CN113436248B - 计算农机作业面积的方法和装置 - Google Patents

计算农机作业面积的方法和装置 Download PDF

Info

Publication number
CN113436248B
CN113436248B CN202110676012.6A CN202110676012A CN113436248B CN 113436248 B CN113436248 B CN 113436248B CN 202110676012 A CN202110676012 A CN 202110676012A CN 113436248 B CN113436248 B CN 113436248B
Authority
CN
China
Prior art keywords
track
road
agricultural machine
map image
determining
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
CN202110676012.6A
Other languages
English (en)
Other versions
CN113436248A (zh
Inventor
姚亮
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.)
Heilongjiang Huida Technology Co.,Ltd.
Original Assignee
Heilongjiang Huida Technology Development Co ltd
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 Heilongjiang Huida Technology Development Co ltd filed Critical Heilongjiang Huida Technology Development Co ltd
Priority to CN202110676012.6A priority Critical patent/CN113436248B/zh
Publication of CN113436248A publication Critical patent/CN113436248A/zh
Application granted granted Critical
Publication of CN113436248B publication Critical patent/CN113436248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本申请提供一种计算农机作业面积的方法和装置，该方法可以包括：根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹；根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路；根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹；根据所述作业轨迹确定所述农机的作业面积。该技术方案可以利用模式识别识别道路，并通过区分农机行驶过程中的道路轨迹和作业轨迹，根据作业轨迹来计算农机的作业面积。

Description

计算农机作业面积的方法和装置
技术领域
本申请涉及农业领域，并且更具体地，涉及一种计算农机作业面积的方法和装置。
背景技术
在农业领域中，机械自动化作业越来越普遍，例如，使用农业机械进行播种、作物收割等，但是农机在一天中可能会在多个地块中进行作业，且该多个作业地块可能间距较远，因此，农机的行驶轨迹中存在部分轨迹是行驶在道路中，并不是进行作业。
因此，在计算农机的作业面积时，存在一定困难。
发明内容
本申请实施例提供了一种计算农机作业面积的方法和装置，该技术方案可以利用模式识别识别道路，并通过区分农机行驶过程中的道路轨迹和作业轨迹，根据作业轨迹来计算农机的作业面积，从而更简便快捷地确定农机的作业面积。
第一方面，提供了一种计算农机作业面积的方法，根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹；根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路；根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹；根据所述作业轨迹确定所述农机的作业面积。
基于本申请实施例，利用模式识别识别道路，并通过区分农机行驶过程中的道路轨迹和作业轨迹，根据作业轨迹来计算农机的作业面积，从而更简便快捷地确定农机的作业面积。
结合第一方面，在第一方面的一种实现方式中，所述根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹，包括：
当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹。
基于本申请实施例，可以确定行驶轨迹中的道路轨迹和作业轨迹，有利于准确的计算农机的作业面积。
结合第一方面，在第一方面的一种实现方式中，所述根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹和道路轨迹，包括：将所述农机行驶轨迹中的相邻两个定位点两两相连；当相邻两个线段之间的夹角大于第一预设角度时，截断折线得到第一折线，并以该第一折线的终点为起点，遍历余下的定位点，得到N条折线；当所述折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述折线为道路轨迹；当所述折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述折线为作业轨迹。
基于本申请实施例，可以确定行驶轨迹中的道路轨迹和作业轨迹，有利于准确的计算农机的作业面积。
结合第一方面，在第一方面的一种实现方式中，所述第一神经网络模型通过以下步骤训练得到：采集M张所述地图影像图片；对M张所述地图影像图片进行道路标记；将标记后的M张地图影像图片输入第一神经网络模型中进行训练。
结合第一方面，在第一方面的一种实现方式中，所述根据所述作业轨迹确定所述农机的作业面积，包括：根据所述作业轨迹中每个定位点的经纬度信息，确定所述农机的作业面积。
基于本申请实施例，通过农机作业轨迹中的定位点的经纬度信息，可以确定农机的作业面积，该技术方案更加简单便捷。
结合第一方面，在第一方面的一种实现方式中，所述地图影像图片由多个瓦片构成。
结合第一方面，在第一方面的一种实现方式中，所述第一神经网络模型为solov2模型。
第二方面，一种计算农机作业面积的方法的装置，包括：存储器，用于存储指令；处理器，用于调用所述指令，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹；根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路；根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹；根据所述作业轨迹确定所述农机的作业面积。
结合第二方面，在第二方面的一种实现方式中，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：
当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹。
结合第二方面，在第二方面的一种实现方式中，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：将所述农机行驶轨迹中的相邻两个定位点两两相连；当相邻两个线段之间的夹角大于第一预设角度时，截断折线得到第一折线，并以该第一折线的终点为起点，遍历余下的定位点，得到N条折线；当所述N条折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述行驶轨迹为道路轨迹；当所述N条折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述行驶轨迹为作业轨迹。
结合第二方面，在第二方面的一种实现方式中，所述第一神经网络模型通过以下步骤训练得到：采集M张所述地图影像图片；对M张所述地图影像图片进行道路标记；将标记后的M张地图影像图片输入第一神经网络模型中进行训练。
结合第二方面，在第二方面的一种实现方式中，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：根据所述作业轨迹中每个定位点的经纬度信息，确定所述农机的作业面积。
结合第二方面，在第二方面的一种实现方式中，所述地图影像图片由多个瓦片构成。
结合第二方面，在第二方面的一种实现方式中，所述第一神经网络模型为solov2模型。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序或指令，所述计算机程序或指令被执行时使得计算机执行如上述第一方面及其任一种可能的实现方式中所述的计算农机作业面积的方法。
第四方面，提供一种计算机程序产品，该计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当该计算机程序被运行时，使得计算机执行如上述第一方面及其任一种可能的实现方式中所述的计算农机作业面积的方法。
附图说明
图1是本申请实施例提供的一种农机作业场景的示意图。
图2是本申请实施例提供的一种计算农机作业面积的示意性流程图。
图3是本申请实施例提供的一种确定道路轨迹和作业轨迹的示意图。
图4是本申请实施例提供的一种计算农机作业面积的装置的示意性框图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行描述。
本申请实施例中的计算农机作业面积的方法可以应用于各种农业机械中。
在农业领域中，机械自动化作业越来越普遍，例如，使用农业机械进行播种、作物收割等，但是农机在一天中可能会在多个地块中进行作业，且该多个作业地块可能间距较远，因此，农机的行驶轨迹中存在部分轨迹是行驶在道路中，并不是进行作业。
因此，在计算农机的作业面积时，存在一定困难。
有鉴于此，本申请实施例提供一种计算农机作业面积的方法，该技术方案可以利用模式识别识别道路，并通过区分农机行驶过程中的道路轨迹和作业轨迹，根据作业轨迹来计算农机的作业面积，从而更简便快捷地确定农机的作业面积。
图1是本申请实施例提供的一种农机作业场景的示意图。
参见图1，道路130、道路121、道路122、道路123将农田分成多个区域，区域120、区域414、区域142、区域143、区域144分别为农田，可以作为农机的作业区域。
示例性地，农机110行驶在道路130上，需要去区域120去作业，则农机110可以从道路130中行驶至道路121，然后沿着道路121行驶一段距离，从而进入区域120进行作业，直至区域120作业完成，在这个过程中，农机的行驶轨迹中既存在道路轨迹(行驶在道路中产生的轨迹)，又存在作业轨迹(作业过程中产生的轨迹)。
对于上述道路121、122、123、130来说，由于属于田间小路，在一般的地图软件中并不会对其进行标记，如百度地图、高德地图等并不会有上述道路121、122、123、130的信息。
对于此种情况，本申请中通过采集农机行驶轨迹中的地图影像，并对该地图影像中的田间小路(如，道路121、122等)进行标记，得到标记后的地图影像。
本申请实施例中，地图影像是由瓦片图像构成的，根据图像清晰度可以选择在比例尺z＝15下进行识别，遍历农机行驶轨迹的经纬度，可以得到所有定位点的瓦片的tx、ty数据，通过该tx、ty数据可以下载相应的瓦片图像，瓦片图像的尺寸一般为256*256像素，而神经网络模型的输入尺寸是1024*1024像素，因此，将16张瓦片图像组成一张地图影像，作为神经网络模型的输入。
本申请实施例中，经纬度转换瓦片的公式可以表示为：
tx＝floor((x+180)/360*(1<<z))；
ty＝floor((1-log(tan(y*PI/180)+1/cos(y*PI/180))/PI)/2*(1<<z))。
其中，floor表示向下取整，x表示经度、y表示纬度，z表示地图缩放层级，z越大比例尺越小。
瓦片的tx、ty表示该瓦片在瓦片服务中的位置坐标，当调用瓦片服务输入该tx、ty时即可得到对应的瓦片图片。
通过采集多张瓦片图像，例如，组成3000张地图影像图片，分别对该3000张地图影像图片进行上述道路标记，作为神经网络的训练数据。该训练好的神经网络模型用于识别地图影像中图片的道路信息。
本申请实施例中，经纬度转换像素公式为：
px’＝floor((x+180)*(256<<z)/360-tx*256)；
py’＝floor((128<<z)*(1-log((1+sin(y*PI/180))/(1-sin(y*PI/180)))/(2*PI))-ty*256)；
其中，px’、py’为经纬度在瓦片图像中的像素坐标，在地图影像图片为16张瓦片组成的情况下，经纬度在地图影像图片中的坐标可以表示为：
px＝px’+(tx％4)*256；
py＝py’+(ty％4)*256；
通过上述转换可知，每个经纬度点是否在地图影像图片中的道路中。
图2是本申请实施例提供的一种计算农机作业面积的方法的示意性流程图。该方法可以包括步骤210至步骤240。
步骤210，根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹。
其中，该农机中可以安装有定位装置，该定位装置可以是全球定位系统(globalpositioning system,GPS)、北斗卫星导航系统(beidou navigation satellite system,BDS)、格洛纳斯卫星导航系统(global navigation satellite system,GLONASS)和伽利略卫星定位系统(galileo satellite navigation system,Galileo)中的至少一种，本申请实施例对此不做具体限定。
在农机行驶的过程中，通过该农机上安装的定位装置，可以实时获取该农机的位置，从而可以获取该农机的行驶轨迹。
示例性地，在地图中对该农机的实时位置进行标记，从而可以得到具有农机的行驶轨迹的地图，并根据该具有行驶轨迹的地图生成地图影像图片。
应理解，该地图影像图片可以包括该农机的全部行驶轨迹，也可以包括该农机的部分行驶轨迹，当该地图影像图片包括农机的部分行驶轨迹时，多张地图影像图片组合起来可以包括该农机的全部行驶轨迹，本申请实施例对此不予限定。
可选地，该地图影像图片由多个瓦片构成。
示例性地，该地图影像图片由16个瓦片拼接构成。
步骤220，根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路。
本申请实施例中，该第一神经网络模型可以是机器学习模型如随机森林、人工神经网络、贝叶斯学习等或深度学习模型如卷积神经网络、深度置信网络、循环神经网络、堆栈自编码网络模型中的至少一种。
示例性地，该神经网络模型为实例分割(segmenting objects by locations，solo)v2模型，即solov2模型。
本申请实施例中，在步骤210中生成的地图影像图片，可以输入该第一神经网络模型中，以识别该地图影像图片中的道路。
可选地，该第一神经网络模型可以通过以下步骤训练得到：
采集M张所述地图影像图片；
对M张所述地图影像图片进行道路标记；
将标记后的M张地图影像图片输入第一神经网络模型中进行训练。
该技术方案中，可以采集M张该地图影像图片，并对该M张地图影像图片进行道路标记，即对该地图影像图片中的田间小路进行道路标记，以便于神经网络模型学习和训练。
示例性地，该M为3000或5000等。
步骤230，根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹。
其中，可以根据该第一神经网络模型的识别结果和该农机的行驶轨迹确定该农机的作业轨迹。
应理解，该作业轨迹为农机在作业时产生的轨迹，该道路轨迹为农机行驶在道路上产生的轨迹，通过第一神经网络模型可以识别出地图影像图片中的道路，当农机的行驶轨迹与该道路重叠或该行驶轨迹中占比大于第一阈值的部分都在该道路中时，可认为该部分行驶轨迹为道路轨迹，则其他部分可认为是作业轨迹。
可选地，当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹，包括：
将所述农机行驶轨迹中的相邻两个定位点两两相连；
当相邻两个线段所在的直线之间的夹角大于第一预设角度时，截断折线得到第一折线，并以该第一折线的终点为起点，遍历余下的定位点，得到N条折线，N为正整数；
当所述折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述折线为道路轨迹；
当所述折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述折线为作业轨迹。
下文将结合具体实施例描述该确定该道路轨迹和作业轨迹的技术方案，此处暂不详述。
步骤240，根据所述作业轨迹确定所述农机的作业面积。
在步骤230中已经区分除了农机行驶轨迹中的作业轨迹和道路轨迹，则可以根据农机的作业轨迹确定该农机的作业面积。
在一种可能的实现方式中，可以根据该作业轨迹中各定位点的经纬度信息，确定该农机的作业面积。
示例性地，根据该作业轨迹中各定位点的经纬度信息，可以确定该作业轨迹形成的作业区域，从而可以计算出该作业区域的面积，该面积即为该农机的作业面积。
具体地，根据农机的作业轨迹，可以确定该农机的作业距离，将该作业距离乘以农机的作业幅宽，则可以得到该农机的作业面积。
在另一种可能的实现方式中，还可以根据该作业轨迹所在的地图的地理信息系统(global information system，GIS)网格，确定该作业轨迹形成的作业面积。
具体地，将农机的作业轨迹连成轨迹线，对该轨迹线在GIS环境下以1.5倍作业幅宽进行缓冲区操作，把轨迹线转换成作业区域，然后以-0.5倍作业幅宽进行缓冲区操作，对作业区域进行缩减，得到最终的作业区域即为作业面积。
基于本申请实施例，可以根据农机的行驶轨迹生成地图影像图片，并结合神经网络模型识别该地图影像图片中的道路，并根据该神经网络模型的识别结果和农机的行驶轨迹确定农机的作业轨迹和道路轨迹，之后根据该作业轨迹确定农机的作业面积。该技术方案可以利用模式识别识别道路，并通过区分农机行驶过程中的道路轨迹和作业轨迹，根据作业轨迹来计算农机的作业面积，从而更简便快捷地确定农机的作业面积。
图3是本申请实施例提供的一种确定道路轨迹和作业轨迹的示意图。图3中示出了农机在地图中的行驶轨迹。农机的行驶轨迹中既包括道路轨迹又包括作业轨迹。
应理解，农机中安装有定位装置，可以实时检测到农机的位置。
如图3所示，农机的行驶轨迹A至B部分可以包括多个定位点，可以将相邻两个定位点两两相连，当相邻两个线段所在的直线之间的夹角小于或等于第一预设角度时，继续判断下一个定位点；当相邻两个线段所在的直线之间的夹角大于第一预设角度时，将该折线截断得到第一折线L1，然后以L1的终点作为起点，继续判断后面的两个线段所在的直线之间的夹角是否大于第一预设角度，若大于第一预设角度，则截断该折线得到第二折线L2，若小于或等于该第一预设角度，则继续判断下一个定位点，然后依次遍历余下的定位点，可以得到N条这点，N为正整数。
示例性地，该第一预设角度可以为30度、15度等。
当所述折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述折线为道路轨迹；
示例性地，该第二预设值可以为80％，90％等。如图3所示，轨迹从A至B中所有的定位点均在道路130中，则轨迹A至B可以确定为道路轨迹。
当所述折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述折线为作业轨迹。
示例性地，轨迹从B至C中大部分的定位点不在道路130中，则该轨迹B至C可以确定为作业轨迹。
基于本申请实施例，可以区分农机行驶轨迹中的道路轨迹和作业轨迹，从而有利于计算农机的作业面积。
图4是本申请实施例提供的一种计算农机作业面积的装置。
如图4所示，该装置500可以包括存储器510和处理器520。该存储器510用于存储指令；该处理器520用于调用所述指令，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹；根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路；根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹；根据所述作业轨迹确定所述农机的作业面积。
可选地，当所述指令被所述处理器520执行时，使得所述装置500执行以下步骤：
当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹。
可选地，当所述指令被所述处理器520执行时，使得所述装置500执行以下步骤：
将所述农机行驶轨迹中的相邻两个定位点两两相连；
当相邻两个线段之间的夹角大于第一预设角度时，截断折线得到第一折线，并以该第一折线的终点为起点，遍历余下的定位点，得到N条折线；
当所述N条折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述行驶轨迹为道路轨迹；
当所述N条折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述行驶轨迹为作业轨迹。
可选地，所述第一神经网络模型通过以下步骤训练得到：
采集M张所述地图影像图片；
对M张所述地图影像图片进行道路标记；
将标记后的M张地图影像图片输入第一神经网络模型中进行训练。
可选地，当所述指令被所述处理器520执行时，使得所述装置500执行以下步骤：
根据所述作业轨迹中每个定位点的经纬度信息，确定所述农机的作业面积。
可选地，所述地图影像图片由多个瓦片构成。
可选地，所述第一神经网络模型为solov2模型。
本申请实施例还提供一种芯片，所述芯片包括处理器和通信接口，所述通信接口用于接收信号，并将所述信号传输至所述处理器，所述处理器处理所述信号，使得如上述实施例中所述的计算农机作业面积的方法被执行。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序或指令，所述计算机程序或指令被执行时使得计算机执行如前文中任一项所述的计算农机作业面积的方法。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当该计算机程序被运行时，使得计算机执行如前文中任一项所述的计算农机作业面积的方法。
本申请实施例还提供了一种处理装置，包括处理器和接口；所述处理器用于执行上述任一方法实施例中的方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例中的方法，如果以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，可以存储在计算机可读存储介质中，基于这样的理解，本申请的技术方案或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)执行本申请各个实施例所述方法的全部或部分步骤。该存储介质至少包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种计算农机作业面积的方法，其特征在于，包括：
根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹；
根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路；
根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹；
根据所述作业轨迹确定所述农机的作业面积；
所述根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹包括：
当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹；
当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹，包括：
将所述农机行驶轨迹中的相邻两个定位点两两相连；
当相邻两个线段所在的直线之间的夹角大于第一预设角度时，截断折线得到第一折线，并以该第一折线的终点为起点，遍历余下的定位点，得到N条折线，N为正整数；
当所述折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述折线为道路轨迹；
当所述折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述折线为作业轨迹。
2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型通过以下步骤训练得到：
采集M张所述地图影像图片；
对M张所述地图影像图片进行道路标记；
将标记后的M张地图影像图片输入第一神经网络模型中进行训练。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述作业轨迹确定所述农机的作业面积，包括：
根据所述作业轨迹中定位点的经纬度信息，确定所述农机的作业面积。
4.根据权利要求1或2所述的方法，其特征在于，所述地图影像图片由多个瓦片构成。
5.根据权利要求1或2所述的方法，其特征在于，所述第一神经网络模型为实例分割solov2模型。
6.一种计算农机作业面积的装置，其特征在于，包括：
存储器，用于存储指令；
处理器，用于调用所述指令，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：
根据农机的行驶轨迹生成地图影像图片，所述地图影像图片包括所述农机的行驶轨迹；
根据预先训练好的第一神经网络模型识别所述地图影像图片中的道路；
根据所述第一神经网络模型的识别结果和所述农机的行驶轨迹确定所述农机的作业轨迹；
根据所述作业轨迹确定所述农机的作业面积；
当所述指令被所述处理器执行时，使得所述装置执行以下步骤：
当所述行驶轨迹与所述识别结果中的道路重叠时，则确定所述行驶轨迹中与所述道路重叠的轨迹部分为道路轨迹，所述行驶轨迹中除所述道路轨迹以外的轨迹部分为作业轨迹；
当所述指令被所述处理器执行时，使得所述装置执行以下步骤：
将所述农机行驶轨迹中的相邻两个定位点两两相连；
当相邻两个线段之间的夹角大于第一预设角度时，截断折线得到第一折线，并以该第一折线的终点为起点，遍历余下的定位点，得到N条折线；
当所述N条折线中的定位点中处在所述道路中的定位点的占比大于或等于第二预设值时，确定所述行驶轨迹为道路轨迹；
当所述N条折线中的定位点中处在所述道路中的定位点的占比小于所述第二预设值时，确定所述行驶轨迹为作业轨迹。
7.根据权利要求6所述的装置，其特征在于，所述第一神经网络模型通过以下步骤训练得到：
采集M张所述地图影像图片；
对M张所述地图影像图片进行道路标记；
将标记后的M张地图影像图片输入第一神经网络模型中进行训练。
8.根据权利要求6或7所述的装置，其特征在于，当所述指令被所述处理器执行时，使得所述装置执行以下步骤：
根据所述作业轨迹中每个定位点的经纬度信息，确定所述农机的作业面积。
9.根据权利要求6或7所述的装置，其特征在于，所述地图影像图片由多个瓦片构成。
10.根据权利要求6或7所述的装置，其特征在于，所述第一神经网络模型为solov2模型。
11.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时使得计算机执行如权利要求1至5中任一项所述的方法。
CN202110676012.6A 2021-06-18 2021-06-18 计算农机作业面积的方法和装置 Active CN113436248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110676012.6A CN113436248B (zh) 2021-06-18 2021-06-18 计算农机作业面积的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110676012.6A CN113436248B (zh) 2021-06-18 2021-06-18 计算农机作业面积的方法和装置

Publications (2)

Publication Number Publication Date
CN113436248A CN113436248A (zh) 2021-09-24
CN113436248B true CN113436248B (zh) 2023-05-23

Family

ID=77756379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110676012.6A Active CN113436248B (zh) 2021-06-18 2021-06-18 计算农机作业面积的方法和装置

Country Status (1)

Country Link
CN (1) CN113436248B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103999113A (zh) * 2011-12-15 2014-08-20 富士通株式会社 计算方法、计算程序以及计算装置
CN104094687A (zh) * 2014-07-11 2014-10-15 河南省贞德有机农业有限公司 一种多垄杂草清除机
CN111868566A (zh) * 2019-10-11 2020-10-30 安徽中科智能感知产业技术研究院有限责任公司 一种基于定位漂移测算模型的农机作业面积测算方法
CN112013757A (zh) * 2020-09-22 2020-12-01 周润禾 一种高精度农机作业面积计算方法、装置及电子设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2665684B2 (ja) * 1989-09-22 1997-10-22 本田技研工業株式会社 移動体の現在位置表示装置
JPH1038591A (ja) * 1996-07-24 1998-02-13 Nippon Telegr & Teleph Corp <Ntt> 走行軌跡データ処理装置
DE19706614A1 (de) * 1997-02-20 1998-08-27 Claas Ohg Situationsbezogene programmgesteuerte elektronische Kartenbilddarstellung in einem Kraftfahrzeug
US10176388B1 (en) * 2016-11-14 2019-01-08 Zoox, Inc. Spatial and temporal information for semantic segmentation
CN107036572B (zh) * 2017-04-12 2019-07-23 中国农业大学 一种农机作业面积获取方法及装置
CN107462208A (zh) * 2017-08-15 2017-12-12 河北农业大学 一种农机及农机作业面积测量装置和测量方法
CN107657637B (zh) * 2017-09-25 2020-05-01 中国农业大学 一种农机作业面积获取方法
CN110069585B (zh) * 2017-12-05 2022-04-26 腾讯科技（深圳）有限公司 轨迹点数据的处理方法和装置、存储介质及电子装置
CN111127582B (zh) * 2018-10-31 2023-06-23 驭势（上海）汽车科技有限公司 一种轨迹重合段识别方法、装置、系统及存储介质
CN110262469B (zh) * 2019-07-23 2023-09-15 江苏常发农业装备股份有限公司 一种应用于农机车辆的自动行驶控制系统和方法
WO2021087685A1 (zh) * 2019-11-04 2021-05-14 深圳市大疆创新科技有限公司 结合多光谱和地表语义的作业规划方法、装置及设备
CN110763181B (zh) * 2019-11-13 2021-02-23 中电科卫星导航运营服务有限公司 基于位置数据时态分析的作业面积滤除方法
CN112905576B (zh) * 2021-03-02 2023-09-08 中国农业大学 一种基于农机作业轨迹确定农田和道路的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103999113A (zh) * 2011-12-15 2014-08-20 富士通株式会社 计算方法、计算程序以及计算装置
CN104094687A (zh) * 2014-07-11 2014-10-15 河南省贞德有机农业有限公司 一种多垄杂草清除机
CN111868566A (zh) * 2019-10-11 2020-10-30 安徽中科智能感知产业技术研究院有限责任公司 一种基于定位漂移测算模型的农机作业面积测算方法
CN112013757A (zh) * 2020-09-22 2020-12-01 周润禾 一种高精度农机作业面积计算方法、装置及电子设备

Also Published As

Publication number Publication date
CN113436248A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
US10962376B2 (en) Adaptive mapping with spatial summaries of sensor data
CN112102369B (zh) 水面漂浮目标自主巡检方法、装置、设备及存储介质
CN108303103A (zh) 目标车道的确定方法和装置
JP5388082B2 (ja) 静止物地図生成装置
EP2583217A1 (en) Method for obtaining drivable road area
EP3702964A1 (en) Method for correcting misalignment of camera by selectively using information generated by itself and information generated by other entities and device using the same
KR102480972B1 (ko) 고정밀지도생성장치 및 고정밀지도생성방법
CN112805766A (zh) 用于更新详细地图的装置和方法
CN113436248B (zh) 计算农机作业面积的方法和装置
US20230350418A1 (en) Position determination by means of neural networks
CN112487234A (zh) 基于分裂型层次聚类的轨迹分析方法、设备及存储介质
JP6916975B2 (ja) 標識位置特定システム及びプログラム
Ballardini et al. Ego-lane estimation by modeling lanes and sensor failures
Thompson et al. Geometric reasoning under uncertainty for map-based localization
US20230063809A1 (en) Method for improving road topology through sequence estimation and anchor point detetection
US11812342B2 (en) Cellular-based navigation method
CN111507154B (zh) 使用横向滤波器掩膜来检测车道线元素的方法和装置
KR102570846B1 (ko) 오염원 관리가 가능한 야적퇴비 탐지 방법 및 시스템
CN116892944B (zh) 农机导航线生成方法及装置、导航方法及装置
JP7329079B2 (ja) 汎用的に使用可能な特徴マップを生成する方法
Pettersson et al. Automatic offline annotation of road sign information
CN117490692A (zh) 基于低空遥感图像的农业车辆全局三维导航路径规划方法
CN117152631A (zh) 农机轨迹识别的方法和系统
CN114911244A (zh) 田埂避障控制方法、装置和农用自动驾驶设备
CN114325782A (zh) 一种定位偏移校正方法、装置以及设备

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 150006 6th floor, Yitong building, 133 xidazhi street, Nangang District, Harbin City, Heilongjiang Province

Patentee after: Heilongjiang Huida Technology Co.,Ltd.

Address before: 150006 6th floor, Yitong building, 133 xidazhi street, Nangang District, Harbin City, Heilongjiang Province

Patentee before: HEILONGJIANG HUIDA TECHNOLOGY DEVELOPMENT Co.,Ltd.