及装置，通过分析农机作业轨迹和农机作业深度特征，自动提取反映农机深松作业质量的包括农机作业深度达标率、农机作业遗漏率和农机作业深度均一度，针对每个特征对农机深松作业质量评价的重要性程度，确定每个特征在特征向量中的权重，将权重构成与特征向量对应的权重矩阵，同时通过分别对每个特征进行归一化处理，从而获取归一化的特征向量，然后将归一化的特征向量与权重矩阵的转置矩阵相乘，获取农机深松作业质量指数AMQI，最后根据农机深松作业质量指数AMQI，对农机深松作业质量进行定量的综合评价，使得对农机深松作业质量的评价更加全面、准确。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种农机深松作业质量评价方法，其特征在于，包括：
将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，所述特征向量由多个用于评价农机深松作业质量的特征顺序组成，所述权重矩阵由每个所述特征对应的权重值顺序组成；
根据所述农机深松作业质量指数AMQI，对农机深松作业质量进行评价；
获取所述归一化的特征向量，具体包括：
将每个所述特征分别进行归一化处理，并将每个归一化处理的所述特征顺序组成所述归一化的特征向量；
其中，所述特征包括农机作业深度达标率、农机作业遗漏率或农机作业深度均一度；
所述获取归一化的特征向量之前，还包括：
获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；
其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；
将任一次农机作业轨迹的数据记录点集合进行数据投影转换，以使所述数据记录点的经纬度转换为平面坐标；
按所述GNSS时间顺序连接多个所述数据记录点，以获取农机作业路径；
将农机作业幅宽的一半作为缓冲半径，对所述农机作业路径进行缓冲操作，获取农机作业面积；
所述获取归一化的特征向量之前，还包括：
获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；
其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；
将任一次农机作业地块面积与所述农机作业面积进行矢量减操作，以获取农机作业遗漏面积；
将所述农机作业遗漏面积与所述作业地块面积相除，获取所述农机作业遗漏率。
2.根据权利要求1所述的农机深松作业质量评价方法，其特征在于，所述农机深松作业质量指数AMQI为0-1的值，所述根据所述农机深松作业质量指数AMQI，对农机深松作业质量进行评价，具体包括：
若所述农机深松作业质量指数AMQI大于第一预设值，则农机深松作业质量合格；
若所述农机深松作业质量指数AMQI不大于第一预设值，则农机深松作业质量不合格。
3.根据权利要求1所述的农机深松作业质量评价方法，其特征在于，所述获取归一化的特征向量之前，还包括：
获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；
其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；
将所述作业深度大于第二预设值的数据记录点的个数之和与所述数据记录点集合的数据记录点的总个数之和相除，获取所述农机作业深度达标率。
4.根据权利要求1所述的农机深松作业质量评价方法，其特征在于，所述获取归一化的特征向量之前，还包括：
获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；
其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；
根据多个所述数据记录点的作业深度，获取多个所述数据记录点的平均作业深度；
根据所述作业深度和所述平均作业深度，获取所述作业深度的标准差，并将所述作业深度的标准差作为所述农机作业深度均一度。
5.根据权利要求1所述的农机深松作业质量评价方法，其特征在于，所述将每个所述特征分别进行归一化处理，具体包括：
其中，x'为归一化处理后的任一特征，x为所述任一特征，xmax为所述任一特征的历史最大值，xmin为所述任一特征的历史最小值。
6.一种农机深松作业质量评价装置，其特征在于，包括：
质量指数模块，用于将归一化的特征向量与权重矩阵的转置矩阵相乘,获取农机深松作业质量指数AMQI；其中，所述特征向量由多个用于评价农机深松作业质量的特征顺序组成，所述权重矩阵由每个所述特征对应的权重值组成；
作业评价模块，用于根据所述农机深松作业质量指数AMQI，对农机深松作业质量进行评价；
所述农机深松作业质量评价装置还包括特征获取模块，用于采集数据记录点集合中的数据记录点的信息；根据所述数据记录点的信息获取多个用于评价农机深松作业质量的所述特征；
所述数据记录点的信息包括GNSS时间、经纬度、作业深度和作业状态；所述特征包括农机作业深度达标率、农机作业遗漏率或农机作业深度均一度；
所述特征获取模块获取归一化的特征向量之前，还用于：
获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；
其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；
将任一次农机作业轨迹的数据记录点集合进行数据投影转换，以使所述数据记录点的经纬度转换为平面坐标；
按所述GNSS时间顺序连接多个所述数据记录点，以获取农机作业路径；
将农机作业幅宽的一半作为缓冲半径，对所述农机作业路径进行缓冲操作，获取农机作业面积；
所述特征获取模块获取归一化的特征向量之前，还用于：
获取任一次农机作业轨迹的数据记录点集合，所述数据记录点集合包括按照全球导航卫星系统GNSS时间排序的多个数据记录点；所述数据记录点的信息包括所述GNSS时间、经纬度、作业深度和作业状态；
其中，若所述作业深度大于0，则所述作业状态为工作状态，若所述作业深度不大于0，则所述作业状态为非工作状态；
将任一次农机作业地块面积与所述农机作业面积进行矢量减操作，以获取农机作业遗漏面积；
将所述农机作业遗漏面积与所述作业地块面积相除，获取所述农机作业遗漏率。
CN201910156536.5A 2019-03-01 2019-03-01 农机深松作业质量评价方法及装置 Active CN109993410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910156536.5A CN109993410B (zh) 2019-03-01 2019-03-01 农机深松作业质量评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910156536.5A CN109993410B (zh) 2019-03-01 2019-03-01 农机深松作业质量评价方法及装置

Publications (2)

Publication Number Publication Date
CN109993410A CN109993410A (zh) 2019-07-09
CN109993410B true CN109993410B (zh) 2023-12-05

Family

ID=67130169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910156536.5A Active CN109993410B (zh) 2019-03-01 2019-03-01 农机深松作业质量评价方法及装置

Country Status (1)

Country Link
CN (1) CN109993410B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914763A (zh) * 2015-05-28 2015-09-16 北京农业智能装备技术研究中心 农机深松作业远程监管系统
CN105652840A (zh) * 2016-02-03 2016-06-08 西北农林科技大学 机械深松作业质量监测与评价方法及系统
CN107122922A (zh) * 2017-05-23 2017-09-01 哈尔滨工业大学 一种基于排序学习的农机深松作业质量评价方法
EP3395154A1 (en) * 2017-04-25 2018-10-31 Intelligent Agricultural Solutions, LLC Harvesting machine capable of automatic adjustment and harvesting machine control method
CN109034509A (zh) * 2017-06-08 2018-12-18 株式会社日立制作所 作业人员评价系统、作业人员评价装置及评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160309646A1 (en) * 2015-04-24 2016-10-27 360 Yield Center, Llc Agronomic systems, methods and apparatuses

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914763A (zh) * 2015-05-28 2015-09-16 北京农业智能装备技术研究中心 农机深松作业远程监管系统
CN105652840A (zh) * 2016-02-03 2016-06-08 西北农林科技大学 机械深松作业质量监测与评价方法及系统
EP3395154A1 (en) * 2017-04-25 2018-10-31 Intelligent Agricultural Solutions, LLC Harvesting machine capable of automatic adjustment and harvesting machine control method
CN107122922A (zh) * 2017-05-23 2017-09-01 哈尔滨工业大学 一种基于排序学习的农机深松作业质量评价方法
CN109034509A (zh) * 2017-06-08 2018-12-18 株式会社日立制作所 作业人员评价系统、作业人员评价装置及评价方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
不同计算方法下犁耕效果评价指标权重差异分析;李长辉;余泳昌;李赫;;农机化研究(08);全文 *
农业机械化项目绩效评价指标体系与模糊评价;郭玉明等;《农业机械学报》;20070325(第03期);第2-3章 *
农机产品质量测评方法的研究;兰心敏;杜金;;中国农机化(04);全文 *
基于GPS轨迹的农机垄间作业重叠与遗漏评价;刘卉;孟志军;付卫强;;农业工程学报(18);全文 *
旋耕条播机适用性评价方法及实证研究;孙超;林立;杨丽;;农机化研究(02);全文 *
烟苗移栽机性能综合量化评价研究――基于AHP和田间测试;赵玉清;熊坚;张永华;张汝坤;;农机化研究(12);全文 *

Also Published As

Publication number Publication date
CN109993410A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109115776B (zh) 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置
Nutter Jr Quantifying the temporal dynamics of plant virus epidemics: a review
CN106718363B (zh) 一种面向精细农业的灌溉试验方法及其试验平台
Tang et al. Rainfall and tillage impacts on soil erosion of sloping cropland with subtropical monsoon climate—a case study in hilly purple soil area, China
Timm et al. Temporal variability of soil water storage evaluated for a coffee field
Surakka et al. Damage to saplings in mechanized selection cutting in uneven-aged Norway spruce stands
CN116611542A (zh) 一种基于缺水阈值的水文干旱分级预警方法
TWI401214B (zh) Early Warning Mode and Detection Method of Water Quality Excellent Oxidation
CN116990491B (zh) 一种基于物联网的自动化土壤信息监测系统
CN107437262B (zh) 作物种植面积预警方法和系统
Lo et al. Approaches to evaluating grower irrigation and fertilizer nitrogen amount and timing
CN109993410B (zh) 农机深松作业质量评价方法及装置
Naylor et al. A simple method to predict seed yield in moist‐soil habitats
Bricklemyer et al. Monitoring and verifying agricultural practices related to soil carbon sequestration with satellite imagery
Edwards et al. Assessing the actions of the farm managers to execute field operations at opportune times
Hoang et al. A robust parameter approach for estimating CERES-Rice model parameters for the Vietnam Mekong Delta
CN113533695A (zh) 一种农田墒情数据估计方法及系统
Filippi et al. Detecting causes of spatial variation in crop yield with interpretive machine learning.
Zhou et al. Improving soil moisture estimation by assimilating remotely sensed data into crop growth model for agricultural drought monitoring
Maldaner et al. Spatial–Temporal Analysis to Investigate the Influence of in-Row Plant Spacing on the Sugarcane Yield
Kosaraju et al. Mirchi crop yield prediction based on soil and environmental characteristics using modified RNN
CN116579254B (zh) 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质
Singh et al. Applying Deep Learning for Tiller Detection by Field Robot in Rice Cultivation
Singh et al. Rice tiller number estimation by field robot and deep learning (Part 1)
Mikha et al. Precision mapping technology in dryland cropping system

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
GR01 Patent grant
GR01 Patent grant