在中国,基于预先训练的视觉模型对农用车辆的田间道路分类
Xiaoqiang Zhang1,2, Ying Chen1,2
1College of Information and Electrical Engineering, China Agricultural University, Beijing, China.
PeerJ. Computer science
|December 16, 2024
概括
本研究引入了一种多视图方法,用于将农用车全球导航卫星系统 (GNSS) 轨迹分类为田野或道路. 与现有方法相比,这种方法显著提高了准确性和F1分数.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 准确分类农业车辆轨迹 (田野与道路) 对于分析运营行为至关重要.
- 现有的方法往往难以捕捉特定于农业活动的细微运动模式.
研究的目的:
- 为全球导航卫星系统 (GNSS) 轨迹开发一种新的多视图场路分类方法.
- 通过准确地区分在田间和道路上的运动来增强农业车辆行为的分析.
主要方法:
- 提出了一种多视图方法,为每个轨迹点提取物理和视觉特征向量.
- 使用预先训练的ResNet模型,微调轨迹点图像以有效提取视觉特征.
- 从轨迹点及其邻点生成图像,为模型提供上下文信息.
主要成果:
- 实现了高准确率:92.56% (小麦2021年),87.91% (米),90.31% (小麦2023年) 和94.23% (小麦2024年).
- 在四个数据集的F1得分中,超越最先进的方法的表现为2.99%至4.42%.
- 实验结果验证了拟议的多视图分类策略的必要性和有效性.
结论:
- 多视图场路分类方法为农用车行为分析提供了强大而准确的解决方案.
- 微调的ResNet模型有效地利用一般和特定任务的知识来改进轨迹分类.
- 这种方法在理解和分析农业机械操作方面取得了重大进展.


