基于GAF-DenseNet的旋耕作業(yè)質(zhì)量等級(jí)識(shí)別模型

李淑艷 李若晨 溫昌凱 萬科科 宋正河 劉江輝

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083；2.中國農(nóng)業(yè)大學(xué)現(xiàn)代農(nóng)業(yè)裝備優(yōu)化設(shè)計(jì)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100083；3.洛陽西苑車輛與動(dòng)力檢驗(yàn)所有限公司，洛陽 471003)

0 引言

作為田間農(nóng)業(yè)生產(chǎn)的重要環(huán)節(jié)，拖拉機(jī)旋耕工況的作業(yè)質(zhì)量對農(nóng)作物全周期生長水平與生產(chǎn)過程具有重要影響[1-2]。現(xiàn)階段，對旋耕作業(yè)質(zhì)量的分析和評估主要依靠人工方式進(jìn)行，評價(jià)方法和效果極大程度上受拖拉機(jī)操作人員的視野和經(jīng)驗(yàn)的影響，缺乏準(zhǔn)確、客觀的評判標(biāo)準(zhǔn)作為參考；并且，在田間作業(yè)過程中，作業(yè)質(zhì)量的評判易受主觀和外界環(huán)境等因素干擾，難以保證評判效果的穩(wěn)定和統(tǒng)一[3-6]。

拖拉機(jī)開展田間旋耕作業(yè)時(shí)，由于受到土地-機(jī)器-植物復(fù)雜非線性系統(tǒng)中存在的頻繁變化的相互作用力，拖拉機(jī)和旋耕機(jī)的連接機(jī)構(gòu)(即電液懸掛系統(tǒng)與PTO加載系統(tǒng))常承受復(fù)雜多變的非對稱循環(huán)載荷[7-10]，多通道實(shí)測載荷數(shù)據(jù)中包含了大量可描述作業(yè)質(zhì)量工況的載荷特性與整機(jī)特征，通過挖掘和分析典型特征可以有效地對當(dāng)前所處的作業(yè)質(zhì)量等級(jí)進(jìn)行分類預(yù)測[11-13]。

因此，為實(shí)現(xiàn)拖拉機(jī)田間旋耕作業(yè)質(zhì)量等級(jí)的準(zhǔn)確、高效識(shí)別，本研究提出一種基于GAF-DenseNet的拖拉機(jī)旋耕作業(yè)質(zhì)量深度學(xué)習(xí)分類識(shí)別模型，并開展旋耕作業(yè)田間試驗(yàn)進(jìn)行綜合性驗(yàn)證。該模型以3種旋耕作業(yè)質(zhì)量等級(jí)下的多傳感器實(shí)測載荷數(shù)據(jù)作為訓(xùn)練輸入，通過GAF編碼將多通道載荷序列編碼為二維灰度圖像陣列；通過DenseNet優(yōu)化特征傳遞機(jī)制和學(xué)習(xí)效率，深層挖掘數(shù)據(jù)中內(nèi)含的載荷特征。最終，依照旋耕作業(yè)質(zhì)量分級(jí)標(biāo)準(zhǔn)，通過分類器對瞬態(tài)載荷序列進(jìn)行分類預(yù)測。

本研究依據(jù)多項(xiàng)評價(jià)指標(biāo)對該模型的預(yù)測效果進(jìn)行驗(yàn)證，分析評價(jià)兩種GAF編碼方式和不同重采樣滑動(dòng)窗口大小對分類準(zhǔn)確性等指標(biāo)的不同影響，并與支持向量機(jī)(Support vector machines, SVM)、深度卷積神經(jīng)網(wǎng)絡(luò)(Deep convolutional neural network, DCNN)和深度殘差網(wǎng)絡(luò)(Deep residual network, ResNet)進(jìn)行對比，綜合評估不同算法的預(yù)測性能，以期為農(nóng)業(yè)機(jī)械作業(yè)質(zhì)量預(yù)測研究提供參考。

1 拖拉機(jī)旋耕作業(yè)載荷測試

1.1 旋耕作業(yè)質(zhì)量分級(jí)標(biāo)準(zhǔn)

參考國家標(biāo)準(zhǔn)《旋耕機(jī)》和《農(nóng)業(yè)機(jī)械試驗(yàn)條件 測定方法的一般規(guī)定》[14-15]，將旋耕作業(yè)質(zhì)量劃分為優(yōu)、中、差3個(gè)評價(jià)等級(jí)，分別對應(yīng)綜合評分中的80～100分、60～80分和0～60分。選取耕深、耕深穩(wěn)定性系數(shù)、碎土率、驅(qū)動(dòng)輪滑轉(zhuǎn)率等4項(xiàng)參數(shù)作為旋耕作業(yè)質(zhì)量的評價(jià)指標(biāo)，并為該4項(xiàng)評價(jià)指標(biāo)分別賦予權(quán)重系數(shù)以計(jì)算各指標(biāo)所達(dá)到的質(zhì)量評價(jià)分?jǐn)?shù)，最終以100分為滿分計(jì)算得出綜合評分[16]。

每項(xiàng)評價(jià)指標(biāo)均根據(jù)表1所示計(jì)分方法進(jìn)行計(jì)分，計(jì)算得出綜合評分，計(jì)算式為

表1 旋耕作業(yè)質(zhì)量評價(jià)指標(biāo)和計(jì)分方法

(1)

式中S——綜合評分

si——各評價(jià)指標(biāo)i的評分

Wi——各評價(jià)指標(biāo)i的權(quán)重系數(shù)

1.2 拖拉機(jī)旋耕作業(yè)載荷測試

為獲取基于拖拉機(jī)關(guān)鍵部件的實(shí)測載荷數(shù)據(jù)，確保數(shù)據(jù)集的真實(shí)性和可靠性，本文以NI-cDAQ 9035為核心搭建了拖拉機(jī)多傳感器綜合測試系統(tǒng)，采用分布式架構(gòu)對多測點(diǎn)、多類型參數(shù)進(jìn)行實(shí)時(shí)、同步測試，測試參數(shù)共計(jì)10項(xiàng)(表2)，測試系統(tǒng)傳感器布置和測試系統(tǒng)架構(gòu)如圖1、2所示。其中，驅(qū)動(dòng)輪滑轉(zhuǎn)率由實(shí)際車速和驅(qū)動(dòng)輪轉(zhuǎn)速換算得出。針對試驗(yàn)場景基于LabVIEW開發(fā)測試系統(tǒng)上位機(jī)軟件，實(shí)現(xiàn)對載荷數(shù)據(jù)的自動(dòng)化采集和實(shí)時(shí)監(jiān)控。

圖1 拖拉機(jī)多傳感器綜合測試系統(tǒng)傳感器布置圖

表2 拖拉機(jī)多傳感器綜合測試系統(tǒng)測試參數(shù)與配套傳感器

本文所開展的試驗(yàn)工況為旋耕作業(yè)，試驗(yàn)樣機(jī)選用某品牌52 kW四輪驅(qū)動(dòng)拖拉機(jī)，農(nóng)機(jī)具選用某品牌IGQN-180A型旋耕機(jī)。試驗(yàn)用地位于河南省洛陽市新安縣磁澗鎮(zhèn)趙洼村，試驗(yàn)時(shí)間為2021年7月，耕作土質(zhì)為黏土，含水率介于20%～35%之間。在實(shí)際的田間作業(yè)過程中，耕作幅寬為1 800 mm，耕作速度約為5 km/h，耕作深度根據(jù)作業(yè)質(zhì)量劃分情況進(jìn)行人工調(diào)節(jié)。最后，根據(jù)奈奎斯特采樣定理，結(jié)合實(shí)際工程經(jīng)驗(yàn)，設(shè)定采樣頻率為1 000 Hz[17]。拖拉機(jī)田間作業(yè)試驗(yàn)現(xiàn)場如圖3所示(下方3幅圖像為耕深測量現(xiàn)場，測量結(jié)果分別為13.6、19.1、21.5 cm)。

圖2 拖拉機(jī)多傳感器綜合測試系統(tǒng)架構(gòu)

圖3 拖拉機(jī)田間作業(yè)試驗(yàn)現(xiàn)場

2 基于GAF-DenseNet的識(shí)別模型

2.1 GAF圖像編碼

基于坐標(biāo)變換的思想，格拉姆角場(Gramian angular field, GAF)可在保留數(shù)據(jù)時(shí)間依賴性的前提下，將一維時(shí)間序列編碼為二維灰度圖像[18]。

對于本文中的實(shí)測載荷數(shù)據(jù)，可將其表示為包含n個(gè)元素的時(shí)間序列X={x1,x2,…,xn}。首先，將該時(shí)間序列縮放至[-1,1]范圍內(nèi)，計(jì)算式為

(2)

(3)

式中ti——時(shí)間戳

N——用于正則化極坐標(biāo)系統(tǒng)跨度的常數(shù)

計(jì)算每個(gè)點(diǎn)之間的三角和/差，通過兩種不同的方式來識(shí)別數(shù)據(jù)點(diǎn)在不同時(shí)間間隔內(nèi)的時(shí)間相關(guān)性。對應(yīng)地，GAF算法可分為格拉姆角和場(Gramian angular summation field, GASF)和格拉姆角差場(Gramian angular difference field, GADF)，其計(jì)算方法分別為

(4)

(5)

式中Gs——GASF矩陣Gd——GADF矩陣

I——單位行向量

i、j——行、列索引，i,j∈N且1≤(i,j)≤n

在GAF矩陣中，隨著位置從左上角移動(dòng)到右下角，其對應(yīng)的時(shí)間戳也隨之增加，因此，原時(shí)間序列的時(shí)間依賴性得以保留。此外，矩陣主對角線包含了原始值和角度信息，可有效表示原時(shí)間序列的時(shí)間相關(guān)性[21-22]。優(yōu)作業(yè)質(zhì)量工況下某數(shù)據(jù)段的GAF編碼效果如圖4所示。

圖4 某實(shí)測載荷數(shù)據(jù)段GAF編碼示意圖

2.2 GAF-DenseNet模型

DenseNet網(wǎng)絡(luò)模型沿用ResNet中短路連接的基本思想[23-24]，在此基礎(chǔ)上強(qiáng)化了前層與后層之間的密集連接，通過通道間的拼接以實(shí)現(xiàn)特征重用[25]。作為其核心模塊，密集塊(Dense block)的結(jié)構(gòu)如圖5所示。

圖5 密集塊結(jié)構(gòu)

設(shè)密集塊網(wǎng)絡(luò)包含N層，每層卷積后均輸出k個(gè)特征圖，k作為超參數(shù)被定義為增長率，假定輸入密集塊的特征圖通道數(shù)為k0，則第n層輸入的通道數(shù)為k0+k(n-1)。各層輸出的特征圖大小一致，特征圖在通道維度上進(jìn)行拼接，即第n層的輸出xn由前面所有層拼接而得，即

xn=Hn([x0,x1,…,xn-1])

(6)

式中xn——第n層輸出

Hn——非線性組合函數(shù)

其中，非線性組合函數(shù)由批標(biāo)準(zhǔn)化(Batch normalization, BN)層、線性修正單元(Rectified linear unit, ReLU)和3×3卷積(Convolution, Conv)層組成。

密集塊結(jié)構(gòu)作為基本單元，與過渡層(Transition layer)交替串聯(lián)構(gòu)成DenseNet模塊。在DenseNet模塊的基礎(chǔ)上，為改善特征圖信息密度不足的問題，通過GAF編碼算法在時(shí)間、幅值兩個(gè)維度上對原始載荷序列進(jìn)行解構(gòu)，將一維時(shí)間序列重組為二維灰度圖像矩陣，既實(shí)現(xiàn)了特征信息密度的有效擴(kuò)充，又使得特征信息在二維圖像空間中排列規(guī)則化，從數(shù)據(jù)層面間接提升了分類預(yù)測精度。最終，將GAF編碼算法和DenseNet網(wǎng)絡(luò)有效融合，形成了GAF-DenseNet識(shí)別模型，整體結(jié)構(gòu)如圖6所示。

圖6 GAF-DenseNet模型整體結(jié)構(gòu)

GAF-DenseNet模型由GAF編碼器、DenseNet和分類器共3個(gè)模塊組成。GAF編碼器將輸入模型的多通道載荷序列編碼為二維灰度圖像陣列，DenseNet模塊依靠卷積層提取二維灰度圖像陣列為特征圖，并在通道維度上對特征圖進(jìn)行特征重用和密集連接，以優(yōu)化特征的傳遞機(jī)制和利用效率。其中，為提高網(wǎng)絡(luò)緊湊性，引入過渡層以縮減特征圖大小。過渡層包含批標(biāo)準(zhǔn)化層、1×1卷積層和2×2平均池化層，對于密集塊所輸出的m個(gè)特征圖，經(jīng)過渡層轉(zhuǎn)換后可產(chǎn)生θm個(gè)特征，其中θ∈(0,1]為壓縮系數(shù)。

DenseNet模塊輸出的特征進(jìn)入分類器后，經(jīng)過全局平均池化進(jìn)入3層全連接網(wǎng)絡(luò)。其中，最后一個(gè)全連接層使用Softmax分類器輸出分類預(yù)測結(jié)果。GAF-DenseNet模型參數(shù)配置如表3所示。

表3 GAF-DenseNet模型參數(shù)

3 旋耕作業(yè)質(zhì)量等級(jí)識(shí)別分析

3.1 數(shù)據(jù)預(yù)處理

基于本文所制定的旋耕作業(yè)質(zhì)量分級(jí)標(biāo)準(zhǔn)，在實(shí)際田間地塊中分別開展3種作業(yè)質(zhì)量工況下的拖拉機(jī)旋耕作業(yè)試驗(yàn)，總作業(yè)面積約為2 hm2。在實(shí)測數(shù)據(jù)中去除駐車、轉(zhuǎn)向、掉頭等行駛狀態(tài)相關(guān)的數(shù)據(jù)段，獲得3種作業(yè)質(zhì)量下的數(shù)據(jù)量均為40 000，數(shù)據(jù)通道數(shù)為10(表2中所述測試參數(shù))，保留數(shù)據(jù)樣本共120 000個(gè)，生成原始數(shù)據(jù)集尺寸為(120 000,10)。

首先，為擴(kuò)展數(shù)據(jù)量，防止過擬合等現(xiàn)象發(fā)生，本文采取3種方法對原始數(shù)據(jù)集進(jìn)行聯(lián)合處理：①為保留原始數(shù)據(jù)集中所包含的隨機(jī)環(huán)境噪聲，對原始數(shù)據(jù)集不作任何處理。②采用最小二乘法擬合原始數(shù)據(jù)集中的非線性趨勢項(xiàng)并將其消除，設(shè)計(jì)8階巴特沃斯濾波器對數(shù)據(jù)進(jìn)行低通濾波，依據(jù)課題組項(xiàng)目經(jīng)驗(yàn)，將截止頻率設(shè)為48 Hz。③在方法2處理后的數(shù)據(jù)中疊加高斯噪聲。

合并經(jīng)3種方法處理后的數(shù)據(jù)樣本，數(shù)據(jù)量由120 000擴(kuò)展為360 000，數(shù)據(jù)集尺寸變?yōu)?360 000,10)。

為確保數(shù)據(jù)集尺度的統(tǒng)一性和統(tǒng)計(jì)分布的合理性，對數(shù)據(jù)集進(jìn)行歸一化和標(biāo)準(zhǔn)化處理，處理后載荷序列的統(tǒng)計(jì)直方圖分別如圖7和圖8所示。

圖7 優(yōu)作業(yè)質(zhì)量下載荷序列的歸一化處理結(jié)果

圖8 優(yōu)作業(yè)質(zhì)量下載荷序列的標(biāo)準(zhǔn)化處理結(jié)果

分析可知，經(jīng)過歸一化處理，不同維度的載荷序列在尺度上統(tǒng)一縮放至[-1,1]內(nèi)；進(jìn)一步對載荷序列做標(biāo)準(zhǔn)化處理，處理后的載荷序列在統(tǒng)計(jì)分布上趨于高斯分布，其平均值趨近于0，標(biāo)準(zhǔn)差趨近于1。

設(shè)定時(shí)間步長為250的滑動(dòng)窗口，采用半重疊時(shí)間窗(Semi non-overlapping temporal window, SNOW)將載荷序列分割為2 871個(gè)樣本，窗口重疊率為50%。對重采樣后的數(shù)據(jù)進(jìn)行GAF圖像編碼，如圖9和圖10所示，并對3種作業(yè)質(zhì)量分類標(biāo)簽進(jìn)行One-hot編碼，得到的數(shù)據(jù)集尺寸為(2 871,250,250,10)。

圖9 經(jīng)GASF編碼后的優(yōu)作業(yè)質(zhì)量下某樣本二維圖像陣列

圖10 經(jīng)GADF編碼后的優(yōu)作業(yè)質(zhì)量下某樣本二維圖像陣列

本文的預(yù)測分析基于TensorFlow 2.7深度學(xué)習(xí)框架實(shí)現(xiàn)，操作系統(tǒng)選用Ubuntu 18.04，硬件環(huán)境為NVIDIA Tesla K80 GPU，Intel Xeon 8369 CPU。

在訓(xùn)練網(wǎng)絡(luò)過程中，采用5折交叉驗(yàn)證方法和mini-batch技術(shù)，批次大小設(shè)為64，模型訓(xùn)練按照固定步長迭代100輪。選用交叉熵?fù)p失函數(shù)跟蹤模型迭代過程中的損失值變化，選用Adam算法對網(wǎng)絡(luò)參數(shù)進(jìn)行自適應(yīng)優(yōu)化迭代，初始學(xué)習(xí)率設(shè)為1×10-3。

3.2 編碼效果分析

為探究不同數(shù)據(jù)集尺寸和編碼方式對DenseNet模型訓(xùn)練效果的影響，設(shè)定滑動(dòng)窗口大小為200、250和300，選用GASF和GADF兩種編碼方式對預(yù)處理后的數(shù)據(jù)集分別編碼，隨后將編碼后的二維灰度圖像陣列輸入至DenseNet模型中進(jìn)行訓(xùn)練，測試集準(zhǔn)確率和損失值變化曲線分別如圖11和圖12所示。其中，DenseNet模型增長率k設(shè)為24，壓縮系數(shù)設(shè)為0.5。

圖11 經(jīng)不同滑動(dòng)窗口大小和編碼方式處理后的測試集準(zhǔn)確率變化曲線

圖12 經(jīng)GADF編碼后的測試集損失值變化曲線

隨著滑動(dòng)窗口大小的增大，每個(gè)樣本中包含的圖像信息隨之增多，其中表征旋耕作業(yè)工況的特征信息也更加豐富。分析圖11和圖12可知，當(dāng)窗口大小由200提升至250時(shí)，測試集準(zhǔn)確率有明顯提升，損失值收斂更加徹底。然而，當(dāng)窗口大小由250提升至300之后，測試集準(zhǔn)確率和損失值反而降低，在迭代40輪之后出現(xiàn)了無法收斂的情況。分析現(xiàn)象可知，在針對時(shí)間序列數(shù)據(jù)的滑動(dòng)窗口重采樣時(shí)，更大的窗口大小并不一定總利于特征的獲取，而可能會(huì)引入噪聲或無用特征，從而影響數(shù)據(jù)集的整體質(zhì)量。

在編碼方式方面，GASF和GADF兩種編碼方式均能較好地保留和提取樣本中的特征信息。分析圖11和圖12可知，經(jīng)兩種方法編碼后的數(shù)據(jù)集在準(zhǔn)確率和損失值上均有良好的表現(xiàn)。其中，GADF編碼后的數(shù)據(jù)在迭代過程中變化態(tài)勢更加平順，在準(zhǔn)確率和損失值兩項(xiàng)性能指標(biāo)上均有小幅提升。

3.3 模型參數(shù)分析

為探究增長率k對于模型性能的影響，針對DenseNet關(guān)鍵超參數(shù)增長率k的選取，本文最終確定k為12、24、32、40。其中，基于控制變量的思想，本試驗(yàn)所選用的數(shù)據(jù)集經(jīng)過半重疊時(shí)間窗進(jìn)行數(shù)據(jù)重采樣(窗口大小設(shè)為250)，并采用GADF方法進(jìn)行圖像編碼。試驗(yàn)結(jié)果如表4所示。

表4 在不同增長率k下的DenseNet模型測試集分析結(jié)果

由表4可知，隨著模型增長率k的增大，預(yù)測的準(zhǔn)確率也隨之增加，表明增長率k與模型的整體性能呈正相關(guān)的趨勢。然而，增長率k的增大也帶來了模型復(fù)雜度的提升，具體體現(xiàn)在參數(shù)量會(huì)隨之迅速增長，從而增加了算力負(fù)擔(dān)，模型的實(shí)時(shí)性受到明顯影響。增長率k由24增長到40的過程中，準(zhǔn)確率僅提升0.782個(gè)百分點(diǎn)，而推理時(shí)長增長約2.4倍。因此，綜合考慮模型性能和實(shí)時(shí)性兩個(gè)因素，增長率k設(shè)為24更能滿足實(shí)際應(yīng)用需求。

3.4 模型綜合性能分析

本研究選取測試集的準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1值(F1-score)等指標(biāo)來綜合評價(jià)模型性能。首先將本文中的三分類任務(wù)拆分為多個(gè)二分類任務(wù)，分別計(jì)算其準(zhǔn)確率、精確率、召回率和F1值。

在獲取多個(gè)二分類任務(wù)評價(jià)指標(biāo)后，得到三分類任務(wù)的混淆矩陣，采用Macro規(guī)則計(jì)算得出最終的綜合評價(jià)指標(biāo)。

結(jié)合上述模型評價(jià)指標(biāo)，對GAF-DenseNet模型進(jìn)行識(shí)別綜合性能分析，并選取SVM、DCNN、ResNet等模型進(jìn)行對比分析，計(jì)算得出的各項(xiàng)模型評價(jià)指標(biāo)如表5所示。需要特別說明的是，以上網(wǎng)絡(luò)深度大體接近，其模型參數(shù)均分別經(jīng)過優(yōu)化調(diào)整，且輸入數(shù)據(jù)均經(jīng)過GADF編碼為二維灰度圖像。

表5 基于不同模型分析結(jié)果的評價(jià)指標(biāo)

分析表5可知，在準(zhǔn)確率和損失值兩項(xiàng)指標(biāo)的表現(xiàn)上，GAF-ResNet與GAF-DenseNet大體接近(后者較前者有小幅提升)且高于其余兩種模型，其中GAF-SVM模型的準(zhǔn)確率水平顯著低于其他模型。F1值是對精確率和召回率兩項(xiàng)指標(biāo)的調(diào)和平均，不受樣本不平衡等因素影響。相較于其余3種模型，GAF-DenseNet模型在精確率、召回率和F1值上均有較大幅度提升，其中F1值可達(dá)到96.136%，這表明了該模型在整體性能上明顯優(yōu)于其余模型。在推理速度方面，歸結(jié)于過渡層在DenseNet網(wǎng)絡(luò)結(jié)構(gòu)中壓縮特征方面的重要作用，GAF-DenseNet模型所用的推理時(shí)長最短，較GAF-ResNet模型縮短36%。進(jìn)一步地，該模型在小批次測試數(shù)據(jù)的測試條件下，可達(dá)到更優(yōu)越的實(shí)時(shí)性能。

4 結(jié)論

(1)為實(shí)現(xiàn)基于多傳感器實(shí)測數(shù)據(jù)的拖拉機(jī)旋耕作業(yè)質(zhì)量等級(jí)準(zhǔn)確識(shí)別，提出了一種結(jié)合GAF編碼算法和DenseNet網(wǎng)絡(luò)的GAF-DenseNet識(shí)別模型。GAF算法在保留原始載荷序列的時(shí)間依賴性的前提下，對時(shí)間序列數(shù)據(jù)進(jìn)行唯一編碼。DenseNet網(wǎng)絡(luò)深層挖掘圖像陣列中的載荷信息，通過特征重用、模型壓縮等技術(shù)環(huán)節(jié)保證特征提取深度，并顯著提升運(yùn)算效率。

(2)針對某52 kW拖拉機(jī)旋耕作業(yè)工況，設(shè)計(jì)并搭建了拖拉機(jī)多傳感器綜合測試系統(tǒng)。依據(jù)本文所制定的旋耕作業(yè)質(zhì)量分級(jí)標(biāo)準(zhǔn)，開展了田間旋耕試驗(yàn)，獲取了不同分級(jí)標(biāo)準(zhǔn)下的多傳感器實(shí)測載荷數(shù)據(jù)。

(3)針對本文所提出的GAF-DenseNet識(shí)別模型，進(jìn)行了旋耕作業(yè)質(zhì)量等級(jí)識(shí)別分析。分析結(jié)果表明，在重采樣滑動(dòng)窗口大小為250、編碼方式采用GADF算法時(shí)，模型在準(zhǔn)確性、平滑性和收斂效果等方面效果最佳?；趯?shí)測數(shù)據(jù)的GAF-DenseNet模型準(zhǔn)確率和F1值分別達(dá)到96.816%和96.136%，并且在實(shí)時(shí)性能上具有良好的表現(xiàn)，推理時(shí)長可低至16 s。進(jìn)一步將該模型與其余模型進(jìn)行對比分析，整體性能均優(yōu)于對照組模型預(yù)測結(jié)果。