农业机械轨迹作业行为模式识别是一项多变量时间序列分类任务,旨在利用轨迹数据的时空特征识别农机的行为模式。针对已有方法未能从频率角度挖掘农机轨迹的全局特性以及识别精度不足的问题,提出了一种面向农机轨迹行为模式识别的频域注...农业机械轨迹作业行为模式识别是一项多变量时间序列分类任务,旨在利用轨迹数据的时空特征识别农机的行为模式。针对已有方法未能从频率角度挖掘农机轨迹的全局特性以及识别精度不足的问题,提出了一种面向农机轨迹行为模式识别的频域注意力和U型残差网络FARNet。该网络包含两个不同网络分支,用于全面挖掘农机轨迹的依赖信息。其中一个分支搭载了基于频域注意力的Transformer(transformer based on frequency attention,FAT)来挖掘农机轨迹在频域空间的全局时序依赖;另一分支部署了基于正交约束的U型残差网络(U-shaped residual network based on orthogonal constraints,URNet),其以ResUnet作为骨干网络提取轨迹特征图在不同感受野的深层语义信息,探索轨迹特征间的局部空间依赖。最后设计了一种特征对齐学习模块(feature alignment learning module,FA)来融合并对齐两个分支的输出特征,全面调节农机轨迹在全局和局部不同范围下的上下文信息,提高算法的识别性能。为验证所提方法的有效性,在真实轨迹数据集上进行了实验,结果表明,所提方法相比现有的SOTA模型在水稻和小麦收割机轨迹数据集上的F1-score提高了13.94和11.47个百分点。展开更多
农机轨迹行为模式识别是一项多变量时间序列分类(multivariate time series classification,MTSC)任务,旨在提取农机轨迹数据中蕴藏的时空特征来识别农机轨迹行为模式,并为每个轨迹点分配相应的语义标签。针对现有方法对轨迹时空信息捕...农机轨迹行为模式识别是一项多变量时间序列分类(multivariate time series classification,MTSC)任务,旨在提取农机轨迹数据中蕴藏的时空特征来识别农机轨迹行为模式,并为每个轨迹点分配相应的语义标签。针对现有方法对轨迹时空信息捕捉能力不足和识别精度不佳的问题,提出了多维时空交互网络(multidimensional spatio-temporal interaction network,MSINet)来识别农机轨迹的行为模式。提出了多维信息交互(multidimensional infor-mation interaction,MII)模块,其融合了图卷积与自注意力机制以捕捉轨迹点之间的局部关联与全局依赖,同时利用双向感知机制实现通道与空间维度的信息互补;设计了多路径特征提取(multipath feature extraction,MFE)模块,利用具有不同扩张率的卷积路径有效提取轨迹数据的多尺度时序特征。最后,开发了语义聚焦(semantic focus,SF)模块以高效地捕捉轨迹数据中的关键信息。为验证所提方法的有效性,在农业农村部农机作业监测与大数据应用重点实验室提供的轨迹数据集上展开了实验。实验结果表明,MSINet在水稻收割机和小麦收割机轨迹数据集上的准确率分别为91.62%和91.34%,F1 score分别为91.57%和86.98%,相较于当前表现最优的模型生成式对抗网络-双向长短期记忆网络(generative adversarial network-bidirectional long short-term memory network,GAN BiLSTM),F1 score分别提升了5.57和3.72个百分点。展开更多
文摘农业机械轨迹作业行为模式识别是一项多变量时间序列分类任务,旨在利用轨迹数据的时空特征识别农机的行为模式。针对已有方法未能从频率角度挖掘农机轨迹的全局特性以及识别精度不足的问题,提出了一种面向农机轨迹行为模式识别的频域注意力和U型残差网络FARNet。该网络包含两个不同网络分支,用于全面挖掘农机轨迹的依赖信息。其中一个分支搭载了基于频域注意力的Transformer(transformer based on frequency attention,FAT)来挖掘农机轨迹在频域空间的全局时序依赖;另一分支部署了基于正交约束的U型残差网络(U-shaped residual network based on orthogonal constraints,URNet),其以ResUnet作为骨干网络提取轨迹特征图在不同感受野的深层语义信息,探索轨迹特征间的局部空间依赖。最后设计了一种特征对齐学习模块(feature alignment learning module,FA)来融合并对齐两个分支的输出特征,全面调节农机轨迹在全局和局部不同范围下的上下文信息,提高算法的识别性能。为验证所提方法的有效性,在真实轨迹数据集上进行了实验,结果表明,所提方法相比现有的SOTA模型在水稻和小麦收割机轨迹数据集上的F1-score提高了13.94和11.47个百分点。
