[發(fā)明專利]一種谷物產(chǎn)量圖異常數(shù)據(jù)檢測(cè)算法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010519647.0
• 申請(qǐng)日: 2020-06-09
• 公開（公告）號(hào): CN111680751B
• 公開（公告）日: 2023-05-30
• 發(fā)明（設(shè)計(jì)）人: 熊迎軍;周俊;張保華;郭一帆;邵若芷;魏宇航;袁立存
• 申請(qǐng)（專利權(quán)）人: 南京農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06V10/762
• 分類號(hào): G06V10/762;G06V10/764;G06V10/74
• 代理公司: 南京天華專利代理有限責(zé)任公司 32218
• 代理人: 莫英妍;徐冬濤

本發(fā)明提出一種谷物產(chǎn)量圖異常數(shù)據(jù)檢測(cè)算法，包括以下步驟：獲取谷物產(chǎn)量數(shù)據(jù)集，篩選出非極異常數(shù)據(jù)集合；分別采用四鄰域法觀測(cè)指標(biāo)、八鄰域法觀測(cè)指標(biāo)對(duì)非極異常數(shù)據(jù)集合進(jìn)行區(qū)域的劃分，分別獲取較近鄰域及產(chǎn)量值中位數(shù)、較遠(yuǎn)鄰域及產(chǎn)量值中位數(shù)；將較近鄰域的產(chǎn)量值中位數(shù)與較遠(yuǎn)鄰域的產(chǎn)量值中位數(shù)作為觀測(cè)點(diǎn)的新的非空間屬性數(shù)據(jù)，依次迭代獲取所有觀測(cè)點(diǎn)的新的非空間屬性數(shù)據(jù)，并形成新數(shù)據(jù)集合；對(duì)新數(shù)據(jù)集合中的數(shù)據(jù)進(jìn)行DBSCAN密度聚類算法進(jìn)行異常值檢測(cè)并生成可視化三維圖像。本發(fā)明對(duì)數(shù)據(jù)檢測(cè)前不需要設(shè)置任何閾值和指標(biāo)，降低對(duì)經(jīng)驗(yàn)的依賴。

技術(shù)領(lǐng)域

本發(fā)明屬于信息農(nóng)業(yè)和精準(zhǔn)農(nóng)業(yè)技術(shù)領(lǐng)域，尤其是一種谷物產(chǎn)量圖異常數(shù)據(jù)檢測(cè)算法。

背景技術(shù)

隨著農(nóng)業(yè)科學(xué)技術(shù)的不斷發(fā)展，農(nóng)業(yè)生產(chǎn)數(shù)據(jù)的精度要求不斷提到。在對(duì)谷物生產(chǎn)數(shù)據(jù)的分析方面，其產(chǎn)量數(shù)據(jù)的異常檢測(cè)這部分基本空白，這對(duì)作物的系統(tǒng)分析造成了不可忽視的誤差。谷物產(chǎn)量數(shù)據(jù)對(duì)后期谷物栽種有著非常重要的指導(dǎo)意義，但這些數(shù)據(jù)中包含了大量的異常數(shù)據(jù)，為了確保后期作物栽種的指導(dǎo)質(zhì)量，數(shù)據(jù)的處理就顯得尤為重要。谷物產(chǎn)量數(shù)據(jù)的獲得是在移動(dòng)車輛工作時(shí)采集，作為典型的空間數(shù)據(jù)，每個(gè)數(shù)據(jù)都具備其特定的空間屬性與非空間屬性，如何對(duì)每個(gè)觀測(cè)點(diǎn)劃分其空間鄰域以及每個(gè)觀測(cè)點(diǎn)基本屬性的處理是本次發(fā)明的關(guān)鍵之處。

本發(fā)明采用DBSCAN聚類方法來檢測(cè)整體數(shù)據(jù)中的缺陷，在DBSCAN算法的使用上也做了一定的改進(jìn)，降低了對(duì)參數(shù)的依賴，使得數(shù)據(jù)檢測(cè)效果更加合理科學(xué)。本發(fā)明基于“越近越相似”原理，在對(duì)每個(gè)觀測(cè)點(diǎn)劃定其空間鄰域時(shí)，根據(jù)其鄰域劃分的不同賦予每個(gè)觀測(cè)點(diǎn)在對(duì)應(yīng)鄰域內(nèi)的參考值，其鄰域的劃分充分考慮到其空間屬性，至于其非空間屬性將根據(jù)領(lǐng)域參考值做相應(yīng)的處理，然后再將處理的數(shù)據(jù)用于DBSCAN聚類用以發(fā)現(xiàn)這批數(shù)據(jù)中可能存在的異常值。

發(fā)明內(nèi)容

本發(fā)明所解決的技術(shù)問題在于提供一種谷物產(chǎn)量圖異常數(shù)據(jù)檢測(cè)算法，針對(duì)農(nóng)田工作時(shí)采集的數(shù)據(jù)的缺陷，對(duì)產(chǎn)量數(shù)據(jù)檢測(cè)的基礎(chǔ)上充分考慮到其空間屬性，根據(jù)其空間屬性劃定其空間鄰域，結(jié)合DBSCAN聚類算法進(jìn)行異常值檢測(cè)，對(duì)數(shù)據(jù)檢測(cè)前不需要設(shè)置任何閾值和指標(biāo)，降低對(duì)經(jīng)驗(yàn)的依賴。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

一種谷物產(chǎn)量圖異常數(shù)據(jù)檢測(cè)算法，包括以下步驟：

步驟1：獲取谷物產(chǎn)量圖數(shù)據(jù)形成數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，篩選出極異常值數(shù)據(jù)集合β₂以及非極異常數(shù)據(jù)集合β₁；

步驟2：采用四鄰域法觀測(cè)指標(biāo)對(duì)非極異常數(shù)據(jù)集合β₁進(jìn)行區(qū)域的劃分，分別獲取其較近鄰域及產(chǎn)量值中位數(shù)；

步驟3：采用八鄰域法觀測(cè)指標(biāo)對(duì)非極異常數(shù)據(jù)集合β₁進(jìn)行區(qū)域的劃分，分別獲取其較遠(yuǎn)鄰域及產(chǎn)量值中位數(shù)；

步驟4：將較近鄰域的產(chǎn)量值中位數(shù)與較遠(yuǎn)鄰域的產(chǎn)量值中位數(shù)作為觀測(cè)點(diǎn)z_i的新的非空間屬性數(shù)據(jù)，依次迭代獲取所有觀測(cè)點(diǎn)z_i的新的非空間屬性數(shù)據(jù)，并形成數(shù)據(jù)集合γ；

步驟5：對(duì)數(shù)據(jù)集合γ中的數(shù)據(jù)進(jìn)行DBSCAN密度聚類算法進(jìn)行異常值檢測(cè)并生成可視化三維圖像。

進(jìn)一步的，本發(fā)明的谷物產(chǎn)量圖異常數(shù)據(jù)檢測(cè)算法，步驟1具體包括：

步驟1-1：收割機(jī)在農(nóng)田工作時(shí)采集獲得谷物產(chǎn)量初始數(shù)據(jù)集α＝{x₀,x₁,x₂,...,x_n}，?x₀,x₁,x₂,...,x_n分別為不同觀測(cè)點(diǎn)的產(chǎn)量數(shù)據(jù)集，計(jì)算谷物產(chǎn)量初始數(shù)據(jù)集α的標(biāo)準(zhǔn)值范圍[x_min,x_max]；