(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210792876.9 (22)申请日 2022.07.05 (71)申请人 山东省计算中心 （国家超 级计算济 南中心） 地址 250101 山东省济南市高新区经十路 东首科学院路19号 申请人 山东山科智控数字化科技有限公司 (72)发明人 郝凤琦　李秀华　白金强　吴玺志　 李成攻　韩路跃　朱瑞雪　王玉炘　 (74)专利代理 机构 山东竹森智壤知识产权代理 有限公司 37382 专利代理师 吕利敏 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/26(2022.01) (54)发明名称 一种基于遥感影像场景划分的农机轨迹识 别方法及其应用方法 (57)摘要 一种基于遥感影像场景划分的农机轨迹识 别方法， 包括： 第一步： 基于密度聚类算法对目标 区域内的农机轨迹进行分类； 同时， 对目标区域 遥感影像进行场景划分； 第二步： 利用遥感影像 的场景划分结果辅助纠正农机轨迹聚类结果， 最 终输出农机轨迹识别结果。 针对农机轨迹点 DBSCAN聚类中参数难以统一准确给定导致农机 行为划分误差大这一问题， 本发 明根据遥感影像 场景划分结果， 将农机轨迹相应范围内遥感影像 作为底图参与农机行为划分。 将 遥感影像场景分 割与聚类划分融合， 以实现提高农机行为识别准 确率。 获得更加准确的农机行为田间作业或道路 转场的划分结果。 权利要求书3页 说明书11页 附图4页 CN 115063684 A 2022.09.16 CN 115063684 A 1.一种基于 遥感影像场景划分的农机 轨迹识别方法， 其特 征在于， 包括： 第一步： 基于密度聚类算法对目标区域内的农机轨迹进行分类； 同时， 对目标区域遥感 影像进行场景划分； 第二步： 利用遥感影像的场景划分结果辅助纠 正农机轨迹聚类结果， 最终输出农机轨 迹识别结果。 2.根据权利要求1所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 所述基于密度聚类算法对目标区域内的农机 轨迹进行分类的方法为： 基于DBSCAN算法对农机轨迹进行聚类， 直至农机轨迹上的所有轨迹点都被标注相应的 簇标签为止， 最终通过簇标签初步区分田间、 道路及转场。 3.根据权利要求1所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 所述基于DBSCAN 算法对农机 轨迹进行聚类的具体步骤如下： Step1： 获取农机 轨迹数据， 包括经度、 纬度和时间戳， 记作轨 迹点数据集： P(n)＝{{long1， lat1， t1}{long2， lat2， t2}...{longm， latm， tm}}    (I) 在公式(I)中， P(n)为轨迹点数据集； n表示农机号； long表示经度； lat表示纬度； t表示 时间； m表示轨 迹点数量； Step2： 去除农机轨迹数据中噪声点， 所述噪声点包括位置异常点、 时间异常点和速度 异常点； 其中， 所述位置异常点： 是不满足经纬坐标long∈[ ‑180,180]且late[ ‑90,90]的农 机轨迹点； 所述时间异常点： 是所述轨迹点对应的第一时间戳大于下一个轨迹点的第二时 间戳， 所述第一时间戳对应的农机轨迹点为时间异常点； 所述速度异常点： 是轨迹速度长时 间为0， 或所述轨 迹速度超出农机正常工作速度范围的农机 轨迹点； Step3： 农机 轨迹点的聚类， 步骤(1)首先在农机轨迹数据中任意选取一个轨迹点， 遍历所有轨迹点到这个轨迹点 距离小于等于eps的所有轨 迹点： 如果满足距离在 eps之内的轨迹点个数小于min_samples， 则将选取的这个轨迹点标记 为道路及转场轨 迹点； 如果满足距离在 eps之内的轨迹点个数大于等于min_samples， 则将选取的这个轨迹点 标记为田间工作轨 迹点； 步骤(2)依次访问上一 步骤中被标记轨 迹点eps范围内的所有轨 迹点： 如果它们没有被标记， 则将按照步骤(1)中标记规则对该轨 迹点进行 标记； 如果已被标记， 则跳过 该轨迹点； 直至eps范围内的所有轨 迹点都已经被标记； 步骤(3)再依次遍历上一 步骤中所有访问过的轨 迹点eps范围内的所有轨 迹点： 如果它们没有被标记， 则将按照步骤(1)中标记规则对该轨迹点进行标记或分配簇标 签； 如果已被标记， 则跳过该轨迹点； 直至eps范围内的所有轨迹点都已经被标记； 以此类 推， 直到每 个能遍历到的轨 迹点均被标记为止； 步骤(4)给 标记过的轨 迹点分配簇标签： 被标记为田间工作轨迹点， 为其eps范围内的所有轨迹点分配相同的田间工作簇标签； 其余轨迹点， 被标记为道路及转场轨 迹点， 并为 其分配一个道路及转场簇标签； 步骤(5)在未遍历到的轨迹点 中另任选取一个轨迹点， 重 复步骤(1) ‑(4)直至全部农机权　利　要　求　书 1/3 页 2 CN 115063684 A 2轨迹点均被标记、 且被分配到对应的簇标签为止 。 4.根据权利要求1所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 对所述SegNet网络语义分割模型进行改进的方法， 所述改进方法包括： 在所述编码器网络中增加一个双边局部注意力BOAT模块， 在解码器网络中， 增加分支 合并模块MSU。 5.根据权利要求4所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 在所述编码 器网络中增加双边局部注 意力BOAT模块的具体方法包括： 在Segnet网络语义分 割模型的编码器网络的前四层中池化层之后分别加入所述BOAT模块， 所述BOAT模块包括一 个ISLA模块、 一个FSLA模块、 一个MLP模块和三个层归一 化LN模块。 6.根据权利要求4所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 在解码器网络中， 增 加分支合并模块MSU的具体方法， 包括： 所述分支合并模块MSU使用多个并行分支将低分辨率特征上采样到不同的比例， 然后 通过多个卷积层的非线性映射对其进行调整， 最后， 将多尺度特征图与缩减采样过程的特 征图融合在一 起。 7.根据权利要求4所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 在所述改进的SegNet网络语义分割模型中的激活函数采用ELU函数： 在公式(I)中， ELU(x)表示经过激活函数后的结果； α是一个可调整的参数， 控制着ELU 负值部分在何时饱和； x是 上一层的输出。 8.根据权利要求7所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 在所述改进的SegNet网络语义分割模型中损失函数Loss采用binary_crossentropy二分类 交叉熵： 在公式(II)、 (III)中， y表示标签， 田地为1， 道路和建筑物等为0； 是预测概率， i是下 标， 范围从1到n； 仅当yi与 全相等时， l oss才为0， 否则l oss为一个正数。 9.根据权利要求1所述一种基于遥感影像场景划分的农机轨迹识别方法， 其特征在于， 利用遥感影像的场景划分结果辅助纠正农机轨迹聚类结果， 最终输出农机轨迹识别结果的 方法， 包括： 步骤(6)根据某台农机轨迹一天中所有经纬度确定农机活动范围， 即确定经度最大值 maxlong及最小值minlong和纬度最大值maxlat及最小值minlat， 进而确定遥感影像左上及右下 像素点坐标(minlong， maxlat)、 (maxlong， minlat)； 下载确定范围内遥感影 像； 步骤(7)将遥感影像通过训练好的模型进行场景预测分割， 获知每个像素点分割为田 间或道路结果， 进 而通过空间分辨 率计算出每 个经纬坐标点对应的田间或道路划分结果； 步骤(8)逐一确定聚类划分结果为田间作业轨迹点类别的经纬坐标点在遥感影像卫星 底图中分割结果： 若农机轨迹点A(longi， lati)在遥感影像图对应坐标中分割结果为道路或建筑等， 则将权　利　要　求　书 2/3 页 3 CN 115063684 A 3