CN112905576A - 一种基于农机作业轨迹确定农田和道路的方法及系统 - Google Patents

Abstract

本发明提出一种基于农机作业轨迹确定农田和道路的方法和系统，利用DBSCAN密度聚类方法对清理后的农机作业轨迹数据进行聚类分析，初步分割出农田和道路，之后利用小簇消除法根据正确和错误识别的农田中农机轨迹方向分布不同的特征对农田和道路进行区分，将农机轨迹点密度过高而被错误分类为农田的区域修正为道路，根据道路和农田交界处点的方向值与其邻近的农田中数量分布最多的两个方向的相似度高低，将道路和农田交界处错误识别的轨迹点进行修正。在前面步骤的基础上以时间顺序将整条轨迹划分多个轨迹段，对相邻轨迹段出现田路田模式或路路路模式中的路轨迹段，根据比较邻近轨迹段之间的速度和方向分布，对错误识别的道路进行修正。

Description

一种基于农机作业轨迹确定农田和道路的方法及系统

技术领域

本发明属于农业生产管理技术领域，尤其涉及一种基于农机作业轨迹确定农田和道路的方法及系统。

背景技术

农田有效作业轨迹是农业生产管理中最基础的数据之一，根据有效轨迹推算出的有效面积直接决定了种子、化肥、农药等生产资料的投入量,也是农业机械进行田间作业计算工时和收费的主要依据。GPS全球卫星定位系统能够提供实时的经度、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GPS的定位功能,能够测量得出轨迹各个点的坐标，从而为通过各种方法计算农机有效作业轨迹等数据提供了可能。对农机作业轨迹监测是“互联网+农机作业”的新型监管模式，是农业现代化建设的重要体现，但目前作业轨迹识别设备大多存在识别准确率低、智能化低、浪费人力物力的缺陷。

数据挖掘技术提供了从海量数据中挖掘发展趋势、剖析其中隐藏的知识和模式的手段。针对农业机械在农业生产中产生的作业轨迹数据特征，挖掘其中隐含的知识并对其进行分析，在此基础上，设计相应预测、聚类，为设计农机管理决策服务模型提供了基础，对促进农业机械化、提高生产效率、提高决策水平、健全调控和基层服务能力、促进农业机械化进入信息化领域的步伐有很大的推进作用。

目前在农机有效作业轨迹分割方面主要存在方法为：

(1)使用人工的方法：在农机行驶进入农田时用人工的方法对农田和边界进行确定，达到分割作业轨迹中农田和道路的目的。

(2)根据密度差异分割方法：利用农田和道路上轨迹点密度不同的特征进行农田和道路的区分。

(3)使用遥感图像进行分割的方法：依靠采集农机行驶区域的遥感图像，借助图像处理的方法，达到农田和道路分割的目的。

目前技术存在的缺陷：

(1)使用人工确定农田和道路交界来分割农田和道路的方法，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，而且人工存在误报漏报的情况，不利于农机有效作业轨迹的统计和监管。

(2)使用密度进行区分的方法，特征太过单一，道路上等密度过高的区域会被识别为农田，导致分割准确率大幅度下降。另外接收机本身定位存在误差，部分接收机利用差分定位测量精度可达毫米级，但这样高精度测量成本很高，目前实际应用中主要还是采用接收机单点定位测量。单点定位误差很大，其测量误差主要来源有卫星星历误差、卫星钟差、大气折射等因素，这也是导致分割准确率的低的另一个原因。农机在作业过程中两台农机交叉进行，数据采集有遗漏现象，导致部分农田轨迹点稀疏，所以单纯依靠密度聚类的方法也很难对这部分农田进行准确分割。

(3)使用遥感图像的分割方法会受图像数据本身的限制，图像分辨率差导致图像分割方法的效果差，进而导致农田和道路分割准确率低。

发明内容

针对上述问题，一方面，本发明提出了一种基于农机作业轨迹确定农田和道路的方法，如图1所示。安装在农机上的GPS数据采集模块采集农机轨迹数据，数据清理之后，使用DBSCAN密度聚类方法对清理后的数据进行聚类分析，对道路和农田进行初步的分割；之后对DBSCAN密度聚类方法分析的结果进行四步修正，包括小簇消除、田路交界处修正、田路田模式修正、路路路模式修正，克服了DBSCAN密度聚类方法仅仅依靠密度判断将农田和道路而出现的分类错误的问题，能够借助最少的轨迹信息进行高准确率的农机作业轨迹分析，并将农机作业的农田和道路分割。

步骤1：GPS数据采集。利用安装在农机上的GPS数据采集模块采集农机运动轨迹数据。采集的数据包括农机运动的经纬度、方向、速度等。

步骤2：数据清理。在农机作业轨迹的采集过程中，GPS数据采集模块采集的数据经常会出现重采样、静止轨迹等采样错误情况，为了避免采样错误对后续分类方法造成影响，事先需要对采集到的数据进行相应的清理。数据清理包括：

(1)重采样类型：

清理掉两点之间时间间隔为0s的点，保留时间间隔为0s的第一个点。

清理掉经纬度相同，速度相同且不为0的连续点，保留点为第一个。

(2)静止轨迹类型：清理掉经纬度相同，速度为0的点保留点仍为第一个。

(3)静态漂移类型：清理掉经纬度不相同、速度为0且连续的点，保留点为第一个。

(4)经纬度异常类型：因数据采集区域为中国的多个省市，故经纬度的范围超出中国的范围时，则此时采集的点为经纬度异常的情况需要进行清理，清理方式为直接进行删除。

步骤3：DBSCAN密度聚类方法分割。在数据清理之后，首先要利用DBSCAN聚类方法对农机作业轨迹进行聚类分析，从而对农田或道路进行初步分割。DBSCAN密度聚类方法的根本原理是，利用农机在农田和道路上轨迹点的密度不同进行区分。农机在农田内部作业时数据采集频率和在道路上行驶时的数据采集频率大致相同，但是在农田内部作业的速度明显更慢，结合农机行驶的速度和数据采集频率综合考虑，可以得出，在农机在农田中作业的轨迹点的密度更高，因此运用DBSCAN密度聚类方法，根据农机在农田中作业和道路上行驶时轨迹密度的不同可以将农田和道路大致区分开来。

步骤4：小簇消除修正(田->路)。步骤3中，采用基于DBSCAN密度聚类方法可以大致区分出农田和道路，但是在农机转弯、等待红绿灯等低速或静止区域等会造成轨迹点密度过高的情况，而这些区域会被错误的分类为农田。但是，在等待红绿灯、转弯等低速或静止区域各个轨迹点的方向杂乱分布在各个方向上，而农机在农田内部真实作业时农机按照农田的垄来进行作业，因此农机在农田作业中的农机轨迹应大致分布在一来一回两个方向上。据此，在步骤4中，在步骤3的基础上，利用小簇消除方法，根据正确和错误识别的农田中农机轨迹方向分布不同的特征来进行农田和道路的区分。方法为：首先将步骤3密度聚类结果的每一个簇的方向按照每10°作为一个区间进行划分，方向可以分布到([0,10],[10,20]…[10,360])，例如6°应划分到[0,10]之间；对聚类簇中每个轨迹点的方向划分完成之后，再统计每个簇上有数据分布的方向数量和每个方向上的点的数量，若一个簇中每个方向上的点数分布均匀且数目都小于一定阈值，优选该数目为30，证明簇的点数少且方向杂乱，则认为该簇是识别错误的农田；若一个簇中某两个方向上点数较多且与其他方向上点数差距较大，则认为该簇为真正的农田，使用这种方法达到区分真正的农田和识别错误农田的效果，然后将错误识别为农田的地方修改为道路。

步骤5：田路交界处修正(田->路，路->田两种情况都存在)。农机从道路上行驶进入农田时会降低速度，即农田与农田和道路的交界处的行驶速度大致相同，速度相同导致密度相似，DBSCAN聚类方法会将此交界处错误的分类。。针对该问题，本发明使用的方法是，首先借助聚类结构的标签找到农田和道路的交界处，以该点作为中间点，向两侧进行判断，分别确定每一个点是农田还是道路。对每一个点的判断方法是：统计该点邻近的农田中数量分布最多的两个方向，用交界处点的方向值与这两个方向的值进行比较，如果与农田中的方向相似度高，则该点就被修正为农田，否则，就被修正为道路。求取对应农田中分布最多的方向时不进行区间的划分而是进行直接求取。

步骤6：田路田模式修正(路->田)。田路田模式即为当前轨迹段为道路且前一轨迹段和后一轨迹段都为农田的三个轨迹段模式。农机在田中行驶时也不可避免的会出现轨迹密度低的情况，使用密度分类会将其确定为道路。对这种识别错误的情况，本发明所用的方法是，以时间顺序，按照轨迹点经过步骤3-5修正后的分类结果，将整条轨迹划分成田、路、田…模式的多个轨迹段，优选每个轨迹段的点数大于20，求取田路田模式中每一轨迹段的方向分布和速度特征。对连续三个轨迹段符合田、路、田模式的中间道路轨迹段进行判断，若道路轨迹段的速度与前后农田轨迹段的速度相似，进而再判断道路轨迹段与前后农田轨迹段的方向分布相似度，若中间道路轨迹段的速度与两侧农田轨迹段平均速度差别小于一定阈值，优选为2m/s，且中间道路轨迹段的方向与两侧农田轨迹段的平均方向差小于一定阈值，优选为20度，则将中间的道路轨迹段修正为农田。

步骤7：路路路模式修正(路->田)。路路路模式即为三段路平行模式，但该种模式与上面所述的田路田模式是不相同的，在路路路模式中没有涉及到农田的轨迹段。农机在作业过程中有可能出现多台农机交叉作业或者数据采集遗漏的情况，在农田中轨迹分布比较稀疏，与农机在道路上的轨迹分布相类似，在此种情况下，聚类方法会错误的将农田识别为道路。针对此问题，本发明的的方法就是对多段平行的道路进行修正。具体修正方法为：与步骤6相同，首先以时间顺序，按照轨迹点经过步骤3-5修正后的分类结果，将整条轨迹划分成田、路、田…模式的多个轨迹段，找出相邻的三段轨迹为路路路模式的轨迹段。之后，进一步分别求三个道路轨迹段平均速度和平均方向，若三个道路轨迹段的平均速度差别小于一定阈值，优选为2m/s，且方向分布上无差别，即平均方向相同，则将三段道路轨迹段都修正为农田。原因是：农机在道路上行驶时方向分布相似的平行道路最多有两条，即一来一回，如果出现三段或三段以上的道路平行情况，大概率为聚类方法识别错误的情况，本发明的方法就是根据这一原理对路路路模式进行修正。

另一方面，本发明提出一种基于农机作业轨迹确定农田和道路的系统，该系统包括GPS数据采集模块、数据清理模块、DBSCAN密度聚类分割模块、小簇消除修正(田->路)模块、田路交界处修正模块、田路田模式修正模块、路路路模式修正模块。

GPS数据采集模块，其安装在农机上，用于对农机行驶时的经纬度、方向、速度数据进行采集，并将采集到的数据发送到数据清理模块。

数据清理模块，用于对GPS数据采集模块发送的异常数据进行清理。异常数据包括重采样、静止轨迹、静态漂移、经纬度异常等类型的数据。

DBSCAN密度聚类分割模块，其利用DBSCAN密度聚类方法对清理后的数据进行聚类分析，根据农机行驶时轨迹密度对农田和道路进行初步分割。

小簇消除修正模块，在DBSCAN密度聚类分割模块对农田和道路初步分割的基础上，利用小簇消除方法，根据正确和错误识别的农田中农机轨迹方向分布不同的特征对农田和道路进行区分，将农机轨迹点密度过高而被错误分类为农田的区域修正为道路。

田路交界处修正模块，在DBSCAN密度聚类的基础上，根据道路和农田交界处点的方向值与其邻近的农田中数量分布最多的两个方向的相似度高低，将该交界处点进行修正；并以该交界处点作为中间点，依次向两侧进行判断，对农田和道路的交界处区域进行修正。

田路田模式修正模块，在DBSCAN密度聚类分割模块、小簇消除修正模块和田路交界处修正模块修正后的分类结果基础上，以时间顺序将整条轨迹划分多个轨迹段，对相邻轨迹段出现田路田模式中的路轨迹段，根据比较其与前后农田轨迹段的速度和方向分布，进行分类结果的修正。

路路路模式修正模块，在DBSCAN密度聚类分割模块、小簇消除修正模块和田路交界处修正模块修正后的分类结果基础上，以时间顺序将整条轨迹划分多个轨迹段，对于相邻三个轨迹段出现路路路模式中的三个路轨迹段，比较三个轨迹段的平均速度和平均方向分布，将三个轨迹段进行修正。

DBSCAN密度聚类分割模块中，农机在农田中作业的轨迹点的密度更高，道路上行驶的轨迹点密度较低，以此对农田和道路进行初步分割。

小簇消除修正模块中，将所述DBSCAN密度聚类分割模块密度聚类结果的每一个簇的方向按照每10°作为一个区间进行划分，统计每个簇上有数据分布的方向数量和每个方向上的点的数量，若一个簇中某两个方向上点数较多且与其他方向上点数差距较大，则认为该簇为真正的农田；若一个簇中每个方向上的点数分布均匀且数量都小于其阈值，优选为30，则认为该簇是识别错误的农田，并将所述识别错误的农田修正为道路。

田路交界处修正模块中，借助DBSCAN密度聚类分割模块的密度聚类结果的标签找到农田和道路的交界处点，统计该交界处点邻近的农田中数量分布最多的两个方向，用交界处点的方向值与这两个方向的值进行比较，如果所述交界处点与农田中的方向相似度高，则该交界处点被修正为农田。求取对应农田中分布最多的方向时不进行区间的划分而是进行直接求取。

田路田修正模块中，以时间顺序将整条轨迹划分成田、路、田…模式的多个轨迹段，求取连续三个轨迹段符合田、路、田模式中的每一轨迹段的方向分布和速度特征，若连续三个轨迹段符合田、路、田模式的路轨迹段的速度与其前后的田轨迹段平均速度差小于其阈值，优选为2m/s，且路轨迹段的方向与其前后田轨迹段的平均方向差小于其阈值，优选为20度，则将路轨迹段修正为农田。

路路路修正模块中，以时间顺序将整条轨迹划分成田、路、田…模式的多个轨迹段，求取连续三个轨迹段为路、路、路模式中的每个轨迹段的平均速度和平均方向，若三个路轨迹段的平均速度差小于其阈值，优选为2m/s，且平均方向相同，则将三个路轨迹段都修正为农田。

优选地，在以时间顺序对整个轨迹进行划分时，所划分的每个轨迹段的轨迹点数大于20。

本发明的有益效果在于：本发明提供了一种基于农机作业轨迹对农田和道路进行分割的方法和系统，其可以根据农机作业轨迹自动分割出农田和道路，其智能化和分割的准确率相较于普通的农田和道路的区分方法都有明显的提高。本发明的方法相比于人工确定农田和道路交界的原始方法，可以节省大量的人力物力；相比于遥感图像处理的轨迹分割方法对遥感图像的清晰度依赖较高、数据难以获取，尤其是对农田分布面积较广(多个省市)的农田分割比较难以实现的缺点，本发明方法中仅需要获取经纬度、方向、速度数据即可实现，数据采集方便，实现过程简单。本发明方法中在DBSCAN密度聚类方法上，增加了四个修正方法，克服了聚类方法仅仅依靠密度判断将农田和道路分类错误的问题，能够借助最少的轨迹信息高准确率的根据农机作业轨迹对农田和道路进行确定。

附图说明

图1是本发明方法的流程图；

图2是DBSCAN聚类结果图；

图3是DBSCAN错误识别图(图3中的虚线圆圈为识别错误的区域，可以被小簇消除修正模块进行修正)；

图4是田路田类型错误识别图(图4中的田路田错误类型可以被田路田修正模块进行修正)；

图5是路路路类型错误识别图(图5中的路路路错误类型可以被路路路修正模块进行修正)。

具体实施方式

下面结合附图和具体的实施例，对本发明的方法作详细说明。

步骤1：数据获取

本实施例中，所使用的测试数据来自多个省份的农机作业数据，该数据集分布广泛分别来自海南、山东、辽宁等多个省市，数据采集时间间隔大致为1S，总共采集了2019年4月份到11月份其中的186天数据，经过筛选其中大于7000个轨迹点的数据有152天。本实施例中从总体数据中随机选取了符合条件的25个农机的60条作业轨迹。经统计，被选取的60条轨迹中总共包含1275,700个轨迹点、434块农田、465条道路。

步骤2：数据清洗

在农机作业轨迹的采集过程中，GPS定位仪器经常会出现重采样、静止轨迹等采样错误情况，为了避免采样错误对后续分类方法造成影响，事先需要对数据进行相应的清理，数据清理如上面所述。

步骤3：DBSCAN密度聚类

DBSCAN是基于密度聚类的方法，可以很好对密度分布不同的数据进行分类，但该方法对半径eps和最少点minpts值的选取表现的特别敏感，选取的参数不同对最终分类效果影响十分明显。本实施例中对随机选取的60条轨迹进行标注，然后划分成10组实验，每组实验中包含从60条轨迹中随机选取的30条作为训练集，另外30条轨迹作为测试集，然后进行参数的训练选取，最后使用训练好的参数对轨迹进行分类，如图2所示，图中圈出的轨迹点部分为农田，其余点为道路类型。对10组实验求取分类准确率，结果如表1所示：

表1 10组实验的轨迹分类的准确率

	农田	道路	平均
				precision	97.42	96.75	97.16
recall	99.76	89.90	94.82
				f1score	98.23	92.55	95.44

步骤4：小簇消除

在步骤3的聚类结果中存在道路上分类错误的情况，该步骤就是通过统计簇的方向分布来对分类错误的农田进行修正，如图3中圈出区域为错误识别部分，小簇消除部分就是将这些识别错误的地方进行修正。首先对每一个聚类结果簇进行方向的统计，统计区间为10°，得到方向分布后，通过10组实验的划分得到含有轨迹点的方向数目阈值和每个方向上数目分布的阈值，将不符合分布条件(错误识别为农田)的簇修正为道路。

步骤5：田路交界处修正

农机行驶到农田附近时会进行减速，此时虽然农机仍在路上但轨迹点的密度会变高，因此在交界处会出现道路被错误识别为农田的情况，步骤5对这种错误类型进行修正，具体方法为：先识别出农田和道路的交界处，以分类结果农田和道路交界处的农田轨迹点作为中间点，向两侧进行判断，分别确定每一个点是农田还是道路。对每一个点的判断方法是：统计邻近的农田中数量分布最多的两个方向，因为农机是来回作业，故借助这一特点来进行方向的选取，在确定了农田中分布最多的两个值之后，用交界处点的方向值与这两个值进行比较，如果与农田中的方向相似度高，则该点就被修正为农田，否则，就被修正为道路。经过步骤4小簇消除和步骤5田路交界处修正之后的最终结果的准确率如表2所示：

表2 10组实验小簇消除和天路交界处修正后的轨迹分类准确率

	农田	道路	平均
				precision	98.13	95.12	96.68
recall	99.32	93.88	96.62
				f1score	98.35	93.93	96.19

将小簇消除和交界处修正后的结果与聚类结果进行对比可以得出，平均f1score提升了0.75％，因此使用小簇消除和交界处修正的方法可以有效的提升分类的准确率。

步骤6：田路田模式修正

当农机在农田内部作业时，偶尔会出现轨迹点密度低的情况，基于密度的聚类方法会将这些密度低的区域错误的识别为道路，如图4所示，圈出区域为识别错误的类型，步骤6对这种识别错误类型进行修正，其方法为：对经过密度聚类和小簇消除、田路处修正的结果进行轨迹分段，整条轨迹按照时间顺序按照轨迹点的初步分类结果划分成田、路、田…的形式，并且求取每一轨迹段的方向分布和速度特征。然后遍历每一个轨迹段，若连续三段轨迹符合田、路、田的形式，就对中间道路轨迹段进行判断，若道路轨迹段的速度与前后田轨迹段的速度相似，进而再判断道路轨迹段与前后农田轨迹段的方向分布相似度，若速度和方向特征均满足条件，则将中间的道路轨迹段修正为农田。从结果可以看出田路田修正模式可以达到非常不错的修正效果，经过修正之后的各部分的分类准确率如表3所示。

表3 10组实验田路田模式修正后的轨迹分类准确率

	农田	道路	平均
				precision	98.12	95.51	96.87
recall	99.41	93.82	96.63
				f1score	98.39	94.13	96.31

在经过步骤6的田路田模式修正之后平均f1score提升了0.12％，该步骤可以有效的修正田路田模式的分类错误情况。

步骤7：路路路模式修正

由于农机交叉作业或数据采集等问题，导致农田内部整条轨迹都比较稀疏，因此聚类方法存在多段平行农田错误识别为道路的情况，如图5所示，基于方向分布的路路路修正方法可以将这种识别错误的道路类型修正为农田。路路路的模式在轨迹段分割方式上与步骤6相同，逐段遍历轨迹段，若找到路路路的模式就对其进行修正，修正时判断方式为：求取三段平行道路轨迹段上农机行驶的平均速度，若三段平行道路轨迹段上的行驶速度差值小于阈值(2m/s)，就继续进行三段平行道路轨迹段方向的判断，若方向相似程度高(三段平行道路轨迹段的方向相同，方向差为0)，则将三段平行道路轨迹段修正为农田，否则不做出改变。表4示出的是路路路模式具体的修正结果的准确率。

表4 10组实验路路路模式修正后的轨迹分类准确率

	农田	道路	平均
				precision	98.12	96.14	97.19
recall	99.47	93.82	96.66
				f1score	98.42	94.51	96.52

步骤7在步骤6的基础上平均f1score提升0.21％，尤其对于道路的识别准确率提升显著。

上述施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于农机作业轨迹确定农田和道路的方法，包括：

步骤1：GPS数据采集，利用安装在农机上的GPS数据采集模块采集农机运动轨迹数据；

步骤2：数据清理，对采集数据中的重采样、静止轨迹、静态漂移、经纬度异常的数据进行清理；

步骤3：DBSCAN密度聚类方法分割，对步骤2清理后的数据，利用DBSCAN聚类方法对农机作业轨迹进行聚类分析，对农田和道路进行初步分割；

步骤4：小簇消除修正，在步骤3聚类分析的基础上，利用小簇消除方法，根据正确和错误识别的农田中农机轨迹方向分布不同的特征对农田和道路进行区分，将农机轨迹点密度过高而被错误分类为农田的区域修正为道路；

步骤5：田路交界处修正，在所述步骤3的基础上，根据道路和农田交界处点的方向值与其邻近的农田中数量分布最多的两个方向的相似度高低，将该交界处点进行修正；并以该交界处点作为中间点，依次向两侧进行判断，对农田和道路的交界处区域进行修正；

步骤6：田路田模式修正，在所述步骤3至步骤5修正的分类结果基础上，以时间顺序将整条轨迹划分多个轨迹段，对相邻轨迹段出现田路田模式中的路轨迹段，根据比较所述路轨迹段与其相邻的前后农田轨迹段的速度和方向分布，对所述路轨迹段进行分类结果的修正；

步骤7：路路路模式修正，在所述步骤3至步骤5修正的分类结果基础上，以时间顺序将整条轨迹划分多个轨迹段，对于相邻三个轨迹段出现路路路模式中的三个路轨迹段，比较三个所述路轨迹段的平均速度和平均方向分布，将所述三个轨迹段进行修正。

2.根据权利要求1所述的一种基于农机作业轨迹确定农田和道路的方法，其特征在于，所述步骤4的具体方法为：将所述步骤3密度聚类结果的每一个簇的方向按照每10°作为一个区间进行划分，统计每个簇上有数据分布的方向数量和每个方向上的点的数量，若一个簇中某两个方向上点数较多且与其他方向上点数差距较大，则认为该簇为真正的农田；若一个簇中每个方向上的点数分布均匀且数量都小于阈值，则认为该簇是识别错误的农田，并将所述识别错误的农田修正为道路。

3.根据权利要求1所述的一种基于农机作业轨迹确定农田和道路的方法，其特征在于，所述步骤5的具体方法为：借助步骤3的密度聚类结果的标签找到农田和道路的交界处点，统计该交界处点邻近的农田中数量分布最多的两个方向，用交界处点的方向值与这两个方向的值进行比较，如果所述交界处点与农田中的方向相似度高，则该交界处点被修正为农田。

4.根据权利要求1所述的一种基于农机作业轨迹确定农田和道路的方法，其特征在于，所述步骤6的具体方法为：在所述步骤3至步骤5修正的基础上，以时间顺序将整条轨迹划分成田、路、田…模式的多个轨迹段，求取连续三个轨迹段符合田、路、田模式中的每一轨迹段的方向分布和速度特征，若连续三个轨迹段符合田、路、田模式的路轨迹段的速度与其前后的田轨迹段平均速度差小于其阈值，且路轨迹段的方向与其前后田轨迹段的平均方向差小于其阈值，则将路轨迹段修正为农田。

5.根据权利要求1所述的一种基于农机作业轨迹确定农田和道路的方法，其特征在于，所述步骤7的具体方法为：在所述步骤3至步骤5修正的基础上，以时间顺序将整条轨迹划分成田、路、田…模式的多个轨迹段，求取连续三个轨迹段为路、路、路模式中的每个轨迹段的平均速度和平均方向，若三个路轨迹段的平均速度差小于其阈值且平均方向相同，则将三个路轨迹段都修正为农田。

6.一种基于农机作业轨迹确定农田和道路的系统，该系统包括：

GPS数据采集模块，其安装在农机上，用于对农机行驶时的数据进行采集，并将采集到的数据发送到数据清理模块；

数据清理模块，用于对GPS数据采集模块发送的数据中的重采样、静止轨迹、静态漂移、经纬度异常的数据进行清理；

DBSCAN密度聚类分割模块，利用DBSCAN密度聚类方法对数据清理模块清理后的数据进行聚类分析，根据农机行驶时的轨迹密度对农田和道路进行初步分割；

小簇消除修正模块，在DBSCAN密度聚类分割模块对农田和道路初步分割的基础上，利用小簇消除方法，根据正确和错误识别的农田中农机轨迹方向分布不同的特征对农田和道路进行区分，将农机轨迹点密度过高而被错误分类为农田的区域修正为道路；

田路交界处修正模块，在DBSCAN密度聚类的基础上，根据道路和农田交界处点的方向值与其邻近的农田中数量分布最多的两个方向的相似度高低，将该交界处点进行修正；并以该交界处点作为中间点，依次向两侧进行判断，对农田和道路的交界处区域进行修正；

田路田模式修正模块，在DBSCAN密度聚类分割模块、小簇消除修正模块和田路交界处修正模块修正后的分类结果基础上，以时间顺序将整条轨迹划分多个轨迹段，对相邻轨迹段出现田路田模式中的路轨迹段，根据比较其与前后农田轨迹段的速度和方向分布，进行分类结果的修正；

路路路模式修正模块，在DBSCAN密度聚类分割模块、小簇消除修正模块和田路交界处修正模块修正后的分类结果基础上，以时间顺序将整条轨迹划分多个轨迹段，对于相邻三个轨迹段出现路路路模式中的三个路轨迹段，比较三个路轨迹段的平均速度和平均方向分布，将三个轨迹段进行修正。

7.根据权利要求6所述的一种基于农机作业轨迹确定农田和道路的系统，其特征在于，所述小簇消除修正模块中，将所述DBSCAN密度聚类分割模块密度聚类结果的每一个簇的方向按照每10°作为一个区间进行划分，统计每个簇上有数据分布的方向数量和每个方向上的点的数量，若一个簇中某两个方向上点数较多且与其他方向上点数差距较大，则认为该簇为真正的农田；若一个簇中每个方向上的点数分布均匀且数量都小于其阈值，则认为该簇是识别错误的农田，并将所述识别错误的农田修正为道路。

8.根据权利要求6所述的一种基于农机作业轨迹确定农田和道路的系统，其特征在于，所述田路交界处修正模块中，借助DBSCAN密度聚类分割模块的密度聚类结果的标签找到农田和道路的交界处点，统计该交界处点邻近的农田中数量分布最多的两个方向，用交界处点的方向值与这两个方向的值进行比较，如果所述交界处点与农田中的方向相似度高，则该交界处点被修正为农田。

9.根据权利要求6所述的一种基于农机作业轨迹确定农田和道路的系统，其特征在于，所述田路田修正模块中，以时间顺序将整条轨迹划分成田、路、田…模式的多个轨迹段，求取连续三个轨迹段符合田、路、田模式中的每一轨迹段的方向分布和速度特征，若连续三个轨迹段符合田、路、田模式的路轨迹段的速度与其前后的田轨迹段平均速度差小于其阈值，且路轨迹段的方向与其前后田轨迹段的平均方向差小于其阈值，则将路轨迹段修正为农田。

10.根据权利要求6所述的一种基于农机作业轨迹确定农田和道路的系统，其特征在于，所述路路路修正模块中，以时间顺序将整条轨迹划分成田、路、田…模式的多个轨迹段，求取连续三个轨迹段为路、路、路模式中的每个轨迹段的平均速度和平均方向，若三个路轨迹段的平均速度差小于其阈值且平均方向相同，则将三个路轨迹段都修正为农田。

Images