基于双级交互级联网络(DIANet)的农机轨迹作业模式智能识别方法研究

为解决农机轨迹数据时空特征挖掘不充分、依赖人工标注及噪声干扰等问题，研究人员开发了双级交互级联网络(DIANet)，通过多视角特征提取(MFE)、双级交互自编码器(DIA)和双掩码自监督学习(DSL)模块，在稻麦联合收割机和拖拉机轨迹数据集上分别实现90.74%和94.54%的F1值，为智慧农业提供精准轨迹分析工具。

　　

在智慧农业快速发展的背景下，农机轨迹数据的精准解析成为提升作业效率的关键。然而，现有技术面临三大挑战：传统方法仅关注局部相邻轨迹点特征，难以捕捉跨区域时空依赖；GNSS数据受大气干扰和多路径效应影响导致噪声；农机跨区作业形成的复杂拓扑结构使模型泛化能力受限。这些瓶颈严重制约了农机调度优化和作业质量评估的精度。

针对上述问题，农业农村部农业大数据重点实验室的研究团队在《Computers and Electronics in Agriculture》发表创新成果，提出双级交互级联网络(DIANet)。该研究通过三阶段技术路线实现突破：首先设计多视角特征提取(MFE)模块，从物理和统计双维度提取瞬时速度、多窗口统计等特征；其次构建双级交互自编码器(DIA)，集成信息注意力上下文(IAC)和邻域挖掘上下文(NMC)模块，分别捕获投影子空间依赖和拓扑上下文；最后开发双掩码自监督学习(DSL)预训练策略，利用180个样本、超百万轨迹点的大规模数据集提升模型鲁棒性。

关键技术方法
研究采用多模态融合策略：1) MFE模块提取速度、方位角等物理特征及滑动窗口统计量；2) DIA中IAC采用随机注意力修剪(RAT)策略防止过拟合，NMC通过图卷积聚合邻域特征；3) DSL通过随机掩码轨迹片段重构学习通用表征；4) 引入类别平衡损失(CB-loss)解决数据分布不平衡问题。实验对比了DT、STGCN等9种基线模型。

主要研究结果

1. 模块有效性验证：消融实验显示，完整DIANet在稻麦收割机数据集F1值达90.74%，去除DSL或DIA分别导致性能下降3.82%和4.15%，证实双级交互和自监督学习的协同增效作用。
2. 噪声鲁棒性测试：在添加高斯噪声(σ=0.02)的轨迹数据上，DIANet准确率保持87.3%，显著高于STGCN的72.1%，归功于DSL的噪声不变性学习机制。
3. 跨区域泛化能力：模型在未标注区域的轨迹识别准确率达85.4%，较G