双域上下文感知网络:面向农机轨迹作业模式识别的时空序列分类新方法

《Smart Agricultural Technology》:Dual-domain Context-aware network in time series classification for identifying agricultural machinery trajectory operation mode

【字体: 大 中 小 】 时间:2026年01月01日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  为解决农机轨迹作业模式识别中特征交互不足、全局上下文信息利用不充分及复杂拓扑结构建模困难等问题,研究人员提出了一种双域上下文感知网络(DCANet)。该研究通过多角度特征增强(MFE)方法挖掘轨迹潜在信息,并设计频率域上下文感知(FCA)模块和信息聚合上下文(IAC)模块,在空间域和频率域双维度上捕获轨迹特征。实验结果表明,DCANet在玉米、小麦和水稻收割机轨迹数据集上均取得了最优性能,为精准农业的智能化管理提供了有力支持。

  
在精准农业的浪潮中,农业机械的智能化管理已成为提升生产效率的关键。想象一下,一台联合收割机在广袤的田野上驰骋,它留下的不仅仅是金黄的麦浪,还有一串串由全球导航卫星系统(GNSS)记录下的轨迹数据。这些数据如同农机的“足迹”,蕴含着其作业状态、作业效率乃至农田状况的宝贵信息。然而,如何从这些海量的、看似杂乱的轨迹点中,精准地识别出农机是在田间作业、在道路上行驶,还是在进行其他操作,却是一个巨大的挑战。
传统的识别方法往往只关注轨迹点的局部特征,就像“盲人摸象”,难以把握轨迹的整体规律。此外,农机轨迹数据具有复杂的时空分布特性,其拓扑结构不规则,简单的模型难以捕捉其深层的依赖关系。面对这些难题,研究人员提出了一种全新的解决方案——双域上下文感知网络(Dual-domain Context-aware network, DCANet),旨在从空间和频率两个维度,全面、深入地理解农机轨迹的作业模式。
为了验证DCANet的有效性,研究人员在三个公开的农机轨迹数据集上进行了广泛的实验。这些数据集涵盖了玉米、小麦和水稻收割机在不同地理空间、不同采集频率下的真实作业轨迹。实验结果表明,DCANet在识别准确率和F1分数上均显著优于其他12种相关方法,证明了其在农机轨迹作业模式识别任务上的强大竞争力。
关键技术方法
本研究构建了双域上下文感知网络(DCANet),其核心技术方法包括:1. 多角度特征增强(MFE):利用物理运动学公式和数学统计方法,从原始轨迹数据中提取瞬时特征和统计特征,丰富特征集。2. 频率域上下文感知(FCA)模块:包含局部感知瓶颈(LAB)和可学习频率域注意力上下文(LFAC)模块,通过离散小波变换(DWT)和自注意力机制,在频率域和空间域捕获轨迹特征的全局依赖关系。3. 信息聚合上下文(IAC)模块:构建时空关系图,利用多滤波器图卷积算子聚合邻域信息,增强模型对细微特征变化的感知能力。实验数据来源于农业农村部农业机械作业监测与大数据应用重点实验室提供的玉米、小麦和水稻收割机轨迹数据集。
研究结果
1. 多角度特征增强方法的有效性
通过多角度特征增强(MFE)方法,模型能够从物理运动学和数学统计两个维度深入挖掘轨迹的潜在信息。实验结果表明,该方法显著提升了模型在复杂特征空间中的判别能力。在玉米收割机轨迹数据集上,引入MFE后,模型的F1分数提升了10%,充分证明了该方法在丰富轨迹特征表达方面的关键作用。
2. 频率域上下文感知模块的性能优势
频率域上下文感知(FCA)模块通过结合局部感知瓶颈(LAB)和可学习频率域注意力上下文(LFAC)模块,有效捕获了轨迹在频率域和空间域的全局依赖关系。消融实验显示,该模块在玉米、小麦和水稻收割机轨迹数据集上分别带来了0.37%、18.49%和10.3%的F1分数提升,证明了其在揭示轨迹连续性和方向性变化方面的优越性。
3. 信息聚合上下文模块的贡献
信息聚合上下文(IAC)模块通过构建时空关系图并利用多滤波器图卷积算子,增强了模型对邻域信息的聚合能力。消融实验结果表明,该模块在三个数据集上均带来了显著的性能提升,其中在玉米收割机轨迹数据集上,F1分数提升了4.28%,在道路行驶和田间作业两个类别上的识别精度均有明显改善。
4. 模型整体性能对比
DCANet在玉米、小麦和水稻收割机轨迹数据集上均取得了最优异的性能。在玉米收割机数据集上,其准确率达到89.03%,F1分数为71.81%;在小麦收割机数据集上,准确率为90.24%,F1分数为84.62%;在水稻收割机数据集上,准确率为90.47%,F1分数为90.43%。与次优模型相比,DCANet在各项指标上均表现出显著优势,验证了其作为农机轨迹作业模式识别任务的强有力解决方案。
结论与讨论
本研究成功提出并验证了双域上下文感知网络(DCANet)在农机轨迹作业模式识别任务中的有效性。该模型通过多角度特征增强(MFE)方法充分挖掘了轨迹的潜在信息,并通过频率域上下文感知(FCA)模块和信息聚合上下文(IAC)模块,从空间和频率两个维度全面捕获了轨迹的全局依赖关系和细微特征变化。
研究结果表明,DCANet在多个真实农机轨迹数据集上均取得了领先的性能,显著优于现有的多种先进方法。这不仅证明了该模型在处理复杂时空序列数据方面的强大能力,也为精准农业领域的智能化管理提供了可靠的技术支持。通过准确识别农机的作业模式,该技术有望在农田面积估算、作业效率评估、跨区调度管理等方面发挥重要作用,推动农业生产的精细化和智能化发展。
尽管DCANet取得了显著成果,但研究也指出了其存在的局限性,例如模型在不同数据集上的鲁棒性仍有待提升,以及频率域与空间域特征的融合机制尚需优化。未来的研究将致力于开发跨域自适应特征融合机制,并探索结合遥感影像等多源信息的协同建模方法,以克服单一地理空间序列建模的局限性,进一步提升模型的泛化能力和识别精度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号