CN110930007B - 一种农机田间作业状态确定方法和装置 - Google Patents
一种农机田间作业状态确定方法和装置 Download PDFInfo
- Publication number
- CN110930007B CN110930007B CN201911113919.0A CN201911113919A CN110930007B CN 110930007 B CN110930007 B CN 110930007B CN 201911113919 A CN201911113919 A CN 201911113919A CN 110930007 B CN110930007 B CN 110930007B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- probability
- determining
- sampling
- operation state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 284
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000004927 fusion Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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田间作业状态确定方法和装置,该方法包括:获取农机每个采样点的定位数据和行驶数据,所述行驶数据至少包括瞬时油耗;根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率;根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;根据所述第一概率和所述第二概率,确定每一采样点为作业状态的综合概率。该方法无需安装大量的传感器,降低了安装硬件的成本和人力获取参数、调整参数的成本,提高了农机作业状态检测准确率的同时,能提高检测效率和检测成本。此外,该方法只需获取农机本身的状态数据,不受外界环境影响,能够适用于不同应用场景。
Description
技术领域
本发明涉及农机作业监测领域,尤其涉及一种农机田间作业状态确定方法和装置。
背景技术
随着电子技术、“互联网+农机”的快速发展,国内逐渐开始了农机作业远程监测系统,较好地满足了相关农机服务组织对农机实施作业实时监管的应用需求,国内农机上已逐渐应用CAN总线技术,通过CAN总线采集农机车辆发动机转速、车辆速度和油耗等信息成为可能。农机作业班次内典型状态包括停歇状态、空行转运状态和田间作业状态等状态。农机田间作业状态的正确确定是计算农机作业面积,分析农机作业效率的基础。现有农机田间作业状态的确定主要包括,农机空间运行轨迹分析法、传感器法、发动机参量建模法。
目前的方法主要有,在拖拉机后悬挂杆上安装姿态传感器,通过检测姿态传感器的输出角度,实时计算深松机耕深,确定农机田间作业状态。但是该方法针对深松作业,需要人工安装额外传感器,安装复杂,且需要进行机具调平校准,更换作业机具之后,需要重新调整参数,所需设备、人力成本较高。
还有根据土壤受力模型、机具受力模型、深松作业消耗模型和当量动力输出轴功率模型,建立深松作业油耗模型的方法。该方法分析农机在一定行驶速度的作业状态,以此建立农机深松作业深度与拖拉机后悬挂点位置的回归关系,进一步建立耕深验证辅助模型,间接获得深松作业深度,取得了一定的效果。但是该模型比较复杂,需要参数较多,如农机行进速度、土壤类型、农机型号、深松机型号等。
综上,目前的方法需参数获取过程复杂,所需设备、人力成本较高,且针对不同场景的适用性不强。
发明内容
为了解决上述问题,本发明实施例提供一种农机田间作业状态确定方法和装置。
第一方面,本发明实施例提供一种农机田间作业状态确定方法,包括:获取农机每个采样点的定位数据和行驶数据,所述行驶数据至少包括瞬时油耗;根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率;根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;根据所述第一概率和所述第二概率,确定每一采样点为作业状态的综合概率。
进一步地,所述行驶数据还包括瞬时速度,相应地,所述根据定位数据得到每一采样点与其它采样点的距离之前,还包括:根据每个采样点行驶数据中的瞬时速度,对所有采样点进行筛选,剔除行驶数据中瞬时速度等于0的采样点。
进一步地,所述根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率,包括:确定每一采样点,与预设数量的临近采样点的平均距离,得到每个采样点的平均临近距离;根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率。
进一步地,所述确定每一采样点,与预设数量的临近采样点的平均距离,包括:根据每一采样点的定位数据,将所有采样点映射到网格化的直角坐标系中,网格大小与所有相邻两点的平均距离保持一致;根据当前采样点所在网格为中心网格,选取所述中心网格附近预设数量的临近网格,计算当前采样点与临近网格中采样点的平均距离。
进一步地,所述根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率,包括:根据所有采样点中平均临近距离最大值与当前采样点的差值,占所有采样点中平均临近距离最大值与所有采样点中平均临近距离最小值差值的比例,确定当前采样点的第一概率;对所有采样点进行计算,得到每一采样点为作业状态的第一概率。
进一步地,所述根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率,包括:获取农机在非作业状态下的预设采样点,计算所述预设采样点的瞬时油耗平均值,得到背景瞬时油耗;根据每个采样点的瞬时油耗、所有采样点中瞬时油耗的最大值和所述背景瞬时油耗,确定每一采样点为作业状态的第二概率。
进一步地,所述根据每个采样点的瞬时油耗、所有采样点中瞬时油耗的最大值和所述背景瞬时油耗,确定每一采样点为作业状态的第二概率,包括:根据当前采样点瞬时油耗与所述背景瞬时油耗的差值,占根据所有采样点中瞬时油耗的最大值与所述背景瞬时油耗的差值的比例,确定当前采样点的第二概率;对所有采样点进行计算,得到每一采样点为作业状态的第二概率。
第二方面,本发明实施例提供一种农机田间作业状态确定装置,包括:采集模块,用于获取农机每个采样点的定位数据和行驶数据,所述行驶数据至少包括瞬时油耗;第一确定模块,用于根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率;第二确定模块,根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;综合确定模块,根据所述第一概率和所述第二概率,确定每一采样点为作业状态的综合概率。
第三方面,本发明实施例提供一种电子设备,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,处理器执行程序时实现本发明第一方面农机田间作业状态确定方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面农机田间作业状态确定方法的步骤。
本发明实施例提供的农机田间作业状态确定方法和装置,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率,紧密程度能够客观反映农机田间作业状态的概率。同时,根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率,从另一角度客观反映农机田间作业状态的概率。根据两种概率进行数据融合,确定作业状态的综合概率,实现农机作业状态的准确检测。另外,行驶数据可根据目前的CAN总线等方法获得,定位数据可根据目前的GNSS数据获得,无需安装大量的传感器,降低了安装硬件的成本和人力获取参数、调整参数的成本,提高了农机作业状态检测准确率的同时,能够提高检测效率和检测成本。此外,该方法只需获取农机本身的状态数据,不受外界环境影响,能够适用于不同应用场景。
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为本发明实施例提供的农机田间作业状态确定方法流程图;
图2为本发明另一实施例提供的农机田间作业状态确定方法流程图;
图3为本发明又一实施例提供的农机田间作业状态确定方法流程图;
图4为本发明实施例提供的农机田间作业状态确定装置结构图;
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为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。
图1为本发明实施例提供的农机田间作业状态确定方法流程图,如图1所示,本发明实施例提供一种农机田间作业状态确定方法,包括:
101、获取农机每个采样点的定位数据和行驶数据,行驶数据至少包括瞬时油耗。
在101中,可以每隔预设时间对农机进行采样,即记录农机在不同时刻的状态,从而得到多个农机的采样点,每个采样点反应农机当前的空间位置。采样点需获取的数据包括定位数据和农机行驶产生的数据。定位数据主要包括经纬度等数据,用于得出采样点的准确位置,还可包括采样点采集定位时的时间。例如,在拖拉机等农机上安装采集终端,终端采集GNSS数据(包括GNSS时间、经纬度等),得到多个采样点。
行驶数据为农机行驶过程产生的相关物理参数,主要包括瞬时油耗,还可包括行驶的瞬时速度。作为优选实施例,获取农机每个采样点的行驶数据,包括通过CAN总线获取农机的行驶数据。例如,采集终端同时负责解析农机车辆总线CAN数据,提取农机行进速度和农机瞬时油耗等参数,并根据GNSS的时间进行数据融合,对GNSS空间数据赋予时空一致的CAN属性。
102、根据定位数据得到每一采样点与其它采样点的距离,根据每一采样点与其它采样点的距离,确定每一采样点为作业状态的第一概率。
在102中,采集终端将采集的GNSS数据、农机行进速度、农机瞬时油耗数据,通过无线传输至数据服务器进行分析(通过2G、3G、4G或5G网络无线传输等),或者采集终端发送给农机的本地设备进行分析。
一个采样点与其它采样点的空间紧密程度,表征的是该采样点与其它采样点之间距离的整体水平。该采样点与其它采样点的距离整体都偏大,则该采样点与其它采样点的空间紧密程度越小,即越不紧密。农机采样点间的临近距离与农机作业点密度密切相关,临近距离越小,该点所处的空间密度越大,田间作业状态的概率也就越大。考虑到此特点,根据每个采样点与其它采样点的紧密程度,便可以表征每个采样点的作业状态概率(此处称为第一概率,以区别后文通过其它途径获取的概率)。
103、根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率。
在103中,农机处于田间作业状态时,会进行额外的动力输出,需要更多的油耗支撑,因此油耗越大,农机处于田间作业状态的概率就越大。考虑到此特点,每一采样点的瞬时油耗,便可确定每一采样点为作业状态的概率(此处称为第二概率)。
104、根据第一概率和第二概率,确定每一采样点为作业状态的综合概率。
考虑到上述第一概率和第二概率都能客观的反应农机处于作业状态的概率,为了准确的对作业状态进行综合评价,将上述概率均进行考虑,进行数据融合、综合评估,从而确定每一采样点为作业状态的综合概率,作为作业状态的最终参考标准。
本发明实施例对根据第一概率和第二概率,确定每一采样点为作业状态的综合概率不作具体限定,包括但不限于:根据第一概率和第二概率,采用加权法确定每一采样点为作业状态的综合概率。
例如,分别获得农机作业采样点在空间分布上的田间作业状态第一概率Ai和第二概率Bi,对两种作业状态赋予不同权重w1和w2。综合评价农机作业班次状态,得到田间作业状态综合概率F。
Fi=Ai×w1+Bi×w2
其中,0≤w1≤1,0≤w2≤1且w1+w2=1,i代表第i个采样点。
需要说明的是,根据上述权重w1和w2的取值范围可知,本发明实施例可只根据第一概率和第二概率中的任意一种确定综合概率。即w1=1,w2=0或者w1=0,w2=1。
优选的,确定每一采样点为作业状态的综合概率之后,还包括:根据预设阈值,确定农机田间作业状态。
例如,给定阈值Z,其中0≤Z≤1,如Fi≥Z,则综合确定该采样点为农田作业状态,否则为非作业状态。
上述权重和预设阈值,可根据历史数据进行分析,从而实现农机田间作业状态的准确确定。
本实施例提供的农机田间作业状态确定方法,根据紧密程度,确定每一采样点为作业状态的第一概率,紧密程度能够客观反映农机田间作业状态的概率。同时,根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率,从另一角度客观反映农机田间作业状态的概率。根据两种概率进行数据融合,确定作业状态的综合概率,实现农机作业状态的准确检测。另外,行驶数据可根据目前的CAN总线等方法获得,定位数据可根据目前的GNSS数据获得,无需安装大量的传感器,降低了安装硬件的成本和人力获取参数、调整参数的成本,提高了农机作业状态检测准确率的同时,能够提高检测效率和检测成本。此外,该方法只需获取农机本身的状态数据,不受外界环境影响,能够适用于不同应用场景。
基于上述实施例的内容,作为一种可选实施例,行驶数据还包括瞬时速度,相应地,根据定位数据得到每一采样点与其它采样点的距离之前,还包括:根据每个采样点行驶数据中的瞬时速度,对所有采样点进行筛选,剔除行驶数据中瞬时速度等于0的采样点。本实施例通过此方法,主要进行静止数据的过滤。
从数据服务器中获取一次农机作业数据记录采样点集合P,并按照GNSS时间排序:
P={p1,p2,p3,…,pi,…}
其中pi为第i个采样点;
pi={t,lon,lat,v,h}表示采样点pi中包含以下数据:t为GNSS时间,lon为经度,lat为纬度,v为农机行进速度,h为农机瞬时油耗。
GNSS在静止状态下,其定位坐标(经纬度)经常在变,有时变化还比较大,甚至还会显示有GNSS速度,产生数据漂移,而pi中农机行进速度是从CAN总线获得的农机行进速度,因此可以通过农机行进速度对静态数据进行过滤,针对数据集P,过滤掉农机行进速度等于0的记录点(包括趋近于0的点)。从每个采样点pi中,获取行驶数据中的瞬时速度v,将瞬时速度v等于0的采样点剔除,得到静止数据过滤后的采样点的数据集Q。
Q={P|P(v>0)}
本实施例提供的农机田间作业状态确定方法,根据每个采样点行驶数据中的瞬时速度,对所有采样点进行筛选,剔除行驶数据中瞬时速度等于0的采样点,能够消除数据零漂带来的干扰,提高作业状态确定的准确性。
基于上述实施例的内容,作为一种可选实施例,根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据紧密程度,确定每一采样点为作业状态的第一概率,包括:确定每一采样点,与预设数量的临近采样点的平均距离,得到每个采样点的平均临近距离;根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率。
在本发明实施例中,以采样点和临近采样点的平均距离,来表征该采样点与其它采样点的空间紧密程度。考虑到相邻采样点的关系更为密切,更能反映农机作业状态的前后变化,本发明实施例中,选取的是临近的采样点,预设数量根据具体需求设置,考虑到准确度和计算量之间的平衡。通过与预设数量的临近采样点的平均距离,得到每个采样点的平均临近距离,该平均距离即表征采样点与其它采样点的空间紧密程度。
农机每个采样点的临近距离li,具体计算如下:
计算采样点qi与预设数量m个临近点的平均距离li。遍历数据集Q,获得平均临近距离集L={l1,l2,l3,…,li}。根据每一采样点的平均临近距离li,可确定每一采样点为作业状态的第一概率。
本实施例提供的农机田间作业状态确定方法,根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率,实现了紧密程度的量化。同时,平均临近距离更能表征采样点间因作业状态发生变化而带来的特性,具有空间一致性。
基于上述实施例的内容,作为一种可选实施例,确定每一采样点,与预设数量的临近采样点的平均距离,包括:根据每一采样点的定位数据,将所有采样点映射到网格化的直角坐标系中,网格大小与所有相邻两点的平均距离保持一致;根据当前采样点所在网格为中心网格,选取中心网格附近预设数量的临近网格,计算当前采样点与临近网格中采样点的平均距离。
图2为本发明另一实施例提供的农机田间作业状态确定方法流程图,如图2所示,为了方便长度计算,需要对数据集Q中的采样点qi的经纬度数据进行投影转换,数据统一在平面坐标系下,获得的qi平面坐标。
qi={t,lon,lat,v,h,x,y}
其中,x为平面坐标横坐标,y为平面坐标横坐标。
农机运行空间轨迹,即农机作业线,是指农机在农田中作业时,在作业状态时候GNSS轨迹形成的作业路径,静止数据过滤参见上述实施例。
分析农机作业数据,获得农机作业线两个端点的坐标,以两个端点为边界条件,将农机作业数据格网化,格网采用正方形的网格,把地块每个网格作为最小处理单元。网格大小与所有相邻两点的平均距离保持一致,可以相同,也可以是略大于和略小于,以便于计算为准。作为优选实施例,格网大小(W)为农机作业点相邻平均距离总共划分为m×n个网格,这样每个格网都可以表示为R(i,j),其中心点坐标为C(ix,iy),其中1≤i≤m,1≤j≤n;R(i,j)包含的平面坐标范围也可以得出:
ix-W/2≤R(i,j)≤ix+W/2&&iy-W/2≤R(i,j)≤iy+W/2
其中i,j表示格网的行列号,ix,iy表示格网中心点的平面坐标,W表示格网大小。
将农机作业记录集Q根据Q的平面坐标和R(i,j)包含的矢量面数据的范围,进行数据映射,把所有qi映射到农田矢量格网R(i,j)上,最终每个格网R(i,j)包含农机作业数据列表D(i,j),里面包含k个农机作业数据点,k可以为0,可表示为:
D(i,j)={q1,q2,q3,…,qk}
农机作业数据临近点查询:遍历农机作业记录集,对于qi对应格网R(i,j),查询qi周围临近点。例如,首先在格网R(i,j)为中心的3×3个格网查询,获得作业点集合进行举例计算,并排序,获得m个最近临近点,如果数量不够,则向R(i,j)为中心的n×n(n=5,7,9…)个格网扩展查询,直至获取m个临近点。
农机作业临近距离计算:计算qi与m个临近点的平均距离li。遍历数据集Q,获得临近距离集L。
L={l1,l2,l3,…,li}
田间作业状态概率计算:即计算作业状态第一概率,具体可参见上述或下述实施例。
基于上述实施例的内容,作为一种可选实施例,根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率,包括:根据所有采样点中平均临近距离最大值与当前采样点的差值,占所有采样点中平均临近距离最大值与所有采样点中平均临近距离最小值差值的比例,确定当前采样点的第一概率;对所有采样点进行计算,得到每一采样点为作业状态的第一概率
本实施例提供一种具体的计算方法,需要说明的是,根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率可通过多种方法实现。
统计获得集合L的最大值lmax、最小值lmin。利用下式来描述该点状态的概率:
对所有采样点进行计算,得到每个采样点为作业状态的第一概率。
基于上述实施例的内容,作为一种可选实施例,根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率。获取农机在非作业状态下的预设采样点,计算预设采样点的瞬时油耗平均值,得到背景瞬时油耗;根据每个采样点的瞬时油耗、所有采样点中瞬时油耗的最大值和背景瞬时油耗,确定每一采样点为作业状态的第二概率。
每一采样点的瞬时油耗,能够表征每一采样点为作业状态的概率。考虑到农机除去作业耗油外,还有整个农机本身运行需要的油耗,以此为背景油耗。为了提高第二概率的准确性,本实施例中对背景油耗进行考虑。获取农机在非作业状态下N个采样点,计算N个采样点的瞬时油耗平均值作为背景瞬时油耗hb。
然后,在考虑背景油耗的基础上,以采样点的瞬时油耗与所有采样点中瞬时油耗的最大值的比例关系,来表征第二概率。图3为本发明又一实施例提供的农机田间作业状态确定方法流程图,如图3所示,静态数据过滤即上述剔除行驶速度等于0的采样点。先进行农机作业背景瞬时油耗标定,在此基础上计算田间作业状态概率,即上述的第二概率。
基于上述实施例的内容,作为一种可选实施例,本发明实施例对根据每个采样点的瞬时油耗、所有采样点中瞬时油耗的最大值和背景瞬时油耗,确定每一采样点为作业状态的第二概率,不作具体限定,包括但不限于:根据当前采样点瞬时油耗与背景瞬时油耗的差值,占根据所有采样点中瞬时油耗的最大值与背景瞬时油耗的差值的比例,确定当前采样点的第二概率;对所有采样点进行计算,得到每一采样点为作业状态的第二概率。
具体可以为,统计整个采样点集,获得油耗最大值hmax,最小值hmin,对农机作业瞬时油耗进行归一化处理。遍历农机作业集合Q,针对每一个特征向量qi,背景瞬时油耗是在非作业状态下的瞬时油耗平均值,如果当前的瞬时油耗小于背景瞬时油耗,则田间作业状态概率为0;因此田间作业状态第二概率可有下式表示:
其中,hi为每个采样点的瞬时油耗,hb为背景瞬时油耗。
在上述各实施例的基础上,本发明所设计农机田间作业状态确定方法,通过农机空间运行的GNSS轨迹数据和CAN总线瞬时油耗数据,分别计算两种数据条件下农机田间作业状态的概率,并进行数据融合,建立农机田间作业状态综合评判方法,降低安装硬件和人力成本,提高农机作业状态检测准确率。
图4为本发明实施例提供的农机田间作业状态确定装置结构图,如图4所示,该农机田间作业状态确定装置包括:采集模块401、第一确定模块402、第二确定模块403和综合确定模块404。其中,采集模块401用于获取农机每个采样点的定位数据和行驶数据,行驶数据至少包括瞬时油耗;第一确定模块402用于根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据紧密程度,确定每一采样点为作业状态的第一概率;第二确定模块403根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;综合确定模块404根据第一概率和第二概率,确定每一采样点为作业状态的综合概率。
采集模块401可根据GNSS数据获取定位数据,根据CAN总线获取行驶数据。采集的定位数据发送给第一确定模块402,通过第一确定模块402计算第一概率。采集的行驶数据发送给第二确定模块403,通过第二确定模块403计算第二概率。综合确定模块404接收第一确定模块402的第一概率,和第二判断模块403的第二概率,进行融合得到综合概率,即每个采样点的农机田间作业状态的概率。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的农机田间作业状态确定装置,无需安装大量的传感器,降低了安装硬件的成本和人力获取参数、调整参数的成本,提高了农机作业状态检测准确率的同时,能够提高检测效率和检测成本。此外,该方法只需获取农机本身的状态数据,不受外界环境影响,能够适用于不同应用场景。
图5为本发明实施例提供的一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504,其中,处理器501,通信接口502,存储器503通过总线504完成相互间的通信。通信接口502可以用于电子设备的信息传输。处理器501可以调用存储器503中的逻辑指令,以执行包括如下的方法:获取农机每个采样点的定位数据和行驶数据,行驶数据至少包括瞬时油耗;根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据紧密程度,确定每一采样点为作业状态的第一概率;根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;根据第一概率和第二概率,确定每一采样点为作业状态的综合概率。
此外,上述的存储器503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)执行本发明上述各方法实施例的全部或部分步骤。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。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取农机每个采样点的定位数据和行驶数据,行驶数据至少包括瞬时油耗;根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据紧密程度,确定每一采样点为作业状态的第一概率;根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;根据第一概率和第二概率,确定每一采样点为作业状态的综合概率。
以上所描述的装置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。
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 (7)
1.一种农机田间作业状态确定方法,其特征在于,包括:
获取农机每个采样点的定位数据和行驶数据,所述行驶数据至少包括瞬时油耗;
根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率;
根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;
根据所述第一概率和所述第二概率,确定每一采样点为作业状态的综合概率;
所述根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率,包括:
确定每一采样点,与预设数量的临近采样点的平均距离,得到每个采样点的平均临近距离;根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率;
所述确定每一采样点,与预设数量的临近采样点的平均距离,包括:
根据每一采样点的定位数据,将所有采样点映射到网格化的直角坐标系中,网格大小与所有相邻两点的平均距离保持一致;根据当前采样点所在网格为中心网格,选取所述中心网格附近预设数量的临近网格,计算当前采样点与临近网格中采样点的平均距离;
所述根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率,包括:
根据所有采样点中平均临近距离最大值与当前采样点的差值,占所有采样点中平均临近距离最大值与所有采样点中平均临近距离最小值差值的比例,确定当前采样点的第一概率;对所有采样点进行计算,得到每一采样点为作业状态的第一概率。
2.根据权利要求1所述的农机田间作业状态确定方法,其特征在于,所述行驶数据还包括瞬时速度,相应地,所述根据定位数据得到每一采样点与其它采样点的距离之前,还包括:
根据每个采样点行驶数据中的瞬时速度,对所有采样点进行筛选,剔除行驶数据中瞬时速度等于0的采样点。
3.根据权利要求1所述的农机田间作业状态确定方法,其特征在于,所述根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率,包括:
获取农机在非作业状态下的预设采样点,计算所述预设采样点的瞬时油耗平均值,得到背景瞬时油耗;
根据每个采样点的瞬时油耗、所有采样点中瞬时油耗的最大值和所述背景瞬时油耗,确定每一采样点为作业状态的第二概率。
4.根据权利要求3所述的农机田间作业状态确定方法,其特征在于,所述根据每个采样点的瞬时油耗、所有采样点中瞬时油耗的最大值和所述背景瞬时油耗,确定每一采样点为作业状态的第二概率,包括:
根据当前采样点瞬时油耗与所述背景瞬时油耗的差值,占根据所有采样点中瞬时油耗的最大值与所述背景瞬时油耗的差值的比例,确定当前采样点的第二概率;
对所有采样点进行计算,得到每一采样点为作业状态的第二概率。
5.一种农机田间作业状态确定装置,其特征在于,包括:
采集模块,用于获取农机每个采样点的定位数据和行驶数据,所述行驶数据至少包括瞬时油耗;
第一确定模块,用于根据定位数据得到每一采样点与其它采样点的空间紧密程度,根据所述空间紧密程度,确定每一采样点为作业状态的第一概率;
第二确定模块,根据每一采样点的瞬时油耗,确定每一采样点为作业状态的第二概率;
综合确定模块,根据所述第一概率和所述第二概率,确定每一采样点为作业状态的综合概率;
所述第一确定模块,具体用于:
确定每一采样点,与预设数量的临近采样点的平均距离,得到每个采样点的平均临近距离;根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率;
其中,所述确定每一采样点,与预设数量的临近采样点的平均距离,包括:根据每一采样点的定位数据,将所有采样点映射到网格化的直角坐标系中,网格大小与所有相邻两点的平均距离保持一致;根据当前采样点所在网格为中心网格,选取所述中心网格附近预设数量的临近网格,计算当前采样点与临近网格中采样点的平均距离;
所述根据每一采样点的平均临近距离,确定每一采样点为作业状态的第一概率,包括:
根据所有采样点中平均临近距离最大值与当前采样点的差值,占所有采样点中平均临近距离最大值与所有采样点中平均临近距离最小值差值的比例,确定当前采样点的第一概率;对所有采样点进行计算,得到每一采样点为作业状态的第一概率。
6.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述农机田间作业状态确定方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述农机田间作业状态确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113919.0A CN110930007B (zh) | 2019-11-14 | 2019-11-14 | 一种农机田间作业状态确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113919.0A CN110930007B (zh) | 2019-11-14 | 2019-11-14 | 一种农机田间作业状态确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930007A CN110930007A (zh) | 2020-03-27 |
CN110930007B true CN110930007B (zh) | 2023-03-14 |
Family
ID=69853910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113919.0A Active CN110930007B (zh) | 2019-11-14 | 2019-11-14 | 一种农机田间作业状态确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930007B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033528A (zh) * | 2019-04-17 | 2019-07-19 | 洛阳智能农业装备研究院有限公司 | 一种基于gps和发动机数据的农机作业状态判断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106843737B (zh) * | 2017-02-13 | 2020-05-08 | 北京新美互通科技有限公司 | 文本输入方法、装置及终端设备 |
-
2019
- 2019-11-14 CN CN201911113919.0A patent/CN110930007B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033528A (zh) * | 2019-04-17 | 2019-07-19 | 洛阳智能农业装备研究院有限公司 | 一种基于gps和发动机数据的农机作业状态判断方法 |
Non-Patent Citations (1)
Title |
---|
基于农机空间运行轨迹的作业状态自动识别试验;王培;《农业工程学报》;20150228;正文第56-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110930007A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Erdogan | A comparision of interpolation methods for producing digital elevation models at the field scale | |
Luo et al. | A comparison of spatial interpolation methods to estimate continuous wind speed surfaces using irregularly distributed data from England and Wales | |
Robinson et al. | Comparing the performance of techniques to improve the quality of yield maps | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
CN111179274B (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
EP4036836A1 (en) | Method, system for calculating operation acres of agricultural machinery | |
JP2001208848A (ja) | 放射線測定システム及び方法 | |
CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN110930007B (zh) | 一种农机田间作业状态确定方法和装置 | |
CN111539372B (zh) | 病虫害分布的监测方法、设备、存储介质及装置 | |
CN111611335A (zh) | 一种国土空间适用性评价方法、系统及存储介质 | |
Kriesche et al. | Estimation of Spatio‐Temporal Correlations of Prehistoric Population and Vegetation in North America | |
CN113361390A (zh) | 基于深度卷积神经网络的道路积水检测系统 | |
RU2782687C1 (ru) | Способ и система для определения площади, обработанной сельскохозяйственной машиной | |
CN114489048B (zh) | 中耕机的作业方法和装置、中耕机,以及存储介质 | |
CN116844075B (zh) | 一种耕地环境判定方法及系统 | |
US11369055B1 (en) | Methods and systems for modeling soil processes and properties | |
CN115311574B (zh) | 一种建筑物监测方法、设备及介质 | |
CN117830063B (zh) | 一种山地高速公路施工安全风险管理系统 | |
CN117807469B (zh) | 一种水下传感器数据采集方法、介质及系统 | |
CN113177702B (zh) | 一种气象输入数据匹配方法及系统 | |
Shadrin et al. | Kalman Filtering for Accurate and Fast Plant Growth Dynamics Assessment | |
CN114460664A (zh) | 检测土壤下障碍物的方法和装置、中耕机、自动驾驶装置 | |
CN109975803B (zh) | 自动选择图像内形变参考点的方法及预处理装置 |
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 |