本发明涉及一种农机作业面积统计领域，尤其涉及一种结合深度学习和分布式技术的农机作业面积统计方法和系统。
背景技术：
1、随着农业进入补贴精细化管理稳定发展阶段，在各地的实际操作中按照机械化作业面积来进行补贴的方案越来越受到政府的重视。目前地方政府根据自身农业特点积极探索机械化旋耕、机械化插秧、机收油菜花等作业补贴方式，以北斗农机作业面积作为发放农机补贴、收取农机作业费用的标准，相比于之前的农机购置补贴方式更加精准有效。一方面，目前已有的作业面积测量方法(主要是距离幅宽法、外边缘几何图形法、像素图膨胀腐蚀法)在处理大数据量作业业务时存在计算耗时久的缺点无法满足实际生产生活的需要，急需一种精确且时效性强的计算方法来快速获得北斗农机作业面积数据。另一方面，目前的算法普遍存在着一些作业所计算出的面积与实际不匹配，需要调整的问题。尤其在在处理大数据量作业业务时，对每个作业任务都进行人工的核实是不切实际的。本发明通过建立分布式架构，可以快速计算得到各作业的面积；同时通过深度学习技术，给出需要调整的作业。
2、目前基于农机轨迹来测量农机作业面积的方法主要分为三类，分别是距离幅宽法、外边缘几何图形法和像素图膨胀腐蚀法。距离幅宽法是将农机作业的轨迹点连成折线，通过计算折线总长度将其作为农机作业轨迹总长度，通过乘以农机作业的幅宽就得到农机作业的面积；此方法计算速度快可实时计算面积，但是误差较大。外边缘几何图形法先通过聚类算法确定农机作业轨迹段，再基于起始轮廓点通过knn算法构建外轮廓多边形，最后通过向量积方法计算多边形的面积；此方法计算精度和计算量都尚可，缺点是无法排除作业空心区域。像素图膨胀腐蚀法先计算每个轨迹点的瞬时速度，按阈值剔除在道路上行驶的轨迹后把剩余轨迹点投射到像素图上，有轨迹点的像素以黑色表示，其他像素以白色表示。再以“十”形核对点阵图进行多次膨胀计算，得到成片黑色的作业区域，通过闭运算(先多次膨胀计算再多次腐蚀计算)把黑色区域中的因北斗定位误差而产生的白色噪点去除，通过开运算(先多次腐蚀计算再多次膨胀计算)把白色区域中因在道路上低速行驶而产生的黑色噪点去除，最后通过通过canny算法提取外轮廓多边形并通过向量积方法计算多边形的面积；此方法计算精度高，且能够有效识别作业空心区域，但是计算量大，比较耗时。
3、归纳之下，现有技术具有如下缺点：
4、(1)无法同时计算大量农机作业面积。应用北斗的农机在国家级、省部级平台上的应用需要解决大量农机的并行运算问题。
5、(2)作业面积计算的准确性依赖于具体农机。这一现象大大降低了算法的可靠性，增加人工核对的成本。尤其是面对大数据量农机作业时，不能发现哪些农机作业面积出现偏差，更不能对所有农机作业均进行人工测量核查。
6、(3)及时性、准确性、可靠性较差。传统的算法往往需要24小时候甚至更长的时间才能给出结果，在及时性上体验较差。传统算法的面积统计结果往往也存在偏差，需要通过后期的补充计算、人工核定来提升准确性。
技术实现思路
1、本发明要克服现有技术的上述缺点，提供一种基于深度学习和分布式技术的北斗农机作业面积统计方法和装置。
2、本发明的一种基于深度学习和分布式技术的北斗农机作业面积统计方法，包括如下步骤：
3、s1、在农机作业时，北斗定位终端每2秒上报一条定位数据，上报数据包括农机唯一标识id，时间，经纬度；
4、s2、系统监督者根据id创建一个与之对应的执行者，若当前id的执行者已存在则下一步；
5、s3、当前id的执行者中的轨迹处理进程进行轨迹接收，作业分割并存储；
6、s4、当前id的“执行者”中的面积计算进程进行实时、膨胀算法的面积运算；面积调整模块根据接收的各种调整日志，使用dnn神经网络学习算法，给出不需要调整、需要调整、增加、减少和其他这几种情况的概率；
7、s5、用户根据id，时间段查询获得实时、相对精准的的作业面积和是否需要调整的概率建议；
8、s6、监督者实时监测执行者运行状态，在其出现异常崩溃时，使用热启动重新创建一个新的相应的执行者。
9、所述步骤s2中，以1个监督者与n个执行者相连接，监督者管理着执行者的生命周期；执行者通过监督者创建，并实时同步当前状态，当执行者出现异常关闭后，监督者重新创建一个相同的执行者，即one-for-one模式；在此模式下，保障分布式系统对外一直保持工作状态，外界无法感受到内部的活动，保障系统的可用性；监督者为每台活动农机创建一个执行者，并且一直保障该执行者可用。
10、所述步骤s3和s4中，执行者包含轨迹处理和面积计算模块，当一个执行者以一台农机的id为标识启动时，将分别以此两模块启动轨迹处理进程和面积计算进程；轨迹处理进程与前端农机建立一对一的联系，实时记录、存储轨迹，并通过轨迹点当前速度、所在地理位置分离出当前农机的多个作业；面积计算进程为每个作业创建面积计算任务，结合距离幅宽法、外边缘几何图形法、像素图膨胀腐蚀法计算当前作业的面积；面积调整程序根据计算出的作业面积，结合深度学习算法给出调整值序列。
11、所述步骤s4中，面积计算的流程如下：
12、(1)启动面积计算模块，使程序进入正常运行状态；
13、(2)接收面积查询任务；接收查询某农机在某时间段内的面积；
14、(3)查询当时计算结果；查询这一时刻实时、准确和调整三种计算的结果；
15、其中“实时”计算以距离幅宽法同步给出当前农机作业的面积，用户能实时拿到作业面积，而不用等到作业结束，但准确性较差；“准确”
16、计算在作业完成后调用外边缘几何图形法和像素图膨胀腐蚀法综合给出较为准确的作业面积，但实时性较差；调整计算通过深度学习给出需要调整的概率，具体包括不需要调整、需调整、增加、减少和其他，其他即无建议；
17、(4)判定是否满足用户要求；若满足则接收下一个请求，否则下一步；
18、调整系统配置，重启服务；调整各算法的配置参数，以更好满足用户需要；重启服务是在有监护的方式完成的热启动，用户无法察觉，系统一直保持高可用。
19、所述步骤s4中，面积调整包括以下步骤；
20、第一步：关系定义，明确对于语句s，其中的两主体e1与e2之间的5种关系；
21、对于给定的句子s，有一对待分析的对象e1和e2，在找出两者的关系前，我们需要先定义有几种关系；当没有分析出有效关系时，定义为其他，其他关系还有无需调整、需调整、增加和减少；
22、关系定义：
23、其他 0
24、无需调整 1
25、需调整(e1,e2)2
26、增加(e1,e2)3
27、减少(e1,e2)4
28、第二步：编辑训练集和测试集，包括语句，主体和期望期；
29、训练集和测试集的内容对后续的卷积深度学习算法起到极为重要的作用，合适的训练集和测试集可以有效提高后续学习算法的质量；
30、第三步：训练，观察损失值情况，调整参数和训练集；
31、(1)自定义分词词典；将所有农机的编号设置为词，并设置其他用于后续分析和提取的词；
32、(2)应用nlp提取分词列表；将训练集中的数据提取至分词列表，作为下一步训练的语料词汇；
33、(3)根据滑动窗口生成训练数据集；将训练集进行one-hot处理，结合设定的滑动窗口形成训练数据集；
34、(4)设置参数，进行dnn神经网络向量运算；权重初始化使用kaiming或xavier，选择激活函数tanh，选择指定的损失函数；
35、其中y为真实标记，p为预测概率；
36、(5)观察损失值，分析训练结果；可图形化训练结果，调整相关参数和反馈调整训练集，选用交叉熵损失量来判定训练的结果；
37、第四步：接收当前农机相关面积调整日志作为输入，利用分布式框架mapper进行分割，当前农机的reducer接收当前农机的日志；
38、将各种杂乱的日志，根据关键字进行分发，即mapper；而在为每个农机创建运行的计算节点上，接收此关键字的各种日志，即reducer；
39、第五步：深度神经网络关系抽取，计算得到当关系向量x＝{x1,x2,...,xn}；
40、第六步：对关系向量进行softmax运算，得到5种关系的概率并排序，总和为100％；
41、其中，oj(j∈[0,4])是被判定为是各项关系的概率的和，即：
42、n为面积调整日志条数，j∈[0,4]。
43、本发明的第二个方面涉及一种基于深度学习和分布式技术的北斗农机作业面积统计装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的一种基于深度学习和分布式技术的北斗农机作业面积统计方法。
44、本发明的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于深度学习和分布式技术的北斗农机作业面积统计方法。
45、本发明的创新点在于：
46、(1)创建一种基于分布式技术的作业面积计算方法。
47、(2)在分布式架构下，提出一种基于深度学习的单农机作业面积调整方法。
48、(3)在分布式架构下，提出一种综合多个面积计算算法优点方法，以达到快速、准确、可靠的目的。
49、本发明的有益效果是：
50、本发明有效的利用的分布式框架的优点，建立“监督者”和“执行者”的一对多关系，使得系统始终高可用；然后为每一台农机创建独立的“执行者”，这使得即快速又准确成为可能；“执行者”运行轨迹处理进程接收一台农机轨迹，并将轨迹分割为各个作业，面积计算进程既可以实时返回当前的作业，也可以返回相对准确的作业面积；面积调整模块使用深度神经网络经过训练可以对当前农机相关的日志进行分析，给出是否需要概率，为用户是否要核查该作业面积给出指导。本发明的方法和系统从实际应用出发，很好的结合了分布式和深度学习的优点，给出了一种高可用、快速、准确的农机作业面积统计解决方案。
1.一种基于深度学习和分布式技术的北斗农机作业面积统计方法，包括如下步骤：
2.如权利要求1所述的一种基于深度学习和分布式技术的北斗农机作业面积统计方法，其特征在于，所述步骤s2中，以1个监督者与n个执行者相连接，监督者管理着执行者的生命周期；执行者通过监督者创建，并实时同步当前状态，当执行者出现异常关闭后，监督者重新创建一个相同的执行者，即one-for-one模式；在此模式下，保障分布式系统对外一直保持工作状态，外界无法感受到内部的活动，保障系统的可用性；监督者为每台活动农机创建一个执行者，并且一直保障该执行者可用。
3.如权利要求1所述的一种基于深度学习和分布式技术的北斗农机作业面积统计方法，其特征在于，所述步骤s3和s4中，执行者包含轨迹处理和面积计算模块，当一个执行者以一台农机的id为标识启动时，将分别以此两模块启动轨迹处理进程和面积计算进程；轨迹处理进程与前端农机建立一对一的联系，实时记录、存储轨迹，并通过轨迹点当前速度、所在地理位置分离出当前农机的多个作业；面积计算进程为每个作业创建面积计算任务，结合距离幅宽法、外边缘几何图形法、像素图膨胀腐蚀法计算当前作业的面积；面积调整程序根据计算出的作业面积，结合深度学习算法给出调整值序列。
4.如权利要求1所述的一种基于深度学习和分布式技术的北斗农机作业面积统计方法，其特征在于，所述步骤s4中，面积计算的流程如下：
5.如权利要求1所述的一种基于深度学习和分布式技术的北斗农机作业面积统计方法，其特征在于，所述步骤s4中，面积调整包括以下步骤；
6.一种基于深度学习和分布式技术的北斗农机作业面积统计装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-5中任一项所述的一种基于深度学习和分布式技术的北斗农机作业面积统计方法。
7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-5中任一项所述的一种基于深度学习和分布式技术的北斗农机作业面积统计方法。
