文件大小：1.28M
农机田-路轨迹分割是监测农机作业动态的关键一环，需要判断每个轨迹点的位置（在农田中作业或在道路上行驶），是农机应急调度、作业补贴、实施精准作业的重要依据。但传统田-路轨迹分割方法存在人工标注成本高、分割精度低等问题，为此，该研究提出一种基于半监督学习的农机田-路轨迹分割方法，利用海量的无标注轨迹数据提升田-路轨迹分割模型的性能。首先，预训练一个基于小规模、人工标注的原始训练数据构建的多视图特征融合的田-路轨迹分割模型，该模型通过统计分析从轨迹序列中提取农机运动特征，并运用Attention U-Net网络从轨迹图中提取视觉特征，然后通过BiLSTM(bidirectional long short-term memory)网络实现多视图特征融合。然后，使用预训练模型对大量未标注的轨迹数据进行自动田-路轨迹分割，生成伪标签样本，结合轮廓系数（silhouette coefficient, Sil）与戴维斯-博尔丁指数（davies-bouldin, DBI），筛选出高质量伪标签样本。最后，采用半监督学习中的自训练策略将筛选出的高质量样本迭代纳入到原始训练数据集中，重新训练田-路轨迹分割预训练模型。试验结果表明，该方法在小麦和水稻收割作业农机轨迹数据集上的分割准确率分别达到91.89%和84.19%，明显优于传统方法，可为农机作业动态监测解决方案提供参考。
