基于GAF-DenseNet的旋耕作业质量等级识别模型

为实现基于拖拉机多传感器实测载荷数据的旋耕作业质量准确识别,提出一种基于GAF-DenseNet的拖拉机旋耕作业质量等级识别模型,设计旋耕作业质量等级分级标准,开展旋耕作业田间试验,并进行模型准确性验证和性能分析.该模型通过格拉姆角场(Gramian angular field,GAF)算法,在保留原始载荷序列的时间依赖性的前提下,对时间序列数据进行唯一编码.DenseNet网络对图像阵列中内含的载荷信息进行深层挖掘,通过特征重用、模型压缩等技术环节,在保证特征提取深度的同时,显著提升该网络的运算效率.分析结果表明:过大或过小的重采样滑动窗口大小均会降低模型性能,且格拉姆角差场(Gramian angular difference field,GADF)实验效果强于格拉姆角和场(Gramian angular summation field,GASF),实验数据显示在重采样滑动窗口大小为250且选用格拉姆角差场的条件下,模型性能达到最优.增长率k与模型整体性能呈正相关的趋势,但过大的k值会降低模型的实时性能且对于准确性提升有限,实验场景下将增长率k设为24更能符合实际需求.GAF-DenseNet模型准确率和F1值分别达到96.816％和96.136％,并且在实时性能上具有良好表现,推理时长可低至16 so在与其他智能算法对比分析中,该模型整体性能均优于对照组实验结果.