基于機器學(xué)習(xí)的小麥?zhǔn)斋@機掉頭軌跡識別

楊麗麗 王新鑫 李元博 常孟帥 翟衛(wèi)欣 吳才聰

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京 100083;2.農(nóng)業(yè)農(nóng)村部農(nóng)機作業(yè)監(jiān)測與大數(shù)據(jù)應(yīng)用重點實驗室,北京 100083)

0 引言

GNSS全球?qū)Ш叫l(wèi)星系統(tǒng)是獲取車輛軌跡數(shù)據(jù)、實現(xiàn)農(nóng)業(yè)機械智能化管理的重要定位設(shè)備[1-3]。在農(nóng)業(yè)機械上搭載定位設(shè)備可獲得農(nóng)機實時定位軌跡點,精確獲取并識別農(nóng)機運動軌跡,對農(nóng)業(yè)機械自動化管理具有重要意義。農(nóng)機軌跡數(shù)據(jù)反映農(nóng)機的行為特征和田路分布等深層次信息,是農(nóng)機作業(yè)調(diào)度管理[4]、農(nóng)機作業(yè)行為分析[5]、農(nóng)機手駕駛評價[6]、農(nóng)田與機耕道軌跡識別[7]等研究的重要數(shù)據(jù)來源。

掉頭識別是提升農(nóng)機工作效率、合理規(guī)劃路徑的重要手段之一。設(shè)計合適的農(nóng)機行駛路線和掉頭方式與農(nóng)機的工作效率息息相關(guān),農(nóng)機作業(yè)路徑規(guī)劃的主要目標(biāo)是高效地實現(xiàn)農(nóng)田全覆蓋作業(yè)[8],掉頭識別是路徑優(yōu)化的關(guān)鍵點之一[3]。相關(guān)研究表明,掉頭時間可占農(nóng)機在田內(nèi)作業(yè)總時間的40%左右[9],且U形掉頭效率較高[10],通過農(nóng)機定位軌跡信息識別出農(nóng)機掉頭方式,進(jìn)而計算出不同掉頭方式下的農(nóng)機作業(yè)效率,便于機手合理規(guī)劃路徑,提升農(nóng)機作業(yè)效率。另外,掉頭方式與田塊形狀關(guān)系密切[8,11],某地區(qū)的農(nóng)田中不同掉頭占比可作為判斷該區(qū)域農(nóng)田形狀是否合理的依據(jù)之一,為農(nóng)田區(qū)域的合理規(guī)劃提供參考。農(nóng)田面積的計算也是基于農(nóng)機運動軌跡的相關(guān)研究之一,距離算法是計算農(nóng)田面積的常用算法[12-13],對農(nóng)機掉頭軌跡識別后可以去除農(nóng)機掉頭行為導(dǎo)致的交錯軌跡,防止面積計算過程中出現(xiàn)同一塊區(qū)域面積的重復(fù)累加,從而提升距離算法計算農(nóng)田面積的精度[14-16]。

小麥?zhǔn)侨蚣Z食主產(chǎn)物之一[17-18],在我國是僅次于水稻、玉米的主要糧食作物,研究小麥?zhǔn)斋@軌跡對精準(zhǔn)農(nóng)業(yè)的發(fā)展至關(guān)重要。小麥?zhǔn)斋@軌跡包含典型的X形掉頭與U形掉頭軌跡。本文對小麥?zhǔn)斋@機田內(nèi)的X形掉頭、作業(yè)異常、U形掉頭與作業(yè)軌跡進(jìn)行識別。對收獲機田內(nèi)軌跡進(jìn)行細(xì)致的劃分,以期為農(nóng)機作業(yè)效率計算、農(nóng)田面積計算和農(nóng)機路徑規(guī)劃等研究提供參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)來自北斗農(nóng)機作業(yè)大數(shù)據(jù)系統(tǒng)[12],獲取的數(shù)據(jù)為2022年6月小麥?zhǔn)斋@季在河北、河南、山東等小麥主產(chǎn)區(qū)通過裝載全球?qū)Ш叫l(wèi)星系統(tǒng)(Global navigation satellite system,GNSS)的收獲機,采集的產(chǎn)品為幅寬為2.75 m、車身長度為6.8 m的4LZ-8E2型和4LZ-7E5型自走式谷物聯(lián)合收獲機小麥?zhǔn)斋@軌跡,并通過人工標(biāo)注獲取田內(nèi)農(nóng)機軌跡。每條GNSS記錄包含4個參數(shù):時間(記為t,格式為YYYY-MM-DD hh:mm:ss)、經(jīng)度(World geodetic system,WGS84世界大地坐標(biāo)系)、緯度(WGS84)和速度(記為v,單位:m/s)。選取時間間隔5 s占比均在85%以上的5塊已人工標(biāo)注的農(nóng)田,田內(nèi)軌跡共1 969條,作為數(shù)據(jù)集A,用于訓(xùn)練后續(xù)試驗中的SVM模型。選取時間間隔1～5 s占比均在85%以上的數(shù)據(jù),每種時間間隔選取10塊農(nóng)田內(nèi)的農(nóng)機軌跡數(shù)據(jù)共50塊,106 058條數(shù)據(jù)作為數(shù)據(jù)集B,用來測試算法效果。數(shù)據(jù)集見表1。

表1 數(shù)據(jù)集

數(shù)據(jù)預(yù)處理包含數(shù)據(jù)格式轉(zhuǎn)換、去除停歇點和去除重復(fù)點。格式轉(zhuǎn)換:將原始WGS84坐標(biāo)系下的經(jīng)緯度轉(zhuǎn)換為平面坐標(biāo)系下的x、y,轉(zhuǎn)換后軌跡點pi屬性為(ti,xi,yi,vi),時間ti格式為YYYYMMDDhhmmss。去除停歇點:將速度小于0.5 m/s的連續(xù)軌跡點視為一組停歇點[5],一組停歇點只保留一個軌跡點,其t為這組停歇點中第1個軌跡點的t,x、y為這組停歇點x、y的均值,v設(shè)為0。去除重復(fù)點:當(dāng)存在連續(xù)軌跡點的x、y相同時,保留第1個軌跡點,將其他軌跡點刪除。

1.2 數(shù)據(jù)定義

小麥?zhǔn)斋@機作業(yè)中的典型路線如圖1所示,收獲作業(yè)從農(nóng)田外沿開始,繞圈向內(nèi)進(jìn)行收獲,其形狀如“回”字,定義為回形軌跡。

圖1 回形收割路徑示意圖

圖1a為收獲機開始收獲路線。收獲機開入農(nóng)田后沿麥田外圍走直線收獲至拐角處,為完成轉(zhuǎn)向同時收獲邊角小麥需進(jìn)行多次前進(jìn)與倒車行為[19],當(dāng)農(nóng)田四周割出5 m左右的割道后進(jìn)入內(nèi)圈收獲[20],內(nèi)圈收獲路線如圖1b所示,空白部分為已收獲完的割道,陰影部分為尚未收獲的作物區(qū)域,此時收獲機將以U形掉頭方式進(jìn)行轉(zhuǎn)向,以提高掉頭效率[10]。

為區(qū)分不同軌跡類型,軌跡點中增加label屬性。如圖1所示,回形小麥?zhǔn)斋@軌跡中常采用X形與U形掉頭方式[19]。X形掉頭是指農(nóng)機在田內(nèi)作業(yè)過程中為轉(zhuǎn)變行進(jìn)方向而做出的“前進(jìn)-倒車-前進(jìn)”的多次進(jìn)退行為,該類軌跡點對應(yīng)label屬性記為1,如圖1a的虛線框1處;作業(yè)異常軌跡是指農(nóng)機行駛時脫離原軌跡方向,發(fā)生繞行或其他行為,之后又回到原軌跡方向,該類軌跡點對應(yīng)label屬性記為2,如圖1a的虛線框2處;U形掉頭是指無需倒車直接轉(zhuǎn)向的行為,該類軌跡點對應(yīng)label屬性記為3,如圖1b的虛線框3處;除掉頭軌跡與作業(yè)異常軌跡外,其他軌跡為作業(yè)軌跡,該類軌跡點對應(yīng)label屬性記為0,如圖1a虛線框0處。本文針對上述4種軌跡對其進(jìn)行識別。

為描述農(nóng)機行駛方向變化,記時間序列上相鄰的3個軌跡點為Pi-1、Pi與Pi+1,記Pi-1到Pi的向量為lPi-1Pi。定義軌跡點Pi的角度屬性αi的計算式為

αi=arccos(lPi-1PilPiPi+1/|lPi-1Pi||lPiPi+1|)

(1)

通過聚類得到的α較大點稱之為拐點,按時間序列計算每個軌跡點到其最近的拐點的歐氏距離,記為軌跡點Pi的D_Ti屬性。

將每個軌跡點與其時間序列上的前一個軌跡點的歐氏距離記為軌跡點Pi的D_Pi屬性。

Δti=ti+1-ti-1

(2)

(3)

(4)

(5)

(6)

αmaxi=max(αi-1,αi,αi+1)

(7)

Rαi=max(αi-1,αi,αi+1)-min(αi-1,αi,αi+1)

(8)

(9)

1.3 技術(shù)路線

本文技術(shù)路線如圖2所示,先對農(nóng)機GNSS數(shù)據(jù)進(jìn)行預(yù)處理,再分別用X形掉頭識別算法與U形掉頭識別算法識別出4種軌跡。最后用數(shù)據(jù)集B中的50塊農(nóng)田軌跡數(shù)據(jù)進(jìn)行算法驗證,并用距離算法比較原始軌跡數(shù)據(jù)與去除掉頭和異常軌跡后數(shù)據(jù)的面積計算其精度。

圖2 技術(shù)路線

2 掉頭軌跡識別

2.1 X形掉頭軌跡識別

X形掉頭軌跡識別算法包含2個模塊:聚類模塊與修正模塊。

聚類模塊執(zhí)行2次K-means聚類,第1次聚類的輸入特征為每個軌跡點的角度屬性α,設(shè)定類別數(shù)k為2,初步將軌跡分為拐點與其他軌跡點?；诘?步聚類結(jié)果,輸入每個軌跡點到最近拐點的距離特征D_T進(jìn)行第2步聚類,聚類后初步得到作業(yè)軌跡與X形掉頭軌跡。

基于軌跡片段的聚類修正M1:定義屬于同一軌跡類別且在時間序列上相鄰的軌跡點為一個軌跡片段,計算每個片段中軌跡點α屬性的標(biāo)準(zhǔn)差、平均值與最大值作為軌跡片段的特征,對相同軌跡類別的軌跡片段的特征取平均值作為該類別的簇類中心。以軌跡片段為基本單位,計算每個軌跡片段到2個簇類中心的歐氏距離、契比雪夫距離與曼哈頓距離,以投票決策的方式判定該軌跡片段屬于哪一類,并將軌跡片段內(nèi)所有軌跡點的label屬性賦予該類別標(biāo)簽。通過此過程,被誤識別的軌跡片段得到修正。

基于方向變化的修正M2:如圖1所示,X形掉頭前后農(nóng)機的行進(jìn)方向不同,而作業(yè)異常軌跡往往是作業(yè)中途因避障而出現(xiàn)的繞行行為,故異常軌跡出現(xiàn)前后行進(jìn)方向相同,根據(jù)GNSS的定位誤差和小麥?zhǔn)斋@機行駛速度,定掉頭前后行駛方向變化小于10°為方向未發(fā)生變化[21-22]。根據(jù)上述特點,對誤識別為X形掉頭軌跡的作業(yè)異常軌跡進(jìn)行修正。

基于掉頭路線特性的修正M3:X形掉頭軌跡與作業(yè)軌跡相鄰,為有效識別X形掉頭軌跡,需對X形掉頭軌跡起止位置進(jìn)行界定:收獲機在進(jìn)行X形掉頭時,為轉(zhuǎn)變行進(jìn)方向同時不遺漏作業(yè),機身越過已收地至少半個機身位后轉(zhuǎn)向[20],本文收獲機車身長度為6.8 m,因此將每個X形掉頭軌跡片段的起始拐點和終止拐點前后各3.4 m的軌跡點歸為X形掉頭軌跡點,依此完成對X形掉頭軌跡邊界的界定。

2.2 U形掉頭軌跡識別

2.2.1SVM初步識別

表2 卡方檢驗結(jié)果

構(gòu)建基于SVM的U形掉頭軌跡識別模型,以493條數(shù)據(jù)的5個與U形掉頭強相關(guān)的特征屬性和label屬性作為模型輸入,將其中80%的數(shù)據(jù)作為訓(xùn)練集。使用通過人工調(diào)優(yōu)和網(wǎng)格搜索法,確定核函數(shù)為高斯核函數(shù),確定懲罰參數(shù)C為0.21,該模型在測試集上的分類準(zhǔn)確率為97%,召回率為97%,F1值為97%,可實現(xiàn)作業(yè)軌跡和U形掉頭軌跡的初步識別,識別結(jié)果如圖3所示。

圖3 SVM初步識別結(jié)果示意圖

圖3中紅色方形為U形掉頭軌跡點,黃色三角形為X形掉頭軌跡點,藍(lán)色圓形為作業(yè)軌跡點。虛框S0處為正確識別的U形掉頭軌跡,虛框S1、S2與S3為3種誤識別情況。

2.2.2基于掉頭軌跡曲率的邊界修正S1

在SVM初步識別的U形掉頭軌跡中,存在U形掉頭軌跡邊界過長或過短問題,如圖3的虛框S1。

虛框S1中的P1、P2為U形掉頭初步識別結(jié)果的兩個軌跡邊界點。U形掉頭軌跡是一個從直線變曲再變直的過程,為每個軌跡點構(gòu)造曲率特征可以更精確地描述這種變化。

(1)特征構(gòu)建:定義連續(xù)3個軌跡點Pi-1、Pi與Pi+1的外接圓曲率為軌跡點Pi的曲率。Pi點坐標(biāo)為(xi,yi),根據(jù)3個軌跡點坐標(biāo)值計算外接圓面積S,計算式為

(10)

3個軌跡點構(gòu)成的三角形邊長為a、b、c,與三角形面積S計算外接圓半徑R

(11)

Pi曲率計算式為

(12)

(2)設(shè)定U形掉頭邊界點的曲率閾值K:取數(shù)據(jù)集A中標(biāo)注的U形掉頭軌跡的開始點與結(jié)束點的曲率,取最小值作為閾值K。由數(shù)據(jù)集A計算得K值為0.019 0 m-1。

(3)修正:識別出U形掉頭軌跡邊界點的曲率值大于(或小于)K時,延長(或縮短)U形掉頭軌跡至其邊界點曲率值剛好小于K。修正后圖3虛框S1中邊界點由P1、P2變?yōu)镻′1、P′2。

2.2.3基于掉頭時間差修正S2

(1)計算最小時間差:對每段U形掉頭軌跡片段尋找與其在時間序列上最近的一段X形掉頭軌跡片段,計算兩段軌跡片段邊界點PU與PX的最小時間差ΔtUX,計算式為

ΔtUX=min(|tU-tX|)

(13)

式中tU——U形掉頭軌跡邊界點PU的時間屬性

tX——X形掉頭軌跡邊界點PX的時間屬性

(2)設(shè)定時間閾值T:取數(shù)據(jù)集A中標(biāo)注的U形掉頭軌跡ΔtUX的最小值,作為時間閾值T。由數(shù)據(jù)集A計算得T為30 s。

(3)修正:當(dāng)ΔtUX大于等于閾值T時,保留此段U形軌跡,否則將此段軌跡點類別值label由3恢復(fù)至X形掉頭識別后的類別值。修正后圖3的虛框S2中U形掉頭軌跡點修正為作業(yè)軌跡點。

2.2.4基于掉頭前后角度變化修正S3

農(nóng)機在麥田邊角的收獲中也會出現(xiàn)作業(yè)軌跡被誤識別為U形掉頭軌跡的情況,如圖3中虛框S3處。因此,通過掉頭軌跡前后角度的變化來判斷是否為誤識別并修正,步驟為:

(1)計算U形掉頭前后向量:U形掉頭軌跡的開始點與前一個軌跡點構(gòu)成向量a,U形掉頭軌跡的結(jié)束點與后一個軌跡點構(gòu)成的向量b,計算兩個向量的夾角(計算方式同式(1)),如圖3所示。

(2)設(shè)定角度閾值D:理想狀態(tài)下U形掉頭軌跡前后方向發(fā)生180°轉(zhuǎn)變[23],即α為180°。但因?qū)嶋H農(nóng)田形狀不規(guī)則,人工操控農(nóng)業(yè)機械以及GNSS定位精度等因素,U形掉頭軌跡前后方向變化角度不定。取數(shù)據(jù)集A中的U形掉頭軌跡前后向量夾角α的最小值作為角度閾值D。由數(shù)據(jù)集A計算得D為92.213 3°。

(3)修正:對通過S1與S2修正后的SVM結(jié)果中,計算所有U形掉頭軌跡前后的向量夾角α。當(dāng)α小于閾值D時,此U形掉頭軌跡為誤識別,將其label值由3恢復(fù)至X形掉頭識別算法的結(jié)果,當(dāng)α不小于閾值D時,保留此段U形掉頭軌跡。如圖3的虛框S3中U形掉頭軌跡點修正為作業(yè)軌跡點。

3 結(jié)果與分析

3.1 軌跡識別結(jié)果

選取一塊1.72 hm2的農(nóng)田,對其進(jìn)行掉頭識別與修正,結(jié)果如圖4所示。圖4a中5個虛線框部分為誤識別軌跡,對應(yīng)修正過程見圖4b～4f。

圖4 掉頭軌跡識別算法分步結(jié)果

圖4中紅色方形為U形掉頭軌跡點,藍(lán)色圓形為作業(yè)軌跡點,黃色三角形為X形掉頭軌跡點,橘黃色菱形為作業(yè)異常軌跡點。

圖4c～4e為X形掉頭識別與修正:通過D-K-means聚類方法后得到作業(yè)軌跡與掉頭軌跡,圖4c中c1存在作業(yè)軌跡誤識別為掉頭軌跡的情況,經(jīng)過基于軌跡片段的聚類修正方法M1修正后見圖4c的c2;圖4d中d1存在作業(yè)異常軌跡被識別為掉頭軌跡的情況,經(jīng)過基于方向變化的修正方法M2后見圖4d的d2;圖4e中e1存在邊界不統(tǒng)一的情況,經(jīng)過基于收獲機作業(yè)特性的修正M3后見圖4e的e2。

圖4b、4f為U形掉頭識別與修正:通過SVM識別后初步得到U形掉頭軌跡,圖4b中b1存在邊界長度不統(tǒng)一的情況,經(jīng)基于掉頭軌跡曲率的邊界修正為圖4b的b2;圖4b中b2存在X形掉頭軌跡相鄰的軌跡點被誤識別為U形掉頭軌跡(黑色虛線圓框處),經(jīng)基于掉頭時間差的修正方法S2修正為圖4b的b3;圖4f中f1存在作業(yè)軌跡被誤識別為U形掉頭軌跡,經(jīng)基于掉頭前后角度變化S3修正為圖4f的f2。

3.2 軌跡識別算法評價

為客觀評價收獲機田內(nèi)軌跡識別算法的效果,選取準(zhǔn)確率P、召回率R和F1值3種評價指標(biāo)進(jìn)行評價。表3為數(shù)據(jù)集B的軌跡識別算法結(jié)果。

表3 軌跡識別算法結(jié)果

X形掉頭初步識別與三步修正后F1值由55%提高到95%,表明基于聚類的X形掉頭識別算法3種修正方法可以有效地對收獲機田內(nèi)作業(yè)的X形掉頭軌跡、異常軌跡與作業(yè)軌跡進(jìn)行識別。在U形掉頭軌跡識別中對數(shù)據(jù)集B的50幅田內(nèi)軌跡進(jìn)行識別,4種軌跡SVM識別結(jié)果為81%,對SVM初步識別結(jié)果進(jìn)行3步修正,修正前后F1值由81%提高到94%,表明X形掉頭軌跡識別算法與U形掉頭軌跡識別算法結(jié)合可以對收獲機田內(nèi)作業(yè)的4種軌跡進(jìn)行識別。

實際應(yīng)用中GNSS設(shè)備采集頻率不同,選取時間間隔1～5 s的50幅軌跡,每種時間間隔10幅,及時間間隔為10、15 s的兩幅農(nóng)田內(nèi)軌跡數(shù)據(jù),表4為軌跡識別結(jié)果。

表4 不同頻率軌跡數(shù)據(jù)識別結(jié)果

由表4可見,1～5 s內(nèi)軌跡識別結(jié)果的3種評價指標(biāo)均在85%以上,表示算法在1～5 s時間間隔的軌跡數(shù)據(jù)中均有良好表現(xiàn)。時間間隔10、15 s數(shù)據(jù)的X形掉頭識別結(jié)果明顯較差,主要原因在于當(dāng)數(shù)據(jù)變得稀疏時,軌跡點的連線將從平滑變得尖銳,當(dāng)原作業(yè)軌跡點與U形掉頭軌跡點的α屬性變大時,會被誤識別為X形掉頭軌跡點。被誤識別為X形掉頭的U形掉頭軌跡點會在SVM初步識別時被去除,導(dǎo)致輸入SVM模型的數(shù)據(jù)中無U形掉頭軌跡片段,因此U形掉頭軌跡識別結(jié)果為0。綜上,當(dāng)軌跡點時間間隔為1～5 s時本算法效果較好。

為進(jìn)一步驗證算法的有效性,從數(shù)據(jù)集B中選取一塊標(biāo)注面積為1.72 hm2的農(nóng)田,其軌跡時間間隔為4 s,分別通過距離算法計算軌跡識別前后的農(nóng)田面積并進(jìn)行對比。

圖5a為原始軌跡,包含1 479個軌跡點,距離算法計算面積為2.33 hm2,算法運行時間為369.67 ms;圖5b為X形掉頭識別結(jié)果,包含X形掉頭軌跡點157個,作業(yè)異常軌跡點16個,如圖中黃色三角形和橘黃色菱形軌跡點,去除X形掉頭與異常軌跡點后計算面積為2.17 hm2,算法運行時間為369.08 ms,誤差相比原始軌跡點面積計算誤差降低9.51%;圖5c為運行U形掉頭識別結(jié)果,識別出U形掉頭軌跡點47個,如圖中紅色方形軌跡點。將兩種掉頭軌跡及作業(yè)異常軌跡點均去除后得到圖5d,剩余軌跡點個數(shù)1 258個,計算面積為2.11 hm2,算法運行時間為364.10 ms,面積計算誤差相比標(biāo)注面積仍有22.43%,但相比原始軌跡的計算面積誤差降低12.76%,比只去除X形掉頭軌跡和異常軌跡誤差降低3.26%。

圖5 收獲機田內(nèi)軌跡處理過程

4 結(jié)論

(1)通過X形掉頭識別算法識別出X形掉頭、作業(yè)異常和作業(yè)軌跡點,再通過U形掉頭識別算法將作業(yè)軌跡點進(jìn)一步識別出U形掉頭軌跡點。本研究所用的50塊農(nóng)田軌跡數(shù)據(jù)的綜合識別結(jié)果F1值為94%,時間間隔1～5 s數(shù)據(jù)的4種軌跡識別結(jié)果F1值均在90%以上。隨著時間間隔增加,間隔為10 s與15 s的數(shù)據(jù)識別效果變差,實際應(yīng)用時可參考1～5 s的時間間隔。

(2)對一塊1.72 hm2的農(nóng)田作業(yè)軌跡進(jìn)行識別,去除掉頭軌跡與異常軌跡后通過距離算法計算農(nóng)田面積,相比使用原始軌跡,其面積計算誤差降低12.76%。