Evaluación de beneficios operativos de maquinaria agrícola basada en aprendizaje semisupervisado
Autores: Li, Yashuo; Zhao, Bo; Zhang, Weipeng; Wei, Liguo; Zhou, Liming
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Evaluación de beneficios operativos de maquinaria agrícola basada en aprendizaje semisupervisado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Eficiencia
Maquinaria agrícola
Operaciones
Evaluación
Gestión
Modelo de capacitación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
La eficiencia de las operaciones de maquinaria agrícola es la base para evaluar la tasa de utilización de la maquinaria agrícola, las habilidades de conducción de los operadores y la efectividad de la gestión de la maquinaria agrícola. Una serie de factores evaluativos, incluida la eficiencia operativa, el consumo de aceite, la calidad de la operación, la tasa de operación repetitiva y la proporción de tiempo de operación efectiva, deben considerarse para una evaluación integral de la calidad de una operación dada, un análisis de las causas de impacto, la mejora de la gestión de la maquinaria agrícola y un aumento en la eficiencia operativa. En este estudio, se extraen los principales factores que afectan la evaluación de las operaciones de maquinaria agrícola, y la información sobre las operaciones diarias de elementos particulares de maquinaria agrícola se toma como fuente de datos. En cuanto a la modelización, un subconjunto de datos puede ser puntuado manualmente, y los datos restantes se predicen después del entrenamiento del modelo relevante. Con una gran cantidad de datos, la puntuación manual no solo es consumidora de tiempo y mano de obra, sino que también produce errores de muestra debido a factores subjetivos. Sin embargo, un pequeño número de muestras no puede respaldar un modelo de evaluación preciso, por lo que en este estudio se utilizó un método de aprendizaje semisupervisado para aumentar el número de muestras de entrenamiento y mejorar la precisión del modelo de entrenamiento de la máquina de soporte de vectores de mínimos cuadrados (LSSVM). El experimento utilizó 33,000 datos de operación de subsolado profundo, de los cuales 500 se utilizaron como muestras de entrenamiento y 500 como muestras de prueba. La tasa de precisión del modelo obtenida utilizando 500 muestras de entrenamiento fue del 94.43%, y la tasa de precisión lograda con este método con un número aumentado de muestras de entrenamiento fue del 96.83%. Se recomienda una combinación óptima de maquinaria agrícola y herramientas debido a sus beneficios operativos en términos de costos reducidos y capacidad operativa mejorada.
Descripción
La eficiencia de las operaciones de maquinaria agrícola es la base para evaluar la tasa de utilización de la maquinaria agrícola, las habilidades de conducción de los operadores y la efectividad de la gestión de la maquinaria agrícola. Una serie de factores evaluativos, incluida la eficiencia operativa, el consumo de aceite, la calidad de la operación, la tasa de operación repetitiva y la proporción de tiempo de operación efectiva, deben considerarse para una evaluación integral de la calidad de una operación dada, un análisis de las causas de impacto, la mejora de la gestión de la maquinaria agrícola y un aumento en la eficiencia operativa. En este estudio, se extraen los principales factores que afectan la evaluación de las operaciones de maquinaria agrícola, y la información sobre las operaciones diarias de elementos particulares de maquinaria agrícola se toma como fuente de datos. En cuanto a la modelización, un subconjunto de datos puede ser puntuado manualmente, y los datos restantes se predicen después del entrenamiento del modelo relevante. Con una gran cantidad de datos, la puntuación manual no solo es consumidora de tiempo y mano de obra, sino que también produce errores de muestra debido a factores subjetivos. Sin embargo, un pequeño número de muestras no puede respaldar un modelo de evaluación preciso, por lo que en este estudio se utilizó un método de aprendizaje semisupervisado para aumentar el número de muestras de entrenamiento y mejorar la precisión del modelo de entrenamiento de la máquina de soporte de vectores de mínimos cuadrados (LSSVM). El experimento utilizó 33,000 datos de operación de subsolado profundo, de los cuales 500 se utilizaron como muestras de entrenamiento y 500 como muestras de prueba. La tasa de precisión del modelo obtenida utilizando 500 muestras de entrenamiento fue del 94.43%, y la tasa de precisión lograda con este método con un número aumentado de muestras de entrenamiento fue del 96.83%. Se recomienda una combinación óptima de maquinaria agrícola y herramientas debido a sus beneficios operativos en términos de costos reducidos y capacidad operativa mejorada.