CN117523513A - 一种收割打捆一体机喂入量预测方法及收割打捆一体机 - Google Patents
一种收割打捆一体机喂入量预测方法及收割打捆一体机 Download PDFInfo
- Publication number
- CN117523513A CN117523513A CN202311479638.3A CN202311479638A CN117523513A CN 117523513 A CN117523513 A CN 117523513A CN 202311479638 A CN202311479638 A CN 202311479638A CN 117523513 A CN117523513 A CN 117523513A
- Authority
- CN
- China
- Prior art keywords
- harvesting
- crop
- integrated machine
- bundling
- bundling integrated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003306 harvesting Methods 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005520 cutting process Methods 0.000 claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000005303 weighing Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 235000013339 cereals Nutrition 0.000 description 44
- 238000001514 detection method Methods 0.000 description 20
- 239000010902 straw Substances 0.000 description 12
- 241000196324 Embryophyta Species 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D37/00—Reaper-binders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Combines (AREA)
Abstract
本发明涉及农机自动控制领域,提供了一种收割打捆一体机喂入量预测方法,包括如下步骤:获取收割打捆一体机的割幅和收割打捆一体机作业时的行驶速度;得到收割打捆一体机前方设定距离处割幅内的割取作物截面积;获取收割打捆一体机前方作物的生长特性;根据收割打捆一体机前方作物的生长特性得到割取作物截面积修正值;循环获取设定时间内收获作物的作物密度ρ,并根据公式计算作物密度预测值ρ′,根据作物密度预测值ρ′计算作物喂入量的预测值,能够提高作物喂入量预测结果的准确性。本发明还提供了一种收割打捆一体机。
Description
技术领域
本发明涉及农机自动控制领域,具体地涉及一种收割打捆一体机喂入量预测方法。本发明还涉及一种收割打捆一体机。
背景技术
农业是利用动植物的生长发育规律,通过人工培育来获得产品的产业,农业是人类社会赖以生存的基本生活资料的来源,是社会分工和国民经济其他部门成为独立的生产部门的前提和进一步发展的基础,也是一切非生产部门存在和发展的基础。中国是一个古老的农业国,具有数千年的农业生产的历史,主要从事水稻、小麦、玉米等农作物的种植,长期以来以手工工具和畜力农具为主的传统农业生产方式进行农业生产。随着现代技术的飞速发展,农业生产方式也在迅速向以机械化农具为主的生产方式转型,机械化的生产方式极大地提高了农业生产的生产效率。
收割打捆一体机是一种新型农作物收割机械,能够一次性解决收割、脱粒及秸秆打捆作业,改变了传统的联合收割机将秸秆丢弃到地面,再由人工打捆回收的二次作业方式,能够既有利于一次低碳节能减排的实现,又有效降低了农业生产成本。收割打捆一体机作业时,通收割打捆一体机的行走对前方的待收获的农作物进行分禾、拨禾和切禾等作业后,将农作物由田间转移到割台绞龙,进行脱粒、分离、秸秆打捆、清选和谷物收集等作业,将农作物秸秆打捆后留在田间,清选后的谷物输送到粮仓,清选形成的杂余抛洒回田间。
在收割打捆一体机作业时,其工作负荷主要取决于农作物的喂入量,喂入量过高会降低收割打捆一体机的作业质量,甚至造成工作部件频繁堵塞;喂入量过低会降低收割打捆一体机的工作效率。在进行农作物收割作业时,通常由人工根据农作物的长势或者收集谷物的流量来估计喂入量,并据此控制收割打捆一体机的行驶速度,来保证收割打捆一体机的作业质量和作业效率。但该估计喂入量的方法较为粗放,且估计结果依赖于操作者的经验。
近来也出现了通过测量过桥板压力、相关传动轴扭矩和功率等参数间接测量作物喂入量的方法,以及通过作物冠层图像预估作物喂入量的方法,虽然这些间接表征参数与喂入量有一定的相关性,但其相关系数受作物特性、机具性能和作业参数的影响较大,使用前需要繁琐的校准,普适性差不适合推广应用。另外该方法需要结合大量的历史数据,经过复杂的计算方能得到作物喂入量的预测值,即便获得了作物喂入量,也没足够的时间对收割打捆一体机的实时作业参数进行优化,难以解决收割打捆一体机作业时的防堵和降损增效问题。目前尚没有一种能够可靠的喂入量实时检测方法,现有的作物喂入量预测方法实时性和结果的准确性较差,难以满足保证收割打捆一体机的作业质量和作业效率的需要。
发明内容
本发明所要解决的技术问题是提供一种收割打捆一体机喂入量预测方法及收割打捆一体机,能够提高喂入量预测的准确性,从而提高收割打捆一体机的作业质量和作业效率。
为了实现上述目的,本发明提供了一种收割打捆一体机喂入量预测方法,包括如下步骤:获取收割打捆一体机的割幅w和收割打捆一体机作业时的行驶速度v;得到收割打捆一体机前方设定距离处割幅w内的作物截面积S1;获取收割打捆一体机前方作物的生长特性;根据收割打捆一体机前方作物的生长特性得到作物截面积修正值S2;循环获取设定时间t内收获作物的作物密度ρ,并根据公式计算作物密度预测值ρ′,式中,n为最新获取的作物密度的个数,ρi为由近至远第i次所获取的作物密度ρ的值,Ki为由近至远第i次所获取的作物密度值的权重系数,且Ki>Ki+1、/>根据作物密度预测值ρ′计算作物喂入量Q的预测值。
优选地,得到收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1的方法为:获取收割打捆一体机前方设定距离及其前后多个距离处割幅w对应范围内不同位置的作物顶部高度;以多个不同距离处作物顶部高度的最大值作为该位置作物的顶部高度h1;获取收割打捆一体机的割台高度h2;根据公式计算得到收割打捆一体机前方设定距离处的作物截面积S1,式中,h1i为收割打捆一体机前方设定距离处割幅w范围内距离割幅边缘i位置的作物顶部高度。
优选地,获取收割打捆一体机前方作物的生长特性的方法为:获取作物的RGB图像、红外图像和深度图像;对图像进行ROI区域划分;根据倒伏区域的形态学纹理特征,判断各ROI区域中是否为作物倒伏区域,获取作物的倒伏区域面积S′;通过RDP矢量数据阈值压缩算法检测作物的穗头带和高度,判断作物的倒伏方向和倒伏角度。
进一步优选地,根据作物的倒伏角度对作物的倒伏程度进行分级,并根据倒伏程度的不同分级,利用机器学习模型将作物的高度数据与作物的RGB图像、红外图像和深度图像数据进行融合处理,获取作物的倒伏高度差hd。
进一步地,作物截面积修正值S2通过公式:计算获得,式中hdx为收割打捆一体机前方设定距离处割幅w范围内的倒伏区域内部距离倒伏区域边缘x处的倒伏高度差。
优选地,所述作物密度ρ的获取方法为:按照设定的时间间隔t周期性获取收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1和割取作物截面积修正值S2;获取每个周期t内收割打捆一体机行走的距离d、收割打捆一体机割取的谷物重量m1和草捆重量m2;根据公式计算作物密度ρ的值,式中,(m1+m2)i为第i个时间间隔t内割取的谷物重量m1与草捆重量m2的和,(S1+S2)i-k为第i-k个时间间隔t内割取作物截面积S1与割取作物截面积修正值S2的和,di-k为第i-k个时间间隔t内收割打捆一体机行走的距离,k为同批作物从雷达测量高度到收割完成后谷物称重和草捆称重之间的延迟时间与时间间隔t的比的整数近似值。
优选地,所述作物密度ρ的获取方法为:按照设定的时间间隔t1周期性获取收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1和割取作物截面积修正值S2;获取时间间隔t1内收割打捆一体机行走的距离d;获取收割打捆一体机每个打捆周期t2内收割打捆一体机割取的谷物重量m1和草捆重量m2,t2>t1;根据公式计算作物密度ρ的值,式中,(m1+m2)i为第i个打捆周期t2内割取的谷物重量m1与草捆重量m2的和,(S1+S2)j为第j个时间间隔t1内割取作物截面积S1与割取作物截面积修正值S2的和,dj为第j个时间间隔t1内收割打捆一体机行走的距离,k为打捆周期t2与时间间隔t1的比的整数近似值,j的值根据i的值、收割打捆一体机的行驶速度和收割打捆一体机的作业效率确定。
优选地,收割打捆一体机的作物喂入量Q通过公式Q=ρ′(S1+S2)v计算获得。
本发明提供的收割打捆一体机,包括激光雷达、深度相机、割台高度传感器、草捆重量传感器、谷物重量传感器、车速传感器、行走距离传感器、上位控制器和下位控制器,所述激光雷达和深度相机设置在收割打捆一体机的割台前方,所述割台高度传感器设置在所述割台上,所述草捆重量传感器设置在所述收割打捆一体机的打捆机构处,所述谷物重量传感器设置在所述收割打捆一体机的粮箱处,所述深度相机与所述上位控制器相连接,所述激光雷达、割台高度传感器、草捆重量传感器和谷物重量传感器与所述下位控制器相连接,所述车速传感器和行走距离传感器与所述下位控制器或者所述收割打捆一体机的作业控制单元相连接,所述下位控制器与所述作业控制单元和所述上位控制器相连接,能够实现本发明所提供的收割打捆一体机喂入量预测方法。
优选地,本发明的收割打捆一体机还包括水分传感器,所述水分传感器分别设置在所述打捆机构处和所述粮箱内,所述作业控制单元能够根据作物喂入量Q的预测值和所述水分传感器的检测值控制所述收割打捆一体机作业时的行驶速度。
通过上述技术方案,本发明的收割打捆一体机喂入量预测方法,利用循环获取的邻近区域的实际作物密度,根据一定的权重预测收割打捆一体机前方待收割作物的作物密度,再根据收割打捆一体机前方作物密度预测值来计算收割打捆一体机当前的作物喂入量预测值,预测所用的作物密度值更加接近当前的实际作物密度值,作物喂入量的预测结果更加准确。利用作物的RGB图像、红外图像和深度图像来获取收割打捆一体机前方作物的生长特性,能够准确获取前方待收割作物的生长特性,能够更准确的获取收割区域农作物的倒伏情况等生长特性,并根据该生长特性计算作物喂入量的修正值,来修正作物喂入量的预测结果,能够更大程度上减小作物倒伏对喂入量预测值的影响,提高作物喂入量预测结果的准确性。在检测到作物倒伏时,根据作物倒伏程度的不同分级,对作物的高度数据与作物的RGB图像、红外图像和深度图像数据进行融合处理,能够减小作物倒伏对检测数据的影响,进一步提高作物喂入量预测结果的准确性。
本发明的收割打捆一体机,利用下位控制器获取重量传感器测得的谷物重量和草捆重量,获取激光雷达测得的作物高度,获取割台高度传感器获取割台高度,并分别通过车速传感器和行走距离传感器,或者通过作业控制单元获取行驶速度和行走距离,所获取的数据实时性更强;利用上位控制器对深度相机获取的图像信息进行处理处理,高度数据与图像数据的融合处理,以及作物喂入量的预测运算,能充分发挥上位机数据处理能力强大、下位机实时性强的特点,以较小的成本满足不同模式下喂入量预测的需要,能够更好地适应不同生长特性下作物喂入量的预测,获得准确的喂入量预测结果,以此来控制车速,使得本发明的收割打捆一体机在不同的作物生长特性下均能够形成均衡的喂入量,在防止机器堵塞和超负荷作业的同时,提高作业效率。
附图说明
图1是本发明的收割打捆一体机喂入量预测方法一个实施例的流程框图;
图2是本发明的收割打捆一体机喂入量预测方法一个实施例的控制流程图;
图3是本发明的收割打捆一体机一个实施例的电控元件连接关系图。
具体实施方式
在本发明中,在未作相反说明的情况下,使用的方位词如“前、后、上、下、左、右”所指示的方位或位置关系是基于本发明的收割打捆一体机在实际工作时的方位或位置关系。其中,方位词“前”所指示的方向为本发明的收割打捆一体机正常行驶时前进的方向。对本发明中的零部件的方位或位置关系的描述与其实际使用中的安装方位一致。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或者是一体连接;可以是直接连接,也可以是通过中间媒介间接连接,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明的具体实施方式进行详细说明,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,本发明的保护范围并不局限于下述的具体实施方式。
本发明的一种收割打捆一体机喂入量预测方法的一个实施例,如图1所示,包括如下步骤:
获取收割打捆一体机的割幅w和收割打捆一体机作业时的行驶速度v。
收割打捆一体机的割幅w指的是收割打捆一体机在田间单趟行走所能够收割的作物的宽度。收割打捆一体机的收割作业通常是由农田的一侧向另一侧依次进行,割幅w可以通过在收割打捆一体机上设置摄像机,从摄像机获取的收割打捆一体机作业时的田间图像的图像数据中解析而得;也可以通过在收割打捆一体机上设置传感器,由传感器检测收割打捆一体机割台一侧的作物边界,根据作物边界距离割台上割刀能够切割到的作物的边界的距离获得。
收割打捆一体机作业时的行驶速度v与作物的喂入量密切相关,通过对收割打捆一体机作业时行驶速度v的控制,能够迅速、有效控制作物的喂入量,是对作物喂入量进行控制的有效调节因素。收割打捆一体机作业时的行驶速度v也直接决定了收割打捆一体机的作业效率。收割打捆一体机作业时的行驶速度v可以通过车速传感器获取,也可以从收割打捆一体机中设置的作业控制单元中获取。
前方设定距离处的作物高度h指的是收割打捆一体机割台前方设定距离处的田间作物的生长高度。通常在收割打捆一体机顶部设置有延伸到割台前方设定距离的传感器安装架,在安装架的端部设置竖直向下的距离传感器,由距离传感器检测得到作物的顶部与距离传感器之间的作物顶距,并计算传感器的安装高度与作物顶距和割台高度的差,得到检测点的作物高度。作物高度h可以通过横向设置的数个距离传感器检测点的作物高度平均得到;也可以在割台前方设定距离处的设定高度设置横向扫描测距传感器,检测割幅w范围内不同位置的作物顶部高度,并由此较为精确地计算作物高度h。传感器在割台前方距离的设定,可以根据收割打捆一体机作业时的通常行驶速度,结合控制器的反应时间,以及车速控制单元的反应时间确定,通常设置为0.2-1.0米。
得到收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1。
割取作物截面积S1指的是收割打捆一体机在田间单趟行走时所能够割取的作物在竖直平面上的截面积。收割打捆一体机前方设定距离处的作物截面积S1可以通过该距离处作物的平均高度与割幅的乘积得到,可以通过割幅范围内不同位置的作物高度,根据公式:计算而得(式中,n为割幅范围内作物高度检测点的数量,hi为第i个检测点所检测到的作物高度),也可以通过对割幅范围内作物高度的变化趋势积分得到。
获取收割打捆一体机前方作物的生长特性。
作物的生长特征包括作物的倒伏,作物的漏播,和杂草的生长情况等,其中,作物的漏播引起作物截面积S1检测值与实际值之间差异的作用较小,在预测作物喂入量时可以忽略不计。而作物的倒伏和作物间生长的杂草会影响作物截面积S1的检测值,因而为了提高作物喂入量预测结果的准确性,获取作物的生长特征能够得知影响作物喂入量预测结果的多种因素,从而能够根据作物的生长特性针对相应的预测因素进行调整,提高预测结果的准确性。
根据收割打捆一体机前方作物的生长特性得到作物截面积修正值S2。
作物倒伏后检测到的作物高度会严重偏低,导致依据该作物高度计算得到的作物截面积S1严重偏低,如果不进行调整,会导致根据作物截面积S1预测出的作物喂入量严重偏低,并会导致根据作物截面积S1计算出的作物密度ρ严重偏高,进而导致依据该作物密度ρ预测未倒伏区域作物喂入量时的预测值严重偏高。对此可以检测作物的倒伏范围和倒伏程度,并计算作物倒伏所引起的作物截面积S1的偏差。杂草的生长情况也会对作物高度的检测值产生影响,在必要时也可以对称予以检测,并依据检测结果计算其所引起的作物截面积S1的计算偏差。综合作物生长特性所引起的物截面积S1的计算偏差,得到作物截面积修正值S2,并用于修正作物截面积S1,以提高作物喂入量Q预测结果的准确性。
循环获取设定时间t内收获作物的作物密度ρ,并在存储器中移位存储设定数量的作物密度ρ的值,对最近获取的n个作物密度ρ进行加权平均,作为收割打捆一体机前方正在收割的作物密度的预测值ρ′。具体的作物密度预测值可以通过如下公式计算:
式(1)中:n为最新获取的用于进行加权计算的作物密度个数,ρi为由近至远第i次所获取的作物密度ρ的值,Ki为由近至远第i次所获取的作物密度值的权重系数,且Ki>Ki+1、
收割打捆一体机新进收割的作物通常处于当前收割的作物的近邻区域,作物的生长状态和生长特性通常与当前收割作物更为相近,作物密度通常也相差较小,因而使用新进割取的作物密度作为当前收割作物的作物密度的预测值通常具有更高的准确性。而采用多个相邻区域的作物密度加权平均来预测当前收割作物的作物密度的方法,能够排除偶然因素导致作物密度预测值的大幅跳动,保证作物密度预测值ρ′的可靠性。
而通过设定一个较小的循环时间t,能够使得收割打捆一体机新进收获作物的区域与收割打捆一体机前方待收割作物的区域足够的接近,从而减小待收割区域的作物密度与时间t内收获作物的作物密度ρ之间的差异,提高作物密度预测值ρ′的准确性。权重Ki可以根据收割打捆一体机实际作业数据与预测值的差进行调整优化,该调整优化过程可以人工进行,也可以由控制单元自动进行。
根据作物密度预测值ρ′计算作物喂入量Q的预测值。
根据作物截面积和收割打捆一体机的行驶速度就可以计算出单位时间内所收割的作物的体积,如果再知道作物密度ρ,就可以得到作物喂入量Q。而根据目前的技术,尚没有一种能够在作物收割前准确检测作物密度ρ的检测手段,只能对作物密度进行预测。现有的作物喂入量的预测方法,多是使用特定作物品种的平均作物密度作为作物密度ρ来预测作物喂入量Q的,而实际的作物密度受光照、施肥和病虫害等等因素的影响较大,导致不同的田块之间、甚至同一田块中不同区域之间的作物密度差异较大,因此,根据作物的平均作物密度计算得到的作物喂入量Q的准确性也比较差。
在本发明中,首先使用传感器检测收割打捆一体机前方设定距离处的作物高度,并以此计算割幅w内的割取作物截面积S1,然后利用传感器获取收割打捆一体机前方作物的生长特征,根据生长特征得到割取作物截面积修正值S2,使得割取作物截面积更加准确;其次利用一定数量新进收割的作物密度ρ的加权平均值作物待收割作物密度的预测值,对收割打捆一体机前方作物密度的预测更加准确,优效提高了作物喂入量Q预测结果的准确性。
在收割打捆一体机初始进行作物收割作业时,也可以根据作物的品种,用历史平均作物密度作物代替新近获取的作物密度ρ来初步估算作物密度预测值ρ′,并以此计算初始的作物喂入量Q。在开始收割作业后,以新近得到的作物密度ρ逐步取代历史平均作物密度,提高作物喂入量Q预测结果的准确性。
在本发明的收割打捆一体机喂入量预测方法的一些实施例中,通过如下方法得到收割打捆一体机前方设定距离处割幅w内的作物截面积S1:
同时获取收割打捆一体机前方设定距离处设定区域内多个距离处割幅w对应范围内作物的顶部高度。通常通过设置在收割打捆一体机前方设定距离处传感器,如激光雷达或者图像传感器获取收割打捆一体机前方设定距离处及其前后间接一定距离的多个不同距离所形成的区域内割幅w对应范围内不同位置的作物的顶部高度。在本实施例中,通过激光雷达在割幅w对应范围内同步扫描检测收割打捆一体机前方设定距离处前后一定距离的区域内多个不同距离处,如选用16线激光雷达进行作物高度的检测,使用其中位于前方的6线以上的激光检测作物顶部的高度。收割打捆一体机前方设定距离处设定区域的前后距离通常设置为大于作物栽种的行距,同时小于作物栽种的2-4倍行距,从而保证该设定区域至少包括一行作物的顶部,且至多包括2-4行作物的顶部。
以多个不同距离处作物顶部高度的最大值作为前方设定距离处作物的顶部高度h1。在采用激光雷达检测作物的顶部高度时,由于作物通常按照行列排列进行栽种,作物成熟后顶部位置有时会形成一定的间距,容易导致检测激光扫描透过作物的顶部扫描在作物的中段,甚至扫描在田间地面上,导致作物顶部高度的检测误差。为此,本实施例采用了在收割打捆一体机前方设定距离处设定区域内多个不同距离处同时检测作物顶部高度的方法,从而保证多个不同距离处的检测激光中至少有一束激光能够扫描到作物的顶部。通常作物的顶部高度最高(在激光检测时通常使用过滤器滤除狭小的干扰波),因而多个不同距离处的检测激光束检测到的作物顶部高度的最大值,通常代表了该处作物的实际顶部高度,以此作为前方设定距离处作物的顶部高度h1,使得所获取的收割打捆一体机前方设定距离处作物顶部高度的检测结果更加准确。
通过传感器检测收割打捆一体机的割台高度h2。具体地,可以通过在割台上设置传感器检测割台与底面之间距离的方法获取割台高度h2,也可以通过传感器检测作物收割后田间留茬高度的方法来获得割台高度h2。
根据公式(2)对收割打捆一体机前方设定距离处割幅范围内的能够收割的作物高度进行积分,得到收割打捆一体机前方设定距离处的割取作物截面积S1。
式(2)中,h1i为收割打捆一体机前方设定距离处割幅w范围内距离割幅边缘i位置的作物顶部高度,h2为收割打捆一体机的割台高度。
在本发明的收割打捆一体机喂入量预测方法的一些实施例中,获取收割打捆一体机前方作物的生长特性的方法包括如下步骤:
1、使用深度相机分别获取作物的RGB图像、红外图像和深度图像。其中,RGB图像也就是作物的可见光彩色图像,由可见光相机获得,图像成像精度高,能够通过色彩区分作物的不同部分,以及杂草等信息,但易于受到背景光影的干扰;红外图像由红外相机获得,不易受到外界光线的干扰,但成像精度较差;深度图像也称距离图像,通常由深度相机获得,图像中记录了场景中各个点的距离,能够准确反映图像中各个点之间的位置关系。RGB图像、红外图像和深度图像相结合,能够更好地再现田间作物的场景。
2、对作物的图像进行ROI区域划分。将作物的图像分割为多个矩形的ROI区域,利用基于脉冲耦合神经网络的活动轮廓模型对图像进行处理,以消除远处天空、收割机割台等干扰背景。
3、根据倒伏区域的形态学纹理特征,判断各ROI区域中是否为作物倒伏区域,获取作物的倒伏区域面积S′。根据倒伏区域的形态学纹理特征,使用最大类间方差法,分离图像的背景和目标。对倒伏疑似区域和穗头带进行检测。具体地,在机器学习模型的基础上,通过设定条形像素结构元素,对目标区域进行形态学匹配、膨胀增强处理,从目标区域中初步分离出倒伏区域,使用改进迭代霍夫直线检测方法对倒伏区域进行标定,确定倒伏区域在图像中的具***置。
通过RDP矢量数据阈值压缩算法检测作物的穗头带和高度,判断作物的倒伏方向和倒伏角度。对图像进行二值化处理,将非倒伏区域与目标倒伏区域初步分离,再通过二值图像形态学滤波的方法,得到倒伏区域的大致范围及轮廓。在此基础上通过中值滤波消除边缘噪声,使用闭操作、调参和掩膜进一步填补细小空洞,初步形成倒伏轮廓。再通过面积阈值滤波算法,采用抓大放小的思路,对中小倒伏区域轮廓予以滤除,最终实现倒伏区域的检测和识别;通过RDP矢量数据阈值压缩算法进行穗头带的区域检测和高度识别,得到倒伏区域的范围、作物的倒伏角度和倒伏高度差,其中,倒伏高度差是利用倒伏区域周边作物的平均高度和倒伏植株的倒伏角度计算得到。
在本发明的收割打捆一体机喂入量预测方法的一种优选实施例中,根据作物的倒伏角度将作物的倒伏程度分为四个等级,其中,作物的倒伏角度小于30度者为1级,倒伏角度为30~45度者为2级,倒伏角度为45~60度者为3级,倒伏角度大于60度者为4级。对于倒伏程度为1级或者2级的倒伏区域,以激光雷达获取的作物的高度数据为主;对于倒伏程度为3级或者4级的倒伏区域,以深度相机获取的图像数据为主,利用机器学习模型,通过基于状态估计的卡尔曼滤波算法,对通过激光雷达获取的作物高度数据与通过深度相机获取的作物的RGB图像、红外图像和深度图像数据进行融合处理,从数据中剔除异常数据,并从可信数据中估计真实值,获取作物的倒伏角度和倒伏高度差hd。
作为本发明的收割打捆一体机喂入量预测方法的一个具体实施方式,作物截面积修正值S2可以通过如下公式计算而得:
式(3)中,hdx为收割打捆一体机前方设定距离处割幅w范围内的倒伏区域内部距离倒伏区域边缘x处的倒伏高度差。
而倒伏高度差hd则可以通过如下公式计算而得:
hd=h*sinθ (4)
式(4)中,h为倒伏区域周边作物的平均高度,θ为倒伏植株的倒伏角度。
在本发明的收割打捆一体机喂入量预测方法的一些实施例中,收割打捆一体机收获作物的作物密度ρ的获取方法为:
按照固定的时间周期t循环获取收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1和割取作物截面积修正值S2,具体获取方法见前文记载,此处不再赘述。
获取收割打捆一体机在每个时间间隔t内的行走距离d,行走距离d可以从收割打捆一体机的作业控制单元中获取,也可以通过设置在收割打捆一体机上的行走距离检测器件,如通过设置在收割打捆一体机行走轮上的编码器获取。
通过重量传感器实时获取每隔固定的时间间隔t内实际收获的谷物重量m1和草捆重量m2,再根据如下公式计算得到作物密度ρ的值:
式(5)中,(m1+m2)i为第i个时间间隔t内割取的谷物重量m1与草捆重量m2的和,(S1+S2)i-k为第i-k个时间间隔t内割取作物截面积S1与割取作物截面积修正值S2的和,di-k为第i-k个时间间隔t内收割打捆一体机行走的距离,k为同批作物从雷达测量高度到收割完成后谷物称重和草捆称重之间的延迟时间与时间间隔t的比的整数近似值,其中,同一作物的谷物到达粮箱的时间与秸秆到达打捆机构的时间几乎相同,可以忽略二者之间的时间差。作物从雷达测量高度到收割完成后谷物称重和草捆称重之间的延迟时间可以通过实验获得,在相同作物的收割过程中可以近似认为是一个定值。
由于同一时刻获得的谷物重量m1和草捆重量m2,与割取作物截面积S1和割取作物截面积修正值S2并不是来源于同一区域的作物,割取作物截面积S1和割取作物截面积修正值S数据采集自收割打捆一体机前方高度传感器设置位置处,该位置距离割台的水平距离为1,而谷物重量m1和草捆重量m2采集自收割后已经脱粒完成后的作物。收割打捆一体机的行走需要一定的时间,作物的收割与脱粒也需要一定的时间,为了保证所采集的谷物重量m1和草捆重量m2的准确性,时间间隔t通常不会太短,通过时间t内收割打捆一体机行走的距离进行调整后能够使得割取作物截面积S1和割取作物截面积修正值S数据采集位置位于谷物重量m1和草捆重量m2采集的时间间隔内,保证数据来源的一致性。但由于时间间隔t较长,所采集的割取作物截面积S1和割取作物截面积修正值S数据与实际数据之间可能存在较大的误差。
将每次得到的作物密度值依次存储在存贮器中,用于进行收割打捆一体机前方待收割作物的作物密度预测。通常在存储器中存储设定数量的作物密度值,在得到的作物密度值数量超过该设定数量时,以当前作物密度值取代最先存储的作物密度值。
在本发明的收割打捆一体机喂入量预测方法的一种优选实施例中,使用如下方法获取作物密度ρ的值:
按照一个较短的时间间隔t1如1秒,周期性获取收割打捆一体机前方设定距离l处割幅w范围内的割取作物截面积S1和割取作物截面积修正值S2,具体获取方法见前文记载。
通过收割打捆一体机的作业控制单元,或者设置在收割打捆一体机行走轮上的编码器获取时间间隔t1内收割打捆一体机行走的距离d;
在收割打捆一体机每次开始打捆时通过重量传感器获取当前的草捆重量m2,并通过重量传感器获取当前草捆开始打捆时谷物的重量与前一个草捆开始打捆时重量传感器检测到的谷物重量之间的谷物重量增加量m1并记录每次开始打捆时与上次开始打捆的时间间隔,即每次的打捆周期t2。通常,打捆周期t2要远大于割取作物截面积S1和割取作物截面积修正值S2数据采集的时间间隔t1,通过设置更小的时间间隔t1,能够及时发现作物生长特性的变化,使得所采集的割取作物截面积S1和割取作物截面积修正值S2数据更加准确。
根据如下公式计算作物密度ρ的值:
式(6)中,(m1+m2)i为第i个打捆周期t2内割取的谷物重量m1与草捆重量m2的和,(S1+S2)j为第j个时间间隔t1内割取作物截面积S1与割取作物截面积修正值S2的和,dj为第j个时间间隔t1内收割打捆一体机行走的距离,k为打捆周期t2与时间间隔t1的比的整数近似值,j的值根据i的值、收割打捆一体机的行驶速度和收割打捆一体机的作业效率确定。
同样地,由于同一时刻获得的谷物重量m1和草捆重量m2,与割取作物截面积S1和割取作物截面积修正值S2并不是来源于同一区域的作物,需要将当前打捆周期t2采集的谷物重量m1与草捆重量m2数据,对应到之前若干个时间间隔t1所采集的割取作物截面积S1和割取作物截面积修正值S2数据,具体所对应的时间间隔t1的序列数,受到高度传感器设置位置距离收割打捆一体机割台的水平距离、收割打捆一体机的行驶速度、收割打捆一体机将割取的作物传送到脱粒机构的速度、脱粒机构的脱粒速度等因素的影响,在实际应用时,通常对收割打捆一体机进行实际收割实验,根据实际实验数据来确定。
通常地,根据作物生长特性和收割打捆一体机的行驶速度的不同,打捆周期t2并不是一个固定的值,因此,每个打捆周期t2内所包含的时间间隔t1的次数可能不同。由于打捆周期t2远大于割取作物截面积S1和割取作物截面积修正值S2数据采集间隔t1,通过计算打捆周期t2与时间间隔t1的比的整数近似值得到割取作物截面积S1和割取作物截面积修正值S2数据采集次数,并对每个时间间隔t1内的割取作物体积((S1+S2)*d)进行累加,所得到的打捆周期t2内的割取作物体积的误差也较小,能够更为准确地得到作物密度ρ的值。
在本发明的收割打捆一体机喂入量预测方法的一些实施例中,收割打捆一体机的作物喂入量Q的预测值通过公式Q=ρ′(S1+S2)v计算而得。在新出厂的收割打捆一体机初始进行作物的收割作业时,可以在收割打捆一体机中存储作物密度ρ的存储器中的每个存储位均加载一个统一的初始作物密度,在收割打捆一体机开始收割作业时,再根据实际采集数据进行作物密度ρ的实时更新,保证收割打捆一体机喂入量预测值的准确性。
在本发明的收割打捆一体机的一个实施例中,如图3所示,包括激光雷达、深度相机、割台高度传感器、草捆重量传感器、谷物重量传感器、车速传感器、行走距离传感器、上位控制器和下位控制器。在收割打捆一体机的车体顶部设置有向前方延伸的传感器安装架,在传感器安装架上相对于收割打捆一体机的割台前方1米处设置有检测方向朝向下方的激光雷达和深度相机。割台高度传感器可以使用各种使用超声波、红外线或者可见光测量割台距离地面高度的传感器,割台高度传感器朝向地面设置在割台上。草捆重量传感器设置在收割打捆一体机的打捆机构下方,能够测量打捆机构上作物秸秆的重量;谷物重量传感器设置在收割打捆一体机的粮箱下方或者粮仓的底部,能够称量粮仓中的谷物重量。
深度相机与上位控制器电性连接,能够将深度相机拍摄的收割打捆一体机前方作物的RGB图像、红外图像和深度图像数据传输给上位控制器,由上位控制器进行图像数据的处理,从中提取作物生长状态信息和作物顶部高度信息等。上位控制器通常具有较强的数据处理能力,以适应进行复杂的图像数据处理、作物截面积的计算和喂入量计算等计算算力的需要。
下位控制器分别与激光雷达、割台高度传感器、草捆重量传感器和谷物重量传感器,以及收割打捆一体机的作业控制单元电性连接,下位控制器通过激光传感器获取作物高度信息。车速传感器和行走距离传感器可以相对于作业控制单元独立设置,此时,通常可以利用设置在收割打捆一体机的行走轮驱动轴上的编码器作为车速传感器,在行走轮上设置编码器来作为行走距离传感器,将车速传感器和行走距离传感器与下位控制器电连接,下位控制器通过车速传感器和行走距离传感器获取收割打捆一体机的速度信息和行走距离;部分作业控制单元内部设置车速和行走距离获取单元,下位控制器可以通过作业控制单元获取收割打捆一体机的速度信息和行走距离。下位控制器还能够通过割台高度传感器获取收割打捆一体机的割台高度信息;通过草捆重量传感器和谷物重量传感器获取作物秸秆重量和谷物重量信息。下位控制器通常更注重信息处理的实时性,能够对一些不需要进行大算力处理的车辆信息和检测数据进行快速响应,提高数据处理的实时性,增强收割打捆一体机的实时反应能力。同时,下位控制器还与上位控制器相连接,能够进行下位控制器与上位控制器之间的协调工作,从而充分发挥两个控制器的特征,以相对较低的成本实现对收割打捆一体机更精确地控制。
在本发明的收割打捆一体机的一些实施例中,本发明的收割打捆一体机还包括水分传感器,水分传感器与下位控制器电性连接。水分传感器通常设置有两个,其中一个水分传感器设置在收割打捆一体机的打捆机构处,用于检测作物秸秆的含水率,另一个水分传感器设置在收割打捆一体机的粮箱内,用于检测谷物的含水率。下位控制器能够将收割打捆一体机前方作物喂入量Q的预测值,以及作物秸秆和谷物的含水率传送给作业控制单元,作业控制单元能够根据作物喂入量Q预测值控制收割打捆一体机作业时的行驶速度,当预测到收割打捆一体机前方的作物喂入量Q增大时,降低收割打捆一体机的作业速度,防止作物喂入量Q过大导致作物堵塞和收割打捆一体机超负荷作业;当预测到收割打捆一体机前方的作物喂入量Q减小时,提高收割打捆一体机的作业速度,从而提高收割打捆一体机的作业效率。另外,谷物的含水率和作物秸秆的含水率越高,则需要更高功率进行输送、清选和打捆等作业。当水分传感器检测到的谷物含水率和作物秸秆含水率增高时,作业控制单元控制收割打捆一体机作业时的行驶速度适当下降,从而适当降低收割打捆一体机的喂入量,以降低损失率,提高收割打捆一体机的作业质量;当水分传感器检测到的谷物含水率和作物秸秆含水率降低时,作业控制单元控制收割打捆一体机作业时的行驶速度适当提高,从而适当提高收割打捆一体机的喂入量,以提高收割打捆一体机的作业效率。这样就能够保持收割打捆一体机的实际作物喂入量保持在一个合理的水平,保证收割打捆一体机的稳定、高效工作。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“一种具体实施方式”意指结合该实施例描述的具体特征、结构或者特点包含于本发明的至少一个实施例中。在本说明书中,其示意性表述不必须针对的是相同的实施例。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于此。在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,包括各个具体技术特征以任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容,均属于本发明的保护范围。
Claims (10)
1.一种收割打捆一体机喂入量预测方法,其特征在于,包括如下步骤:
获取收割打捆一体机的割幅w和收割打捆一体机作业时的行驶速度v;
得到收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1;
获取收割打捆一体机前方作物的生长特性;
根据收割打捆一体机前方作物的生长特性得到割取作物截面积修正值S2;
循环获取设定时间t内收获作物的作物密度ρ,并根据公式 计算作物密度预测值ρ′,式中,n为最新获取的作物密度的个数,ρi为由近至远第i次所获取的作物密度ρ的值,Ki为由近至远第i次所获取的作物密度值的权重系数,且Ki>Ki+1、/>
根据作物密度预测值ρ′计算作物喂入量Q的预测值。
2.根据权利要求1所述的收割打捆一体机喂入量预测方法,其特征在于,得到收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1的方法为:
获取收割打捆一体机前方设定距离及其前后多个距离处割幅w对应范围内不同位置的作物顶部高度;
以多个不同距离处作物顶部高度的最大值作为该位置作物的顶部高度h1;
获取收割打捆一体机的割台高度h2;
根据公式计算得到收割打捆一体机前方设定距离处的割取作物截面积S1,式中h1i为收割打捆一体机前方设定距离处割幅w范围内距离割幅边缘i位置的作物顶部高度。
3.根据权利要求1所述的收割打捆一体机喂入量预测方法,其特征在于,获取收割打捆一体机前方作物的生长特性的方法为:
获取作物的RGB图像、红外图像和深度图像;
对图像进行ROI区域划分;
根据倒伏区域的形态学纹理特征,判断各ROI区域中是否为作物倒伏区域,获取作物的倒伏区域面积S′;
通过RDP矢量数据阈值压缩算法检测作物的穗头带和高度,判断作物的倒伏方向和倒伏角度。
4.根据权利要求3所述的收割打捆一体机喂入量预测方法,其特征在于,根据作物的倒伏角度对作物的倒伏程度进行分级,并根据倒伏程度的不同分级,利用机器学习模型将作物的高度数据与作物的RGB图像、红外图像和深度图像数据进行融合处理,获取作物的倒伏高度差hd。
5.根据权利要求4所述的收割打捆一体机喂入量预测方法,其特征在于,作物截面积修正值S2通过公式:
S2=∫0 whdxdx
计算获得,式中hdx为收割打捆一体机前方设定距离处割幅w范围内的倒伏区域内部距离倒伏区域边缘x处的倒伏高度差。
6.根据权利要求1所述的收割打捆一体机喂入量预测方法,其特征在于,所述作物密度ρ的获取方法为:
按照设定的时间间隔t周期性获取收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1和割取作物截面积修正值S2;
获取时间间隔t内收割打捆一体机行走的距离d、收割打捆一体机割取的谷物重量m1和草捆重量m2;
根据公式计算作物密度ρ的值,式中,(m1+m2)i为第i个时间间隔t内割取的谷物重量m1与草捆重量m2的和,(S1+S2)i-k为第i-k个时间间隔t内割取作物截面积S1与割取作物截面积修正值S2的和,di-k为第i-k个时间间隔t内收割打捆一体机行走的距离,k为同批作物从雷达测量高度到收割完成后谷物称重和草捆称重之间的延迟时间与时间间隔t的比的整数近似值。
7.根据权利要求1所述的收割打捆一体机喂入量预测方法,其特征在于,所述作物密度ρ的获取方法为:
按照设定的时间间隔t1周期性获取收割打捆一体机前方设定距离处割幅w内的割取作物截面积S1和割取作物截面积修正值S2;
获取时间间隔t1内收割打捆一体机行走的距离d;
获取收割打捆一体机每个打捆周期t2内收割打捆一体机割取的谷物重量m1和草捆重量m2,t2>t1;
根据公式计算作物密度ρ的值,式中,(m1+m2)i为第i个打捆周期t2内割取的谷物重量m1与草捆重量m2的和,(S1+S2)j为第j个时间间隔t1内割取作物截面积S1与割取作物截面积修正值S2的和,dj为第j个时间间隔t1内收割打捆一体机行走的距离,k为打捆周期t2与时间间隔t1的比的整数近似值,j的值根据i的值、收割打捆一体机的行驶速度和收割打捆一体机的作业效率确定。
8.根据权利要求1所述的收割打捆一体机喂入量预测方法,其特征在于,收割打捆一体机的作物喂入量Q的预测值通过公式Q=ρ′(S1+S2)v计算获得。
9.一种收割打捆一体机,其特征在于,包括激光雷达、深度相机、割台高度传感器、草捆重量传感器、谷物重量传感器、车速传感器、行走距离传感器、上位控制器和下位控制器,所述激光雷达和深度相机设置在收割打捆一体机的割台前方,所述割台高度传感器设置在所述割台上,所述草捆重量传感器设置在所述收割打捆一体机的打捆机构处,所述谷物重量传感器设置在所述收割打捆一体机的粮箱处,所述深度相机与所述上位控制器相连接,所述激光雷达、割台高度传感器、草捆重量传感器和谷物重量传感器与所述下位控制器相连接,所述车速传感器和行走距离传感器与所述下位控制器或者所述收割打捆一体机的作业控制单元相连接,所述下位控制器与所述作业控制单元和所述上位控制器相连接,能够实现根据权利要求1-8中任一项所述的收割打捆一体机喂入量预测方法。
10.根据权利要求9所述的收割打捆一体机,其特征在于,还包括水分传感器,所述水分传感器分别设置在所述打捆机构处和所述粮箱内,所述作业控制单元能够根据作物喂入量Q的预测值和所述水分传感器的检测值控制所述收割打捆一体机作业时的行驶速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311479638.3A CN117523513A (zh) | 2023-11-08 | 2023-11-08 | 一种收割打捆一体机喂入量预测方法及收割打捆一体机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311479638.3A CN117523513A (zh) | 2023-11-08 | 2023-11-08 | 一种收割打捆一体机喂入量预测方法及收割打捆一体机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117523513A true CN117523513A (zh) | 2024-02-06 |
Family
ID=89760054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311479638.3A Pending CN117523513A (zh) | 2023-11-08 | 2023-11-08 | 一种收割打捆一体机喂入量预测方法及收割打捆一体机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523513A (zh) |
-
2023
- 2023-11-08 CN CN202311479638.3A patent/CN117523513A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10126282B2 (en) | Yield estimation | |
US10188037B2 (en) | Yield estimation | |
US10295703B2 (en) | Yield estimation | |
US10757859B2 (en) | System for optimizing platform settings based on crop state classification | |
US10051787B2 (en) | Harvesting head with yield monitor | |
EP0960557B1 (en) | Method for measuring crop humidity in a harvester | |
US11937527B2 (en) | System and method for determining residue coverage within a field following a harvesting operation | |
US9983142B2 (en) | Reaping based yield monitoring system and method for the same | |
US9301446B2 (en) | Arrangement and method for the anticipatory assessment of plants to be gathered with a harvesting machine | |
US6826894B2 (en) | Position control for a crop pickup device | |
AU2018264957A1 (en) | An agricultural system | |
US20220210975A1 (en) | Agricultural system for controllably optimizing harvesting of forage | |
CN112056087A (zh) | 一种小型切段式履带甘蔗收获机感应***及控制方法 | |
WO2021261343A1 (ja) | 収穫機、収穫機の制御システム、収穫機の制御方法、収穫機の制御プログラム、及び、記録媒体 | |
CN117523513A (zh) | 一种收割打捆一体机喂入量预测方法及收割打捆一体机 | |
JPH04293404A (ja) | 自動走行作業機における画像処理方法 | |
CN115280964A (zh) | 一种茎叶蔬菜收获机自动作业行驶方法及***和收获机 | |
KR20230115976A (ko) | 작업차, 작물 상태 검출 시스템, 작물 상태 검출 방법, 작물 상태 검출 프로그램 및 작물 상태 검출 프로그램이 기록되어 있는 기록 매체 | |
Digman et al. | Crop mergers: Management of soil contamination and leaf loss in alfalfa | |
CN218736029U (zh) | 农作物收割设备 | |
JP7423441B2 (ja) | 収穫機 | |
US20240159666A1 (en) | Method and Arrangement for Determining a Variable of Grain Crops | |
JPH04293403A (ja) | 自動走行作業機における画像処理方法 | |
US11140824B2 (en) | Agricultural harvester biomass estimating system | |
US20240122106A1 (en) | Stubble lean detection system for an agricultural harvester |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |