BR102021017161A2 - Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola - Google Patents
Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola Download PDFInfo
- Publication number
- BR102021017161A2 BR102021017161A2 BR102021017161-8A BR102021017161A BR102021017161A2 BR 102021017161 A2 BR102021017161 A2 BR 102021017161A2 BR 102021017161 A BR102021017161 A BR 102021017161A BR 102021017161 A2 BR102021017161 A2 BR 102021017161A2
- Authority
- BR
- Brazil
- Prior art keywords
- predictive
- map
- agricultural
- crop
- height
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 26
- 238000011065 in-situ storage Methods 0.000 claims abstract description 153
- 238000005520 cutting process Methods 0.000 claims description 138
- 238000004891 communication Methods 0.000 claims description 32
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000010899 nucleation Methods 0.000 description 43
- 239000002028 Biomass Substances 0.000 description 41
- 241000196324 Embryophyta Species 0.000 description 41
- 230000000875 corresponding effect Effects 0.000 description 30
- 238000003306 harvesting Methods 0.000 description 28
- 230000007246 mechanism Effects 0.000 description 25
- 238000004140 cleaning Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 20
- 230000001276 controlling effect Effects 0.000 description 16
- 239000000463 material Substances 0.000 description 16
- 238000003860 storage Methods 0.000 description 15
- 241001124569 Lycaenidae Species 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 12
- 239000002699 waste material Substances 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 239000002689 soil Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000000446 fuel Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 241000251169 Alopias vulpinus Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 244000038559 crop plants Species 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000013340 harvest operation Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004043 responsiveness Effects 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 240000000111 Saccharum officinarum Species 0.000 description 2
- 235000007201 Saccharum officinarum Nutrition 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004459 forage Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008121 plant development Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 241000700605 Viruses 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
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000000855 fungicidal effect Effects 0.000 description 1
- 239000000417 fungicide Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229940029985 mineral supplement Drugs 0.000 description 1
- 235000020786 mineral supplement Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000010908 plant waste Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 230000009758 senescence Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/127—Control or measuring arrangements specially adapted for combines
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/14—Mowing tables
- A01D41/141—Automatic header control
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
- A01D41/12—Details of combines
- A01D41/127—Control or measuring arrangements specially adapted for combines
- A01D41/1278—Control or measuring arrangements specially adapted for combines for automatic steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K35/00—Arrangement of adaptations of instruments
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/30—Conjoint control of vehicle sub-units of different type or different function including control of auxiliary equipment, e.g. air-conditioning compressors or oil pumps
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
- B60W50/045—Monitoring control system parameters
- B60W2050/046—Monitoring control system parameters involving external transmission of data to or from the vehicle, e.g. via telemetry, satellite, Global Positioning System [GPS]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
Um ou mais mapas de informação são obtidos por uma máquina de trabalho agrícola. Um ou mais mapas de informação mapeiam um ou mais valores de característica agrícola em diferentes localizações geográficas de um campo. Um sensor in situ na máquina de trabalho agrícola sensoreia uma característica agrícola à medida que a máquina de trabalho agrícola move através do campo. Um gerador de mapa preditivo gera um mapa preditivo que prediz uma característica agrícola preditiva em diferentes localizações no campo com base em uma relação entre os valores em um ou mais mapas de informação e a característica agrícola sensoreada pelo sensor in situ. O mapa preditivo pode ser produzido e usado no controle de máquina automatizado.
Description
[001] A presente descrição se refere a máquinas agrícolas, máquinas florestais, máquinas de construção e máquinas de gerenciamento de grama.
[002] Existe uma ampla variedade de diferentes tipos de máquinas agrícolas. Algumas máquinas agrícolas incluem colheitadeiras, tais como colheitadeiras combinadas, colheitadeiras de cana de açúcar, colheitadeiras de algodão, colheitadeiras de forragem autopropelidas e enfardadeiras. Algumas colheitadeiras podem também ser equipadas com diferentes tipos de plataformas de corte para colher diferentes tipos de culturas.
[003] Uma variedade de diferentes condições em campos tem inúmeros efeitos deletérios na operação de colheita. Portanto, um operador pode tentar modificar o controle da colheitadeira, ao encontrar tais condições durante a operação de colheita.
[004] A discussão apresentada é meramente provida para informação de fundo geral e não deve ser usada como um auxílio na determinação do escopo da matéria reivindicada.
[005] Um ou mais mapas de informação são obtidos por uma máquina de trabalho agrícola. Um ou mais mapas de informação mapeiam um ou mais valores de característica agrícola em diferentes localizações geográficas de um campo. Um sensor in situ na máquina de trabalho agrícola sensoreia uma característica agrícola à medida que a máquina de trabalho agrícola move através do campo. Um gerador de mapa preditivo gera um mapa preditivo que prediz uma característica agrícola preditiva em diferentes localizações no campo com base em uma relação entre os valores em um ou mais mapas de informação e a característica agrícola sensoreada pelo sensor in situ. O mapa preditivo pode ser produzido e usado no controle de máquina automatizado. Este Sumário é provido para introduzir uma seleção de conceitos em uma forma simplificada que são descritos adicionalmente a seguir na Descrição Detalhada. Este Sumário não visa identificar aspectos chaves ou aspectos essenciais da matéria reivindicada, nem deve ser usado como um auxílio na determinação do escopo da matéria reivindicada. A matéria reivindicada não se limita a exemplos que solucionam qualquer ou todas as desvantagens notadas nos fundamentos.
[006] A FIG. 1 é uma ilustração pictorial parcial, esquemática parcial de um exemplo de uma colheitadeira agrícola.
[007] A FIG. 2 é um diagrama de blocos mostrando algumas porções de uma colheitadeira agrícola em mais detalhe, de acordo com alguns exemplos da presente descrição.
[008] As FIGS. 3A-3B (coletivamente referidas no presente documento como FIG. 3) mostram um fluxograma ilustrando um exemplo de operação de uma colheitadeira agrícola na geração de um mapa.
[009] As FIG. 4A-B (coletivamente referidas no presente documento como FIG. 4) são diagramas de blocos mostrando exemplo de geradores de modelo preditivo e geradores de mapa preditivo.
[0010] As FIGS. 5A-D (coletivamente referidas no presente documento como FIG. 5) são fluxogramas mostrando operações exemplificativas para gerar mapas preditivos funcionais, uso no controle da colheitadeira agrícola durante uma operação de colheita, ou ambos.
[0011] A FIG. 6 é um diagrama de blocos mostrando um exemplo de uma colheitadeira agrícola em comunicação com um ambiente de servidor remoto.
[0012] As FIGS. 7-9 mostram exemplos de dispositivos móveis que podem ser usados em uma colheitadeira agrícola.
[0013] A FIG. 10 é um diagrama de blocos mostrando um exemplo de um ambiente de computação que pode ser usado em uma colheitadeira agrícola e as arquiteturas ilustradas nas figuras anteriores.
[0014] Para efeitos de promoção de um entendimento dos princípios da presente descrição, será feita agora referência aos exemplos ilustrados nos desenhos, e linguagem específica será usada para descrever os mesmos. No entanto, deve-se entender que nenhuma limitação do escopo da descrição é pretendida. Quaisquer alterações e modificações adicionais nos dispositivos, sistemas e métodos descritos, e qualquer aplicação adicional dos princípios da presente descrição é completamente contemplado como normalmente ocorreria a um versado na técnica ao qual a desates. Em particular, é completamente contemplado que recursos, componentes e/ou etapas descritos com relação a um exemplo podem ser combinados com recursos, componentes e/ou etapas descritos com relação a outros exemplos da presente descrição.
[0015] A presente descrição se refere ao uso de dados in situ obtidos simultaneamente com uma operação agrícola, em combinação com dados anteriores, para gerar um mapa preditivo funcional e, mais particularmente, um mapa de estado de cultura preditivo funcional, altura de cultura, e mapa de característica de plataforma de corte. Em alguns exemplos, o mapa de estado de cultura preditivo funcional, altura de cultura, e mapa de característica de plataforma de corte pode ser usado para controlar uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola. Desempenho de uma colheitadeira agrícola pode ser degradada quando a colheitadeira agrícola engata áreas de estado de cultura, altura de cultura, e terreno variáveis a menos que os ajustes de máquina sejam também alterados.
[0016] Um mapa de índice vegetativo ilustrativamente mapeia valores de índice vegetativo (que podem ser indicativos de crescimento vegetativo) através de diferentes localizações geográficas em um campo de interesse. Um exemplo de um índice vegetativo inclui um índice de vegetação de diferença normalizada (NDVI). Existem muitos outros índices vegetativos, e esses outros índices vegetativos estão dentro do escopo da presente descrição. Em alguns exemplos, um índice vegetativo pode ser derivado de leituras de sensor de uma ou mais faixas de radiação eletromagnética refletida pelas plantas. Sem limitações, essas faixas pode ser na porção de micro-ondas, infravermelho, visível ou ultravioleta do espectro eletromagnético.
[0017] Um mapa de índice vegetativo pode dessa forma ser usado para identificar a presença e localização de vegetação. Em alguns exemplos, um mapa de índice vegetativo permite que culturas sejam identificadas e georreferenciadas na presença de solo descoberto, resíduo de cultura, ou outras plantas, incluindo cultura ou ervas daninhas. Por exemplo, inicialmente em uma estação de crescimento, quando uma cultura está em um estado de crescimento, o índice vegetativo pode mostrar o progresso de desenvolvimento da cultura. Portanto, se um mapa de índice vegetativo for gerado prematuramente na estação de crescimento ou na metade da estação de crescimento, o mapa de índice vegetativo pode ser indicativo do progresso do desenvolvimento das plantas cultivadas. Por exemplo, o mapa de índice vegetativo pode indicar se o desenvolvimento da planta está retardado, se uma copa suficiente está sendo estabelecida, ou se outros atributos de planta indicativos de desenvolvimento de planta estão presentes. Um mapa de índice vegetativo pode também ser indicativo de outras características vegetativas igualmente tal como saúde da planta.
[0018] Um mapa de característica de semeadura ilustrativamente mapeia localizações de sementes através de diferentes localizações geográficas em um ou mais campos de interesse. Esses mapas de semente são tipicamente coletados de operações de plantio de semente passadas. Em alguns exemplos, o mapa de característica de semeadura pode ser derivado de sinais de controle usados por uma semeadeira durante plantio das sementes ou de sinais de sensor gerados pelos sensores na semeadeira que confirmam se uma semente foi plantada. As semeadeiras podem incluir sensores de posição geográfica que geolocalizam as localizações de onde as sementes foram plantadas. Essa informação pode ser usada para determinar a densidade de plantio de sementes que correlaciona a uma densidade de plantas. A densidade de plantas pode afetar até que ponto as plantas são resistentes ao tombamento pelo vento, por exemplo. Um mapa de característica de semeadura pode também conter outra informação igualmente, tais como características da semente usada. Por exemplo, algumas características incluem tipo de semente, resistência genética do talo, suscetibilidade ao quebramento verde genético, marca de semente, cobertura de semente, data de plantio, período de germinação, períodos de estágio de crescimento típicos, altura de planta madura e semente híbrida.
[0019] Um mapa topográfico ilustrativamente mapeia elevações do chão através de diferentes localizações geográficas em um campo de interesse. Uma vez que a inclinação do chão é indicativa de uma mudança na elevação, ter dois ou mais valores de elevação permite o cálculo de inclinação nas áreas com valores de elevação conhecidos. Maior granularidade de inclinação pode ser obtida tendo mais áreas com valores de elevação conhecidos. À medida que uma colheitadeira agrícola desloca através do terreno em direções conhecidas, a arfagem e rolamento da colheitadeira agrícola podem ser determinados com base na inclinação do chão (isto é, áreas de elevação variável). As características topográficas, quando referidas a seguir, podem incluir, mas sem se limitar à elevação, inclinação (por exemplo, incluindo a orientação de máquina em relação à inclinação) e perfil do chão (por exemplo, irregularidade).
[0020] A presente discussão também inclui mapas preditivos que predizem uma característica com base em um mapa de informação e uma relação para dados sensoreados obtidos de um sensor in situ. Esses mapas preditivos incluem um mapa de rendimento preditivo e um mapa de biomassa preditivo. Em um exemplo, o mapa de rendimento preditivo é gerado recebendo um mapa de índice vegetativo anterior e dados de rendimento sensoreado obtidos de um sensor de rendimento in situ e determinando uma relação entre o mapa de índice vegetativo anterior e os dados de rendimento sensoreado obtidos de um sinal do sensor de rendimento in situ, e usando a relação para gerar o mapa de rendimento preditivo com base na relação e no mapa de índice vegetativo anterior. Em um exemplo, o mapa de biomassa preditivo é gerado recebendo um mapa de índice vegetativo anterior e sensoreando uma biomassa e determinando uma relação entre o mapa de índice vegetativo anterior e a biomassa sensoreada obtida de um sinal de dados de um sensor de biomassa, e usando a relação para gerar o mapa de biomassa preditivo com base na relação e no mapa de índice vegetativo anterior. Os mapas de rendimento e biomassa preditivos podem ser criados com base em outros mapas de informação ou gerados de outras maneiras igualmente. Por exemplo, os mapas de rendimento ou biomassa preditivos podem ser gerados com base em imagens de satélite, modelos de crescimento, modelos de condições climáticas, etc. Ou, por exemplo, um mapa de rendimento preditivo ou um mapa de biomassa preditivo pode ser baseado no todo ou em parte em um mapa topográfico, um mapa de tipo de solo, um mapa de constituintes de solo, ou um mapa de saúde do solo.
[0021] A presente discussão dessa forma prossegue com relação a exemplos nos quais um sistema recebe um ou mais de um mapa de índice vegetativo, semeadura, topográfico, rendimento preditivo, ou de biomassa preditivo e in situ que detecta uma variável indicativa de estado de cultura, altura de cultura, ou característica da plataforma de corte durante uma operação de colheita. O sistema gera um modelo que modela uma relação entre os valores de índice vegetativo, valores de característica de semeadura, valores de característica topográfica, valores de rendimento preditivo, ou valores de biomassa preditivos de um ou mais mapas recebidos e dados in situ do sensor in situ que representam a variável indicativa de estado de cultura, altura de cultura e características da plataforma de corte. O modelo é usado para gerar um mapa preditivo funcional que prediz um estado de cultura, altura de cultura e características da plataforma de corte previstos através do campo. O mapa preditivo funcional, gerado durante a operação de colheita, pode ser apresentado a um operador ou outro usuário, usado para controlar automaticamente uma colheitadeira agrícola durante a operação de colheita, ou ambos.
[0022] A FIG. 1 é uma ilustração parcial pictorial, parcial esquemática de uma colheitadeira agrícola autopropelida 100. No exemplo ilustrado, a colheitadeira agrícola 100 é uma colheitadeira combinada. Adicionalmente, embora colheitadeiras combinadas sejam providas como exemplos em toda a presente descrição, percebe-se que a presente descrição é também aplicável a outros tipos de colheitadeiras, tais como colheitadeiras de algodão, colheitadeiras de cana de açúcar, colheitadeiras de forragem autopropelidas, enfardadeiras, ou outras máquinas de trabalho agrícola. Consequentemente, a presente descrição deve englobar os vários tipos de colheitadeiras descritos e não é, dessa forma, limitada a colheitadeiras combinadas. Além disso, a presente descrição é direcionada para outros tipos de máquinas de trabalho, tais como semeadeiras e pulverizadores agrícolas, equipamento de construção, equipamento florestal e equipamento de gerenciamento de grama onde a geração de um mapa pode ser aplicável. Consequentemente, a presente descrição deve englobar esses vários tipos de colheitadeiras e outras máquinas de trabalho e não é, dessa forma, limitada a colheitadeiras combinadas.
[0023] Como mostrado na FIG. 1, a colheitadeira agrícola 100 ilustrativamente inclui um compartimento do operador 101, que pode ter uma variedade de diferentes mecanismos de interface de operador, para controlar a colheitadeira agrícola 100. A colheitadeira agrícola 100 inclui equipamento de extremidade dianteira, tais como uma plataforma de corte 102, e um cortador indicado no geral por 104. A colheitadeira agrícola 100 também inclui um alimentador 106, um acelerador de alimentação 108 e um trilhador indicado no geral por 110. O alimentador 106 e o acelerador de alimentação 108 formam parte de um subsistema de manuseio de material 125. A plataforma de corte 102 é acoplado a pivô a uma armação 103 da colheitadeira agrícola 100 ao longo do eixo geométrico pivô 105. Um ou mais atuadores 107 acionam o movimento da plataforma de corte 102 em torno do eixo geométrico 105 na direção indicada no geral pela seta 109. Dessa maneira, uma posição vertical da plataforma de corte 102 (a altura da plataforma de corte) acima do chão 111 no qual a plataforma de corte 102 desloca é controlável pela atuação do atuador 107. Embora não mostrado na FIG. 1, a colheitadeira agrícola 100 pode também incluir um ou mais atuadores que operam para aplicar um ângulo de inclinação, um ângulo de rolamento, ou ambos, à plataforma de corte 102, ou porções da plataforma de corte 102. Inclinação se refere a um ângulo no qual o cortador 104 engata a cultura. O ângulo de inclinação é aumentado, por exemplo, controlando a plataforma de corte 102 para apontar uma aresta distal 113 do cortador 104 mais para o chão. O ângulo de inclinação é controlando a plataforma de corte 102 para apontar a aresta distal 113 do cortador 104 mais para fora do chão. O ângulo de rolamento se refere à orientação da plataforma de corte 102 em torno do eixo geométrico longitudinal de frente para trás da colheitadeira agrícola 100.
[0024] O trilhador 110 ilustrativamente inclui um rotor de trilhagem 112 e um conjunto de contrabatedores 114. Adicionalmente, a colheitadeira agrícola 100 também inclui um separador 116. A colheitadeira agrícola 100 também inclui um subsistema de limpeza (coletivamente referidos como subsistema de limpeza 118) que inclui um ventoinha de limpeza 120, crivo 122 e peneira 124. O subsistema de manuseio de material 125 também inclui batedor de descarga 126, elevador de rejeitos 128, elevador de grão limpo 130, bem como trado de descarregamento 134 e bico 136. O elevador de grão limpo move grão limpo para o tanque de grão limpo 132. A colheitadeira agrícola 100 também inclui um subsistema de resíduo 138 que pode incluir picador 140 e espalhador 142. A colheitadeira agrícola 100 também inclui um subsistema de propulsão que inclui um motor que aciona componentes de engate no chão 144, tais como rodas ou esteiras. Em alguns exemplos, uma colheitadeira combinada dentro do escopo da presente descrição pode ter mais de um de qualquer dos subsistemas aqui mencionados. Em alguns exemplos, a colheitadeira agrícola 100 pode ter subsistemas de limpeza esquerdo e direito, separadores, etc., que não são mostrados na FIG. 1.
[0025] Em operação, e a título de revisão, a colheitadeira agrícola 100 ilustrativamente move através de um campo na direção indicada pela seta 147. À medida que a colheitadeira agrícola 100 move, a plataforma de corte 102 (e o molinete associado 164) engata a cultura a ser colhida e reúne a cultura em direção ao cortador 104. Um operador de colheitadeira agrícola 100 pode ser um operador humano local, um operador humano remoto, ou um sistema automatizado. O operador de colheitadeira agrícola 100 pode determinar um ou mais dentre um ajuste de altura, um ajuste de ângulo de inclinação, ou um ajuste de ângulo de rolamento para a plataforma de corte 102. Por exemplo, o operador entra com um ajuste ou ajustes em um sistema de controle, descrito em mais detalhe a seguir, que controla o atuador 107. O sistema de controle pode também receber um ajuste do operador para estabelecer o ângulo de inclinação e ângulo de rolamento da plataforma de corte 102 e implementar os ajustes alimentados controlando os atuadores associados, não mostrados, que operam para mudar o ângulo de inclinação e o ângulo de rolamento da plataforma de corte 102. O atuador 107 mantém a plataforma de corte 102 a uma altura acima do chão 111 com base em um ajuste de altura e, onde aplicável, em ângulos de inclinação e rolamento desejados. Cada um dentre os ajustes de altura, rolamento e inclinação pode ser implementado independentemente dos outros. O sistema de controle responde a erro da plataforma de corte (por exemplo, a diferença entre o ajuste de altura e altura de plataforma de corte medida 102 acima do chão 111 e, em alguns exemplos, erros de ângulo de inclinação e ângulo de rolamento) com uma capacidade de resposta que é determinada com base em um nível de sensibilidade selecionado. Se o nível de sensibilidade for definido em um maior nível de sensibilidade, o sistema de controle responde a menores erros de posição da plataforma de corte, e tenta reduzir os erros detectados mais rapidamente do que quando a sensibilidade está a um menor nível de sensibilidade.
[0026] De volta à descrição da operação da colheitadeira agrícola 100, após culturas serem cortadas pelo cortador 104, o material de cultura separado é movimentado através de um transportador no alimentador 106 para o acelerador de alimentação 108, que acelera o material de cultura para o trilhador 110. O material de cultura é trilhado pelo rotor 112 que roda a cultura contra os contrabatedores 114. O material de cultura trilhado é movimentado por um rotor de separador no separador 116 onde uma porção do resíduo é movimentada pelo batedor de descarga 126 para o subsistema de resíduo 138. A porção de resíduo transferida para o subsistema de resíduo 138 é picada pelo picador de resíduo 140 e espalhada no campo pelo espalhador 142. Em outras configurações, o resíduo é liberado da colheitadeira agrícola 100 em um amontoado de feno. Em outros exemplos, o subsistema de resíduo 138 pode incluir eliminadores de sementes de ervas daninhas (não mostrados) tais como ensacadores de semente ou outros plataformas de corte de semente, ou trituradores de semente ou outros destruidores de semente.
[0027] Grão cai no subsistema de limpeza 118. O crivo 122 separa alguns pedaços maiores de material do grão, e peneira 124 separa alguns dos pedaços mais finos de material do grão limpo. Grão limpo cai em um trado que move o grão para uma extremidade de entrada do elevador de grão limpo 130, e o elevador de grão limpo 130 move o grão limpo para cima, depositando o grão limpo no tanque de grão limpo 132. Resíduo é removido do subsistema de limpeza 118 pelo fluxo de ar gerado pela ventoinha de limpeza 120. A ventoinha de limpeza 120 direciona o ar ao longo de um trajeto de fluxo de ar para cima através das peneiras e crivos. O fluxo de ar carrega resíduo para trás na colheitadeira agrícola 100 para o subsistema de manuseio de resíduo 138.
[0028] O elevador de rejeitos 128 retorna os rejeitos para o trilhador 110 onde os rejeitos são retrilhados. Alternativamente, os rejeitos também podem ser passados para um mecanismo de retrilhagem separado por um elevador de rejeitos ou outro dispositivo de transporte onde os rejeitos são retrilhados igualmente.
[0029] A FIG. 1 também mostra que, em um exemplo, a colheitadeira agrícola 100 inclui sensor de velocidade em relação ao chão 146, um ou mais sensores de perda no separador 148, uma câmera de grão limpo 150, um mecanismo de captura de imagem voltado para a frente 151, que pode ser na forma de uma câmera estéreo ou mono, e um ou mais sensores de perda 152 providos no subsistema de limpeza 118.
[0030] O sensor de velocidade em relação ao chão 146 sensoreia a velocidade de deslocamento da colheitadeira agrícola 100 no chão. O sensor de velocidade em relação ao chão 146 pode sensorear a velocidade de deslocamento da colheitadeira agrícola 100 sensoreando a velocidade de rotação dos componentes de engate no chão (tais como rodas ou esteiras), um eixo acionador, um eixo de rodas ou outros componentes. Em alguns casos, a velocidade de deslocamento pode ser sensoreada usando um sistema de posicionamento, tais como um sistema de posicionamento global (GPS), um sistema de posicionamento relativo, um sistema de navegação de longo alcance (LORAN), ou uma ampla variedade de outros sistemas ou sensores que provêm uma indicação de velocidade de deslocamento.
[0031] Os sensores de perda 152 ilustrativamente provêm um sinal de saída indicativo da quantidade de perda de grão que ocorrem tanto no lado direito quanto esquerdo do subsistema de limpeza 118. Em alguns exemplos, os sensores 152 são sensores de colisão que contam colisões de grãos por unidade de tempo ou por unidade de distância deslocada para prover uma indicação da perda de grão que ocorre no subsistema de limpeza 118. Os sensores de colisão para os lados direito e esquerdo do subsistema de limpeza 118 podem prover sinais individuais ou um sinal combinado ou agregado. Em alguns exemplos, os sensores 152 podem incluir um único sensor, ao contrário de sensores separados providos para cada subsistema de limpeza 118.
[0032] O sensor de perda no separador 148 provê um sinal indicativo de perda de grão nos separadores esquerdo e direito, não mostrados separadamente na FIG. 1. Os sensores de perda no separador 148 podem ser associados com os separadores esquerdo e direito e podem prover sinais de perda de grão separados ou um sinal combinado ou agregado. Em alguns casos, o sensoreamento de perda de grão nos separadores pode também ser feito usando uma ampla variedade de diferentes tipos de sensores igualmente.
[0033] A colheitadeira agrícola 100 pode também incluir outros sensores e mecanismos de medição. Por exemplo, a colheitadeira agrícola 100 pode incluir um ou mais dos sensores seguintes: um sensor de altura da plataforma de corte que sensoreia uma altura de plataforma de corte 102 acima do chão 111; sensores de estabilidade que sensoreiam o movimento de oscilação e salto (e amplitude) da colheitadeira agrícola 100; um sensor de ajuste de resíduo que é configurado para sensorear se a colheitadeira agrícola 100 está configurada para picar o resíduo, produzir um amontoado de feno, etc.; um sensor de velocidade da ventoinha da sapata de limpeza para sensorear a velocidade de ventoinha de limpeza 120; um sensor de folga do contrabatedor que sensoreia folga entre o rotor 112 e os contrabatedores 114; um sensor de velocidade do rotor de trilhagem que sensoreia uma velocidade de rotor do rotor 112; um sensor de folga do crivo que sensoreia o tamanho de aberturas no crivo 122; um sensor de folga de peneira que sensoreia o tamanho de aberturas na peneira 124; um sensor de umidade de material não grão (MOG) que sensoreia um nível de umidade do MOG que passa através da colheitadeira agrícola 100; um ou mais sensores de ajuste de máquina configurados para sensorear vários ajustes configuráveis de colheitadeira agrícola 100; um sensor de orientação de máquina que sensoreia a orientação da colheitadeira agrícola 100; e sensores de propriedade de cultura que sensoreiam uma variedade de diferentes tipos de propriedades de cultura, tais como tipo de cultura, umidade de cultura, e outras propriedades de cultura. Os sensores de propriedade de cultura podem também ser configurados para sensorear características do material de cultura separado à medida que o material de cultura é processado pela colheitadeira agrícola 100. Por exemplo, em alguns casos, os sensores de propriedade de cultura podem sensorear qualidade de grão tal como grão quebrado, níveis de MOG; constituintes de grão tais como amidos e proteína; e taxa de alimentação de grão à medida que o grão desloca através do alimentador 106, elevador de grão limpo 130, ou algum lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultura podem também sensorear a taxa de alimentação de biomassa através do alimentador 106, através do separador 116 ou algum lugar na colheitadeira agrícola 100. Os sensores de propriedade de cultura podem também sensorear a taxa de alimentação como uma vazão em massa de grão através do elevador 130 ou através de outras porções da colheitadeira agrícola 100 ou prover outros sinais de saída indicativos de outras variáveis sensoreadas. Os sensores de propriedade de cultura podem incluir um ou mais estado de cultura sensores que sensoreiam estado de cultura que está sendo colhida pela colheitadeira agrícola.
[0034] Os sensores de estado de cultura podem incluir um sistema monocâmera ou multicâmera que captura uma ou mais imagens de plantas cultivadas. Por exemplo, o mecanismo de captura de imagem voltado para a frente 151 pode formar um sensor de estado de cultura que sensoreia o estado de cultura das plantas cultivadas na frente de colheitadeira agrícola 100. Em outro exemplo, um sensor de estado de cultura pode ser colocado na colheitadeira agrícola 100 e ver em uma ou mais direções sem ser na frente de colheitadeira agrícola 100. Imagens capturadas pelo sensor de estado de cultura pode ser analisadas para determinar se a cultura está em pé, tem um certo grau de uma condição deitada, é restolho ou está faltando. Então, se a cultura tiver um certo grau de uma condição deitada, então a imagem pode ser analisada para determinar a orientação da cultura deitada. Algumas orientações podem ser em relação à colheitadeira agrícola 100, tais como, mas sem se limitar a "para os lados", "em direção à máquina", "para fora da máquina", ou "orientações aleatórias". Algumas orientações podem ser absolutas (por exemplo, em relação à terra) tais como uma direção da bússola numérica ou um desvio numérico em relação à superfície gravimétrica ou vertical em graus. Por exemplo, em alguns casos, a orientação pode ser provida como um rumo em relação ao norte magnético, em relação ao norte verdadeiro, em relação a uma fileira de cultura, em relação a uma direção da colheitadeira ou em relação a outras referências.
[0035] Em outro exemplo, um sensor de estado de cultura ou altura de cultura inclui um dispositivo de varredura de faixa, tais como, mas sem se limitar a radar, lidar ou sonar. Um dispositivo de varredura de faixa pode ser usado para sensorear a altura da cultura. A altura de cultura, embora indicativa de outras coisas, pode também indicar cultura deitada, a magnitude de uma condição de cultura deitada, ou um orientação da cultura deitada.
[0036] Antes de descrever como a colheitadeira agrícola 100 gera um mapas de estado de cultura e altura da plataforma de corte preditivos funcionais e usa os mapas de estado de cultura e altura da plataforma de corte preditivos funcionais para apresentação ou controle, uma breve descrição de alguns dos itens na colheitadeira agrícola 100, e suas respectivas operações, serão primeiramente descritas. A descrição das FIG. 2 e 3 descreve o recebimento de um tipo geral de mapa de informação e combinação de informação do mapa de informação com um sinal de sensor georreferenciado gerado por um sensor in situ, onde o sinal de sensor é indicativo de uma característica no campo, tais como características de cultura ou ervas daninhas presente no campo. As características do campo podem incluir, mas sem se limitar a características de um campo tais como inclinação, intensidade de ervas daninhas, tipo de ervas daninhas, umidade do solo, qualidade de superfície; características de propriedades de cultura tais como altura de cultura, umidade de cultura, densidade de cultura, estado de cultura; características de propriedades de grão tais como umidade de grão, tamanho de grão, peso de teste de grão; e características de desempenho de máquina tais como níveis de perda, qualidade de trabalho, consumo de combustível e utilização de potência. Uma relação entre os valores de característica obtidos de sinais de sensor in situ e os valores do mapa de informação é identificada, e essa relação é usada para gerar um novo mapa preditivo funcional. Um mapa preditivo funcional prediz valores em diferentes localizações geográficas em um campo, e um ou mais desses valores pode ser usado para controlar uma máquina, tal como um ou mais subsistemas de uma colheitadeira agrícola. Em alguns casos, um mapa preditivo funcional pode ser apresentado a um usuário, tal como um operador de uma máquina de trabalho agrícola, que pode ser uma colheitadeira agrícola. Um mapa preditivo funcional pode ser apresentado a um usuário visualmente, tal como por meio de um monitor, hapticamente ou audivelmente. O usuário pode interagir com o mapa preditivo funcional para realizar operações de edição e outras operações de interface de usuário. Em alguns casos, um mapa preditivo funcional pode ser usado para um ou mais dentre controlar uma máquina de trabalho agrícola, tal como uma colheitadeira agrícola, apresentação a um operador ou outro usuário, e apresentação a um operador ou usuário para interação pelo operador ou usuário.
[0037] Após uma abordagem geral ser descrita com relação às FIGS. 2 e 3, uma abordagem mais específica para gerar um mapas de estado de cultura e altura da plataforma de corte preditivos funcionais que pode ser apresentado a um operador ou usuário, ou usado para controlar a colheitadeira agrícola 100, ou ambas, é descrita com relação às FIGS. 4 e 5. Novamente, enquanto a presente discussão prossegue com relação à colheitadeira agrícola e, particularmente, uma colheitadeira combinada, o escopo da presente descrição abrange outros tipos de colheitadeiras agrícolas ou outras máquinas de trabalho agrícola.
[0038] A FIG. 2 é um diagrama de blocos mostrando algumas porções de uma colheitadeira agrícola exemplificativa 100. A FIG. 2 mostra que a colheitadeira agrícola 100 ilustrativamente inclui um ou mais processadores ou servidores 201, armazenamento de dados 202, sensor de posição geográfica 204, sistema de comunicação 206 e um ou mais sensores in situ 208 que sensoreiam uma ou mais características agrícolas de um campo simultaneamente a uma operação de colheita. Uma característica agrícola pode incluir qualquer característica que pode ter um efeito da operação de colheita. Alguns exemplos de características agrícolas incluem características da máquina de colheita, do campo, das plantas no campo e das condições climáticas. Outros tipos de características agrícolas são também incluídos. Os sensores in situ 208 geram valores correspondentes às características sensoreadas. A colheitadeira agrícola 100 também inclui um gerador de modelo ou relação preditivo (coletivamente referidos a seguir como “gerador de modelo preditivo 210”), gerador de mapa preditivo 212, gerador de zona de controle 213, sistema de controle 214, um ou mais subsistemas controláveis 216, e um mecanismo de interface de operador 218. A colheitadeira agrícola 100 pode também incluir uma ampla variedade de outras funcionalidades de colheitadeira agrícola 220. Os sensores in situ 208 incluem, por exemplo, os sensores internos 222, sensores remotos 224 e outros sensores 226 que sensoreiam características de um campo durante o curso de uma operação agrícola. O gerador de modelo preditivo 210 ilustrativamente inclui um gerador de modelo de variável de informação para variável in situ 228, e o gerador de modelo preditivo 210 pode incluir outros itens 230. O sistema de controle 214 inclui controlador do sistema de comunicação 229, controlador de interface de operador 231, um controlador de ajustes 232, controlador de planejamento de trajeto 234, controlador de taxa de alimentação 236, controlador de plataforma de corte e molinete 238, controlador de correia de lona 240, controlador de posição da placa de convés 242, controlador do sistema de resíduo 244, controlador de limpeza de máquina 245, controlador de zona 247, e sistema de controle 214 pode incluir outros itens 246. Os subsistemas controláveis 216 incluem atuadores de máquina e plataforma de corte 248, subsistema de propulsão 250, subsistema de direção 252, subsistema de resíduo 138, subsistema de limpeza de máquina 254, e subsistemas controláveis 216 pode incluir uma ampla variedade de outros subsistemas 256.
[0039] A FIG. 2 também mostra que a colheitadeira agrícola 100 pode receber um ou mais mapas de informação 258. Como descrito a seguir, um mapa de informação 258 inclui, por exemplo, um mapa de índice vegetativo, característica de semeadura, rendimento ou biomassa preditivo. Entretanto, o mapa de informação 258 pode também englobar outros tipos de dados que foram obtidos antes de uma operação de colheita, tal como informação contextual. A informação contextual pode incluir, sem limitação, uma ou mais dentre condições climáticas em parte toda a estação de crescimento, presença de pestes, localização geográfica, tipos de solo, irrigação, aplicação de tratamento, etc. As condições climáticas podem incluir, sem limitação, precipitação durante a estação, presença de granizo capaz de danificar a cultura, presença de altos ventos, direção de altos ventos, temperatura durante a estação, etc. Alguns exemplos de pestes incluem no geral insetos, fungos, ervas daninhas, bactérias, vírus, etc. Alguns exemplos de aplicações de tratamento incluem herbicida, pesticida, fungicida, fertilizante, suplementos minerais, etc. A FIG. 2 também mostra que um operador 260 pode operar a colheitadeira agrícola 100. O operador 260 interage com mecanismos de interface de operador 218. Em alguns exemplos, o mecanismos de interface de operador 218 pode incluir manches, alavancas, um volante, articulações, pedais, botões, diais, teclados, elementos atuáveis pelo usuário (tais como ícones, botões, etc.) em um dispositivo de exibição de interface de usuário, um microfone e alto-falante (onde reconhecimento de voz e síntese de voz são providos), dentre uma ampla variedade de outros tipos de dispositivos de controle. Onde um sistema de exibição sensível ao toque é provido, o operador 260 pode interagir com mecanismos de interface de operador 218 usando gestos de toque. Esses exemplos supradescritos são providos como exemplos ilustrativos e não visam limitar o escopo da presente descrição. Consequentemente, outros tipos de mecanismos de interface de operador 218 podem ser usados e estão dentro do escopo da presente descrição.
[0040] O mapa de informação 258 pode ser transferido para a colheitadeira agrícola 100 e armazenados no armazenamento de dados 202, usando o sistema de comunicação 206, ou de outras maneiras. Em alguns exemplos, o sistema de comunicação 206 pode ser um sistema de comunicação celular, um sistema para comunicar por uma rede de área abrangente ou uma rede de área local, um sistema para comunicar por uma rede de comunicação de campo próximo, ou um sistema de comunicação configurado para comunicar por qualquer de uma variedade de outras redes ou combinações de redes. O sistema de comunicação 206 pode também incluir um sistema que facilita carregamentos ou transferências de informação em um cartão digital seguro (SD) ou um cartão de barramento serial universal (USB), ou ambos.
[0041] O sensor de posição geográfica 204 ilustrativamente sensoreia ou detecta a posição geográfica ou localização de colheitadeira agrícola 100. O sensor de posição geográfica 204 pode incluir, mas sem se limitar a um receptor de sistema de satélite de navegação global (GNSS) que recebe sinais de um transmissor de satélite GNSS. O sensor de posição geográfica 204 pode também incluir um componente cinemático em tempo real (RTK) que é configurado para aumentar a precisão de dados de posição derivados do sinal de GNSS. O sensor de posição geográfica 204 pode incluir um sistema de posicionamento relativo, um sistema de triangulação celular, ou qualquer de uma variedade de outros sensores de posição geográfica.
[0042] Os sensores in situ 208 podem ser qualquer um dos sensores supradescritos com relação à FIG. 1. Os sensores in situ 208 incluem sensores internos 222 que são montados internamente na colheitadeira agrícola 100. Tais sensores podem incluir, por exemplo, um sensor de percepção, de imagem ou óptico, tal como um sistema de câmera mono ou estéreo voltado para a frente e sistema de processamento de imagem ou câmeras montado para ver plantas cultivadas próximas à colheitadeira agrícola 100 além de à frente da colheitadeira agrícola 100. Os sensores in situ 208 pode também incluir sensores in situ remotos 224 que capturam informação in situ. Os dados in situ incluem dados obtidos de um sensor interno na colheitadeira agrícola ou obtidos pelo sensor onde os dados são detectados durante a operação de colheita.
[0043] O gerador de modelo preditivo 210 gera um modelo que é indicativo de uma relação entre os valores sensoreados pelo sensor in situ 208 e uma característica mapeado no campo pelo mapa de informação 258. Por exemplo, se o mapa de informação 258 mapear um valor de índice vegetativo para diferentes localizações no campo e o sensor in situ 208 estiver sensoreando um valor indicativo de estado de cultura, então o gerador de modelo de variável de informação para variável in situ 228 gera um modelo de estado de cultura preditivo que modela a relação entre os valores de índice vegetativo e os valores de estado de cultura. O gerador de mapa preditivo 212 usa o modelo de estado de cultura preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa de estado de cultura preditivo funcional que prediz o valor de estado de cultura, em diferentes localizações no campo com base no mapa de informação 258. O gerador de mapa preditivo 212 pode usar os valores de índice vegetativo no mapa de informação 258 e o modelo gerado pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional 263 que prediz o estado de cultura em diferentes localizações no campo. O gerador de mapa preditivo 212 dessa forma produz o mapa preditivo 264.
[0044] Ou por exemplo, se o mapa de informação 258 mapear uma característica de semeadura para diferentes localizações no campo e o sensor in situ 208 estiver sensoreando um valor indicativo de estado de cultura, então o gerador de modelo de variável de informação para variável in situ 228 gera um modelo de estado de cultura preditivo que modela a relação entre as características de semeadura (com ou sem informação contextual) e os valores de estado de cultura in situ. O gerador de mapa preditivo 212 usa o modelo de estado de cultura preditivo gerado pelo gerador de modelo preditivo 210 para gerar um mapa de estado de cultura preditivo funcional que prediz o valor de estado de cultura que será sensoreado pelos sensores in situ 208, em diferentes localizações no campo com base no mapa de informação 258. O gerador de mapa preditivo 212 pode usar os valores de característica de semeadura no mapa de informação 258 e o modelo gerado pelo gerador de modelo preditivo 210 para gerar um mapa preditivo funcional 263 que prediz o estado de cultura em diferentes localizações no campo. O gerador de mapa preditivo 212 dessa forma produz o mapa preditivo 264.
[0045] Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser o mesmo que o tipo de dados in situ sensoreado pelos sensores in situ 208. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter unidades diferentes dos dados sensoreados pelos sensores in situ 208. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados sensoreado pelos sensores in situ 208, mas ter uma relação com o tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, em alguns exemplos, o tipo de dados in situ pode ser indicativo do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação 258. Em alguns casos, o tipo de dados no mapa preditivo funcional 263 pode ter unidades diferentes dos dados no mapa de informação 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 pode ser diferente do tipo de dados no mapa de informação 258, mas ter uma relação com o tipo de dados no mapa de informação 258. Por exemplo, em alguns exemplos, o tipo de dados no mapa de informação 258 pode ser indicativa do tipo de dados no mapa preditivo funcional 263. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é diferente de um, ou ambos, do tipo de dados in situ sensoreado pelos sensores in situ 208 e do tipo de dados no mapa de informação 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um, ou ambos, do tipo de dados in situ sensoreado pelos sensores in situ 208 e do tipo de dados em mapa de informação 258. Em alguns exemplos, o tipo de dados no mapa preditivo funcional 263 é o mesmo que um do tipo de dados in situ sensoreado pelos sensores in situ 208 ou do tipo de dados no mapa de informação 258, e diferente do outro.
[0046] Como mostrado na FIG. 2, o mapa preditivo 264 prediz o valor de uma característica sensoreada por sensores in situ 208, ou uma característica relacionada à característica sensoreada por sensores in situ 208 em várias localizações através do campo com base em um valor de informação no mapa de informação 258 nessas localizações (ou localizações com informação contextual similar, mesmo se em um campo diferente) e usando o modelo preditivo 350. Por exemplo, se gerador de modelo preditivo 210 tiver gerado um modelo preditivo indicativo de uma relação entre um valor de índice vegetativo e estado de cultura, então, dado o valor de índice vegetativo em diferentes localizações através do campo, o gerador de mapa preditivo 212 gera um mapa preditivo 264 que prediz o valor da estado de cultura em diferentes localizações através do campo. O valor de índice vegetativo nessas localizações obtido de o mapa de informação 258 e a relação entre valor de índice vegetativo e estado de cultura obtido do modelo preditivo 350 são usados para gerar o mapa preditivo 264.
[0047] Algumas variações nos tipos de dados que são mapeados no mapa de informação 258, o tipos de dados sensoreados por sensores in situ 208 e o tipo de dados predito no mapa preditivo 264 serão agora descritos.
[0048] Em alguns exemplos, o tipo de dados no mapa de informação 258 é diferente do tipo de dados sensoreado por sensores in situ 208, ainda o tipo de dados no mapa preditivo 264 é o mesmo que o tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser estado de cultura. O mapa preditivo 264 pode então ser um mapa de estado de cultura preditivo que mapeia os valores estado de cultura preditos para diferentes localizações geográficas no campo. Em outro exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser altura de cultura. O mapa preditivo 264 pode então ser um mapa de altura de cultura preditivo que mapeia valores de altura de cultura preditos para diferentes localizações geográficas no campo.
[0049] Também, em alguns exemplos, o tipo de dados no mapa de informação 258 é diferente do tipo de dados sensoreado por sensores in situ 208, e o tipo de dados no mapa preditivo 264 é diferente tanto do tipo de dados no mapa de informação 258 quanto do tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser altura de cultura. O mapa preditivo 264 pode então ser um mapa de biomassa preditivo que mapeio valores de biomassa preditos para diferentes localizações geográficas no campo. Em outro exemplo, o mapa de informação 258 pode ser um mapa de índice vegetativo, e a variável sensoreada pelos sensores in situ 208 pode ser estado de cultura. O mapa preditivo 264 pode então ser um mapa de velocidade preditivo que mapeia predito colheitadeira velocidade valores para diferentes localizações geográficas no campo.
[0050] Em alguns exemplos, o mapa de informação 258 é de um passe anterior através do campo durante uma operação anterior, e o tipo de dados é diferente do tipo de dados sensoreado por sensores in situ 208, ainda o tipo de dados no mapa preditivo 264 é o mesmo que o tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de população de semente gerado durante o plantio, e a variável sensoreada pelos sensores in situ 208 pode ser tamanho do talo. O mapa preditivo 264 pode então ser um mapa de tamanho do talo preditivo que mapeio valores de tamanho de talo preditos para diferentes localizações geográficas no campo. Em outro exemplo, o mapa de informação 258 pode ser um mapa híbrido de semeadura, e a variável sensoreada pelos sensores in situ 208 pode ser estado de cultura tal como cultura em pé ou cultura deitada. O mapa preditivo 264 pode então ser um mapa de estado de cultura preditivo que mapeia os valores estado de cultura preditos para diferentes localizações geográficas no campo.
[0051] Em alguns exemplos, o mapa de informação 258 é de um passe anterior através do campo durante uma operação anterior, e o tipo de dados é o mesmo que o tipo de dados sensoreado por sensores in situ 208, e o tipo de dados no mapa preditivo 264 é também o mesmo que o tipo de dados sensoreado pelos sensores in situ 208. Por exemplo, o mapa de informação 258 pode ser um mapa de rendimento gerado durante um ano anterior, e a variável sensoreada pelos sensores in situ 208 pode ser rendimento. O mapa preditivo 264 pode então ser um mapa de rendimento preditivo que mapeio valores de rendimento preditos para diferentes localizações geográficas no campo. Em um exemplo como esse, as diferenças de rendimento relativas no mapa de informação georreferenciado 258 do ano anterior pode ser usado pelo gerador de modelo preditivo 210 para gerar um modelo preditivo que modela uma relação entre as diferenças de rendimento relativas no mapa de informação 258 e os valores de rendimento sensoreados por sensores in situ 208 durante a operação de colheita atual. O modelo preditivo é então usado pelo gerador de mapa preditivo 212 para gerar um mapa de rendimento preditivo.
[0052] Em outro exemplo, o mapa de informação 258 pode ser um mapa de intensidade de ervas daninhas gerado durante uma operação anterior, tal como de um pulverizador, e a variável sensoreada pelos sensores in situ 208 pode ser intensidade de ervas daninhas. O mapa preditivo 264 pode então ser um mapa de intensidade de ervas daninhas preditivo que mapeio valores de intensidade de ervas daninhas preditos para diferentes localizações geográficas no campo. Em um exemplo como esse, um mapa das intensidades de ervas daninhas no momento da pulverização é registrado georreferenciado e provido à colheitadeira agrícola 100 as um mapa de informação 258 de intensidade de ervas daninhas. Os sensores in situ 208 podem detectar intensidade de ervas daninhas em localizações geográficas no campo, e o gerador de modelo preditivo 210 pode então construir um modelo preditivo que modela uma relação entre intensidade de ervas daninhas no momento da colheita e intensidade de ervas daninhas no momento da pulverização. Isso se dá em virtude do pulverizador ter impactado a intensidade de ervas daninhas no momento da pulverização, mas as ervas daninhas podem ainda brotar em áreas similares novamente pela colheita. Entretanto, as áreas de ervas daninhas na colheita provavelmente terão intensidade diferente com base no momento da colheita, condições climáticas, tipo de ervas daninhas, dentre outras coisas.
[0053] Em alguns exemplos, o mapa preditivo 264 pode ser provido ao gerador de zona de controle 213. O gerador de zona de controle 213 agrupa porções adjacentes de uma área em uma ou mais zonas de controle com base em valores de dados de mapa preditivo 264, que são associados a essas porções adjacentes. Uma zona de controle pode incluir duas ou mais porções contíguas de uma área, tal como um campo, para as quais um parâmetro de controle correspondente à zona de controle para controlar um subsistema controlável é constante. Por exemplo, um tempo de resposta para alterar o ajuste de subsistemas controláveis 216 pode ser inadequado para responder satisfatoriamente a mudanças nos valores contidos em um mapa, tal como o mapa preditivo 264. Nesse caso, o gerador de zona de controle 213 analisa o mapa e identifica zonas de controle que são de um tamanho definido para acomodar o tempo de resposta dos subsistemas controláveis 216. Em outro exemplo, as zonas de controle podem ser dimensionadas para reduzir o desgaste pelo movimento excessivo do atuador resultante de ajuste contínuo. Em alguns exemplos, pode haver um conjunto diferente de zonas de controle para cada subsistema controlável 216 ou para grupos de subsistemas controláveis 216. As zonas de controle podem ser adicionadas ao mapa preditivo 264 para obter mapa de zona de controle preditivo 265. O mapa de zona de controle preditivo 265 pode dessa forma ser similar ao mapa preditivo 264, exceto que o mapa de zona de controle preditivo 265 inclui informação de zona de controle definindo as zonas de controle. Dessa maneira, um mapa preditivo funcional 263, como descrito no presente documento, pode ou não incluir zonas de controle. Tanto o mapa preditivo 264 quanto o mapa de zona de controle preditivo 265 são mapas preditivos funcionais 263. Em um exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, tal como o mapa preditivo 264. Em outro exemplo, um mapa preditivo funcional 263 não inclui zonas de controle, tal como o mapa de zona de controle preditivo 265. Em alguns exemplos, múltiplas culturas podem estar simultaneamente presentes em um campo se um sistema de produção intercultura for implementado. Nesse caso, o gerador de mapa preditivo 212 e o gerador de zona de controle 213 são capazes de identificar a localização e características de duas ou mais culturas e então gerar o mapa preditivo 264 e o mapa de zona de controle preditivo 265 correspondentemente.
[0054] Percebe-se também que o gerador de zona de controle 213 pode agrupar valores para gerar zonas de controle, e as zonas de controle podem ser adicionadas ao mapa de zona de controle preditivo 265, ou um mapa separado, mostrando apenas as zonas de controle que são geradas. Em alguns exemplos, as zonas de controle podem ser usadas para controlar ou calibrar a colheitadeira agrícola 100, ou ambos. Em outros exemplos, as zonas de controle podem ser apresentadas ao operador 260 e usadas para controlar ou calibrar a colheitadeira agrícola 100, e, em outros exemplos, as zonas de controle podem ser apresentadas ao operador 260 ou outro usuário, ou armazenadas para uso posterior.
[0055] O mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos são providos ao sistema de controle 214, que geram sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. Em alguns exemplos, o controlador do sistema de comunicação 229 controla o sistema de comunicação 206 para comunicar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou sinais de controle com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265 a outras colheitadeiras agrícolas que estão colhendo no mesmo campo. Em alguns exemplos, o controlador do sistema de comunicação 229 controla o sistema de comunicação 206 para enviar o mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, a outros sistemas remotos.
[0056] Controlador de interface de operador 231 é operável para gerar sinais de controle para controlar os mecanismos de interface de operador 218. O controlador de interface de operador 231 é também operável para apresentar o mapa preditivo 264 ou mapa de zona de controle preditivo 265 ou outra informação derivada ou baseada no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, ao operador 260. O operador 260 pode ser um operador local ou um operador remoto. Como um exemplo, o controlador 231 gera sinais de controle para controlar um mecanismo de exibição para exibir um ou ambos do mapa preditivo 264 e do mapa de zona de controle preditivo 265 para o operador 260. O controlador 231 pode gerar mecanismos atuáveis pelo operador que são exibidos e podem ser atuados pelo operador para interagir com o mapa exibido. O operador pode editar o mapa, por exemplo, corrigindo um valor do estado de cultura exibido no mapa com base, por exemplo, na observação do operador. O controlador de ajustes 232 pode gerar sinais de controle para controlar vários ajustes na colheitadeira agrícola 100 com base no mapa preditivo 264, no mapa de zona de controle preditivo 265, ou ambos. Por exemplo, o controlador de ajustes 232 pode gerar sinais de controle para controlar atuadores de máquina e plataforma de corte 248. Em resposta aos sinais de controle gerados, os atuadores de máquina e plataforma de corte 248 operam para controlar, por exemplo, um ou mais dos ajustes da peneira e crivo, ajustes de folga do contrabatedor, rotor, ajustes de velocidade da ventoinha de limpeza, altura da plataforma de corte, funcionalidade da plataforma de corte, velocidade do molinete, posição do molinete, funcionalidade da lona (onde a colheitadeira agrícola 100 é acoplada a uma plataforma de corte de lona), funcionalidade da plataforma de corte de milho, controle de distribuição interna, e outros atuadores 248 que afetam as outras funções da colheitadeira agrícola 100. O controlador de planejamento de trajeto 234 ilustrativamente gera sinais de controle para controlar o subsistema de direção 252 para dirigir a colheitadeira agrícola 100 de acordo com um trajeto desejado. O controlador de planejamento de trajeto 234 pode controlar um sistema de planejamento de trajeto para gerar uma rota para a colheitadeira agrícola 100 e pode controlar o subsistema de propulsão 250 e subsistema de direção 252 para dirigir a colheitadeira agrícola 100 ao longo dessa rota. O controlador de taxa de alimentação 236 pode controlar vários subsistemas, tais como subsistema de propulsão 250 e atuadores de máquina 248, para controlar uma taxa de alimentação com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. Por exemplo, à medida que a colheitadeira agrícola 100 se aproxima uma área contendo cultura tendo uma condição de cultura deitada que é maior que um limiar selecionado, o controlador de taxa de alimentação 236 pode reduzir a velocidade de colheitadeira agrícola 100 para assegurar que o desempenho de alimentação de cultura é aceitável e que o material de cultura é coletado. O controlador de plataforma de corte e molinete 238 pode gerar sinais de controle para controlar uma plataforma de corte ou um molinete ou outra funcionalidade da plataforma de corte. Por exemplo, em uma área de cultura deitada, it pode ser beneficial para ajustar altura da plataforma de corte ou posição do molinete. O controlador de correia de lona 240 pode gerar sinais de controle para controlar uma correia de lona ou outra funcionalidade da lona com base no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos. O controlador de posição da placa de convés 242 pode gerar sinais de controle para controlar uma posição de uma placa de convés incluída em uma plataforma de corte com base em mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, e o controlador do sistema de resíduo 244 pode gerar sinais de controle para controlar um subsistema de resíduo 138 com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. O controlador de limpeza de máquina 245 pode gerar sinais de controle para controlar o subsistema de limpeza de máquina 254. Por exemplo, com base nos diferentes tipos de sementes ou ervas daninhas que passaram pela colheitadeira agrícola 100, um tipo particular de operação de limpeza de máquina ou uma frequência com a qual uma operação de limpeza é realizada pode ser controlado. Outros controladores incluídos na colheitadeira agrícola 100 podem controlar outros subsistemas com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, igualmente.
[0057] As FIGS. 3A e 3B (coletivamente referidas no presente documento como FIG. 3) mostram um fluxograma ilustrando um exemplo da operação de colheitadeira agrícola 100 na geração de um mapa preditivo 264 e mapa de zona de controle preditivo 265 com base em mapa de informação 258.
[0058] Em 280, a colheitadeira agrícola 100 recebe mapa de informação 258. Exemplos de mapa de informação 258 ou recebimento de mapa de informação 258 são discutidos com relação aos blocos 282, 284, 285 e 286. Como aqui discutido, o mapa de informação 258 mapeia valores de uma variável, correspondentes a uma primeira característica, para diferentes localizações no campo, como indicado no bloco 282. Como indicado no bloco 281, receber do mapa de informação 258 pode envolver selecionar um ou mais de uma pluralidade de possíveis mapas de informação que são disponíveis. Por exemplo, um mapa de informação pode ser um mapa de índice vegetativo gerado de imagem aérea. Outro mapa de informação pode ser um mapa gerado durante um passe anterior através do campo que pode ser sido realizado por uma máquina diferente que realiza uma operação no campo anterior, tal como um pulverizador ou outra máquina. O processo pelo qual um ou mais mapas de informação são selecionados pode ser manual, semiautomatizado ou automatizado. O mapa de informação 258 é com base em dados coletados antes de uma operação de colheita atual. Isto é indicado pelo bloco 284. Por exemplo, os dados podem ser coletados com base em imagens aéreas ou os dados podem ser valores medidos obtidos durante um ano anterior, inicialmente na estação de crescimento atual, ou em outros momentos. A informação pode ser com base em dados detectados de outras maneiras (além de usando imagens aéreas) igualmente. Por exemplo, o mapa de informação 258 pode ser transmitido à colheitadeira agrícola 100 usando o sistema de comunicação 206 e armazenado no armazenamento de dados 202.
[0059] A mapa de informação 258 pode ser um mapa preditivo igualmente, isto é indicado pelo bloco 285. Como aqui indicado, o mapa preditivo pode incluir um mapa de rendimento preditivo ou um mapa de biomassa preditivo gerado com base, por exemplo, em parte em um mapa de índice vegetativo anterior ou outro mapa de informação e valores de sensor in situ. Em alguns exemplos, um mapa de rendimento preditivo ou um mapa de biomassa preditivo pode ser baseado no todo ou em parte em um mapa topográfico, um mapa de tipo de solo, um mapa de constituintes de solo, ou um mapa de saúde do solo. The mapa de rendimento ou biomassa preditivo pode ser predito e gerado de outras maneiras igualmente.
[0060] O mapa de informação 258 pode ser carregado na colheitadeira agrícola 100 usando o sistema de comunicação 206 de outras maneiras igualmente, e isto é indicado pelo bloco 286 no fluxograma da FIG. 3. Em alguns exemplos, o mapa de informação 258 pode ser recebido pelo sistema de comunicação 206.
[0061] Mediante início de uma operação de colheita, os sensores in situ 208 geram sinais de sensor indicativos de um ou mais valores de dados in situ indicativos de uma característica de planta, tal como um estado de cultura, como indicado pelo bloco 288. Exemplos de sensores in situ 288 são discutidos com relação aos blocos 222, 290 e 226. Como aqui explicado, os sensores in situ 208 incluem sensores internos 222; sensores in situ remotos 224, tais como sensores baseados em UAV que voam em um momento para coletar dados in situ, mostrado no bloco 290; ou outros tipos de sensores in situ, designados por sensores in situ 226. Em alguns exemplos, dados de sensores internos são georreferenciados usando dados de posição direção ou velocidade do sensor de posição geográfica 204.
[0062] O gerador de modelo preditivo 210 controla a gerador de modelo de variável de informação para variável in situ 228 para gerar um modelo que modela uma relação entre os valores mapeados contidos no mapa de informação 258 e os valores in situ sensoreados pelos sensores in situ 208 como indicado pelo bloco 292. As características ou tipos de dados representados pelos valores mapeados no mapa de informação 258 e os valores in situ sensoreados pelos sensores in situ 208 podem ser as mesmas características ou tipo de dados ou diferentes características ou tipos de dados.
[0063] A relação ou modelo gerado pelo gerador de modelo preditivo 210 é provido ao gerador de mapa preditivo 212. O gerador de mapa preditivo 212 gera um mapa preditivo 264 que prediz um valor da característica sensoreada pelos sensores in situ 208 em diferentes localizações geográficas em um campo que está sendo colhido, ou uma característica diferente que é relacionada à característica sensoreada pelos sensores in situ 208, usando o modelo preditivo e o mapa de informação 258, como indicado pelo bloco 294.
[0064] Deve-se notar que, em alguns exemplos, o mapa de informação 258 pode incluir dois ou mais mapas diferentes ou duas ou mais camadas de mapa diferentes de um único mapa. Cada camada de mapa pode representar um tipo diferente de dados do tipo de dados de outra camada de mapa, ou as camadas de mapa podem ter o mesmo tipo de dados que foram obtidos em diferentes momentos. Cada mapa nos dois ou mais mapas diferentes ou cada camada nas duas ou mais camadas de mapa diferentes de um mapa mapeia um tipo diferente de variável nas localizações geográficas no campo. Em um exemplo como esse, o gerador de modelo preditivo 210 gera um modelo preditivo que modela a relação entre os dados in situ e cada uma das diferentes variáveis mapeadas pelos dois ou mais mapas diferentes ou pelas duas ou mais camadas de mapa diferentes. Similarmente, os sensores in situ 208 podem incluir dois ou mais sensores, cada qual sensoreando um tipo diferente de variável. Dessa maneira, o gerador de modelo preditivo 210 gera um modelo preditivo que modela a relação entre cada tipo de variável mapeado pelo mapa de informação 258 e cada tipo de variável sensoreado pelos sensores in situ 208. O gerador de mapa preditivo 212 pode gerar um mapa preditivo funcional 263 que prediz um valor para cada característica sensoreada pelos sensores in situ 208 (ou uma característica relacionada à característica sensoreada) em diferentes localizações no campo que está sendo colhido usando o modelo preditivo e cada um dos mapas ou camadas de mapa no mapa de informação 258.
[0065] O gerador de mapa preditivo 212 configura o mapa preditivo 264 de forma que o mapa preditivo 264 seja acionável (ou consumível pelo sistema de controle 214. O gerador de mapa preditivo 212 pode prover mapa preditivo 264 ao sistema de controle 214 ou ao gerador de zona de controle 213, ou ambos. Alguns exemplos de diferentes maneiras nas quais o mapa preditivo 264 pode ser configurado ou produzido são descritas com relação aos blocos 296, 295, 299 e 297. Por exemplo, o gerador de mapa preditivo 212 configura o mapa preditivo 264 de forma que o mapa preditivo 264 incluo valores que podem ser lidos pelo sistema de controle 214 e usados como a base para gerar sinais de controle para um ou mais dos diferentes subsistemas controláveis da colheitadeira agrícola 100, como indicado pelo bloco 296.
[0066] O gerador de zona de controle 213 pode dividir o mapa preditivo 264 em zonas de controle com base nos valores no mapa preditivo 264. Valores contiguamente geolocalizados que estão dentro de um valor de limiar de outro podem ser agrupados em uma zona de controle. O valor de limiar pode ser um valor de limiar padrão, ou o valor de limiar pode ser definido com base em uma entrada de operador, com base em uma entrada de um sistema automatizado, ou com base em outros critérios. Um tamanho das zonas pode ser com base em uma capacidade de resposta do sistema de controle 214 dos subsistemas controláveis 216, com base em considerações de desgaste, ou em outros critérios como indicado pelo bloco 295. O gerador de mapa preditivo 212 configura o mapa preditivo 264 para apresentação a um operador ou outro usuário. O gerador de zona de controle 213 pode configurar o mapa de zona de controle preditivo 265 para apresentação a um operador ou outro usuário. Isto é indicado pelo bloco 299. Quando apresentado a um operador ou outro usuário, a apresentação do mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, pode conter um ou mais dos valores preditivos no mapa preditivo 264 correlacionado à localização geográfica, as zonas de controle no mapa de zona de controle preditivo 265 correlacionadas à localização geográfica, e valores de ajuste ou parâmetros de controle que são usados com base nos valores preditos no mapa preditivo 264 ou zonas no mapa de zona de controle preditivo 265. A apresentação pode, em outro exemplo, incluir informação mais abstrata ou informação mais detalhada. A apresentação pode também incluir um nível de confiança que indica uma precisão com a qual os valores preditivos no mapa preditivo 264 ou as zonas no mapa de zona de controle preditivo 265 se conformam aos valores medidos que pode ser medidos pelos sensores na colheitadeira agrícola 100 à medida que a colheitadeira agrícola 100 move através do campo. Adicionalmente onde informação é apresentada a mais que uma localização, um sistema de autenticação e autorização pode ser provido para implementar o processo de autenticação e autorização. Por exemplo, pode haver uma hierarquia de indivíduos que são autorizados a vez e muda os mapas e outra informação apresentada. A título de exemplo, um dispositivo de exibição interno pode mostrar os mapas em tempo quase real localmente na máquina, ou os mapas podem também ser gerados em um ou mais localizações remotas, ou ambos. Em alguns exemplos, cada dispositivo de exibição física em cada localização pode ser associado a uma pessoa ou um nível de permissão de usuário. O nível de permissão de usuário pode ser usado para determinar quais marcadores de exibição são visíveis no dispositivo de exibição física e quais valores a pessoa correspondente pode mudar. Como um exemplo, um operador local de colheitadeira agrícola 100 pode ser incapaz de ver a informação correspondente ao mapa preditivo 264 ou fazer quaisquer mudanças na operação da máquina. Um supervisor, tal como um supervisor em uma localização remota, entretanto, pode ser capaz de ver o mapa preditivo 264 na exibição, mas não pode fazer nenhuma mudança. Um gestor, que pode estar em uma localização remota separada, pode ser capaz de ver todos os elementos no mapa preditivo 264 e também ser capaz de mudar o mapa preditivo 264. Em alguns casos, o mapa preditivo 264 acessível e alterável por um gestor localizado remotamente pode ser usado no controle de máquina. Isto é um exemplo de uma hierarquia de autorização que pode ser implementada. O mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, pode ser configurado de outras maneiras igualmente, como indicado pelo bloco 297.
[0067] No bloco 298, a entrada do sensor de posição geográfica 204 e outros sensores in situ 208 é recebida pelo sistema de controle. Particularmente, no bloco 300, o sistema de controle 214 detecta uma entrada do sensor de posição geográfica 204 identificando uma localização geográfica da colheitadeira agrícola 100. O bloco 302 representa o recebimento pelo sistema de controle 214 de entradas de sensor indicativas de trajetória ou direção da colheitadeira agrícola 100, e o bloco 304 representa o recebimento pelo sistema de controle 214 de uma velocidade de colheitadeira agrícola 100. O bloco 306 representa o recebimento pelo sistema de controle 214 de outra informação de vários sensores in situ 208.
[0068] No bloco 308, o sistema de controle 214 gera sinais de controle para controlar os subsistemas controláveis 216 com base no mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, e a entrada do sensor de posição geográfica 204 e qualquer outro sensor in situ 208. No bloco 310, o sistema de controle 214 aplica os sinais de controle aos subsistemas controláveis. Percebe-se que os sinais de controle particulares que são gerados, e os subsistemas controláveis particulares 216 que são controlados, podem variar com base em uma ou mais diferentes coisas. Por exemplo, os sinais de controle que são gerados e os subsistemas controláveis 216 que são controlados podem ser com base no tipo de mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos, que está sendo usado. Similarmente, os sinais de controle que são gerados e os subsistemas controláveis 216 que são controlados e o sincronismo dos sinais de controle pode ser com base em várias latências do fluxo de cultura através da colheitadeira agrícola 100 e a capacidade de resposta dos subsistemas controláveis 216.
[0069] A título de exemplo, um mapa preditivo gerado 264 na forma de um mapa de estado de cultura preditivo pode ser usado para controlar um ou mais subsistemas controláveis 216. Por exemplo, o mapa de estado de cultura preditivo funcional pode incluir valores de estado de cultura georreferenciados nas localizações no campo que está sendo colhido. O mapa de estado de cultura preditivo funcional pode ser extraído e usado para controlar, por exemplo, os subsistemas de direção e propulsão 252 e 250. Controlando os subsistemas de direção e propulsão 252 e 250, uma taxa de alimentação de material ou grão em movimento através da colheitadeira agrícola 100 pode ser controlada. Ou, por exemplo, controlando os subsistemas de direção e propulsão 252 e 250, uma direção oposta à direção a que cultura está inclinando pode ser mantida. Similarmente, a altura da plataforma de corte pode ser controlada para pegar mais ou menos material (em alguns casos a plataforma de corte tem que ser abaixada para garantir que a cultura fique em contato) e dessa forma a altura da plataforma de corte pode também ser controlada para controlar a taxa de alimentação de material através da colheitadeira agrícola 100. Em outros exemplos, se o mapa preditivo 264 mapear um estado de cultura à frente da máquina na qual a cultura está em uma condição deitada ao longo de uma porção da plataforma de corte e não em outra porção da plataforma de corte ou, se cultura estiver em uma condição deitada a um maior valor ao longo de uma porção da plataforma de corte comparada a outra porção da plataforma de corte, a plataforma de corte pode ser controlada para inclinar, rolar, ou ambos, para coletar a cultura deitada de uma maneira mais eficaz. Os exemplos apresentados envolvendo a taxa de alimentação e controle de plataforma de corte usando um mapa de estado de cultura preditivo funcional são providos meramente como um exemplo. Consequentemente, uma ampla variedade de outros sinais de controle pode ser gerada usando valores obtidos de um mapa de estado de cultura preditivo ou outro tipo de mapa preditivo funcional para controlar um ou mais dos subsistemas controláveis 216.
[0070] No bloco 312, é feita uma determinação se a operação de colheita foi completada. Se a colheita não estiver completada o processamento avança para o bloco 314 onde dados de sensor in situ do sensor de posição geográfica 204 e sensores in situ 208 (e talvez outros sensores) continuam a ser lidos.
[0071] Em alguns exemplos, no bloco 316, a colheitadeira agrícola 100 pode também detectar critérios de acionamento de aprendizagem para realizar aprendizagem de máquina em um ou mais dentre o mapa preditivo 264, o mapa de zona de controle preditivo 265, o modelo gerado pelo gerador de modelo preditivo 210, as zonas geradas pelo gerador de zona de controle 213, um ou mais algoritmos de controle implementados pelos controladores no sistema de controle 214, e outros critérios acionados.
[0072] Os critérios de acionamento de aprendizagem podem incluir qualquer de uma ampla variedade de diferentes critérios. Alguns exemplos de detecção de critérios de acionamento são discutidos com relação aos blocos 318, 320, 321, 322 e 324. Por exemplo, em alguns exemplos, a aprendizagem acionada pode envolver a recriação de uma relação usada para gerar um modelo preditivo quando uma quantidade limiar de dados de sensor in situ é obtida de sensores in situ 208. Em tais exemplos, o recebimento de uma quantidade de dados de sensor in situ dos sensores in situ 208 que excede um limiar aciona ou faz o gerador de modelo preditivo 210 gerar um novo modelo preditivo que é usado pelo gerador de mapa preditivo 212. Dessa maneira, à medida que a colheitadeira agrícola 100 continua uma operação de colheita, o recebimento da quantidade limiar de dados de sensor in situ dos sensores in situ 208 aciona a criação de uma nova relação reapresentada por um modelo preditivo gerado pelo gerador de modelo preditivo 210. Adicionalmente, o novo mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos, pode ser gerado usando o novo modelo preditivo. O bloco 318 representa a detecção de uma quantidade limiar de dados de sensor in situ usados para acionar a criação de um novo modelo preditivo.
[0073] Em outros exemplos, os critérios de acionamento de aprendizagem podem ser com base em até que pontos os dados de sensor in situ dos sensores in situ 208 estão mudando, tal como com o tempo, ou comparados a valores anteriores. Por exemplo, se variações nos dados de sensor in situ (ou a relação entre os dados de sensor in situ e a informação em mapa de informação 258) estiverem dentro de uma faixa selecionada, ou abaixo de uma quantidade definida, ou abaixo de um valor de limiar, então um novo modelo preditivo não é gerado pelo gerador de modelo preditivo 210. Em decorrência disso, o gerador de mapa preditivo 212 não gera um novo mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos. Entretanto, se variações nos dados de sensor in situ ficarem fora da faixa selecionada, forem maiores que a quantidade definida, ou ficarem acima do valor de limiar, por exemplo, então o gerador de modelo preditivo 210 gera um novo modelo preditivo usando todos ou uma porção dos dados de sensor in situ recém-recebidos que o gerador de mapa preditivo 212 usa para gerar um novo mapa preditivo 264. No bloco 320, variações no dados de sensor in situ, tais como um magnitude de uma quantidade pela qual os dados excedem a faixa selecionada ou uma magnitude da variação da relação entre os dados de sensor in situ e a informação no mapa de informação 258, podem ser usadas como um acionador para causar a geração de um novo modelo preditivo e mapa preditivo. De acordo com os exemplos supradescritos, o limiar, a faixa e a quantidade definida podem ser ajustados em valores padrões; ajustados por um operador ou interação de usuário através de uma interface de usuário; ajustados por um sistema automatizado; ou ajustados de outras maneiras.
[0074] Outros critérios de acionamento de aprendizagem podem também ser usados. Por exemplo, se o gerador de modelo preditivo 210 comutar para um diferente mapa de informação (diferente do mapa de informação originalmente selecionado 258), então comutar para o mapa de informação diferente pode acionar a reaprendizagem pelo gerador de modelo preditivo 210, o gerador de mapa preditivo 212, o gerador de zona de controle 213, sistema de controle 214, ou outros itens. Em outro exemplo, a transição da colheitadeira agrícola 100 para uma topografia diferente ou para uma zona de controle diferente pode ser usada como critérios de acionamento de aprendizagem igualmente.
[0075] Em alguns casos, o operador 260 pode também editar o mapa preditivo 264 ou mapa de zona de controle preditivo 265, ou ambos. As edições podem mudar um valor no mapa preditivo 264 ou, mudar um tamanho, formato, posição ou existência de uma zona de controle no mapa de zona de controle preditivo 265, ou ambos. O bloco 321 mostra que informação editada pode ser usada como critérios de acionamento de aprendizagem.
[0076] Em alguns casos, pode ser também que o operador 260 observa que o controle automatizado de um subsistema controlável não é o que o operador deseja. Em tais casos, o operador 260 pode prover um ajuste manual ao subsistema controlável refletindo que o operador 260 deseja que o subsistema controlável opere de uma maneira diferente da que está sendo comandada pelo sistema de controle 214. Dessa forma, a alteração manual de um ajuste pelo operador 260 pode fazer com que um ou mais dentre o gerador de modelo preditivo 210 reaprenda um modelo, o gerador de mapa preditivo 212 regenere o mapa 264, o gerador de zona de controle 213 regenere uma ou mais zonas de controle no mapa de zona de controle preditivo 265 e o sistema de controle 214 reaprenda um algoritmo de controle ou realize aprendizagem de máquina em um ou mais dos componentes de controlador 232 a 246 no sistema de controle 214 com base no ajuste pelo operador 260, como mostrado em bloco 322. O bloco 324 representa o uso dos outros critérios de aprendizagem acionados.
[0077] Em outros exemplos, a reaprendizagem pode ser feita periodicamente ou intermitentemente com base, por exemplo, em um intervalo de tempo selecionado tal como um intervalo de tempo discreto ou um intervalo de tempo variável, como indicado pelo bloco 326.
[0078] Se a reaprendizagem for acionada, que com base em critérios de acionamento de aprendizagem quer com base na passagem de um intervalo de tempo, como indicado pelo bloco 326, então um ou mais dentre o gerador de modelo preditivo 210, o gerador de mapa preditivo 212, o gerador de zona de controle 213 e o sistema de controle 214 realiza aprendizagem de máquina para gerar um novo modelo preditivo, um novo mapa preditivo, uma nova zona de controle e um novo algoritmo de controle, respectivamente, com base nos critérios de acionamento de aprendizagem. O novo modelo preditivo, o novo mapa preditivo e o novo algoritmo de controle são gerados usando qualquer dado adicional que foi coletado desde que a última operação de aprendizagem foi realizada. A realização da aprendizagem é indicada pelo bloco 328.
[0079] Se a operação de colheita foi completada, a operação move do bloco 312 para o bloco 330 onde um ou mais do mapa preditivo 264, mapa de zona de controle preditivo 265 e modelo preditivo gerado pelo gerador de modelo preditivo 210 são armazenados. O mapa preditivo 264, mapa de zona de controle preditivo 265 e modelo preditivo podem ser armazenados localmente no armazenamento de dados 202 ou enviados a um sistema remoto usando o sistema de comunicação 206 para uso posterior.
[0080] Nota-se que, embora alguns exemplos no presente documento descrevam o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebendo um mapa de informação na geração de um modelo preditivo e um mapa preditivo funcional, respectivamente, em outros exemplos, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 podem receber, na geração de um modelo preditivo e um mapa preditivo funcional, respectivamente, outros tipos de mapas, incluindo mapas preditivos, tal como um mapa preditivo funcional gerado durante a operação de colheita.
[0081] As FIGS. 4A-B são coletivamente referidas no presente documento como FIG. 4. A FIG. 4A é um diagrama de blocos de uma porção da colheitadeira agrícola 100 mostrada na FIG. 1. Particularmente, a FIG. 4A mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 em mais detalhe. A FIG. 4A também ilustra o fluxo de informação entre os vários componentes mostrados na mesma. Como mostrado, o gerador de modelo preditivo 210 recebe um ou mais dentre um mapa de índice vegetativo 332, um mapa de característica de semeadura 333, um mapa de rendimento preditivo 335 ou um mapa de biomassa preditivo 337 como um mapa de informação. O mapa de índice vegetativo 332 inclui valores georreferenciados de índice vegetativo. O mapa de característica de semeadura 333 inclui valores de característica de semente georreferenciados. Por exemplo, características de semente podem incluir a localização e quantidade de sementes plantadas. Adicionalmente, as características de semente podem incluir o tipo de semente, força genética do talo ou caule, suscetibilidade genética a quebra, cobertura na semente, genótipo da semente, data de plantio, períodos de crescimento da semente, etc.
[0082] O mapa de rendimento preditivo 335 inclui valores de rendimento preditivos georreferenciados. O mapa de rendimento preditivo 335 pode ser gerado usando um processo descrito nas FIGS. 2 e 3, onde o mapa de informação inclui um mapa de índice vegetativo ou um mapa de rendimento histórico e o sensor in situ inclui um sensor de rendimento. O mapa de rendimento preditivo 335 pode ser gerado de outras maneiras igualmente.
[0083] O mapa de biomassa preditivo 337 inclui valores de biomassa preditivos georreferenciados. O mapa de biomassa preditivo 337 pode ser gerado usando um processo descrito nas FIGS. 2 e 3, onde o mapa de informação inclui um mapa de índice vegetativo e o sensor in situ inclui um sensor de pressão de acionamento do rotor ou óptico, que gera sinais de sensor indicativos de biomassa. O mapa de biomassa preditivo 337 pode ser gerado de outras maneiras igualmente.
[0084] Além de receber um ou mais de um mapa de índice vegetativo 332, mapa de característica de semeadura 333, mapa de rendimento preditivo 335 ou mapa de biomassa preditivo 337 como um mapa de informação, o gerador de modelo preditivo 210 também recebe uma localização geográfica 334, ou uma indicação de uma localização geográfica, do sensor de posição geográfica 204. Os sensores in situ 208 ilustrativamente incluem um sensor de estado de cultura interno 336, sensor de altura de cultura 337, bem como um sistema de processamento 338. O sistema de processamento 338 processa dados de sensor gerados do sensores de estado de cultura internos 336 ou sensor de altura de cultura 337.
[0085] Em alguns exemplos, o sensor de estado de cultura interno 336 pode ser um sensor óptico na colheitadeira agrícola 100. O sensor óptico pode ser arranjado na frente da colheitadeira agrícola 100 para coletar imagens do campo na frente de colheitadeira agrícola 100 à medida que a colheitadeira agrícola 100 move através do campo durante uma operação de colheita. O sistema de processamento 338 processa uma ou mais imagens obtidas por meio do sensor de estado de cultura interno 336 para gerar dados de imagem processados que identificam uma ou mais características das plantas cultivadas na imagem. Por exemplo, a magnitude e orientação de planta de cultura em uma condição deitada. O sistema de processamento 338 pode também geolocalizar os valores recebidos do sensor in situ 208. Por exemplo, a localização de colheitadeira agrícola 100 no momento em que um sinal do sensor in situ 208 é recebido tipicamente não é a localização precisa do estado de cultura sensoreado. Isso se dá em virtude de levar tempo desde o encaminhamento do sensoreamento até o momento que a colheitadeira agrícola 100 (equipada com o sensor de posição geográfica) faz contato com as plantas cultivadas que foram sensoreadas quanto o estado de cultura. Em alguns exemplos, para levar em conta o encaminhamento do sensoreamento, um campo de visão da câmera pode ser calibrado de maneira tal que áreas de cultura deitada em uma imagem capturada pela câmera podem ser geolocalizadas com base em sua localização na imagem.
[0086] Outros sensores de estado de cultura podem também ser usados. Em alguns exemplos, dados brutos ou processados do sensor de estado de cultura interno 336 podem ser apresentados ao operador 260 por meio do mecanismo de interface de operador 218. O operador 260 pode ser interno na colheitadeira agrícola de trabalho 100 ou em uma localização remota.
[0087] A presente discussão prossegue com relação a um exemplo no qual sensor de estado de cultura interno 336 inclui um sensor óptico, percebe-se que este é apenas um exemplo, e os sensores supramencionados, como outros exemplos de sensor de estado de cultura interno 336, são igualmente contemplados no presente documento. Como mostrado na FIG. 4A, o gerador de modelo preditivo 210 inclui um gerador de modelo de índice vegetativo para estado de cultura 342, um gerador de modelo de semeadura para estado de cultura 344, um gerador de modelo de índice vegetativo para estado de cultura 345, e um gerador de modelo de biomassa para estado de cultura 346. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, em menor quantidade ou diferentes dos mostrados no exemplo da FIG. 4A. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 210 pode incluir outros itens 348 igualmente, que podem incluir outros tipos de geradores de modelo preditivo para gerar outros tipos de estado de cultura ou altura de cultura modelos. Por exemplo, o gerador de modelo 210 pode incluir um gerador de modelo de rendimento-altura de cultura e uma gerador de modelo de biomassa-altura de cultura que gera relações entre altura de cultura e rendimento e biomassa, respectivamente. Os modelos gerados por esses outros geradores de modelo podem ser usados pelo gerador de mapa de altura de cultura 353 para gerar um mapa de altura de cultura preditivo com base em valores do mapa de rendimento preditivo 335 e mapa de biomassa preditivo 337.
[0088] O gerador de modelo 342 identifica uma relação entre dados de estado de cultura in situ 340 em uma localização geográfica correspondente à onde dados de estado de cultura in situ 340 foram geolocalizados e valores de índice vegetativo do mapa de índice vegetativo 332 correspondentes à mesma localização no campo onde os dados de estado de cultura 340 foram geolocalizados. Com base nessa relação estabelecida pelo gerador de modelo 342, o gerador de modelo 342 gera um modelo de estado de cultura preditivo. O modelo de estado de cultura é usado para predizer um estado de cultura em diferentes localizações no campo com base nos valores georreferenciados de índice vegetativo contidos no mapa de índice vegetativo 332 nas mesmas localizações no campo. Em alguns exemplos, o gerador de modelo 342 pode usar uma série temporal de mapas de índice vegetativo para identificar a taxa de senescência de cultura após quebra verde, maior estresse de cultura pelo dano no talo, e outro.
[0089] O gerador de modelo 344 identifica uma relação entre o estado de cultura representado nos dados de estado de cultura in situ 340, em uma localização geográfica correspondente a onde os dados de estado de cultura in situ 340 foram geolocalizados, e o valor característica de semeadura na mesma localização. O valor de característica de semeadura é o valor georreferenciado contido no mapa de característica de semeadura 333. O gerador de modelo 344 gera um modelo de estado de cultura preditivo que prediz o estado de cultura em uma localização no campo com base no valor de característica de semeadura. O modelo de estado de cultura é usado para predizer um estado de cultura em diferentes localizações no campo com base nos valores de característica de semeadura georreferenciados contidos no mapa de característica de semeadura 333 nas mesmas localizações no campo. A característica de semeadura, por exemplo, poderia ser a densidade de plantio de sementes.
[0090] O gerador de modelo 345 identifica uma relação entre o estado de cultura representado nos dados de estado de cultura in situ 340, em uma localização geográfica correspondente a onde os dados de estado de cultura in situ 340 foram geolocalizados, e o rendimento predito na mesma localização. O valor de rendimento predito é o valor georreferenciado contido no mapa de rendimento preditivo 335. O gerador de modelo 345 gera um modelo de estado de cultura preditivo que prediz o estado de cultura em uma localização no campo com base no valor de rendimento predito. O modelo de estado de cultura é usado para predizer um estado de cultura em diferentes localizações no campo com base nos valores de rendimento preditivos georreferenciados contidos no mapa de rendimento preditivo 335 nas mesmas localizações no campo.
[0091] O gerador de modelo 346 identifica uma relação entre o estado de cultura representado nos dados de estado de cultura in situ 340, em uma localização geográfica correspondente a onde os dados de estado de cultura in situ 340 foram geolocalizados, e a biomassa predita na mesma localização. O valor predito de biomassa é o valor georreferenciado contido no mapa de biomassa preditivo 337. O gerador de modelo 346 gera um modelo de estado de cultura preditivo que prediz o estado de cultura em uma localização no campo com base no valor predito de biomassa. O modelo de estado de cultura é usado para predizer um estado de cultura em diferentes localizações no campo com base nos valores de biomassa preditivos georreferenciados contidos no mapa de biomassa preditivo 337 nas mesmas localizações no campo.
[0092] Sob a luz do exposto, o gerador de modelo preditivo 210 é operável para produzir uma pluralidade de modelos de estado de cultura preditivos, tal como um ou mais dos modelos de estado de cultura preditivos gerados pelos geradores de modelo 342, 344, 345, 346 e 348. Em outro exemplo, dois ou mais dos modelos de estado de cultura preditivos supradescritos podem ser combinados em um único modelo de estado de cultura preditivo que prediz um estado de cultura com base no valor de índice vegetativo, valor de característica de semeadura, valor de rendimento preditivo, ou valores de biomassa preditivos em diferentes localizações no campo. Quaisquer desses modelos de estado de cultura, ou combinações dos mesmos, são representados coletivamente pelo modelo de estado de cultura 350 na FIG. 4A.
[0093] O modelo de estado de cultura preditivo 350 é provido ao gerador de mapa preditivo 212. No exemplo da FIG. 4A, o gerador de mapa preditivo 212 inclui um gerador de mapa de estado de cultura 352. Em outros exemplos, o gerador de mapa preditivo 212 pode incluir geradores de mapa adicionais, em menor quantidade, ou diferentes. Correspondentemente, o gerador de mapa preditivo 212 pode incluir outros geradores de mapa 358. Outros geradores de mapa podem incluir combinações de geradores de mapa nas FIGS. 4A e 4B. O gerador de mapa de estado de cultura 352 recebe o modelo de estado de cultura preditivo 350 que prediz o estado de cultura com base em uma relação entre um valor de estado de cultura sensoreado e um valor de um ou mais do mapa de índice vegetativo 332, mapa de característica de semeadura 333, mapa de rendimento preditivo 335, e mapa de biomassa preditivo 337 em uma localização correspondente onde o estado de cultura foi sensoreado.
[0094] O gerador de mapa de estado de cultura 354 pode também gerar um mapa de estado de cultura preditivo funcional 360 que prediz o estado de cultura em diferentes localizações no campo com base no valor de índice vegetativo, valor de característica de semeadura, valor de rendimento preditivo, ou valor de biomassa preditivo nessas localizações no campo e no modelo de estado de cultura preditivo 350. O mapa de estado de cultura preditivo funcional gerado 360 pode ser provido ao gerador de zona de controle 213, sistema de controle 214, ou ambos. O gerador de zona de controle 213 gera zonas de controle e incorpora essas zonas de controle no mapa preditivo funcional, isto é, mapa preditivo 360, para produzir o mapa de zona de controle preditivo 265. Um ou ambos de mapas preditivos funcionais 264 ou mapa de zona de controle preditivo 265 pode ser apresentado ao operador 260 ou outro usuário ou ser provido ao sistema de controle 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos.
[0095] Como mostrado na FIG. 4A, o gerador de modelo preditivo 210 também inclui um gerador de modelo índice vegetativo para altura de cultura 347 e um gerador de modelo de semeadura para altura de cultura 344.
[0096] O gerador de modelo 347 identifica uma relação entre dados de altura de cultura in situ 340 em uma localização geográfica correspondente a onde dados de altura de cultura in situ 340 foram geolocalizados e valores de índice vegetativo do mapa de índice vegetativo 332 correspondentes à mesma localização no campo onde os dados de altura de cultura 340 foram geolocalizados. Com base nessa relação estabelecida pelo gerador de modelo 347, o gerador de modelo 347 gera um modelo de altura de cultura preditivo 351. A modelo de altura de cultura 351 é usado para predizer uma altura de cultura em diferentes localizações no campo com base nos valores georreferenciados de índice vegetativo contidos no mapa de índice vegetativo 332 nas mesmas localizações no campo.
[0097] O gerador de modelo 349 identifica uma relação entre a altura de cultura representada nos dados de altura de cultura in situ 340, em uma localização geográfica correspondente a onde os dados de altura de cultura in situ 340 foram geolocalizados, e o valor de característica de semeadura na mesma localização. O valor de característica de semeadura é o valor georreferenciado contido no mapa de característica de semeadura 333. O gerador de modelo 349 gera um modelo de altura de cultura preditivo que prediz a altura de cultura em uma localização no campo com base no valor de característica de semeadura. O modelo de altura de cultura 351 é usado para predizer uma altura de cultura em diferentes localizações no campo com base nos valores de característica de semeadura georreferenciados contidos no mapa de característica de semeadura 333 nas mesmas localizações no campo. A característica de semeadura, por exemplo, poderia ser a data da planta e a altura da planta genética.
[0098] O modelo de altura de cultura preditivo 351 é provido ao gerador de mapa preditivo 212. No exemplo da FIG. 4A, o gerador de mapa preditivo 212 inclui um gerador de mapa de altura de cultura 353. O gerador de mapa de altura de cultura 353 recebe o modelo de altura de cultura preditivo 351 que prediz a altura de cultura com base em uma relação entre um valor de altura de cultura sensoreado e um valor de um ou mais dentre o mapa de índice vegetativo 332 e o mapa de característica de semeadura 333 em uma localização correspondente onde a altura de cultura foi sensoreada.
[0099] O gerador de mapa de altura de cultura 353 pode também gerar um mapa de altura de cultura preditivo funcional 361 que prediz a altura de cultura em diferentes localizações no campo com base no valor de índice vegetativo ou valor de característica de semeadura nessas localizações no campo e no modelo de altura de cultura preditivo 351. O mapa de altura de cultura preditivo funcional gerado 361 pode ser provido ao gerador de zona de controle 213, sistema de controle 214, ou ambos. O gerador de zona de controle 213 gera zonas de controle e incorpora essas zonas de controle no mapa preditivo funcional, isto é, mapa preditivo 361, para produzir o mapa de zona de controle preditivo 265. Um ou ambos dos mapas preditivos funcionais 264 ou mapa de zona de controle preditivo 265 podem ser apresentados ao operador 260 ou outro usuário ou ser providos ao sistema de controle 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos.
[00100] A FIG. 4B é um diagrama de blocos de uma porção da colheitadeira agrícola 100 mostrada na FIG. 1. Particularmente, a FIG. 4B mostra, dentre outras coisas, exemplos do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 em mais detalhe. A FIG. 4B também ilustra o fluxo de informação entre os vários componentes mostrados. O gerador de modelo preditivo 210 recebe um mapa topográfico 432, como um mapa de informação. O mapa topográfico 432 inclui valores de característica topográfica georreferenciados.
[00101] O gerador 210 está também recebendo um indicador de localização geográfica 434 do sensor de posição geográfica 204. Os sensores in situ 208 ilustrativamente incluem um sensor de entrada de operador, tal como sensor de entrada de operador 436, bem como um sistema de processamento 438. O sensor de entrada de operador 436 sensoreia várias entradas de operador, tais como entradas de ajuste, para controlar os ajustes de um ou mais componentes da colheitadeira agrícola 100, por exemplo, altura dos ajustes de plataforma de corte ou ajustes de inclinação da plataforma de corte que controlam a altura, orientação (inclinação de rolamento) da plataforma de corte ou componentes de asa da plataforma de corte. O sistema de processamento 438 processa dados de sensor gerados do sensor de entrada de operador 436 para gerar dados de sensor processados 440, alguns exemplos dos quais são descritos a seguir.
[00102] A presente discussão prossegue com relação a um exemplo no qual sensor de entrada de operador 436 sensoreia ajustes de plataforma de corte inputs para controlar os ajustes de plataforma de corte 102 na colheitadeira agrícola 100, tal como o altura dos ajustes de plataforma de corte ou plataforma de corte orientação settings. Como mostrado na FIG. 4B, o gerador de modelo preditivo exemplificativo 210 inclui um ou mais de um gerador de modelo de característica topográfica para altura da plataforma de corte 442 e um gerador de modelo de característica topográfica para orientação da plataforma de corte 444. Em outros exemplos, o gerador de modelo preditivo 210 pode incluir componentes adicionais, em menor quantidade ou diferentes dos mostrados no exemplo da FIG. 4B. Consequentemente, em alguns exemplos, o gerador de modelo preditivo 210 pode incluir outros itens 448 igualmente, que podem incluir outros tipos de geradores de modelo preditivo para gerar outros tipos de modelos de potência. Por exemplo, o gerador de modelo preditivo 210 pode incluir geradores de modelo de característica topográfica específicos, por exemplo, um gerador de modelo de inclinação para altura da plataforma de corte ou um gerador de modelo de inclinação para orientação da plataforma de corte.
[00103] O gerador de modelo de característica topográfica para altura da plataforma de corte 442 identifica uma relação entre a altura da plataforma de corte, em uma localização geográfica correspondente a onde sensor de entrada de operador 436 sensoreou o ajuste de altura da plataforma de corte indicativa da altura da plataforma de corte, e valores de característica topográfica, tal como um ou mais valores de inclinação, do mapa topográfico 432 correspondente à mesma localização no campo à qual os dados de altura da plataforma de corte sensoreados correspondem. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para altura da plataforma de corte 442, o gerador de modelo de característica topográfica para altura da plataforma de corte 442 gera um modelo de característica da plataforma de corte preditivo 450. O modelo de característica da plataforma de corte preditivo 450 é usado pelo gerador de mapa preditivo 212 para predizer características da plataforma de corte, tal como o altura da plataforma de corte, em diferentes localizações no campo com base nos valores de característica topográfica georreferenciados, tais como valores de inclinação, contidos no mapa topográfico 432 nas mesmas localizações no campo.
[00104] O gerador de modelo de característica topográfica para orientação da plataforma de corte 444 identifica uma relação entre a orientação da plataforma de corte, em uma localização geográfica correspondente a onde sensor de entrada de operador 436 sensoreou o ajuste de orientação da plataforma de corte indicativo da orientação da plataforma de corte, e valores de característica topográfica, tal como um ou mais valores de inclinação, do mapa topográfico 432 correspondente à mesma localização no campo onde a orientação da plataforma de corte foi sensoreada. Com base nessa relação estabelecida pelo gerador de modelo de característica topográfica para orientação da plataforma de corte 444, o gerador de modelo de característica topográfica para orientação da plataforma de corte 444 gera um modelo de característica da plataforma de corte preditivo 450. O modelo de característica da plataforma de corte preditivo 450 é usado pelo gerador de mapa preditivo 212 para predizer características da plataforma de corte, tal como a orientação da plataforma de corte, em diferentes localizações no campo com base nos valores de característica topográfica georreferenciados, tais como valores de inclinação, contidos no mapa topográfico 432 nas mesmas localizações no campo.
[00105] Sob a luz do exposto, o gerador de modelo preditivo 210 é operável para produzir uma pluralidade de modelos de característica da plataforma de corte preditivos, tal como um ou mais dos modelos de característica da plataforma de corte preditivos gerados pelos geradores de modelo 442, 444 e 448. Em outro exemplo, dois ou mais dos modelos de característica da plataforma de corte preditivos supradescritos podem ser combinados em um único modelo de característica da plataforma de corte preditivo que prediz duas ou mais características da plataforma de corte, tais como altura da plataforma de corte e orientação da plataforma de corte, com base nos diferentes valores em diferentes localizações no campo. Quaisquer desses modelos de característica de plataforma de corte, ou combinações dos mesmos, são representados coletivamente pelo modelo de potência 450 na FIG. 4B.
[00106] O modelo de característica da plataforma de corte preditivo 450 é provido ao gerador de mapa preditivo 212. No exemplo da FIG. 4B, o gerador de mapa preditivo 212 inclui uma gerador de mapa de altura de plataforma de corte 452 e um gerador de mapa de orientação da plataforma de corte 454. Em outros exemplos, o gerador de mapa preditivo 212 pode incluir geradores de mapa adicionais, em menor quantidade, ou diferentes. Dessa maneira, em alguns exemplos, o gerador de mapa preditivo 212 pode incluir outros itens 458 que pode incluir outros tipos de geradores de mapa para gerar mapas de característica de plataforma de corte para outros tipos de características da plataforma de corte.
[00107] O gerador de mapa de altura de plataforma de corte 452 recebe o modelo de característica da plataforma de corte preditivo 450, que prediz a altura da plataforma de corte com base em valores no mapa topográfico 432 e dados de sensor in situ indicativos de altura da plataforma de corte, e gera um mapa preditivo que mapeia a altura da plataforma de corte predita em diferentes localizações no campo.
[00108] O gerador de mapa de orientação da plataforma de corte 454 recebe o modelo de característica da plataforma de corte preditivo 450, que prediz orientação da plataforma de corte com base em valores no mapa topográfico 432 e dados de sensor in situ indicativos de orientação da plataforma de corte, e gera um mapa preditivo que mapeia a orientação da plataforma de corte predita em diferentes localizações no campo.
[00109] O gerador de mapa preditivo 212 produz um ou mais mapas de característica de plataforma de corte preditivos funcionais 460 que são preditivos de uma ou mais características da plataforma de corte, tal como o altura da plataforma de corte ou orientação da plataforma de corte. Cada um dos mapas de característica de plataforma de corte preditivos 460 prediz a característica da plataforma de corte em diferentes localizações em um campo. Cada um dos mapas de característica de plataforma de corte preditivos gerados 460 pode ser provido ao gerador de zona de controle 213, sistema de controle 214, ou ambos. O gerador de zona de controle 213 gera zonas de controle e incorpora essas zonas de controle no mapa preditivo funcional, isto é, mapa preditivo 460, para produzir o mapa de zona de controle preditivo 265. Um ou ambos do mapa preditivo 264 e do mapa de zona de controle preditivo 265 podem ser providos ao sistema de controle 214, que gera sinais de controle para controlar um ou mais dos subsistemas controláveis 216 com base no mapa preditivo 264, mapa de zona de controle preditivo 265, ou ambos.
[00110] A FIG. 5A é um fluxograma de um exemplo de operação do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 na geração do modelo de estado de cultura preditivo 350 e do mapa de estado de cultura preditivo funcional 360. No bloco 562, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebem um ou mais de mapa de índice vegetativo 332, mapa de característica de semeadura 333, mapa de rendimento preditivo 335, e mapa de biomassa preditivo 337.
[00111] No bloco 563, o seletor de mapa de informação 209 seleciona um ou mais mapas de informação específicos 250 para uso pelo gerador de modelo preditivo 210. Em alguns exemplos, o seletor de mapa de informação 209 pode mudar qual mapa de informação está sendo usado mediante detecção de que um dos outros mapas de informação candidatos está correlacionando mais estritamente com o estado de cultura sensoreado in situ. Por exemplo, uma mudança de mapa de índice vegetativo 332 para mapa de característica de semeadura 333 pode ocorrer onde o mapa de característica de semeadura 333 está correlacionando melhor ao estado de cultura sensoreado pelo sensor in situ.
[00112] No bloco 564, um sinal de sensor de estado de cultura é recebido de um sensor de estado de cultura interno 336. Como aqui discutido, o sensor de estado de cultura interno 336 pode ser um sensor óptico 565 ou algum outro sensor de estado de cultura 570.
[00113] No bloco 572, o sistema de processamento 338 processa um ou mais sinais de sensor recebidos in situ recebidos dos sensores de estado de cultura internos 336 para gerar um valor de estado de cultura indicativo de uma característica de estado de cultura das plantas cultivadas no campo próximas à colheitadeira agrícola 100.
[00114] No bloco 582, o gerador de modelo preditivo 210 também obtém a localização geográfica correspondente ao sinal de sensor. Por exemplo, o gerador de modelo preditivo 210 pode obter a posição geográfica do sensor de posição geográfica 204 e determinar, com base em atrasos de máquina (por exemplo, velocidade de processamento de máquina), velocidade de máquina e considerações de sensor (por exemplo, um campo de visão da câmera, calibração de sensor, etc.), uma localização geográfica precisa onde o estado de cultura sensoreado in situ deve ser atribuído. Por exemplo, o momento exato que um sinal de sensor de estado de cultura é capturado tipicamente não corresponde ao estado de cultura da cultura em uma posição geográfica atual de colheitadeira agrícola 100. Em vez disso, o sinal de sensor de estado de cultura in situ atual corresponde a uma localização no campo à frente da colheitadeira agrícola 100 uma vez que o sinal de sensor de estado de cultura in situ atual foi sensoreado em uma imagem tomada na frente de colheitadeira agrícola 100. Isto é indicado pelo bloco 578.
[00115] No bloco 584, o gerador de modelo preditivo 210 gera um ou mais modelos de estado de cultura preditivos, tal como o modelo de estado de cultura 350, que modela uma relação entre pelo menos um dentre um valor de índice vegetativo, uma característica de semeadura, um valor de rendimento preditivo, ou um valor de biomassa preditivo obtido de um mapa de informação, tal como mapa de informação 258, e um estado de cultura que está sendo sensoreado pelo sensor in situ 208. Por exemplo, o gerador de modelo preditivo 210 pode gerar um modelo de estado de cultura preditivo com base em valores de densidade de semeadura, que pode também indicar uma população de planta de cultura alta, e um estado de cultura sensoreado indicado pelo sinal de sensor obtido do sensor in situ 208.
[00116] No bloco 586, o modelo de estado de cultura preditivo, tal como o modelo de estado de cultura preditivo 550, é provido ao gerador de mapa preditivo 212, que gera um mapa de estado de cultura preditivo funcional que mapeia um estado de cultura predito para diferentes localizações geográficas no campo com base no mapa de índice vegetativo anterior 332, mapa de característica de semeadura 333, mapa de rendimento preditivo 335 ou mapa de biomassa preditivo 337 e no modelo de estado de cultura preditivo 350. Por exemplo, em alguns exemplos, o mapa de estado de cultura preditivo funcional 360 prediz o estado de cultura. Em outros exemplos, o mapa de estado de cultura preditivo funcional 360 prediz outros itens. Adicionalmente, o mapa de estado de cultura preditivo funcional 360 pode ser gerado durante o curso de uma operação agrícola de colheita. Dessa maneira, à medida que uma colheitadeira agrícola move através de um campo realizando uma operação agrícola de colheita, o mapa de estado de cultura preditivo funcional 360 é gerado.
[00117] No bloco 594, o gerador de mapa preditivo 212 produz o mapa de estado de cultura preditivo funcional 360. No bloco 593, o gerador de mapa preditivo 212 configura o mapa de estado de cultura preditivo funcional 360 para consumo pelo sistema de controle 214. No bloco 595, o gerador de mapa preditivo 212 pode também prover o mapa 360 ao gerador de zona de controle 213 para geração de zonas de controle. No bloco 597, o gerador de mapa preditivo 212 configura o mapa 360 de outras maneiras igualmente. O mapa de estado de cultura preditivo funcional 360 (com ou sem as zonas de controle) é provido ao sistema de controle 214.
[00118] A FIG. 5B é um fluxograma de um exemplo de operação do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 na geração do modelo de altura de cultura preditivo 351 e do mapa de altura de cultura preditivo funcional 361. No bloco 1562, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebem um ou mais de mapa de índice vegetativo anterior 332 e mapa de característica de semeadura 333.
[00119] No bloco 1563, o seletor de mapa de informação 209 seleciona um ou mais mapas de informação específicos 250 para uso pelo gerador de modelo preditivo 210. Em alguns exemplos, o seletor de mapa de informação 209 pode mudar qual mapa de informação está sendo usado mediante detecção de que um dos outros mapas de informação candidatos está relacionamento mais estritamente com altura de cultura sensoreada in situ. Por exemplo, uma mudança de mapa de índice vegetativo 332 para mapa de característica de semeadura 333 pode ocorrer onde o mapa de característica de semeadura 333 está correlacionando melhor com a altura de cultura sensoreada pelo sensor in situ.
[00120] No bloco 1564, um sinal de sensor de altura de cultura é recebido de um sensor de altura de cultura interno 337. Como aqui discutido, o sensor de altura de cultura interno 336 pode ser um sensor óptico 565 ou algum outro sensor de altura de cultura 1570.
[00121] No bloco 1572, o sistema de processamento 338 processa um ou mais sinais de sensor recebidos in situ recebidos dos sensores de altura de cultura internos 336 para gerar um valor de altura de cultura indicativo de uma altura de cultura das plantas cultivadas no campo próximas à colheitadeira agrícola 100.
[00122] No bloco 1582, o gerador de modelo preditivo 210 também obtém a localização geográfica correspondente ao sinal de sensor. Por exemplo, o gerador de modelo preditivo 210 pode obter a posição geográfica do sensor de posição geográfica 204 e determinar, com base em atrasos de máquina (por exemplo, velocidade de processamento de máquina), velocidade de máquina e considerações de sensor (por exemplo, um campo de visão da câmera, calibração de sensor, etc.), uma localização geográfica precisa onde a altura de cultura sensoreada in situ deve ser atribuída. Por exemplo, o momento exato que um sinal de sensor de altura de cultura é capturado tipicamente não corresponde à altura de cultura da cultura em uma posição geográfica atual da colheitadeira agrícola 100. Em vez disso, o sinal de sensor de altura de cultura atual in situ corresponde a uma localização no campo à frente da colheitadeira agrícola 100, uma vez que o sinal de sensor de altura de cultura atual in situ foi sensoreado em uma imagem tomada na frente de colheitadeira agrícola 100. Isto é indicado pelo bloco 1578.
[00123] No bloco 1584, o gerador de modelo preditivo 210 gera um ou mais modelos de altura de cultura preditivos, tal como modelo de altura de cultura 351, que modela uma relação entre pelo menos um dentre um valor de índice vegetativo e um valor de característica de semeadura obtido de um mapa de informação, tal como mapa de informação 258, e uma altura de cultura que está sendo sensoreada pelo sensor in situ 208. Por exemplo, o gerador de modelo preditivo 210 pode gerar um modelo de altura de cultura preditivo com base em valores de densidade de semeadura, que pode também indicar uma população de planta de cultura alta, e uma altura de cultura sensoreada indicada pelo sinal de sensor obtido do sensor in situ 208.
[00124] No bloco 1586, o modelo de altura de cultura preditivo, tal como o modelo de altura de cultura preditivo 351, é provido ao gerador de mapa preditivo 212, que gera um mapa de altura de cultura preditivo funcional que mapeia uma altura de cultura predita para diferentes localizações geográficas no campo com base no mapa de índice vegetativo anterior 332, mapa de característica de semeadura 333, mapa de rendimento preditivo 335 ou mapa de biomassa preditivo 337 e no modelo de altura de cultura preditivo 351. Por exemplo, em alguns exemplos, o mapa de altura de cultura preditivo funcional 361 prediz a altura de cultura. Em outros exemplos, o mapa de altura de cultura preditivo funcional 361 prediz outros itens. Adicionalmente, o mapa de altura de cultura preditivo funcional 361 pode ser gerado durante o curso de uma operação agrícola de colheita. Dessa maneira, à medida que uma colheitadeira agrícola move através de um campo realizando uma operação agrícola de colheita, o mapa de altura de cultura preditivo funcional 361 é gerado.
[00125] No bloco 1594, o gerador de mapa preditivo 212 produz o mapa de altura de cultura preditivo funcional 361. No bloco 1593, o gerador de mapa preditivo 212 configura o mapa de altura de cultura preditivo funcional 361 para consumo pelo sistema de controle 214. No bloco 1595, o gerador de mapa preditivo 212 pode também prover o mapa 361 ao gerador de zona de controle 213 para geração de zonas de controle. No bloco 1597, o gerador de mapa preditivo 212 configura o mapa 361 de outras maneiras igualmente. O mapa de altura de cultura preditivo funcional 361 (com ou sem as zonas de controle) é provido ao sistema de controle 214.
[00126] A FIG. 5C é um fluxograma de um exemplo de operação do gerador de modelo preditivo 210 e do gerador de mapa preditivo 212 na geração do modelo de característica da plataforma de corte preditivo 650 e do mapa de característica de plataforma de corte preditivo funcional 460. No bloco 662, o gerador de modelo preditivo 210 e o gerador de mapa preditivo 212 recebe um mapa topográfico 432, ou algum outro mapa 663. No bloco 664, o sistema de processamento 638 recebe um ou mais sinais de sensor dos sensores in situ 208, tal como sensor de entrada de operador 436. Em outros exemplos, o sensor in situ 208 pode ser outro tipo de sensor, como indicado pelo bloco 670. Por exemplo, o sensor in situ 208 pode ser outro tipo de sensor que provê uma indicação de características da plataforma de corte, tal como o altura da plataforma de corte ou orientação da plataforma de corte.
[00127] No bloco 672, o sistema de processamento 638 processa um ou mais sinais de sensor recebidos para gerar dados indicativos de uma característica da plataforma de corte. Como indicado pelo bloco 674, a característica da plataforma de corte pode ser altura da plataforma de corte. Como indicado pelo bloco 676, a característica da plataforma de corte pode ser orientação da plataforma de corte. Como indicado pelo bloco 680, os dados de sensor podem ser indicativos de outras características da plataforma de corte.
[00128] No bloco 682, o gerador de modelo preditivo 210 também obtém a localização geográfica correspondente aos dados de sensor. Por exemplo, o gerador de modelo preditivo 210 pode obter a posição geográfica do sensor de posição geográfica 204 e determinar, com base em atrasos de máquina, a velocidade de máquina, etc., uma localização geográfica precisa onde os dados de sensor 640 foram capturados ou derivados.
[00129] No bloco 684, o gerador de modelo preditivo 210 gera um ou mais modelos preditivos, tal como o modelo de característica da plataforma de corte 450, que modela uma relação entre valores de característica topográfica, tal como um valor de inclinação, obtidos de um mapa de informação, tal como mapa de informação 258, e uma característica da plataforma de corte que está sendo sensoreada pelo sensor in situ 208 ou uma característica relacionada. Por exemplo, o gerador de modelo preditivo 210 pode gerar um modelo de característica da plataforma de corte preditivo que modela a relação entre um valor de característica topográfica, tal como inclinação, e uma característica da plataforma de corte sensoreada, tal como a altura da plataforma de corte ou orientação da plataforma de corte, indicada pelo dados de sensor obtidos do sensor in situ 208, tal como sensor de entrada de operador 436.
[00130] No bloco 686, o modelo preditivo, tal como o modelo de característica da plataforma de corte preditivo 650, é provido ao gerador de mapa preditivo 212 que gera um mapa de característica de plataforma de corte preditivo 660 que mapeia uma característica da plataforma de corte predita com base em um mapa topográfico 432 e modelo de característica da plataforma de corte preditivo 450. Por exemplo, em alguns exemplos, o mapa de característica de plataforma de corte preditivo 460 mapeia a altura da plataforma de corte predita ou orientação da plataforma de corte predita em várias localizações através do campo. Adicionalmente, o mapa de característica de plataforma de corte preditivo 460 pode ser gerado durante o curso de uma operação agrícola. Dessa maneira, à medida que uma colheitadeira agrícola move através de um campo realizando uma operação agrícola, o mapa de característica de plataforma de corte preditivo 460 é gerado à medida que a operação agrícola é realizada.
[00131] No bloco 694, o gerador de mapa preditivo 212 produz o mapa de característica de plataforma de corte preditivo 460. No bloco 691, o gerador de mapa preditivo 212 produz o mapa de característica de plataforma de corte preditivo para apresentação e possível interação pelo operador 260. No bloco 693, o gerador de mapa preditivo 212 pode configurar o mapa de característica de plataforma de corte preditivo para consumo pelo sistema de controle 214. No bloco 695, o gerador de mapa preditivo 212 pode também prover o mapa de característica de plataforma de corte preditivo 460 ao gerador de zona de controle 213 para geração de zonas de controle. No bloco 697, o gerador de mapa preditivo 212 configura o mapa de característica de plataforma de corte preditivo 460 de outras maneiras igualmente. O mapa de característica de plataforma de corte preditivo 460 (com ou sem as zonas de controle) é provido ao sistema de controle 214. No bloco 696.
[00132] No bloco 696, na FIG 5D, o sistema de controle 214 gera sinais de controle para controlar os subsistemas controláveis 216 com base no mapa de estado de cultura preditivo 360 e no mapa de característica de plataforma de corte preditivo 460.
[00133] Como indicado pelo bloco 671, a altura do molinete pode ser ajustada. A altura do molinete pode ser diminuída, por exemplo, para coletar plantas cultivadas caídas. A altura do molinete pode ser aumentada, por exemplo, para coletar melhor plantas cultivadas em pé altas.
[00134] Como indicado pelo bloco 673, a posição longitudinal do molinete pode ser ajustada. O molinete pode ser movimentado para frente, por exemplo, para levantar cultura deitada na frente da barra de corte de forma que a barra de corte faça contato com a cultura deitada em um melhor posição. O molinete pode ser movimentado para trás, por exemplo, para auxiliar o material de cultura separado na correia.
[00135] Como indicado pelo bloco 675, a altura da plataforma de corte pode ser ajustada. A plataforma de corte pode ser levantada ou abaixada, por exemplo, para seguir as características topográficas do campo. A plataforma de corte pode ser abaixada, por exemplo, para capturar melhor cultura deitada.
[00136] Como indicado pelo bloco 677, a orientação da plataforma de corte pode ser ajustada. A plataforma de corte pode ser rolada lado a lado, por exemplo, para seguir uma característica topográfica. A plataforma de corte pode ser inclinada longitudinalmente para coletar melhor plantas cultivadas ou seguir um característica topográfica. Em alguns exemplos, a plataforma de corte pode compreender múltiplos componentes (algumas vezes referidos como asas) que podem ser orientados e a altura controlada independentemente.
[00137] Um subsistema controlável 216 pode ser controlado de outras maneiras igualmente, como indicado pelo bloco 679.
[00138] A presente discussão mencionou processadores e servidores. Em alguns exemplos, os processadores e servidores incluem processadores de computador com memória e sistema de circuito de sincronismo associados, não mostrados separadamente. Os processadores e servidores são partes funcionais dos sistemas ou dispositivos aos quais os processadores e servidores pertencem e pelos quais são ativados e facilitam a funcionalidade dos outros componentes ou itens nesses sistemas.
[00139] Também, inúmeras exibições de interface de usuário foram discutidas. As exibições podem assumir uma ampla variedade de diferentes formas e podem ter uma ampla variedade de diferentes mecanismos de interface de operador atuáveis pelo operador dispostos nos mesmos. Por exemplo, os mecanismos de interface de operador atuáveis pelo usuário podem incluir caixas de texto, caixas de verificação, ícones, ligações, menus suspensos, caixas de busca, etc. Os mecanismos de interface de operador atuáveis pelo usuário podem também ser atuados em uma ampla variedade de diferentes maneiras. Por exemplo, os mecanismos de interface de operador atuáveis pelo usuário podem ser atuados usando mecanismos de interface de operador tais como um dispositivo de apontar e clicar, tais como um comando de esfera ou mouse, botões de hardware, interruptores, um manche ou teclado, interruptores de polegar ou blocos de polegar, etc., um teclado virtual ou outros atuadores virtuais. Além do mais, onde a tela na qual os mecanismos de interface de operador atuáveis pelo usuário são exibidos é uma tela sensível ao toque, os mecanismos de interface de operador atuáveis pelo usuário podem ser atuados usando gestos de toque. Também, os mecanismos de interface de operador atuáveis pelo usuário podem ser atuados usando comandos de voz usando funcionalidade de reconhecimento de voz. Reconhecimento de voz pode ser implementado usando um dispositivo de detecção de voz, tal como um microfone, e software que funciona para reconhecer voz detectada e executar comandos com base na voz recebida.
[00140] Inúmeros armazenamentos de dados foram também discutidos. Nota-se que os armazenamentos de dados podem cada qual ser desmembrados em múltiplos armazenamentos de dados. Em alguns exemplos, um ou mais dos armazenamentos de dados podem ser locais aos sistemas que acessam armazenamentos de dados, um ou mais dos armazenamentos de dados podem todos ser localizados remotos de um sistema que utiliza o armazenamento de dados, ou um ou mais armazenamentos de dados podem ser locais enquanto outros são remotos. Todas essas configurações são contempladas pela presente descrição.
[00141] Também, as figuras mostram inúmeros blocos com funcionalidade atribuída a cada bloco. Nota-se que menos blocos podem ser usados para ilustrar que a funcionalidade atribuída a múltiplos diferente blocos é realizada por menos componentes. Também, mais blocos podem ser usados ilustrando que a funcionalidade pode ser distribuída dentre mais componentes. Em diferentes exemplos, alguma funcionalidade pode ser adicionada, e alguma pode ser removida.
[00142] Nota-se que a discussão apresentada descreveu uma variedade de diferentes sistemas, componentes, lógica e interações. Percebe-se que qualquer ou todos tais sistemas, componentes, lógica e interações podem ser implementados por itens de hardware, tais como processadores, memória, ou outros componentes de processamento, alguns dos quais são descritos a seguir, que realizam as funções associadas com esses sistemas, componentes, lógica ou interações. Além do mais, qualquer ou todos os sistemas, componentes, lógica e interações podem ser implementados por software que é carregado em uma memória e é subsequentemente executado por um processador ou servidor ou outro componente de computação, como descrito a seguir. Qualquer ou todos os sistemas, componentes, lógica e interações podem também ser implementados por diferentes combinações de hardware, software, firmware, etc., alguns exemplos dos quais são descritos a seguir. Esses são alguns exemplos de diferentes estruturas que podem ser usadas para implementar qualquer ou todos os sistemas, componentes, lógica e interações supradescritas. Outras estruturas podem ser igualmente usadas.
[00143] A FIG. 6 é um diagrama de blocos da colheitadeira agrícola 600, que pode ser similar à colheitadeira agrícola 100 mostrada na FIG. 2. A colheitadeira agrícola 600 comunica com elementos em uma arquitetura de servidor remoto 500. Em alguns exemplos, a arquitetura de servidor remoto 500 provê serviços de computação, software, acesso e armazenamento de dados que não exigem conhecimento do usuário final da localização física ou configuração do sistema que entrega os serviços. Em vários exemplos, os servidores remotos podem entregar os serviços por uma rede de área abrangente, tal como a Internet, usando protocolos apropriados. Por exemplo, os servidores remotos podem entregar aplicações por uma rede de área abrangente e podem ser acessíveis através de um navegador de rede ou qualquer outro componente de computação. Software ou componentes mostrados na FIG. 2 bem como dados associados aos mesmos, podem ser armazenados em servidores em uma localização remota. Os recursos de computação em um ambiente de servidor remoto podem ser considerados em uma localização de dentro de dados remoto, ou os recursos de computação podem ser dispersos em uma pluralidade de centros de dados remotos. Infraestruturas de servidor remoto podem entregar serviços através de centros de dados compartilhados, mesmo que os serviços pareçam um único ponto de acesso para o usuário. Dessa maneira, os componentes e funções descritos no presente documento podem ser providos de um servidor remoto em uma localização remota usando uma arquitetura de servidor remoto. Alternativamente, os componentes e funções podem ser providos de um servidor, ou o componentes e funções podem ser instalados em dispositivos clientes diretamente, ou de outras maneiras.
[00144] No exemplo mostrado na FIG. 6, alguns itens são similares aos mostrados na FIG. 2 e esses itens são similarmente enumerados. FIG. 6 especificamente mostra que o gerador de modelo preditivo 210 ou o gerador de mapa preditivo 212, ou ambos, pode ser localizado em uma localização de servidor 502 que é remota da colheitadeira agrícola 600. Portanto, no exemplo mostrado na FIG. 6, colheitadeira agrícola 600 acessa sistemas através da localização de servidor remoto 502.
[00145] A FIG. 6 também representa outro exemplo de uma arquitetura de servidor remoto. A FIG. 6 mostra que alguns elementos da FIG. 2 podem ser dispostos em uma localização de servidor remoto 502 enquanto outros podem ser localizados em algum outro lugar. A título de exemplo, o armazenamento de dados 202 pode ser disposto em uma localização separada da localização 502 e acessado por meio do servidor remoto na localização 502. Independentemente de onde os elementos são localizados, os elementos podem ser acessados diretamente pela colheitadeira agrícola 600 através de uma rede tal como uma rede de área abrangente ou uma rede de área local; os elementos podem ser hospedados em um local remoto por um serviço; ou os elementos podem ser providos como um serviço ou acessados por um serviço de conexão que reside em uma localização remota. Também, dados podem ser armazenados em qualquer localização, e os dados armazenados podem ser acessados, ou encaminhados a operadores, usuários ou sistemas. Por exemplo, portadoras físicas podem ser usadas em substituição ou em adição a portadoras de ondas eletromagnéticas. Em alguns exemplos, onde a cobertura de serviço de telecomunicação sem fio é fraca ou inexistente, outra máquina, tais como um caminhão de combustível ou outra máquina móvel ou veículo, pode ter um sistema de coleta de informação automatizado, semiautomatizado ou manual. À medida que a colheitadeira combinada 600 se aproxima da máquina contendo o sistema de coleta de informação, tal como um caminhão de combustível, antes do abastecimento, o sistema de coleta de informação coleta a informação da colheitadeira combinada 600 usando qualquer tipo de conexão sem fio ad hoc. A informação coletada pode então ser encaminhada para outra rede quando a máquina contendo a informação recebida chega a uma localização onde cobertura de serviço de telecomunicação sem fio ou outra cobertura por fio é disponível. Por exemplo, um caminhão de combustível pode entrar em uma área com cobertura de comunicação sem fio durante deslocamento para uma localização para abastecer outras máquinas ou quando em uma localização de armazenamento de combustível principal. Todas essas arquiteturas são contempladas no presente documento. Adicionalmente, a informação pode ser armazenada na colheitadeira agrícola 600 até que a colheitadeira agrícola 600 entre em uma área com cobertura de comunicação sem fio. A colheitadeira agrícola 600, por sua vez, pode enviar a informação a outra rede.
[00146] Nota-se também que os elementos da FIG. 2, ou porções dos mesmos, podem ser dispostos em uma ampla variedade de diferentes dispositivos. Um ou mais desses dispositivos podem incluir um computador interno, uma unidade de controle eletrônico, uma unidade de exibição, um servidor, um computador desktop, um computador laptop, um computador tablet, ou outro dispositivo móvel, tais como um computador palmtop, um telefone celular, um smartphone, um tocador multimídia, um assistente pessoal digital, etc.
[00147] Em alguns exemplos, a arquitetura de servidor remoto 500 pode incluir medidas de segurança cibernética. Sem limitação, essas medidas podem incluir encriptação de dados em dispositivos de armazenamento, encriptação de dados enviados entre nós de rede, autenticação de pessoas ou dados de acesso de processo, bem como o uso de livros para registrar metadados, dados, transferências de dados, acesso de dados e transformações de dados. Em alguns exemplos, os livros podem ser distribuídos e imutáveis (por exemplo, implementados como blockchain).
[00148] A FIG. 7 é um diagrama de blocos simplificado de um exemplo ilustrativo de um dispositivo de computação portátil ou móvel que pode ser usado como um dispositivo portátil de usuário ou cliente 16, no qual o presente sistema (ou partes dele) pode ser desdobrado. Por exemplo, um dispositivo móvel pode ser desdobrado no compartimento do operador da colheitadeira agrícola 100 para uso na geração, processamento ou exibição dos mapas supra discutidos. As FIGS. 8-9 são exemplos de dispositivos portáteis ou móveis.
[00149] A FIG. 7 provê um diagrama de blocos geral dos componentes de um dispositivo de cliente 16 que podem rodar alguns componentes mostrados na FIG. 2, que interagem com os mesmos, ou ambos. No dispositivo 16, uma ligação de comunicações 13 é provida que permite que o dispositivo portátil comunique com outros dispositivos de computação e em alguns exemplos provê um canal para receber informação automaticamente, tal como por escaneamento. Exemplos de ligação de comunicações 13 incluem permitir comunicação através de um ou mais protocolos de comunicação, tais como serviços sem fio usados para prover acesso celular a uma rede, bem como protocolos que provêm conexões sem fio locais a redes.
[00150] Em outros exemplos, as aplicações podem ser recebidas em um cartão Digital Seguro Removível (SD) que é conectado a uma interface 15. A interface 15 e ligações de comunicação 13 comunicam com um processador 17 (que pode também incorporar processadores ou servidores de outras FIGS.) ao longo de um barramento 19 que é também conectado à memória 21 e componentes de entrada/saída (I/O) 23, bem como relógio 25 e sistema de localização 27.
[00151] Os componentes de I/O 23, em um exemplo, são providos para facilitar operações de entrada e saída. Os componentes de I/O 23 para vários exemplos do dispositivo 16 podem incluir componentes de entrada tais como botões, sensores de toque, sensores ópticos, microfones, telas sensíveis ao toque, sensores de proximidade, acelerômetros, sensores de orientação e componentes de saída tais como um dispositivo de exibição, um alto-falante, e ou uma porta de impressora. Outros componentes de I/O 23 podem ser igualmente usados.
[00152] O relógio 25 ilustrativamente compreende um componente de relógio de tempo real que produz uma hora e data. Ele pode também, ilustrativamente, prover funções de sincronismo para o processador 17.
[00153] O sistema de localização 27 ilustrativamente inclui um componente que produz uma localização geográfica atual do dispositivo 16. Isso pode incluir, por exemplo, um receptor de sistema de posicionamento global (GPS), um sistema LORAN, um sistema de posicionamento relativo, um sistema de triangulação celular, ou outro sistema de posicionamento. O sistema de localização 27 pode também incluir, por exemplo, software de mapeamento ou software de navegação que gera mapas, rotas de navegação e outras funções geográficas desejadas.
[00154] A memória 21 armazena o sistema operacional 29, ajustes de rede 31, aplicações 33, ajustes de configuração de aplicação 35, armazenamento de dados 37, unidades de operação de comunicação 39 e ajustes de configuração de comunicação 41. A memória 21 pode incluir todos os tipos de dispositivos de memória legíveis por computador tangíveis voláteis e não voláteis. A memória 21 pode também incluir mídias de armazenamento por computador (descritas a seguir). A memória 21 armazena instruções legíveis por computador que, fazem com que o processador realize etapas ou funções implementadas por computador de acordo com as instruções. O processador 17 pode ser ativado por outros componentes para facilitar sua funcionalidade igualmente.
[00155] A FIG. 8 mostra um exemplo no qual dispositivo 16 é um computador tablet 600. Na FIG. 8, computador 600 é mostrado com tela de exibição de interface de usuário 602. A tela 602 pode ser uma tela sensível ao toque ou uma interface habilitada por caneta que recebe entradas de uma caneta ou dispositivo tipo caneta. O computador tablet 600 pode também usar um teclado virtual na tela. Certamente, o computador 600 pode também ser conectado a um teclado ou outro dispositivo de entrada de usuário por meio de mecanismo de anexação adequado, tal como uma ligação sem fio ou porta USB, por exemplo. O computador 601 pode também ilustrativamente receber entradas de voz igualmente.
[00156] A FIG. 9 é similar à FIG. 8, exceto que o dispositivo é um smartphone 71. O smartphone 71 tem um exibição sensível ao toque 73 que exibe ícones ou azulejos ou outros mecanismos de entrada de usuário 75. Os mecanismos 75 podem ser usados por um usuário para rodar aplicações, fazer chamadas, realizar operações de transferência de dados, etc. Em geral, o smartphone 71 é construído em um sistema operacional móvel e oferece capacidade de computação e conectividade mais avançadas do que um telefone de recurso.
[00157] Note que outras formas dos dispositivos 16 são possíveis.
[00158] A FIG. 10 é um exemplo de um ambiente de computação no qual elementos da FIG. 2 podem ser desdobrados. Com referência à FIG. 10, um sistema exemplificativo para implementar algumas modalidade inclui um dispositivo de computação na forma de um computador 810 programado para operar como aqui discutido. Os componentes de computador 810 podem incluir, mas sem se limitar a uma unidade de processamento 820 (que pode compreender processadores ou servidores das FIGS. anteriores), uma memória do sistema 830 e um barramento do sistema 821 que acopla vários componentes de sistema incluindo a memória do sistema à unidade de processamento 820. O barramento do sistema 821 pode ser qualquer de diversos tipos de estruturas de barramento incluindo um barramento de memória ou controlador de memória, um barramento periférico e um barramento local usando qualquer de uma variedade de arquiteturas de barramento. A memória e programas descritos com relação à FIG. 2 podem ser desdobrados em porções correspondentes da FIG. 10.
[00159] O computador 810 tipicamente inclui uma variedade de mídias legíveis por computador. Mídias legíveis por computador podem ser qualquer mídia disponível que pode ser acessada por computador 810 e incluem tanto mídia volátil quanto não volátil, mídia removível quanto não removível. A título de exemplo, e não de limitação, mídias legíveis por computador podem compreender mídias de armazenamento por computador e mídias de comunicação. Mídias de armazenamento por computador são diferentes, e não incluem, um sinal de dados modulado ou onda portadora. Mídias legíveis por computador incluem mídia de armazenamento de hardware incluindo tanto mídia removível quanto não removível, volátil quanto não volátil implementada em qualquer método ou tecnologia para armazenamento de informação tais como instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados. Mídias de armazenamento por computador incluem, mas sem se limitar a RAM, ROM, EEPROM, memória flash ou outra tecnologia de memória, CD-ROM, discos versáteis digitais (DVD) ou outro armazenamento de disco óptico, cassetes magnéticos, fita magnética, armazenamento de disco magnético ou outros dispositivos de armazenamento magnéticos, ou qualquer outra mídia que pode ser usada para armazenar a informação desejada e que pode ser acessada pelo computador 810. Mídias de comunicação podem incorporar instruções legíveis por computador, estruturas de dados, módulos de programa ou outros dados em um mecanismo de transporte e inclui qualquer mídia de entrega de informação. A expressão “sinal de dados modulado” significa um sinal que tem uma ou mais de suas características definidas ou alteradas de uma maneira tal a codificar informação no sinal.
[00160] A memória do sistema 830 inclui mídias de armazenamento por computador na forma de memória volátil e/ou não volátil, ou ambas, tais como memória apenas de leitura (ROM) 831 e memória de acesso aleatório (RAM) 832. Um sistema de entrada/saída básico 833 (BIOS), contendo as rotinas básicas que ajudam a transferir informação entre elementos dentro do computador 810, tal como durante iniciação, é tipicamente armazenado em ROM 831. RAM 832 tipicamente contém dados ou módulos de programa, ou ambos, que são imediatamente acessíveis e/ou são atualmente operados pela unidade de processamento 820. A título de exemplo, e não de limitação, FIG. 10 ilustra sistema operacional 834, programas de aplicação 835, outros módulos de programa 836 e dados de programa 837.
[00161] O computador 810 pode também incluir outras mídias de armazenamento por computador removíveis/não removíveis voláteis/não voláteis. Apenas a título de exemplo, a FIG. 10 ilustra uma unidade de disco rígido 841 que lê ou grava em mídias magnéticas não removíveis, não magnéticas, uma unidade de disco óptico 855 e disco óptico não volátil 856. A unidade de disco rígido 841 é tipicamente conectada ao barramento do sistema 821 através de uma interface de memória não removível tais como interface 840, e a unidade de disco óptico 855 é tipicamente conectada ao barramento do sistema 821 por uma interface de memória removível, tal como a interface 850.
[00162] Alternativamente, ou adicionalmente, a funcionalidade descrita no presente documento pode ser realizada, pelo menos em parte, por um ou mais componentes lógicos de hardware. Por exemplo, e sem limitação, tipos ilustrativos de componentes lógicos de hardware que podem ser usados incluem Arranjos de Porta Programáveis no Campo (FPGAs), Circuitos Integrados Específicos da Aplicação, ASICs, Produtos Padrões Específicos da Aplicação, ASSPs), sistemas Sistema-em-um-chip (SOCs), Dispositivos de Lógica Programável Complexa (CDLDs), etc.
[00163] As unidades de operação e suas mídias de armazenamento por computador associadas aqui discutidas e ilustradas na FIG. 10 provêm armazenamento de instruções legíveis por computador, estruturas de dados, módulos de programa e outros dados para o computador 810. Na FIG. 10, por exemplo, a unidade de disco rígido 841 é ilustrada armazenando sistema operacional 844, programas de aplicação 845, outros módulos de programa 846 e dados de programa 847. Note que esses componentes podem ser tanto os mesmos quanto diferentes do sistema operacional 834, programas de aplicação 835, outros módulos de programa 836 e dados de programa 837.
[00164] Um usuário pode entrar com comandos e informação no computador 810 através de dispositivos de entrada tais como um teclado 862, um microfone 863 e um dispositivo de apontamento 861, tais como um mouse, mouse de esfera ou bloco de toque. Outros dispositivos de entrada (não mostrados) podem incluir um manche, bloco de jogos, disco satélite, escâner ou similares. Esses e outros dispositivos de entrada são frequentemente conectados à unidade de processamento 820 através de uma interface de entrada de usuário 860 que é acoplada ao barramento do sistema, mas pode ser conectada por outra interface e estruturas de barramento. Uma exibição visual 891 ou outro tipo de dispositivo de exibição é também conectada ao barramento do sistema 821 por meio de uma interface, tal como uma interface de vídeo 890. Além do monitor, computadores podem também incluir outros dispositivos de saída periféricos tais como alto-falantes 897 e impressora 896, que podem ser conectados através de uma interface periférica de saída 895.
[00165] O computador 810 é operado em um ambiente ligado em rede usando conexões lógicas (tais como uma rede de área do controlador - CAN, rede de área local - LAN, ou rede de área abrangente WAN) a um ou mais computadores remotos, tal como um computador remoto 880.
[00166] Quando usado em um ambiente de rede LAN, o computador 810 é conectado à LAN 871 através de uma interface de rede ou adaptador 870. Quando usado em um ambiente de rede WAN, o computador 810 tipicamente inclui um modem 872 ou outros meios para estabelecer comunicações pela WAN 873, tal como a Internet. Em um ambiente ligado em rede, os módulos de programa podem ser armazenados em um dispositivo de armazenamento de memória remoto. FIG. 10 ilustra, por exemplo, que programas de aplicação remotos 885 podem residir em computador remoto 880.
[00167] Deve-se notar também que os diferentes exemplos descritos no presente documento podem ser combinados de diferentes maneiras. Ou seja, partes de um ou mais exemplos podem ser combinadas com partes de um ou mais outros exemplos. Tudo isso é contemplado no presente documento.
[00168] O Exemplo 1 é uma máquina de trabalho agrícola compreendendo:
um sistema de comunicação que recebe um ou mais mapas de informação que incluem cada qual valores de uma ou mais características agrícolas correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica que detecta uma localização geográfica da máquina de trabalho agrícola;
pelo menos um sensor in situ que detecta um valor de pelo menos uma característica agrícola correspondente à localização geográfica;
um gerador de mapa preditivo que gera um ou mais mapas agrícolas preditivos funcionais do campo que mapeiam valores preditivos de pelo menos uma característica agrícola para as diferentes localizações geográficas no campo com base nos valores de um ou mais característica agrícola em um ou mais mapas de informação e com base no valor de pelo menos uma característica agrícola;
um subsistema controlável; e
um sistema de controle que gera um sinal de controle para controlar o subsistema controlável com base na posição geográfica da máquina de trabalho agrícola e com base nos valores da característica agrícola no mapa agrícola preditivo funcional.
um sistema de comunicação que recebe um ou mais mapas de informação que incluem cada qual valores de uma ou mais características agrícolas correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica que detecta uma localização geográfica da máquina de trabalho agrícola;
pelo menos um sensor in situ que detecta um valor de pelo menos uma característica agrícola correspondente à localização geográfica;
um gerador de mapa preditivo que gera um ou mais mapas agrícolas preditivos funcionais do campo que mapeiam valores preditivos de pelo menos uma característica agrícola para as diferentes localizações geográficas no campo com base nos valores de um ou mais característica agrícola em um ou mais mapas de informação e com base no valor de pelo menos uma característica agrícola;
um subsistema controlável; e
um sistema de controle que gera um sinal de controle para controlar o subsistema controlável com base na posição geográfica da máquina de trabalho agrícola e com base nos valores da característica agrícola no mapa agrícola preditivo funcional.
[00169] O Exemplo 2 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o gerador de mapa preditivo compreende:
um gerador de mapa de altura de cultura preditivo que gera um mapa de altura de cultura preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia alturas de cultura preditivas para as diferentes localizações geográficas no campo.
um gerador de mapa de altura de cultura preditivo que gera um mapa de altura de cultura preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia alturas de cultura preditivas para as diferentes localizações geográficas no campo.
[00170] O Exemplo 3 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o gerador de mapa preditivo compreende:um gerador de mapa de estado de cultura preditivo que gera um mapa de estado de cultura preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia estados de cultura preditivos para as diferentes localizações geográficas no campo.
[00171] O Exemplo 4 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o gerador de mapa preditivo compreende:
um gerador de mapa de altura de plataforma de corte preditivo que gera um mapa de altura de plataforma de corte preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia alturas de plataforma de corte preditivas para as diferentes localizações geográficas no campo.
um gerador de mapa de altura de plataforma de corte preditivo que gera um mapa de altura de plataforma de corte preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia alturas de plataforma de corte preditivas para as diferentes localizações geográficas no campo.
[00172] O Exemplo 5 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle compreende:
um controlador de plataforma de corte que gera um ou mais sinais de controle de plataforma de corte indicativos de um ou mais controles de plataforma de corte com base na localização geográfica detectada e um ou mais mapas agrícolas preditivos funcionais e controla o subsistema controlável com base em um ou mais sinais de controle de plataforma de corte.
um controlador de plataforma de corte que gera um ou mais sinais de controle de plataforma de corte indicativos de um ou mais controles de plataforma de corte com base na localização geográfica detectada e um ou mais mapas agrícolas preditivos funcionais e controla o subsistema controlável com base em um ou mais sinais de controle de plataforma de corte.
[00173] O Exemplo 6 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle controla uma altura da plataforma de corte com base em um ou mais sinais de controle de plataforma de corte.
[00174] O Exemplo 7 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle controla uma inclinação ou rolamento da plataforma de corte com base em um ou mais sinais de controle de plataforma de corte.
[00175] O Exemplo 8 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle controla uma altura de molinete com base em um ou mais sinais de controle de plataforma de corte.
[00176] O Exemplo 9 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle controla uma posição longitudinal do molinete com base em um ou mais sinais de controle de plataforma de corte.
[00177] O Exemplo 10 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle compreende adicionalmente:
um controlador de interface de operador que gera uma reapresentação de mapa de interface de usuário de pelo menos um dentre um ou mais mapas agrícolas preditivos funcionais.
um controlador de interface de operador que gera uma reapresentação de mapa de interface de usuário de pelo menos um dentre um ou mais mapas agrícolas preditivos funcionais.
[00178] O Exemplo 11 é um método implementado por computador para controlar uma máquina de trabalho agrícola compreendendo:
obter um primeiro mapa de informação que inclui valores de uma característica topográfica correspondentes a diferentes localizações geográficas em um campo;
obter um segundo mapa de informação que inclui valores de uma primeira característica agrícola correspondentes a diferentes localizações geográficas em um campo;
detectar uma localização geográfica da máquina de trabalho agrícola;
detectar, com um sensor in situ, um valor de uma segunda característica agrícola correspondente à localização geográfica;
gerar um primeiro mapa agrícola preditivo funcional do campo que mapeia valores de altura da plataforma de corte preditivos para as diferentes localizações geográficas no campo com base nos valores da característica topográfica no primeiro mapa de informação;
gerar um segundo mapa agrícola preditivo funcional do campo que mapeia valores preditivos de uma terceira característica agrícola para as diferentes localizações geográficas no campo com base nos valores da primeira característica agrícola no segundo mapa de informação e no valor da segunda característica agrícola; e
controlar um ou mais subsistemas controláveis de plataforma de corte com base na posição geográfica da máquina de trabalho agrícola e com base nos valores de altura de plataforma de corte no primeiro mapa agrícola preditivo funcional e com base nos terceiros valores de característica agrícola no segundo mapa agrícola preditivo funcional.
obter um primeiro mapa de informação que inclui valores de uma característica topográfica correspondentes a diferentes localizações geográficas em um campo;
obter um segundo mapa de informação que inclui valores de uma primeira característica agrícola correspondentes a diferentes localizações geográficas em um campo;
detectar uma localização geográfica da máquina de trabalho agrícola;
detectar, com um sensor in situ, um valor de uma segunda característica agrícola correspondente à localização geográfica;
gerar um primeiro mapa agrícola preditivo funcional do campo que mapeia valores de altura da plataforma de corte preditivos para as diferentes localizações geográficas no campo com base nos valores da característica topográfica no primeiro mapa de informação;
gerar um segundo mapa agrícola preditivo funcional do campo que mapeia valores preditivos de uma terceira característica agrícola para as diferentes localizações geográficas no campo com base nos valores da primeira característica agrícola no segundo mapa de informação e no valor da segunda característica agrícola; e
controlar um ou mais subsistemas controláveis de plataforma de corte com base na posição geográfica da máquina de trabalho agrícola e com base nos valores de altura de plataforma de corte no primeiro mapa agrícola preditivo funcional e com base nos terceiros valores de característica agrícola no segundo mapa agrícola preditivo funcional.
[00179] O Exemplo 12 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que controlar um subsistema controlável compreende:
gerar um sinal de controle de altura de plataforma de corte com base na localização geográfica detectada e no segundo mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de plataforma de corte para controlar uma altura de uma plataforma de corte.
gerar um sinal de controle de altura de plataforma de corte com base na localização geográfica detectada e no segundo mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de plataforma de corte para controlar uma altura de uma plataforma de corte.
[00180] O Exemplo 13 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que gerar um segundo mapa preditivo funcional compreende:
gerar um mapa de estado de cultura preditivo funcional que mapeia valores preditivos de estado de cultura para as diferentes localizações geográficas no campo.
gerar um mapa de estado de cultura preditivo funcional que mapeia valores preditivos de estado de cultura para as diferentes localizações geográficas no campo.
[00181] O Exemplo 14 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que controlar um subsistema controlável compreende:
gerar um sinal de controle de altura de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de molinete para controlar uma altura de um molinete.
gerar um sinal de controle de altura de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de molinete para controlar uma altura de um molinete.
[00182] O Exemplo 15 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que controlar um subsistema controlável compreende:
gerar um sinal de controle de posição de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de posição de molinete para controlar uma posição longitudinal de um molinete.
gerar um sinal de controle de posição de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de posição de molinete para controlar uma posição longitudinal de um molinete.
[00183] O Exemplo 16 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que gerar um segundo mapa preditivo funcional compreende:
gerar um mapa de altura de cultura preditivo funcional que mapeia valores de altura de cultura preditivos para as diferentes localizações geográficas no campo.
gerar um mapa de altura de cultura preditivo funcional que mapeia valores de altura de cultura preditivos para as diferentes localizações geográficas no campo.
[00184] O Exemplo 17 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que controlar um subsistema controlável compreende:
gerar um sinal de controle de posição de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de posição de molinete para controlar uma posição longitudinal de um molinete.
gerar um sinal de controle de posição de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de posição de molinete para controlar uma posição longitudinal de um molinete.
[00185] O Exemplo 18 é o método implementado por computador de qualquer ou todos os exemplos anteriores, em que controlar um subsistema controlável compreende:
gerar um sinal de controle de altura de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de molinete para controlar uma altura de um molinete.
gerar um sinal de controle de altura de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de molinete para controlar uma altura de um molinete.
[00186] O Exemplo 19 é uma máquina de trabalho agrícola compreendendo:
um sistema de comunicação que recebe um mapa de informação que inclui valores de uma característica agrícola correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica que detecta uma localização geográfica da máquina de trabalho agrícola;
um sensor in situ que detecta um valor de um ou mais dentre uma altura da plataforma de corte, um estado de cultura e uma altura de cultura, como uma segunda característica agrícola correspondente à localização geográfica;
um gerador de modelo preditivo que gera um modelo agrícola preditivo que modela uma relação entre a característica agrícola e a segunda característica agrícola com base em um valor da característica agrícola no mapa de informação na localização geográfica e no valor da segunda característica agrícola sensoreada pelo sensor in situ na localização geográfica;
um gerador de mapa preditivo que gera um mapa agrícola preditivo funcional do campo que mapeia valores de controle para as diferentes localizações geográficas no campo com base nos valores da característica agrícola no mapa de informação e com base no modelo agrícola preditivo;
um subsistema controlável; e
um sistema de controle que gera um sinal de controle para controlar o subsistema controlável com base na posição geográfica da máquina de trabalho agrícola e com base nos valores de controle no mapa agrícola preditivo funcional.
um sistema de comunicação que recebe um mapa de informação que inclui valores de uma característica agrícola correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica que detecta uma localização geográfica da máquina de trabalho agrícola;
um sensor in situ que detecta um valor de um ou mais dentre uma altura da plataforma de corte, um estado de cultura e uma altura de cultura, como uma segunda característica agrícola correspondente à localização geográfica;
um gerador de modelo preditivo que gera um modelo agrícola preditivo que modela uma relação entre a característica agrícola e a segunda característica agrícola com base em um valor da característica agrícola no mapa de informação na localização geográfica e no valor da segunda característica agrícola sensoreada pelo sensor in situ na localização geográfica;
um gerador de mapa preditivo que gera um mapa agrícola preditivo funcional do campo que mapeia valores de controle para as diferentes localizações geográficas no campo com base nos valores da característica agrícola no mapa de informação e com base no modelo agrícola preditivo;
um subsistema controlável; e
um sistema de controle que gera um sinal de controle para controlar o subsistema controlável com base na posição geográfica da máquina de trabalho agrícola e com base nos valores de controle no mapa agrícola preditivo funcional.
[00187] O Exemplo 20 é a máquina de trabalho agrícola de qualquer ou todos os exemplos anteriores, em que o sistema de controle compreende um controlador de plataforma de corte que controla um ou mais dentre uma altura da plataforma de corte e posição do molinete com base nos valores de controle.
[00188] Embora a matéria tenha sido descrita em linguagem específica para recursos estruturais ou atos metodológicos, deve-se entender que a matéria definida nas reivindicações anexas não é necessariamente limitada aos recursos ou atos específicos supradescritos. Em vez disso, os recursos e atos específicos supradescritos são descritos como formas exemplificativas das reivindicações.
Claims (15)
- Máquina de trabalho agrícola (100), caracterizada pelo fato de que compreende:
um sistema de comunicação (206) que recebe um ou mais mapas de informação que incluem cada qual valores de uma ou mais características agrícolas correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica (204) que detecta uma localização geográfica da máquina de trabalho agrícola; pelo menos um sensor in situ (208) que detecta um valor de pelo menos uma característica agrícola correspondente à localização geográfica;
um gerador de mapa preditivo (212) que gera um ou mais mapas agrícolas preditivos funcionais do campo que mapeiam valores preditivos da pelo menos uma característica agrícola para as diferentes localizações geográficas no campo com base nos valores da uma ou mais característica agrícola em um ou mais mapas de informação e com base no valor da pelo menos uma característica agrícola;
um subsistema controlável (216); e
um sistema de controle (214) que gera um sinal de controle para controlar o subsistema controlável (216) com base na posição geográfica da máquina de trabalho agrícola (100) e com base nos valores da característica agrícola no mapa agrícola preditivo funcional. - Máquina de trabalho agrícola de acordo com a reivindicação 1, caracterizada pelo fato de que o gerador de mapa preditivo compreende:
um gerador de mapa de altura de cultura preditivo que gera um mapa de altura de cultura preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia alturas de cultura preditivas para as diferentes localizações geográficas no campo. - Máquina de trabalho agrícola de acordo com a reivindicação 2, caracterizada pelo fato de que o gerador de mapa preditivo compreende:
um gerador de mapa de estado de cultura preditivo que gera um mapa de estado de cultura preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia estados de cultura preditivos para as diferentes localizações geográficas no campo. - Máquina de trabalho agrícola de acordo com a reivindicação 3, caracterizada pelo fato de que o gerador de mapa preditivo compreende:
um gerador de mapa de altura de plataforma de corte preditivo que gera um mapa de altura de plataforma de corte preditivo funcional, como um dentre um ou mais mapas agrícolas preditivos funcionais, que mapeia alturas de plataforma de corte preditivas para as diferentes localizações geográficas no campo. - Máquina de trabalho agrícola de acordo com a reivindicação 4, caracterizada pelo fato de que o sistema de controle compreende:
um controlador de plataforma de corte que gera um ou mais sinais de controle de plataforma de corte indicativos de um ou mais controles de plataforma de corte com base na localização geográfica detectada e um ou mais mapas agrícolas preditivos funcionais e controla o subsistema controlável com base em um ou mais sinais de controle de plataforma de corte. - Máquina de trabalho agrícola de acordo com a reivindicação 5, caracterizada pelo fato de que o sistema de controle controla uma altura da plataforma de corte com base em um ou mais sinais de controle de plataforma de corte.
- Máquina de trabalho agrícola de acordo com a reivindicação 6, caracterizada pelo fato de que o sistema de controle controla uma inclinação ou rolamento da plataforma de corte com base em um ou mais sinais de controle de plataforma de corte.
- Máquina de trabalho agrícola de acordo com a reivindicação 7, caracterizada pelo fato de que o sistema de controle controla uma altura de molinete com base em um ou mais sinais de controle de plataforma de corte.
- Máquina de trabalho agrícola de acordo com a reivindicação 7, caracterizada pelo fato de que o sistema de controle controla uma posição longitudinal do molinete com base em um ou mais sinais de controle de plataforma de corte.
- Máquina de trabalho agrícola de acordo com a reivindicação 9, caracterizada pelo fato de que o sistema de controle compreende adicionalmente:
um controlador de interface de operador que gera uma reapresentação de mapa de interface de usuário de pelo menos um dentre um ou mais mapas agrícolas preditivos funcionais. - Método implementado por computador para controlar uma máquina de trabalho agrícola (100), caracterizado pelo fato de que compreende:
obter um primeiro mapa de informação (258) que inclui valores de uma característica topográfica correspondentes a diferentes localizações geográficas em um campo;
obter um segundo mapa de informação (258) que inclui valores de uma primeira característica agrícola correspondente a diferentes localizações geográficas em um campo;
detectar uma localização geográfica da máquina de trabalho agrícola (100);
detectar, com um sensor in situ (208), um valor de uma segunda característica agrícola correspondente à localização geográfica;
gerar um primeiro mapa agrícola preditivo funcional do campo que mapeia valores de altura da plataforma de corte preditivos para as diferentes localizações geográficas no campo com base nos valores da característica topográfica no primeiro mapa de informação;
gerar um segundo mapa agrícola preditivo funcional do campo que mapeia valores preditivos de uma terceira característica agrícola para as diferentes localizações geográficas no campo com base nos valores da primeira característica agrícola no segundo mapa de informação e no valor da segunda característica agrícola; e
controlar um ou mais subsistemas controláveis de plataforma de corte (216) com base na posição geográfica da máquina de trabalho agrícola (100) e com base nos valores de altura de plataforma de corte no primeiro mapa agrícola preditivo funcional e com base nos terceiros valores de característica agrícola no segundo mapa agrícola preditivo funcional. - Método implementado por computador de acordo com a reivindicação 11, caracterizado pelo fato de que controlar um subsistema controlável compreende:
gerar um sinal de controle de altura de plataforma de corte com base na localização geográfica detectada e no segundo mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de plataforma de corte para controlar uma altura de uma plataforma de corte. - Método implementado por computador de acordo com a reivindicação 11, caracterizado pelo fato de que gerar um segundo mapa preditivo funcional compreende:
gerar um mapa de estado de cultura preditivo funcional que mapeia valores preditivos de estado de cultura para as diferentes localizações geográficas no campo. - Método implementado por computador de acordo com a reivindicação 13, caracterizado pelo fato de que controlar um subsistema controlável compreende:
gerar um sinal de controle de altura de molinete com base na localização geográfica detectada e no primeiro mapa agrícola preditivo funcional; e
controlar o subsistema controlável com base no sinal de controle de altura de molinete para controlar uma altura de um molinete. - Máquina de trabalho agrícola (100), caracterizada pelo fato de que compreende:
um sistema de comunicação (206) que recebe um mapa de informação (258) que inclui valores de uma característica agrícola correspondentes a diferentes localizações geográficas em um campo;
um sensor de posição geográfica (204) que detecta uma localização geográfica da máquina de trabalho agrícola (100);
um sensor in situ (208) que detecta um valor de um ou mais dentre uma altura da plataforma de corte, um estado de cultura e uma altura de cultura, como uma segunda característica agrícola correspondente à localização geográfica;
um gerador de modelo preditivo (210) que gera um modelo agrícola preditivo que modela uma relação entre a característica agrícola e a segunda característica agrícola com base em um valor da característica agrícola no mapa de informação na localização geográfica e no valor da segunda característica agrícola sensoreada pelo sensor in situ (208) na localização geográfica;
um gerador de mapa preditivo (212) que gera um mapa agrícola preditivo funcional do campo que mapeia valores de controle para as diferentes localizações geográficas no campo com base nos valores da característica agrícola no mapa de informação (258) e com base no modelo agrícola preditivo;
um subsistema controlável (216); e
um sistema de controle (214) que gera um sinal de controle para controlar o subsistema controlável (216) com base na posição geográfica da máquina de trabalho agrícola (100) e com base nos valores de controle no mapa agrícola preditivo funcional.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/066,844 US11845449B2 (en) | 2020-10-09 | 2020-10-09 | Map generation and control system |
US17/066,844 | 2020-10-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
BR102021017161A2 true BR102021017161A2 (pt) | 2022-04-26 |
Family
ID=81044995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR102021017161-8A BR102021017161A2 (pt) | 2020-10-09 | 2021-08-30 | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola |
Country Status (3)
Country | Link |
---|---|
US (1) | US11845449B2 (pt) |
CN (1) | CN114303611A (pt) |
BR (1) | BR102021017161A2 (pt) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020203596A1 (ja) * | 2019-04-04 | 2020-10-08 | 株式会社小松製作所 | 作業機械を含むシステム、コンピュータによって実行される方法、学習済みの姿勢推定モデルの製造方法、および学習用データ |
US20220201936A1 (en) * | 2020-12-29 | 2022-06-30 | Agco Corporation | Skid plate for sensor integration |
Family Cites Families (992)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE504035C (de) | 1930-07-31 | Hermann Lindstaedt | Kartoffelerntemaschine mit an das Schar anschliessendem Foerderwerk und hinter diesem angeordnetem Ablegerost | |
DE441597C (de) | 1927-03-05 | Paul Frenzel | Vorrichtung fuer Grasmaehmaschinen, um diese zum Maehen des Kartoffelkrautes geeignet zu machen | |
FI5533A (fi) | 1913-11-06 | Williamstown Glass Company | Anordningar vid glasbearbetningsmaskiner och sätt att tillverka buteljer med sådana | |
GB901081A (en) | 1958-07-31 | 1962-07-11 | Dunn Engineering Associates In | Improvements in apparatus for punching jacquard cards |
US3568157A (en) | 1963-12-31 | 1971-03-02 | Bell Telephone Labor Inc | Program controlled data processing system |
US3599543A (en) | 1964-12-02 | 1971-08-17 | Stothert & Pitt Ltd | Vibratory machines |
FR1451480A (fr) | 1965-07-20 | 1966-01-07 | France Etat | Procédé et appareil de mesure du tassement du sol sous les remblais et ouvrages d'art |
US3580257A (en) | 1969-12-24 | 1971-05-25 | Earl E Teague | Weed seed collector for a thresher combine |
DE2018219C3 (de) | 1970-04-16 | 1979-02-22 | Losenhausen Maschinenbau Ag, 4000 Duesseldorf | Vorrichtung zur Erzeugung eines Anzeige- oder Steuersignals für den Fahrantrieb eines dynamischen Bodenverdichters |
CH569747A5 (pt) | 1972-08-25 | 1975-11-28 | Ciba Geigy Ag | |
DE2354828A1 (de) | 1973-11-02 | 1975-05-15 | Held & Francke Bau Ag | Verfahren zum verdichten des bodens und vorrichtung zur durchfuehrung dieses verfahrens |
CH618682A5 (pt) | 1975-11-07 | 1980-08-15 | Ciba Geigy Ag | |
DE2646143A1 (de) | 1976-10-13 | 1978-04-20 | Bayer Ag | 4,5-dichlor-imidazol-1-carbonsaeure- arylester, verfahren zu ihrer herstellung sowie ihre verwendung als pflanzenschutzmittel |
US4166735A (en) | 1977-01-21 | 1979-09-04 | Shell Oil Company | Cycloalkanecarboxanilide derivative herbicides |
EP0000351A1 (de) | 1977-07-07 | 1979-01-24 | Ciba-Geigy Ag | Phenoxy-phenylthio-alkancarbonsäurederivate, Verfahren zu deren Herstellung und deren Verwendung als Herbizide und als Pflanzenwachstumsregulierungsmittel |
SU834514A1 (ru) | 1978-11-04 | 1981-05-30 | Smolyanitskij Leonid A | Способ контрол качества уплотнени гРуНТА |
SU887717A1 (ru) | 1979-09-18 | 1981-12-07 | Новосибирский филиал Всесоюзного научно-исследовательского института транспортного строительства | Устройство дл контрол качества уплотнени грунта |
US4360677A (en) | 1979-09-20 | 1982-11-23 | Uniroyal, Inc. | Herbicidal 2-(alpha-chloromethylsulfonyl) pyridine-1-oxides |
US4268679A (en) | 1980-02-19 | 1981-05-19 | Ppg Industries, Inc. | 3-[5- or 3-Substituted-5- or 3-isoxazolyl]-1-allyl or alkyl-4-substituted-5-substituted or unsubstituted-2-imidazolidinones |
EP0042245B1 (en) | 1980-06-14 | 1984-11-28 | Claydon Yield-O-Meter Limited | Crop metering device for combine harvesters |
SU1052940A1 (ru) | 1980-09-02 | 1983-11-07 | Войсковая часть 70170 | Способ измерени фильтрационных характеристик несв занных грунтов |
AU544099B2 (en) | 1980-12-15 | 1985-05-16 | Sumitomo Chemical Company, Limited | Triazolylpentenols |
DOP1981004033A (es) | 1980-12-23 | 1990-12-29 | Ciba Geigy Ag | Procedimiento para proteger plantas de cultivo de la accion fitotoxica de herbicidas. |
FR2509135A1 (fr) | 1981-07-10 | 1983-01-14 | Ugine Kuhlmann | Compositions herbicides a base de derives d'amino-4 chloro-6 alkylthio-5 pyrimidine et de derives de la dinitro-2,6 aniline et procede de traitement des cultures a l'aide desdites compositions |
US4566901A (en) | 1982-05-06 | 1986-01-28 | Ciba-Geigy Corporation | Novel oxime ethers, the preparation thereof, compositions containing them and the use thereof |
US4527241A (en) | 1982-08-30 | 1985-07-02 | Sperry Corporation | Automatic combine harvester adjustment system |
EP0126713B1 (de) | 1983-05-18 | 1989-01-18 | Ciba-Geigy Ag | Cyclohexandion-carbonsäurederivate mit herbizider und das Pflanzenwachstum regulierender Wirkung |
SU1134669A1 (ru) | 1983-09-30 | 1985-01-15 | Всесоюзный научно-исследовательский институт транспортного строительства | Устройство дл непрерывного контрол степени уплотнени грунта |
US4687505A (en) | 1983-11-02 | 1987-08-18 | Sylling Truman V | Method for desalination and rehabilitation of irrigated soil |
ATE62104T1 (de) | 1984-04-11 | 1991-04-15 | Ciba Geigy Ag | Verfahren zur selektiven unkrautbekaempfung in nutzpflanzenkulturen. |
JPH0243845B2 (ja) | 1984-05-30 | 1990-10-01 | Shimizu Construction Co Ltd | Tsuchinogenbamitsudosokuteihohooyobisonosochi |
CS247426B1 (cs) | 1984-12-21 | 1986-12-18 | Josef Hula | Zařízení pro mdření ulehlosti půdy |
CS248318B1 (en) | 1984-12-21 | 1987-02-12 | Josef Hula | Device for soil compactness measuring |
GB2178934A (en) | 1985-03-22 | 1987-02-25 | Massey Ferguson Mfg | Agricultural husbandry |
US5250690A (en) | 1985-05-02 | 1993-10-05 | Dowelanco | Haloalkoxy anilide derivatives of 2-4(-heterocyclic oxyphenoxy)alkanoic or alkenoic acids and their use as herbicides |
US4857101A (en) | 1985-12-06 | 1989-08-15 | Rohm And Haas Company | Method of selectively controlling weeds in crops of cereals |
US5246915A (en) | 1986-06-20 | 1993-09-21 | Janssen Pharmaceutica N.V. | Method for controlling weeds |
SU1526588A1 (ru) | 1987-05-29 | 1989-12-07 | Всесоюзный научно-исследовательский институт по применению полимерных материалов в мелиорации и водном хозяйстве | Устройство дл измерени степени уплотнени почв |
JP2523324B2 (ja) | 1987-06-09 | 1996-08-07 | 建設省土木研究所長 | 地盤の締固め程度の測定方法 |
SU1540053A1 (ru) | 1987-06-16 | 1991-01-15 | Головное специализированное конструкторское бюро по комплексам зерноуборочных машин Производственного объединения "Ростсельмаш" | Способ управлени технологическим процессом уборочной машины |
DE3728669A1 (de) | 1987-08-27 | 1989-03-16 | Arcus Elektrotech | Messsonde zur messung der bodenverdichtung |
GB8916722D0 (en) | 1988-08-18 | 1989-09-06 | Ici Plc | Heterocyclic compounds |
JP2671143B2 (ja) | 1989-01-25 | 1997-10-29 | 株式会社光電製作所 | 土の締固め測定装置 |
JP2767266B2 (ja) | 1989-02-15 | 1998-06-18 | ヤンマー農機株式会社 | 収穫機 |
US5089043A (en) | 1989-11-09 | 1992-02-18 | Shionogi & Co., Ltd. | Heterocyclic oxy-phenoxyacetic acid derivatives and their use as herbicides |
SU1761864A1 (ru) | 1990-03-27 | 1992-09-15 | Московский Автомобильно-Дорожный Институт | Способ контрол степени уплотнени грунтов |
RU1791767C (ru) | 1990-06-12 | 1993-01-30 | Усть-Каменогорский Строительно-Дорожный Институт | Прибор дл определени физико-механических свойств грунтов при уплотнении |
US5059154A (en) | 1990-10-19 | 1991-10-22 | The Board Of Trustees Of The University Of Arkansas | Grain cleaner and destructor of foreign matter in harvesting crops |
GB9108199D0 (en) | 1991-04-17 | 1991-06-05 | Rhone Poulenc Agriculture | New compositions of matter |
EP0532146B1 (en) | 1991-09-11 | 1998-08-19 | E.I. Du Pont De Nemours And Company | Herbicidal substituted bicyclic triazoles |
US5246164A (en) | 1991-12-16 | 1993-09-21 | Mccann Ian R | Method and apparatus for variable application of irrigation water and chemicals |
US5477459A (en) | 1992-03-06 | 1995-12-19 | Clegg; Philip M. | Real time three-dimensional machine locating system |
DK0639050T3 (da) | 1992-05-06 | 2001-04-23 | Novartis Ag | Synergistisk middel og fremgangsmåde til selektiv ukrudtsbekæmpelse |
US5300477A (en) | 1992-07-17 | 1994-04-05 | Rohm And Haas Company | 2-arylpyrimidines and herbicidal use thereof |
US5296702A (en) | 1992-07-28 | 1994-03-22 | Patchen California | Structure and method for differentiating one object from another object |
US5585626A (en) | 1992-07-28 | 1996-12-17 | Patchen, Inc. | Apparatus and method for determining a distance to an object in a field for the controlled release of chemicals on plants, weeds, trees or soil and/or guidance of farm vehicles |
AU658066B2 (en) | 1992-09-10 | 1995-03-30 | Deere & Company | Neural network based control system |
EP0775612B1 (en) | 1993-06-28 | 2003-09-24 | CNH Belgium N.V. | Process for the control of self-propelled agricultural harvesting machines |
JP3359702B2 (ja) | 1993-06-28 | 2002-12-24 | 株式会社前川製作所 | 異種植物検出方法と該検出方法を用いた雑草駆除方法 |
US5592606A (en) | 1993-07-30 | 1997-01-07 | Myers; Allen | Method and apparatus for storage and display of hierarchally organized data |
CN1073797C (zh) | 1993-12-22 | 2001-10-31 | 泽尼卡有限公司 | 含有二苯基醚的除草组合物及其用于除草的方法 |
US5995859A (en) | 1994-02-14 | 1999-11-30 | Nihon Kohden Corporation | Method and apparatus for accurately measuring the saturated oxygen in arterial blood by substantially eliminating noise from the measurement signal |
US5767373A (en) | 1994-06-16 | 1998-06-16 | Novartis Finance Corporation | Manipulation of protoporphyrinogen oxidase enzyme activity in eukaryotic organisms |
US5606821A (en) | 1994-07-25 | 1997-03-04 | Loral Corporation | Smart weed recognition/classification system |
DE4431824C1 (de) | 1994-09-07 | 1996-05-02 | Claas Ohg | Mähdrescherbetrieb mit Betriebsdatenkataster |
US5957304A (en) | 1995-01-25 | 1999-09-28 | Agco Limited | Crop harvester |
GB9504345D0 (en) | 1995-03-03 | 1995-04-19 | Compaction Tech Soil Ltd | Method and apparatus for monitoring soil compaction |
DE19509496C2 (de) | 1995-03-16 | 1998-07-09 | Claas Ohg | Selbstfahrender Mähdrescher |
DE19514223B4 (de) | 1995-04-15 | 2005-06-23 | Claas Kgaa Mbh | Verfahren zur Einsatzoptimierung von Landmaschinen |
DE19528663A1 (de) | 1995-08-04 | 1997-02-06 | Univ Hohenheim | Verfahren zur Einstellung einer mobilen Arbeitsmaschine |
DE69605314T3 (de) | 1995-09-29 | 2004-08-26 | Ingersoll-Rand Co. | Verdichtungsgerät mit zugkraftsteuerungssystem |
US5991694A (en) | 1995-11-13 | 1999-11-23 | Caterpillar Inc. | Method and apparatus for determining the location of seedlings during agricultural production |
US5721679A (en) | 1995-12-18 | 1998-02-24 | Ag-Chem Equipment Co., Inc. | Heads-up display apparatus for computer-controlled agricultural product application equipment |
WO1997028432A1 (en) | 1996-02-01 | 1997-08-07 | Bolt Beranek And Newman Inc. | Soil compaction measurement |
PL178299B1 (pl) | 1996-02-13 | 2000-04-28 | Jan Liszkowski | Sposób renowacji wałów przeciwpowodziowych |
ES2116215B1 (es) | 1996-02-22 | 1999-02-16 | Zuniga Escobar Orlando | Electrosonda para medir el contenido de humedad del suelo y la compactacion del mismo, metodo de medida correspondiente y utilizacion de dicha electrosonda. |
US7032689B2 (en) | 1996-03-25 | 2006-04-25 | Halliburton Energy Services, Inc. | Method and system for predicting performance of a drilling system of a given formation |
DE29607846U1 (de) | 1996-04-30 | 1996-07-25 | Neuhaus Neotec Maschinen Und A | Vorrichtung zum Dosieren von Mahlkaffee in Kaffeeverpackungen |
DE19629618A1 (de) | 1996-07-23 | 1998-01-29 | Claas Ohg | Routenplanungssystem für landwirtschaftliche Arbeitsfahrzeuge |
US5771169A (en) | 1996-08-29 | 1998-06-23 | Case Corporation | Site-specific harvest statistics analyzer |
EP0932726B1 (de) | 1996-10-21 | 2000-08-02 | Ammann Verdichtung AG | Verfahren zur messung mechanischer daten eines bodens sowie zu dessen verdichtung und mess- bzw. bodenverdichtungsvorrichtung |
US5789741A (en) | 1996-10-31 | 1998-08-04 | Patchen, Inc. | Detecting plants in a field by detecting a change in slope in a reflectance characteristic |
DE19647523A1 (de) | 1996-11-16 | 1998-05-20 | Claas Ohg | Landwirtschaftliches Nutzfahrzeug mit einem in seiner Lage und/oder Ausrichtung gegenüber dem Fahrzeug verstellbar angeordneten Bearbeitungsgerät |
US6029106A (en) | 1996-11-22 | 2000-02-22 | Case Corporation | Global position correction for the electronic display of field maps |
US5902343A (en) | 1996-11-22 | 1999-05-11 | Case Corporation | Automatic scaling of GPS field maps |
US5978723A (en) | 1996-11-22 | 1999-11-02 | Case Corporation | Automatic identification of field boundaries in a site-specific farming system |
US5974348A (en) | 1996-12-13 | 1999-10-26 | Rocks; James K. | System and method for performing mobile robotic work operations |
JPH10191762A (ja) | 1997-01-13 | 1998-07-28 | Yanmar Agricult Equip Co Ltd | コンバインの動力制御装置 |
US5841282A (en) | 1997-02-10 | 1998-11-24 | Christy; Colin | Device for measuring soil conductivity |
DE19705842A1 (de) | 1997-02-15 | 1998-08-20 | Same Deutz Fahr Spa | Ernteverfahren |
DE19706614A1 (de) | 1997-02-20 | 1998-08-27 | Claas Ohg | Situationsbezogene programmgesteuerte elektronische Kartenbilddarstellung in einem Kraftfahrzeug |
US5809440A (en) | 1997-02-27 | 1998-09-15 | Patchen, Inc. | Agricultural implement having multiple agents for mapping fields |
US5995894A (en) | 1997-05-27 | 1999-11-30 | Case Corporation | System for analyzing spatially-variable harvest data by pass |
JP3013036B2 (ja) | 1997-06-04 | 2000-02-28 | ヤンマー農機株式会社 | コンバイン |
US5991687A (en) | 1997-07-02 | 1999-11-23 | Case Corporation | System and method for communicating information related to a geographical area |
US5899950A (en) | 1997-07-07 | 1999-05-04 | Case Corporation | Sequential command repeater system for off-road vehicles |
US5878821A (en) | 1997-07-08 | 1999-03-09 | Flenker; Kevin P. | Tillage implement with on-the-go angle and depth controlled discs |
US5995895A (en) | 1997-07-15 | 1999-11-30 | Case Corporation | Control of vehicular systems in response to anticipated conditions predicted using predetermined geo-referenced maps |
GB9716251D0 (en) | 1997-08-01 | 1997-10-08 | Philips Electronics Nv | Attribute interpolation in 3d graphics |
ES2226165T3 (es) | 1997-08-20 | 2005-03-16 | Roxbury Limited | Tratamiento de terrenos. |
DE19740346A1 (de) | 1997-09-13 | 1999-03-18 | Claas Selbstfahr Erntemasch | Selbstfahrende Arbeitsmaschine |
US6178253B1 (en) | 1997-10-10 | 2001-01-23 | Case Corporation | Method of determining and treating the health of a crop |
DE19800238C1 (de) | 1998-01-07 | 1999-08-26 | Claas Selbstfahr Erntemasch | System zur Einstellung einer selbstfahrenden Erntemaschine |
US6041582A (en) | 1998-02-20 | 2000-03-28 | Case Corporation | System for recording soil conditions |
GB9811177D0 (en) | 1998-05-26 | 1998-07-22 | Ford New Holland Nv | Methods for generating field maps |
DE19828355C2 (de) | 1998-06-25 | 2000-09-07 | Lausitzer Und Mitteldeutsche B | Pneumatisch-Dynamische-Sonde und Verfahren zur Erkundung und Beurteilung kollabiler, nichtbindiger Böden |
US6199000B1 (en) | 1998-07-15 | 2001-03-06 | Trimble Navigation Limited | Methods and apparatus for precision agriculture operations utilizing real time kinematic global positioning system systems |
US6141614A (en) | 1998-07-16 | 2000-10-31 | Caterpillar Inc. | Computer-aided farming system and method |
US6016713A (en) | 1998-07-29 | 2000-01-25 | Case Corporation | Soil sampling "on the fly" |
DE19836659A1 (de) | 1998-08-13 | 2000-02-17 | Hoechst Schering Agrevo Gmbh | Herbizide Mittel für tolerante oder resistente Baumwollkulturen |
US6327569B1 (en) | 1998-10-15 | 2001-12-04 | Milestone Technology, Inc. | System and methods for real time linkage between harvest environment and marketplace |
US6272819B1 (en) | 1998-11-17 | 2001-08-14 | Case Corporation | Sugar cane yield monitor |
US6216071B1 (en) | 1998-12-16 | 2001-04-10 | Caterpillar Inc. | Apparatus and method for monitoring and coordinating the harvesting and transporting operations of an agricultural crop by multiple agricultural machines on a field |
US6380745B1 (en) | 1999-03-17 | 2002-04-30 | Dennis M. Anderson | Electrical geophysical apparatus for determining the density of porous materials and establishing geo-electric constants of porous material |
US6205381B1 (en) | 1999-03-26 | 2001-03-20 | Caterpillar Inc. | Method and apparatus for providing autoguidance for multiple agricultural machines |
US6119442A (en) | 1999-05-14 | 2000-09-19 | Case Corporation | Combine setting autoadjust with machine vision |
GB2350275B (en) | 1999-05-25 | 2003-12-24 | Agco Ltd | Improvements in yield mapping |
US6374173B1 (en) | 1999-05-28 | 2002-04-16 | Freightliner Llc | Terrain adaptive cruise control |
US6188942B1 (en) | 1999-06-04 | 2001-02-13 | Caterpillar Inc. | Method and apparatus for determining the performance of a compaction machine based on energy transfer |
JP3460224B2 (ja) | 1999-06-09 | 2003-10-27 | 株式会社大林組 | 盛土転圧管理システム |
US6236924B1 (en) | 1999-06-21 | 2001-05-22 | Caterpillar Inc. | System and method for planning the operations of an agricultural machine in a field |
US6119531A (en) | 1999-08-03 | 2000-09-19 | Case Corporation | Crop sampling system |
JP2001057809A (ja) | 1999-08-20 | 2001-03-06 | Yanmar Agricult Equip Co Ltd | 農作業機におけるエラー信号の記憶制御装置 |
US6505146B1 (en) | 1999-09-24 | 2003-01-07 | Monsanto Company | Method and system for spatial evaluation of field and crop performance |
CA2283767C (en) | 1999-09-27 | 2007-06-19 | Monsanto Company | Method and system for spatial evaluation of field crop perfomance |
EP1486119A1 (en) | 1999-10-14 | 2004-12-15 | Basf Aktiengesellschaft | Synergistic herbicidal methods and compositions |
AU2001227586A1 (en) | 2000-01-14 | 2001-07-24 | Ag-Chem Equipment Company, Inc. | Application report and method for creating the same |
CA2330979A1 (en) | 2000-02-10 | 2001-08-10 | L. Gregory Alster | Method and apparatus for controlling harvesting of trees |
DE10023443A1 (de) | 2000-05-12 | 2001-11-15 | Deere & Co | Fördervorrichtung |
FI114171B (fi) | 2000-05-12 | 2004-08-31 | Antti Paakkinen | Menetelmä ja laite maamassojen ja muiden niiden kaltaisten massojen tiivistysominaisuuksien mittaamiseksi |
GT200100103A (es) | 2000-06-09 | 2002-02-21 | Nuevos herbicidas | |
US6460008B1 (en) | 2000-07-19 | 2002-10-01 | Ivan E. Hardt | Yield monitoring system for grain harvesting combine |
US6735568B1 (en) | 2000-08-10 | 2004-05-11 | Eharmony.Com | Method and system for identifying people who are likely to have a successful relationship |
US6522948B1 (en) | 2000-08-14 | 2003-02-18 | Flexi-Coil Ltd. | Agricultural product application tracking and control |
SE520299C2 (sv) | 2000-08-23 | 2003-06-24 | Bengt Soervik | Förfarande och system för hantering av virkesbitar |
US6539102B1 (en) | 2000-09-01 | 2003-03-25 | Large Scale Proteomics | Reference database |
US6591145B1 (en) | 2000-09-21 | 2003-07-08 | Bechtel Bwxt Idaho, Llc | Systems and methods for autonomously controlling agricultural machinery |
DE10050224A1 (de) | 2000-10-11 | 2002-04-25 | Volkswagen Ag | Verfahren und Einrichtung zum Überwachen und/oder Steuern von beweglichen Objekten |
DE10053446B4 (de) | 2000-10-27 | 2006-03-02 | Wacker Construction Equipment Ag | Lenkbare Vibrationsplatte und fahrbares Vibrationsplattensystem |
CN2451633Y (zh) | 2000-11-23 | 2001-10-03 | 鹤壁市公路管理总段第二工程处 | 公路灰土基层压实度测定取样机 |
FR2817344B1 (fr) | 2000-11-28 | 2003-05-09 | Sol Solution | Penetrometre dynamique a energie variable |
JP2002186348A (ja) | 2000-12-20 | 2002-07-02 | Yanmar Agricult Equip Co Ltd | 穀物貯蔵施設への穀物運搬システム |
DE10064861A1 (de) | 2000-12-23 | 2002-06-27 | Claas Selbstfahr Erntemasch | Vorrichtung und Verfahren zur automatischen Steuerung einer Überladeeinrichtung an landwirtschaftlichen Erntemaschinen |
DE10064862A1 (de) | 2000-12-23 | 2002-07-11 | Claas Selbstfahr Erntemasch | Vorrichtung und Verfahren zur Koordination und Einstellung von landwirtschaftlichen Fahrzeugen |
US6682416B2 (en) | 2000-12-23 | 2004-01-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Automatic adjustment of a transfer device on an agricultural harvesting machine |
GB2372105B (en) | 2001-02-13 | 2004-10-27 | Agco Ltd | Improvements in Mapping Techniques |
EP1238579B1 (en) | 2001-03-08 | 2006-04-05 | Deere & Company | Crop width measuring means |
DE10120173B4 (de) | 2001-04-24 | 2006-02-23 | Gebr. Pöttinger GmbH | Verfahren und Vorrichtung zum Betreiben von Landmaschinen |
DE10129133A1 (de) | 2001-06-16 | 2002-12-19 | Deere & Co | Einrichtung zur selbsttätigen Lenkung eines landwirtschaftlichen Arbeitsfahrzeugs |
DE10129135B4 (de) | 2001-06-16 | 2013-10-24 | Deere & Company | Einrichtung zur Positionsbestimmung eines landwirtschaftlichen Arbeitsfahrzeugs sowie ein landwirtschaftliches Arbeitsfahrzeug mit dieser |
US6549849B2 (en) | 2001-06-25 | 2003-04-15 | Trimble Navigation Ltd. | Guidance pattern allowing for access paths |
DE10130665A1 (de) | 2001-06-28 | 2003-01-23 | Deere & Co | Vorrichtung zur Messung der Menge von auf einem Feld stehenden Pflanzen |
DE10133191A1 (de) | 2001-07-07 | 2003-01-16 | Deere & Co | Landwirtschaftliche Bestellkombination |
DE10134141A1 (de) | 2001-07-13 | 2003-02-06 | Deere & Co | Verteilvorrichtung für aus einer Erntemaschine austretendes Häckselgut |
US6553300B2 (en) | 2001-07-16 | 2003-04-22 | Deere & Company | Harvester with intelligent hybrid control system |
US6591591B2 (en) | 2001-07-30 | 2003-07-15 | Deere & Company | Harvester speed control with header position input |
US6834550B2 (en) | 2001-09-10 | 2004-12-28 | The Regents Of The University Of California | Soil profile force measurement using an instrumented tine |
US6592453B2 (en) | 2001-09-27 | 2003-07-15 | Deere & Company | Harvester feedrate control with tilt compensation |
US6741921B2 (en) | 2001-10-05 | 2004-05-25 | Caterpillar Inc | Multi-stage truck assignment system and method |
US6655351B2 (en) | 2001-10-24 | 2003-12-02 | Deere & Company | Vehicle engine control |
US7034666B2 (en) | 2002-02-20 | 2006-04-25 | Scott William Knutson | Device used to aid in the loading and unloading of vehicles and implements |
US6943824B2 (en) | 2002-03-13 | 2005-09-13 | Deere & Company | Image processing spout control system |
US7761334B2 (en) | 2002-03-20 | 2010-07-20 | Deere & Company | Method and system for automated tracing of an agricultural product |
US6726559B2 (en) | 2002-05-14 | 2004-04-27 | Deere & Company | Harvester with control system considering operator feedback |
NL1020804C2 (nl) | 2002-06-06 | 2003-12-09 | Lely Entpr Ag | Werkwijze en systeem voor het uitvoeren van ten minste twee landbouwbewerkingen op een landbouwperceel. |
NL1020792C2 (nl) | 2002-06-06 | 2003-12-09 | Lely Entpr Ag | Landbouwmachine voor het uitvoeren van een landbouwbewerking. |
US7062368B2 (en) | 2002-06-11 | 2006-06-13 | Cnh America Llc | Combine having a system estimator to automatically estimate and dynamically change a target control parameter in a control algorithm |
DE10230474A1 (de) | 2002-07-06 | 2004-01-15 | Deere & Company, Moline | Einrichtung zur Dokumentierung des Betriebs eines Zusatzgeräts für eine Arbeitsmaschine |
US6681551B1 (en) | 2002-07-11 | 2004-01-27 | Deere & Co. | Programmable function control for combine |
GB0217297D0 (en) | 2002-07-26 | 2002-09-04 | Cnh Belgium Nv | Methods of optimising stochastic processing parameters in crop harvesting machines |
US7103451B2 (en) | 2002-08-19 | 2006-09-05 | Intime, Inc. | Method and system for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data |
DE10240219A1 (de) | 2002-08-28 | 2004-03-11 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung zur Steuerung einer Überladeeinrichtung |
US6687616B1 (en) | 2002-09-09 | 2004-02-03 | Pioneer Hi-Bred International, Inc. | Post-harvest non-containerized reporting system |
US20040073468A1 (en) | 2002-10-10 | 2004-04-15 | Caterpillar Inc. | System and method of managing a fleet of machines |
EP1410715A1 (en) | 2002-10-19 | 2004-04-21 | Bayer CropScience GmbH | Combinations of aryloxyphenoxypropionates and safeners and their use for increasing weed control |
DE10303516A1 (de) | 2003-01-30 | 2004-08-12 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Vorrichtung zum Bearbeiten und/oder Bestellen von landwirtschaftlichen Flächen |
US7047133B1 (en) | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
US6999877B1 (en) | 2003-01-31 | 2006-02-14 | Deere & Company | Method and system of evaluating performance of a crop |
WO2004083531A2 (en) | 2003-03-13 | 2004-09-30 | Burton James D | Soil sampler apparatus and method |
US6907336B2 (en) | 2003-03-31 | 2005-06-14 | Deere & Company | Method and system for efficiently traversing an area with a work vehicle |
DE10314573A1 (de) | 2003-03-31 | 2004-10-28 | Henkel Kgaa | Verfahren zum rechnergestützten Regeln einer Mehrzahl von in Serie miteinander gekoppelten Maschinen, Regelungseinrichtung und Maschinen-Anordnung |
IL156478A0 (en) | 2003-06-17 | 2004-07-25 | Odf Optronics Ltd | Compact rotating observation assembly with a separate receiving and display unit |
WO2005012866A2 (en) | 2003-07-30 | 2005-02-10 | Bbnt Solutions Llc | Soil compaction measurement on moving platform |
DE10342922A1 (de) | 2003-09-15 | 2005-05-19 | Claas Selbstfahrende Erntemaschinen Gmbh | Häcksel- und Verteilvorrichtung |
EP1516961B1 (de) | 2003-09-19 | 2013-12-25 | Ammann Aufbereitung AG | Verfahren zur Ermittlung einer Bodensteifigkeit und Bodenverdichtungsvorrichtung |
US7408145B2 (en) | 2003-09-23 | 2008-08-05 | Kyle Holland | Light sensing instrument with modulated polychromatic source |
BRPI0417780B1 (pt) | 2003-12-19 | 2016-03-01 | Basf Ag | composto, processo para preparar o mesmo, agente, processos para preparar o mesmo, e para combater vegetação indesejada, e, uso de um composto |
US8407157B2 (en) | 2003-12-22 | 2013-03-26 | Deere & Company | Locating harvested material within a work area |
US7191062B2 (en) | 2003-12-22 | 2007-03-13 | Caterpillar Inc | Method and system of forecasting compaction performance |
US20050150202A1 (en) | 2004-01-08 | 2005-07-14 | Iowa State University Research Foundation, Inc. | Apparatus and method for monitoring and controlling an agricultural harvesting machine to enhance the economic harvesting performance thereof |
JP2005227233A (ja) | 2004-02-16 | 2005-08-25 | Taisei Corp | 地盤密度の測定システム |
DE102004011789A1 (de) | 2004-03-09 | 2005-09-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung zum Erfassen eines Ladewagens |
EP1961305A1 (de) | 2004-03-27 | 2008-08-27 | Bayer CropScience AG | Verwendung von Sulfonylharnstoffen zur Bekämpfung von unerwünschtem Pflanzenwachstum |
DE102004025135B4 (de) | 2004-05-17 | 2006-04-20 | Pt-Poly-Tec Gmbh Vertrieb Und Herstellung Von Dichtsystemen | Verfahren und Anordnung zur Leckagevorwarnung und Bauteilpositionierungsanzeige bei Muffenverbindungen |
US20070199903A1 (en) | 2004-05-18 | 2007-08-30 | Denney Larry W | System For Removing Solids From Aqueous Solutions |
US20050283314A1 (en) | 2004-06-10 | 2005-12-22 | Pioneer Hi-Bred International, Inc. | Apparatus, method and system of information gathering and use |
US7261632B2 (en) | 2004-06-21 | 2007-08-28 | Deere & Company | Self-propelled harvesting machine |
DE102004031211A1 (de) | 2004-06-28 | 2006-02-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zur Steuerung einer landwirtschaftlichen Arbeitsmaschine |
DE102004034799A1 (de) | 2004-07-19 | 2006-03-16 | Claas Selbstfahrende Erntemaschinen Gmbh | Kommunikationssystem für mobile und stationäre Einrichtungen |
DE102004039460B3 (de) | 2004-08-14 | 2006-04-20 | Deere & Company, Moline | System zur Bestimmung der relativen Position eines zweiten landwirtschaftlichen Fahrzeugs in Bezug auf ein erstes landwirtschaftliches Fahrzeug |
US7703036B2 (en) | 2004-08-16 | 2010-04-20 | Microsoft Corporation | User interface for displaying selectable software functionality controls that are relevant to a selected object |
US7398137B2 (en) | 2004-08-25 | 2008-07-08 | Caterpillar Inc. | System and method for remotely controlling machine operations using mapping information |
DE102004043169A1 (de) | 2004-09-03 | 2006-03-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Elektronisches Datenaustauschsystem |
DE202004015141U1 (de) | 2004-09-27 | 2004-12-09 | Weber Maschinentechnik Gmbh | Bodenverdichter |
DE102004052298A1 (de) | 2004-10-06 | 2006-06-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Überladeassistenzsystem |
US7211994B1 (en) | 2004-10-12 | 2007-05-01 | Federal Network Systems Inc. | Lightning and electro-magnetic pulse location and detection for the discovery of land line location |
US7248968B2 (en) | 2004-10-29 | 2007-07-24 | Deere & Company | Obstacle detection using stereo vision |
DE102004061439A1 (de) | 2004-12-17 | 2006-07-13 | Claas Selbstfahrende Erntemaschinen Gmbh | Datengenerierungs- und -übertragungssystem in landwirtschaftlichen Arbeitsmaschinen |
JP2006166871A (ja) | 2004-12-20 | 2006-06-29 | Iseki & Co Ltd | 収穫作業機制御用のコンバイン制御装置 |
DE102004063104A1 (de) | 2004-12-22 | 2006-07-13 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
DE102005000771A1 (de) | 2005-01-05 | 2006-08-24 | Langlott, Jürgen | Verfahren zur Steuerung einer selbstfahrenden Erntemaschine |
DE102005000770B3 (de) | 2005-01-05 | 2006-07-20 | Langlott, Jürgen | Verfahren zur Steuerung der Arbeitsorgane und der Fahrgeschwindigkeit eines Mähdreschers |
US7194965B2 (en) | 2005-01-06 | 2007-03-27 | Deere & Company | Variety locator |
RU2005102554A (ru) | 2005-02-02 | 2006-07-10 | Дальневосточный научно-исследовательский и проектно-технологический институт механизации и электрификации сельского хоз йства (ГНУ ДальНИПТИМЭСХ) (RU) | Способ оценки уплотненности полей |
DE102005008105A1 (de) | 2005-02-21 | 2006-08-31 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Elektronisches Maschinen-Management-System |
US7167797B2 (en) | 2005-03-07 | 2007-01-23 | Deere & Company | Method of predicting suitability for a crop harvesting operation |
US20060200334A1 (en) | 2005-03-07 | 2006-09-07 | Deere & Company, A Delaware Corporation | Method of predicting suitability for a soil engaging operation |
US7167800B2 (en) | 2005-04-12 | 2007-01-23 | Deere & Company | Method of optimizing remote sensing operation timing |
HU3056U (en) | 2005-04-29 | 2006-03-28 | G & G Noevenyvedelmi Es Keresk | Construction for making weed map |
DE102005025318A1 (de) | 2005-06-02 | 2006-12-14 | Deere & Company, Moline | Landwirtschaftliche Erntemaschine mit einer Austrageinrichtung und einem Kollisionssensor |
BRPI0502658A (pt) | 2005-06-28 | 2007-02-13 | Unicamp | sistema e processo de monitoramento de peso em esteiras de transporte de produtos com taliscas |
DE102005031426A1 (de) | 2005-07-04 | 2007-01-18 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zur Optimierung von Betriebsparametern einer landwirtschaftlichen Arbeitsmaschine |
US20070021948A1 (en) | 2005-07-21 | 2007-01-25 | Anderson Noel W | Variable rate prescription generation using heterogenous prescription sources with learned weighting factors |
DE102005038553A1 (de) | 2005-08-12 | 2007-02-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zum Überladen von Erntegut |
DE102005043991A1 (de) | 2005-09-14 | 2007-08-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Einstellung eines Arbeitsaggregats einer Erntemaschine |
CN100416590C (zh) | 2005-09-23 | 2008-09-03 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
US7302837B2 (en) | 2005-09-27 | 2007-12-04 | Cnh America Llc | Tire inflation system for use with an agricultural implement |
US7945364B2 (en) | 2005-09-30 | 2011-05-17 | Caterpillar Inc. | Service for improving haulage efficiency |
US7725233B2 (en) | 2005-10-25 | 2010-05-25 | Deere & Company | Crop attribute map input for vehicle guidance |
US7827042B2 (en) | 2005-11-30 | 2010-11-02 | The Invention Science Fund I, Inc | Methods and systems related to transmission of nutraceutical associated information |
DE102005059003A1 (de) | 2005-12-08 | 2008-03-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Routenplanungssystem für landwirtschaftliche Arbeitsmaschinen |
ES2311322B1 (es) | 2005-12-16 | 2009-11-30 | Consejo Superior Investigaciones Cientificas | Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. |
KR20080081052A (ko) | 2005-12-22 | 2008-09-05 | 바스프 에스이 | 살충 조성물 |
US7318010B2 (en) | 2006-02-07 | 2008-01-08 | Deere & Company | Method of regulating wireless sensor network energy use |
US20070185749A1 (en) | 2006-02-07 | 2007-08-09 | Anderson Noel W | Method for tracking hand-harvested orchard crops |
US20080276590A1 (en) | 2006-02-10 | 2008-11-13 | Agco Corporation | Flexible draper and cutter bar with tilt arm for cutterbar drive |
US20070208510A1 (en) | 2006-03-02 | 2007-09-06 | Deere & Company, A Delaware Corporation | Method of identifying and localizing drainage tile problems |
DE102006015203A1 (de) | 2006-03-30 | 2007-11-15 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung von landwirtschaftlichen Maschinensystemen |
DE102006015204A1 (de) | 2006-03-30 | 2007-10-18 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Erstellung eines Routenplans für landwirtschaftliche Maschinensysteme |
US20070239337A1 (en) | 2006-04-10 | 2007-10-11 | Deere & Company, A Delaware Corporation | System and method of optimizing ground engaging operations in multiple-fields |
US7347168B2 (en) | 2006-05-15 | 2008-03-25 | Freightliner Llc | Predictive auxiliary load management (PALM) control apparatus and method |
DE102006026572A1 (de) | 2006-06-06 | 2007-12-13 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zur Anzeige von Fahrzeugbewegungen |
US7313478B1 (en) | 2006-06-08 | 2007-12-25 | Deere & Company | Method for determining field readiness using soil moisture modeling |
DE102006028909A1 (de) | 2006-06-21 | 2007-12-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Kommunikationsnetz und Betriebsverfahren dafür |
MXGT06000012A (es) | 2006-08-01 | 2008-01-31 | Univ Guanajuato | Dispositivo para medir y mapear la compactacion del suelo, acoplable a tractor agricola. |
US20080030320A1 (en) | 2006-08-03 | 2008-02-07 | Deere & Company, A Delaware Corporation | Agricultural lift with data gathering capability |
DE102006045280A1 (de) | 2006-09-22 | 2008-04-03 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung und Verfahren zur Koordination eines Maschinenparks |
CZ17266U1 (cs) | 2006-11-09 | 2007-02-15 | Šarec@Ondrej | Zařízení pro měření utužení půdy - penetrometr |
US7628059B1 (en) | 2006-11-22 | 2009-12-08 | The Toro Company | Mobile turf instrument apparatus having driven, periodically insertable, ground penetrating probe assembly |
US20080140431A1 (en) | 2006-12-07 | 2008-06-12 | Noel Wayne Anderson | Method of performing an agricultural work operation using real time prescription adjustment |
EP1938686A1 (de) | 2006-12-29 | 2008-07-02 | Bayer CropScience AG | Substituierte 1-(3-Pyridinyl)pyrazol-4-yl-essigsäuren, Verfahren zu deren Herstellung und deren Verwendung als Herbizide und Pflanzenwachstumsregulatoren |
US9615501B2 (en) | 2007-01-18 | 2017-04-11 | Deere & Company | Controlling the position of an agricultural implement coupled to an agricultural vehicle based upon three-dimensional topography data |
CN101236188B (zh) | 2007-01-31 | 2011-04-13 | 北京林业大学 | 土壤水分无线测量装置 |
DE102007016670A1 (de) | 2007-04-04 | 2008-10-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende landwirtschaftliche Erntemaschine mit steuerbarer Überladeeinrichtung |
BRPI0808408B1 (pt) | 2007-04-05 | 2018-04-17 | Iowa State University Research Foundation, Inc. | Sistema de colheita de resíduo de cultura para uma máquina de colheita, máquina de colheita e método para colher uma cultura usando uma máquina de colheita |
DE102007018743A1 (de) | 2007-04-22 | 2008-10-23 | Bomag Gmbh | Verfahren und System zur Steuerung von Verdichtungsmaschinen |
US7487024B2 (en) | 2007-04-26 | 2009-02-03 | Cnh America Llc | Apparatus and method for automatically setting operating parameters for a remotely adjustable spreader of an agricultural harvesting machine |
EP1987718A1 (de) | 2007-04-30 | 2008-11-05 | Bayer CropScience AG | Verwendung von Pyridin-2-oxy-3-carbonamiden als Safener |
US8010261B2 (en) | 2007-05-23 | 2011-08-30 | Cnh America Llc | Automatic steering correction of an agricultural harvester using integration of harvester header row sensors and harvester auto guidance system |
TW200904330A (en) | 2007-06-15 | 2009-02-01 | Bayer Cropscience Sa | Pesticidal composition comprising a strigolactone derivative and a fungicide compound |
TW200904331A (en) | 2007-06-15 | 2009-02-01 | Bayer Cropscience Sa | Pesticidal composition comprising a strigolactone derivative and an insecticide compound |
FR2901291B1 (fr) | 2007-07-06 | 2020-10-09 | Soc Du Canal De Provence Et Damenagement De La Region Provencale | Dispositif pour mesurer le tassement du sol soutenant une construction |
DE102007032309A1 (de) | 2007-07-11 | 2009-01-15 | Deere & Company, Moline | Bedienvorrichtung |
EP2020174B1 (en) | 2007-08-03 | 2012-02-29 | AGROCOM GmbH & Co. Agrarsystem KG | Agricultural working machine |
US8073235B2 (en) | 2007-08-13 | 2011-12-06 | Pioneer Hi-Bred International, Inc. | Method and system for digital image analysis of ear traits |
PL2573074T3 (pl) | 2007-08-13 | 2014-12-31 | Dow Agrosciences Llc | 2-(2-fluoro-podstawiony fenyl)-6-amino-5-chloro-4-pirymidynokarboksylany i ich zastosowanie jako herbicydów |
GB0717986D0 (en) | 2007-09-14 | 2007-10-24 | Cnh Belgium Nv | A method and apparatus for detecting errors in electronically processed images |
WO2009042238A1 (en) | 2007-09-26 | 2009-04-02 | Precision Planting, Inc. | System and method for determining proper downforce for a planter row unit |
US8060283B2 (en) | 2007-10-15 | 2011-11-15 | Deere & Company | Method and system for controlling the loading of a container associated with a vehicle |
EP2052604A1 (de) | 2007-10-24 | 2009-04-29 | Bayer CropScience AG | Salz des 2-lodo-N-[(4-methoxy-6-methyl-1,3,5-triazin-2-yl)carbamoyl] benzolsulfonamids,Verfahren zu deren Herstellung, sowie deren Verwendung als Herbizide und Pflanzenwachstumregulatoren |
EP2052616A1 (de) | 2007-10-24 | 2009-04-29 | Bayer CropScience AG | Herbizid-Safener-Kombination |
DE102007053912A1 (de) | 2007-11-09 | 2009-05-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Überladeassistenzsystem |
US8024074B2 (en) | 2007-12-07 | 2011-09-20 | Deere & Company | System and method of managing substances in a plant root zone |
US8924030B2 (en) | 2008-01-24 | 2014-12-30 | Cnh Industrial America Llc | Method and apparatus for optimization of agricultural field operations using weather, product and environmental information |
US8190335B2 (en) | 2008-02-04 | 2012-05-29 | Caterpillar Inc. | Performance management system for multi-machine worksite |
AR070371A1 (es) | 2008-02-13 | 2010-03-31 | Harrington Raymond Brian | Destruccion de semillas de maleza y semillas de poblaciones voluntarias |
US20090216410A1 (en) | 2008-02-26 | 2009-08-27 | William Edward Allen | Automated machine management system with destination selection |
DE102008015277A1 (de) | 2008-03-20 | 2009-09-24 | Deere & Company, Moline | Verfahren und Vorrichtung zur Lenkung einer zweiten landwirtschaftlichen Maschine, die relativ zu einer ersten landwirtschaftlichen Maschine über ein Feld lenkbar ist |
US20090259483A1 (en) | 2008-04-11 | 2009-10-15 | Larry Lee Hendrickson | Method for making a land management decision based on processed elevational data |
US8060269B2 (en) | 2008-04-16 | 2011-11-15 | Cnh America Llc | Swath line creation including slope compensation for an automatic guidance system of a work vehicle |
DE102008020494A1 (de) | 2008-04-23 | 2009-10-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zum Koordinieren von fahrbaren landwirtschaftlichen Maschinen |
DE102008021785A1 (de) | 2008-04-30 | 2009-11-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zum Koordinieren eines Bearbeitungsvorgangs von landwirtschaftlicher Fläche |
CN201218789Y (zh) | 2008-05-09 | 2009-04-08 | 昆明理工大学 | 一种手持式定压土壤压实度测量装置 |
CA2629555A1 (en) | 2008-05-14 | 2009-11-14 | Gerard Voon | Related/overlapping innovations in health/energy/transport/farming and infrastructure |
DE102008002006A1 (de) | 2008-05-27 | 2009-12-03 | Deere & Company, Moline | Steueranordnung zur Kontrolle des Überladens landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
DE102008027282A1 (de) | 2008-06-06 | 2009-12-10 | Claas Industrietechnik Gmbh | Landwirtschaftliches Fahrzeug und Betriebsverfahren dafür |
US8175775B2 (en) | 2008-06-11 | 2012-05-08 | Cnh America Llc | System and method employing short range communications for establishing performance parameters of an exemplar agricultural machine among a plurality of like-purpose agricultural machines |
DE102008027906A1 (de) | 2008-06-12 | 2009-12-17 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Erntemaschine |
US8147176B2 (en) | 2008-06-17 | 2012-04-03 | Deere & Company | Work machine and unloading system for unloading an agricultural product from a work machine |
ES2332567B1 (es) | 2008-06-27 | 2011-02-10 | Consejo Superior Investigacion | Procedimiento automatico para seccionar imagenes remotas y caracterizar indicadores agronomicos y ambientales en las mismas |
US8032255B2 (en) | 2008-06-30 | 2011-10-04 | Deere & Company | Monitoring of bin level for an agricultural product |
CN101303338B (zh) | 2008-07-01 | 2011-10-05 | 中国农业大学 | 一种车载行进式土壤坚实度传感器 |
WO2010003421A1 (en) | 2008-07-08 | 2010-01-14 | Aarhus Universitet | Method for optimizing harvesting of crops |
DE102008032418A1 (de) | 2008-07-10 | 2010-01-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftlicher Maschinenverband |
BRPI0802384B1 (pt) | 2008-07-23 | 2019-04-30 | Roberto Shiniti Sako | Penetrômetro portátil para análise de compactação de solo |
KR100974892B1 (ko) | 2008-08-01 | 2010-08-11 | 한국철도기술연구원 | 지반의 다짐 품질 측정 방법 |
US9152938B2 (en) | 2008-08-11 | 2015-10-06 | Farmlink Llc | Agricultural machine and operator performance information systems and related methods |
US8280595B2 (en) | 2008-08-12 | 2012-10-02 | Cnh America Llc | System and method employing short range communications for communicating and exchanging operational and logistical status information among a plurality of agricultural machines |
US8478493B2 (en) | 2008-09-11 | 2013-07-02 | Deere & Company | High integrity perception program |
US8195342B2 (en) | 2008-09-11 | 2012-06-05 | Deere & Company | Distributed knowledge base for vehicular localization and work-site management |
US8195358B2 (en) | 2008-09-11 | 2012-06-05 | Deere & Company | Multi-vehicle high integrity perception |
US8224500B2 (en) | 2008-09-11 | 2012-07-17 | Deere & Company | Distributed knowledge base program for vehicular localization and work-site management |
US8818567B2 (en) | 2008-09-11 | 2014-08-26 | Deere & Company | High integrity perception for machine localization and safeguarding |
US9235214B2 (en) | 2008-09-11 | 2016-01-12 | Deere & Company | Distributed knowledge base method for vehicular localization and work-site management |
US8145393B2 (en) | 2008-09-17 | 2012-03-27 | Cnh America Llc | System and method employing short range communications for interactively coordinating unloading operations between a harvester and a grain transport |
GB0817172D0 (en) | 2008-09-19 | 2008-10-29 | Cnh Belgium Nv | Control system for an agricultural harvesting machine |
CN101363833B (zh) | 2008-09-25 | 2012-02-22 | 中国科学院地质与地球物理研究所 | 一种土体击实排水模型试验装置 |
DE102008050460A1 (de) | 2008-10-08 | 2010-04-15 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Einsatzsteuerung von landwirtschaftlichen Maschinen |
US8639408B2 (en) | 2008-10-15 | 2014-01-28 | Deere & Company | High integrity coordination system for multiple off-road vehicles |
DE102008056557A1 (de) | 2008-11-10 | 2010-05-12 | Claas Selbstfahrende Erntemaschinen Gmbh | Erstellung von Bilddatenbanken für Bildauswertung |
DE102008061252A1 (de) | 2008-11-24 | 2010-05-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Unterstützung der Automatisierung landwirtschaftlicher Leistungen |
EP2191719A1 (de) | 2008-11-29 | 2010-06-02 | Bayer CropScience AG | Herbizid-Safener-Kombination |
KR101067576B1 (ko) | 2008-12-03 | 2011-09-27 | 한국수자원공사 | 성토재료의 다짐특성 실내 측정방법 및 장치 |
US8577537B2 (en) | 2008-12-16 | 2013-11-05 | Agco Corporation | Methods and systems for optimizing performance of vehicle guidance systems |
EP2210879A1 (de) | 2008-12-30 | 2010-07-28 | Bayer CropScience AG | Pyrimidinderivate und ihre Verwendung zur Bekämpfung unerwünschten Pflanzenwachstums |
DE102009009767A1 (de) | 2009-02-20 | 2010-08-26 | Claas Selbstfahrende Erntemaschinen Gmbh | Fahrerassistenzsystem für landwirtschaftliche Arbeitsmaschine |
DE102009009817A1 (de) | 2009-02-20 | 2010-08-26 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliches Arbeitsfahrzeug und Steuereinheit dafür |
CN101929166B (zh) | 2009-04-14 | 2012-08-08 | 洛阳路为电子科技有限公司 | 便携式土基密实度测量仪 |
US8321365B2 (en) | 2009-04-21 | 2012-11-27 | Deere & Company | Horticultural knowledge base for managing yards and gardens |
US9538714B2 (en) | 2009-04-21 | 2017-01-10 | Deere & Company | Managing resource prescriptions of botanical plants |
US7993188B2 (en) | 2009-06-09 | 2011-08-09 | Deere & Company | Variable rate diverter for a crop residue collecting device carried by a combine harvester |
DE102009025438A1 (de) | 2009-06-16 | 2011-01-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Routenplanungsverfahren und -system |
US20100319941A1 (en) | 2009-06-22 | 2010-12-23 | Agco Corp. | Trenching Device And System |
DE102009027245A1 (de) | 2009-06-26 | 2010-12-30 | Deere & Company, Moline | Steueranordnung zur Kontrolle des Überladens landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
KR20110018582A (ko) | 2009-08-18 | 2011-02-24 | 진성기 | 약액형 및 분말형 고화제를 이용한 고화 흙벽돌 및 블록 제작 방법 |
PL2311307T3 (pl) | 2009-09-07 | 2012-09-28 | Claas E Systems Gmbh | Wskaźnik stopnia napełnienia, pojazd rolniczy zawierający taki wskaźnik oraz sposób kontroli napełniania obszaru docelowego |
US20110224873A1 (en) | 2009-09-17 | 2011-09-15 | Reeve David R | Vehicle assembly controller with automaton framework and control method |
DE102009041646A1 (de) | 2009-09-17 | 2011-03-24 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Maschine mit Autopilot |
US9345194B2 (en) | 2009-09-30 | 2016-05-24 | Cnh Industrial America Llc | Automatic display of remote camera image |
CZ20252U1 (cs) | 2009-10-06 | 2009-11-16 | Šarec@Petr | Přístroj pro měření utužení půdy s laserovým snímáním hloubky - laserový penetrometr |
US8082809B2 (en) | 2009-10-08 | 2011-12-27 | Pioneer Hi-Bred International, Inc. | Combine harvester and associated method for selectively gathering grain test data |
US8344897B2 (en) | 2009-10-12 | 2013-01-01 | Agco Corporation | System and method for assisting in the refilling of agricultural vehicles |
KR101134075B1 (ko) | 2009-10-13 | 2012-04-13 | 한국건설기술연구원 | 지반다짐장비의 이동에 따른 지반의 연속 다짐정보 제공장치 및 이를 이용한 지반의 연속 다짐정보 제공방법 |
US8738238B2 (en) | 2009-11-12 | 2014-05-27 | Deere & Company | Coordination of vehicle movement in a field |
EP2503867B1 (en) | 2009-11-25 | 2018-04-25 | Aarhus Universitet | System for reducing compaction of soil |
US8635903B2 (en) | 2009-12-22 | 2014-01-28 | Caterpillar Paving Products Inc. | Method and system for compaction measurement |
US20110160961A1 (en) | 2009-12-29 | 2011-06-30 | Agco Corporation | Guidance using a worked edge for wayline generation |
DE102010004648A1 (de) | 2010-01-13 | 2011-07-14 | CLAAS Selbstfahrende Erntemaschinen GmbH, 33428 | Erntemaschine, insbesondere Feldhäcksler |
AU2010342763B2 (en) | 2010-01-15 | 2012-11-01 | Leica Geosystems Ag | A system and method of data sharing |
CN102138383A (zh) | 2010-01-28 | 2011-08-03 | 中国农业机械化科学研究院 | 一种联合收割机谷物损失空间分布的测量方法及其装置 |
EP2353353A1 (en) | 2010-02-05 | 2011-08-10 | Flander's Mechatronics Technology Centre v.z.w. | In use adaptation of schedule for multi-vehicle ground processing operations |
RU2421744C1 (ru) | 2010-02-15 | 2011-06-20 | Открытое акционерное общество "Научно-исследовательский институт приборостроения имени В.В. Тихомирова" | Компактный полигон для измерения характеристик различных антенных систем |
US10537061B2 (en) | 2010-02-26 | 2020-01-21 | Cnh Industrial America Llc | System and method for controlling harvest operations |
JP5522785B2 (ja) | 2010-03-19 | 2014-06-18 | 株式会社日立ソリューションズ | 農作業車両運行管理システム |
JP2011205967A (ja) | 2010-03-30 | 2011-10-20 | Takayuki Nishida | 水田における雑草の発生防止用ロボット |
US20110257850A1 (en) | 2010-04-14 | 2011-10-20 | Reeve David R | Vehicle assembly control system and method for composing or decomposing a task |
US8527157B2 (en) | 2010-04-28 | 2013-09-03 | Deere & Company | Agricultural combine and draper header |
US8463510B2 (en) | 2010-04-30 | 2013-06-11 | Cnh America Llc | GPS controlled residue spread width |
CN101839906B (zh) | 2010-05-10 | 2013-10-09 | 吉林大学 | 一种具有耐磨几何结构表面的锥形触土部件 |
CA135611S (en) | 2010-05-19 | 2011-05-05 | Rhonda Genest | Weed removing and grooming garden hand tool |
US8924152B2 (en) | 2010-05-28 | 2014-12-30 | Agjunction Llc | Remote management system for equipment |
US8380401B2 (en) | 2010-06-09 | 2013-02-19 | Cnh America Llc | Automatic grain transfer control system based on real time modeling of a fill level profile for regions of the receiving container |
DE102010017687A1 (de) | 2010-07-01 | 2012-01-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Einstellung zumindest eines Arbeitsorganes einer selbstfahrenden Erntemaschine |
BE1019422A3 (nl) | 2010-07-14 | 2012-07-03 | Cnh Belgium Nv | Werkwijze en toestel voor voorspellende sturing van een landbouwvoertuigsysteem. |
DE102010038661B4 (de) | 2010-07-29 | 2020-07-02 | Deere & Company | Erntemaschine mit einem an einem Fluggerät befestigten Sensor |
US8544397B2 (en) | 2010-09-15 | 2013-10-01 | Dawn Equipment Company | Row unit for agricultural implement |
DE102010053331A1 (de) | 2010-09-28 | 2012-03-29 | Lacos Computerservice Gmbh | Verfahren und Navigationsvorrichtung zur Optimierung des Transportes landwirtschaftlicher Produkte |
US9043129B2 (en) | 2010-10-05 | 2015-05-26 | Deere & Company | Method for governing a speed of an autonomous vehicle |
US9072227B2 (en) | 2010-10-08 | 2015-07-07 | Deere & Company | System and method for improvement of harvest with crop storage in grain bags |
US8789563B2 (en) | 2010-10-12 | 2014-07-29 | Deere & Company | Intelligent grain bag loader |
US8677724B2 (en) | 2010-10-25 | 2014-03-25 | Deere & Company | Round baler for baling crop residue |
US8596194B2 (en) | 2010-10-28 | 2013-12-03 | Deere & Company | Method and apparatus for determining fraction of hay at different moisture levels |
DE102010043854B4 (de) | 2010-11-12 | 2016-01-14 | Deere & Company | Steueranordnung zur Kontrolle des Überladens landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
DE102010052713A1 (de) | 2010-11-26 | 2012-05-31 | Bomag Gmbh | Verfahrbare Vorrichtung zur Verdichtung eines Bodenschichtaufbaus und Verfahren zur Ermittlung eines Schicht-E-Moduls einer obersten Schicht dieses Bodenschichtaufbaus |
GB2492954A (en) | 2010-12-06 | 2013-01-23 | Agco Corp | A system for automatic agricultural reporting |
RU2447640C1 (ru) | 2010-12-08 | 2012-04-20 | Василий Васильевич Ефанов | Способ управления технологическим процессом уборочной машины и система для его осуществления |
CN102080373B (zh) | 2010-12-09 | 2012-07-04 | 西安建筑科技大学 | 用ddc桩和桩基础联合处理黄土地基湿陷性的施工方法 |
WO2012094256A1 (en) | 2011-01-04 | 2012-07-12 | Precision Planting, Inc. | Methods for generating soil maps and application prescriptions |
ITTO20110133A1 (it) | 2011-02-16 | 2012-08-17 | Cnh Italia Spa | Sistema di comunicazione senza fili per veicoli agricoli |
WO2012110544A1 (en) | 2011-02-18 | 2012-08-23 | Cnh Belgium N.V. | Harvester spout control system and method |
US8606454B2 (en) | 2011-02-18 | 2013-12-10 | Cnh America Llc | System and method for synchronized control of a harvester and transport vehicle |
US9002591B2 (en) | 2011-02-18 | 2015-04-07 | Cnh Industrial America Llc | Harvester spout control system and method |
US9014901B2 (en) | 2011-02-18 | 2015-04-21 | Cnh Industrial America Llc | System and method for trajectory control of a transport vehicle used with a harvester |
US8463460B2 (en) | 2011-02-18 | 2013-06-11 | Caterpillar Inc. | Worksite management system implementing anticipatory machine control |
US8655505B2 (en) | 2011-02-18 | 2014-02-18 | Caterpillar Inc. | Worksite management system implementing remote machine reconfiguration |
BRPI1100258A2 (pt) | 2011-02-28 | 2014-03-11 | Apagri Consultoria Agronomica Ltda | Processo para obtenção de mapas de aplicação em taxa variada de herbicidas pré-emergentes |
US8577561B2 (en) | 2011-03-08 | 2013-11-05 | Deere & Company | Control system and method of operating a product distribution machine |
US9629308B2 (en) | 2011-03-11 | 2017-04-25 | Intelligent Agricultural Solutions, Llc | Harvesting machine capable of automatic adjustment |
DE102011005400B4 (de) | 2011-03-11 | 2015-05-28 | Deere & Company | Anordnung und Verfahren zur Abschätzung des Füllgrades beim Überladen landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
US9631964B2 (en) | 2011-03-11 | 2017-04-25 | Intelligent Agricultural Solutions, Llc | Acoustic material flow sensor |
US10318138B2 (en) | 2011-03-11 | 2019-06-11 | Intelligent Agricultural Solutions Llc | Harvesting machine capable of automatic adjustment |
US9043096B2 (en) | 2011-03-31 | 2015-05-26 | Ag Leader Technology | Combine bin level monitoring system |
DE102011001858A1 (de) | 2011-04-07 | 2012-10-11 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung und Verfahren zur Überwachung der Befahrbarkeit eines Bodens |
DE102011016743A1 (de) | 2011-04-12 | 2012-10-18 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliches Transportfahrzeug und Fahrzeugverbund |
DE102011007511A1 (de) | 2011-04-15 | 2012-10-18 | Deere & Company | Verfahren zur Einstellung einer Reinigungseinrichtung eines Mähdreschers und Reinigungseinrichtung |
DE102011002071A1 (de) | 2011-04-15 | 2012-10-18 | Claas Selbstfahrende Erntemaschinen Gmbh | System und Verfahren zur Steuerung der Erntegutüberladung |
CN102277867B (zh) | 2011-05-13 | 2013-10-09 | 西安建筑科技大学 | 一种湿陷性黄土地基的施工方法 |
CN202110103U (zh) | 2011-05-14 | 2012-01-11 | 长沙亚星数控技术有限公司 | 电液伺服车载式混填土压实度快速测定系统 |
DE102011050474A1 (de) | 2011-05-19 | 2012-11-22 | Amazonen-Werke H. Dreyer Gmbh & Co.Kg | Landwirtschaftliches Gerät |
DE102011050629A1 (de) | 2011-05-25 | 2012-11-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntevorrichtung |
EP2529610A1 (en) | 2011-05-30 | 2012-12-05 | Agri-Esprit SAS | Method for harvest monitoring |
CN202119772U (zh) | 2011-06-01 | 2012-01-18 | 王新勇 | 一种车载土基密实度在线测量仪 |
UA115124C2 (uk) | 2011-06-13 | 2017-09-25 | Зе Клаймат Корпорейшн | Системи і способи створення карт-приписів і ділянок |
US20130022430A1 (en) | 2011-07-20 | 2013-01-24 | Anderson Noel W | Material transfer system |
US20130019580A1 (en) | 2011-07-20 | 2013-01-24 | Anderson Noel W | Bidirectional harvesting system |
DE102011052688B4 (de) | 2011-08-12 | 2021-02-04 | Andreas Reichhardt | Verfahren und System zur Befüllung von Transportfahrzeugen mit Erntegut |
US9511633B2 (en) | 2011-08-17 | 2016-12-06 | Deere & Company | Soil compaction management and reporting |
US8843269B2 (en) | 2011-08-17 | 2014-09-23 | Deere & Company | Vehicle soil pressure management based on topography |
DE102011082052B4 (de) | 2011-09-02 | 2015-05-28 | Deere & Company | Anordnung und Verfahren zur selbsttätigen Überladung von Erntegut von einer Erntemaschine auf ein Transportfahrzeug |
DE102011082908A1 (de) | 2011-09-19 | 2013-03-21 | Deere & Company | Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine |
DE102011054630A1 (de) | 2011-10-20 | 2013-04-25 | Claas Agrosystems GmbH | Visualisierungseinrichtung |
CA2852938A1 (en) | 2011-10-21 | 2013-04-25 | Pioneer Hi-Bred International, Inc. | Combine harvester and associated method for gathering grain |
WO2013063106A2 (en) | 2011-10-24 | 2013-05-02 | Trimble Navigation Limited | Agricultural and soil management |
DE102011085380A1 (de) | 2011-10-28 | 2013-05-02 | Deere & Company | Anordnung und Verfahren zur vorausschauenden Untersuchung von mit einer Erntemaschine aufzunehmenden Pflanzen |
DE102011085977A1 (de) | 2011-11-09 | 2013-05-16 | Deere & Company | Sieb für eine Reinigungseinrichtung eines Mähdreschers |
US20130124239A1 (en) | 2011-11-15 | 2013-05-16 | Uriel Rosa | Crop yield per location measurer |
US9322629B2 (en) | 2011-11-22 | 2016-04-26 | Precision Planting Llc | Stalk sensor apparatus, systems, and methods |
CN202340435U (zh) | 2011-11-28 | 2012-07-25 | 南京工业职业技术学院 | 基于作业路径的玉米产量实时测量系统 |
DE102011120402A1 (de) | 2011-12-03 | 2013-06-06 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Koordinieren einer Transportlogistik sowie Transportlogistiksystem |
BR102012017584B1 (pt) | 2011-12-08 | 2019-03-26 | Agco Do Brasil Máquinas E Equipamentos Agrícolas Ltda. | Sistema e método de auxílio de correção de velocidade |
DE102011121414A1 (de) | 2011-12-17 | 2013-06-20 | Robert Bosch Gmbh | Verfahren und eine Vorrichtung zur Regelung einer Fahrt einer ersten selbstfahrenden Arbeitsmaschine in Bezug zu einer zweiten selbstfahrenden Arbeitsmaschine |
US8801512B2 (en) | 2011-12-19 | 2014-08-12 | Agco Corporation | Method for measuring air efficiency and efficacy in a combine harvester |
US8626406B2 (en) | 2011-12-22 | 2014-01-07 | Deere & Company | Method and system for transferring material between vehicles |
DE102012201333A1 (de) | 2012-01-31 | 2013-08-01 | Deere & Company | Landwirtschaftliche Maschine mit einem System zur selbsttätigen Einstellung eines Bearbeitungsparameters und zugehöriges Verfahren |
US9861040B2 (en) | 2012-02-10 | 2018-01-09 | Deere & Company | Method and stereo vision system for facilitating the unloading of agricultural material from a vehicle |
US9392746B2 (en) | 2012-02-10 | 2016-07-19 | Deere & Company | Artificial intelligence for detecting and filling void areas of agricultural commodity containers |
US8649940B2 (en) | 2012-02-10 | 2014-02-11 | Deere & Company | Method and stereo vision system for managing the unloading of an agricultural material from a vehicle |
US8868304B2 (en) | 2012-02-10 | 2014-10-21 | Deere & Company | Method and stereo vision system for facilitating the unloading of agricultural material from a vehicle |
GB2511714B (en) | 2012-02-10 | 2017-12-27 | Deere & Co | Method of material handling using one or more imaging devices on the transferring vehicle and on the receiving vehicle to control the material distribution |
DE102012208554A1 (de) | 2012-05-22 | 2013-11-28 | Hamm Ag | Verfahren zur Planung und Durchführung von Bodenverdichtungsvorgängen, insbesondere zurAsphaltverdichtung |
US9288938B2 (en) | 2012-06-01 | 2016-03-22 | Rowbot Systems Llc | Robotic platform and method for performing multiple functions in agricultural systems |
US20130319941A1 (en) | 2012-06-05 | 2013-12-05 | American Water Works Company, Inc. | Simultaneous recovery of coagulant and acid |
US8930039B2 (en) | 2012-06-11 | 2015-01-06 | Cnh Industrial America Llc | Combine performance evaluation tool |
US9117790B2 (en) | 2012-06-25 | 2015-08-25 | Marvell World Trade Ltd. | Methods and arrangements relating to semiconductor packages including multi-memory dies |
DE102012211001A1 (de) | 2012-06-27 | 2014-01-02 | Deere & Company | Anordnung zur Kontrolle einer Austrageinrichtung einer Erntemaschine mit einer selbsttätigen Positionierung in einer Ruhestellung bei nicht möglichen bzw. stattfindendem Überladevorgang |
RU2502047C1 (ru) | 2012-07-13 | 2013-12-20 | Федеральное государственное бюджетное учреждение науки Институт геологии и минералогии им. В.С. Соболева Сибирского отделения Российской академии наук (Институт геологии и минералогии СО РАН, ИГМ СО РАН) | Способ оценки проходимости местности вне дорог |
DE102013106128A1 (de) | 2012-07-16 | 2014-06-12 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine mit zumindest einer Steuerungseinrichtung |
US20140067745A1 (en) | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
US9095090B2 (en) | 2012-08-31 | 2015-08-04 | Deere & Company | Pressure-based control system for an agricultural implement |
WO2014046685A1 (en) | 2012-09-24 | 2014-03-27 | Deere & Company | Bidirectional harvesting system |
EP2902957A4 (en) | 2012-09-26 | 2016-06-29 | Kubota Kk | AGRICULTURAL MANAGEMENT SYSTEM AND HARVESTER |
CN107256579B (zh) | 2012-09-26 | 2021-08-03 | 株式会社久保田 | 收获机、对地作业信息显示方法、装置和记录介质 |
DE202012103730U1 (de) | 2012-09-28 | 2012-10-16 | Agco International Gmbh | Erntemaschine mit einer Überladeeinrichtung |
US20140121882A1 (en) | 2012-10-31 | 2014-05-01 | Brian J. Gilmore | System for Coordinating the Relative Movements of an Agricultural Harvester and a Cart |
CN203053961U (zh) | 2012-11-02 | 2013-07-10 | 昆明理工大学 | 一种土壤压实数据监测装置 |
DE102012021469A1 (de) | 2012-11-05 | 2014-05-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Assistenzsystem zur Optimierung des Fahrzeugbetriebes |
DE102012220109A1 (de) | 2012-11-05 | 2014-05-08 | Deere & Company | Einrichtung zur Erfassung des Betriebszustands einer Arbeitsmaschine |
KR101447197B1 (ko) | 2012-11-07 | 2014-10-06 | 최준성 | 다짐 평가용 동적 관입 시험 장치 및 이를 이용한 다짐 평가 방법 |
DE102012220916A1 (de) | 2012-11-15 | 2014-05-15 | K&K Maschinenentwicklungs GmbH & Co. KG | Verfahren zum Neuherstellen, Sanieren oder Rückbauen einer Schienenfahrbahn |
DE102012221344B3 (de) | 2012-11-22 | 2014-05-15 | Hamm Ag | Umkleidungsanordnung, Bodenbearbeitungswalze und Verfahren zum Anbringen einer Umkleidungsanordnung |
WO2014093814A1 (en) | 2012-12-14 | 2014-06-19 | Agco Corporation | Predictive load estimation through forward vision |
DE102012223434B4 (de) | 2012-12-17 | 2021-03-25 | Deere & Company | Verfahren und Anordnung zur Optimierung eines Betriebsparameters eines Mähdreschers |
DE102012223768B4 (de) | 2012-12-19 | 2014-07-03 | Deere & Company | Fremdkörpernachweiseinrichtung für eine landwirtschaftliche Erntemaschine |
US20140172222A1 (en) | 2012-12-19 | 2014-06-19 | Agco Corporation | Speed control in agricultural vehicle guidance systems |
US20140172225A1 (en) | 2012-12-19 | 2014-06-19 | Agco Corporation | Speed control in agricultural vehicle guidance systems |
US20140172224A1 (en) | 2012-12-19 | 2014-06-19 | Agco Corporation | Speed control in agricultural vehicle guidance systems |
JP6059027B2 (ja) | 2013-01-21 | 2017-01-11 | 株式会社クボタ | 農作業機と農作業管理プログラム |
DE102013001157A1 (de) | 2013-01-24 | 2014-08-07 | Zind Systementwicklungs Gmbh | Fertigungsanlage zur Fertigung von Gefäßen aus Gefäßrohlingen und Fertigungsverfahren |
US9497898B2 (en) | 2013-01-24 | 2016-11-22 | Tribine Industries, LLC | Agricultural harvester unloading assist system and method |
CN203206739U (zh) | 2013-01-25 | 2013-09-25 | 蒋行宇 | 打瓜联合收获机 |
US8955402B2 (en) | 2013-01-25 | 2015-02-17 | Trimble Navigation Limited | Sugar cane yield mapping |
CN103088807B (zh) | 2013-01-30 | 2014-12-10 | 青岛市勘察测绘研究院 | 强夯地基加固处理系统及其方法 |
WO2014137533A2 (en) | 2013-02-07 | 2014-09-12 | Brown Owen J Jr | Wireless monitor maintenance and control system |
DE102013201996A1 (de) | 2013-02-07 | 2014-08-07 | Deere & Company | Verfahren zur Einstellung von Arbeitsparametern einer Erntemaschine |
US9326444B2 (en) | 2013-02-08 | 2016-05-03 | Deere & Company | Method and stereo vision system for facilitating the unloading of agricultural material from a vehicle |
GB2510629B (en) | 2013-02-11 | 2015-10-14 | Kverneland Group Les Landes Genusson | Strip tilling system |
GB2510630B (en) | 2013-02-11 | 2015-08-05 | Kverneland Group Les Landes Genusson | Strip tilling system |
ES2678843T3 (es) | 2013-02-19 | 2018-08-17 | Grains Research And Development Corporation | Disposición de desvitalización de semillas de maleza |
US9066465B2 (en) | 2013-02-20 | 2015-06-30 | Deere & Company | Soil compaction reduction system and method |
US10178828B2 (en) | 2013-02-20 | 2019-01-15 | Deere & Company | Per plant crop sensing resolution |
US11212962B2 (en) | 2013-02-20 | 2022-01-04 | Deere & Company | Field condition determination |
US9668420B2 (en) | 2013-02-20 | 2017-06-06 | Deere & Company | Crop sensing display |
US9693503B2 (en) | 2013-02-20 | 2017-07-04 | Deere & Company | Crop sensing |
US20140257911A1 (en) | 2013-03-08 | 2014-09-11 | Deere & Company | Methods and apparatus to schedule refueling of a work machine |
CN103181263A (zh) | 2013-03-11 | 2013-07-03 | 西北农林科技大学 | 一种多机器协作的小麦收割系统 |
US9410840B2 (en) | 2013-03-15 | 2016-08-09 | Raven Industries, Inc. | Multi-variable yield monitor and methods for the same |
US20140277960A1 (en) | 2013-03-18 | 2014-09-18 | Deere & Company | Harvester with fuzzy control system for detecting steady crop processing state |
EP2978665A4 (en) | 2013-03-24 | 2017-04-26 | Bee Robotics Corporation | Aerial farm robot system for crop dusting, planting, fertilizing and other field jobs |
CN105163575B (zh) | 2013-03-27 | 2021-08-03 | 株式会社久保田 | 联合收割机 |
EP3020265B1 (en) | 2013-04-02 | 2017-09-20 | Deere & Company | Control arrangement and method for controlling a position of a transfer device of a harvesting machine |
US9992932B2 (en) | 2013-04-02 | 2018-06-12 | Deere & Company | Control arrangement and method for controlling a position of a transfer device of a harvesting machine |
US10129528B2 (en) | 2013-04-02 | 2018-11-13 | Deere & Company | Control arrangement and method for controlling a position of a transfer device of a harvesting machine |
GB2515172B (en) | 2013-04-22 | 2016-01-06 | Univ Carnegie Mellon | Methods for improving the robustness of an automated unloading system |
CN203275401U (zh) | 2013-04-24 | 2013-11-06 | 陈金 | 一种新型公路土工击实快速测厚调节仪 |
CN203055121U (zh) | 2013-04-26 | 2013-07-10 | 昆明理工大学 | 一种基于Zigbee技术的土壤压实数据无线传输装置 |
EP2798928B1 (en) | 2013-04-29 | 2024-02-07 | CLAAS E-Systems GmbH | Operating system for and method of operating an automatic guidance system of an agricultural vehicle |
US10740703B2 (en) | 2013-04-29 | 2020-08-11 | Verge Technologies Inc. | Method and system for determining optimized travel path for agricultural implement on land with obstacle |
CA2814599A1 (en) | 2013-04-29 | 2014-10-29 | Fieldstone Land Management Inc. | Method and apparatus for tangible effect calculation and compensation |
DE102013209197A1 (de) | 2013-05-17 | 2014-11-20 | Deere & Company | Erntemaschine mit vorausschauender Vortriebsgeschwindigkeitsregelung |
USD721740S1 (en) | 2013-05-23 | 2015-01-27 | Deere & Company | Display interface or housing thereof |
BE1021150B1 (nl) | 2013-06-03 | 2016-01-13 | Cnh Industrial Belgium Nv | Werkwijze voor het verwerken van belastingssignaal van een balenpers |
DE102013105821A1 (de) | 2013-06-06 | 2014-12-11 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntemaschine zur Aufnahme von Erntegut |
DE102013212151A1 (de) | 2013-06-26 | 2014-12-31 | Robert Bosch Gmbh | Baumaschine mit einer Vibrationseinheit |
DE102013107169A1 (de) | 2013-07-08 | 2015-01-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Erntemaschine |
EP3018987B1 (en) | 2013-07-10 | 2020-09-02 | Agco Corporation | Automating distribution of work in a field |
DE102013012027A1 (de) | 2013-07-19 | 2015-01-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende Erntemaschine und Fahrzeugverbund |
GB2517049B (en) | 2013-07-28 | 2019-09-11 | Deere & Co | Artificial intelligence for detecting and filling void areas of agricultural commodity containers |
US9301466B2 (en) | 2013-07-29 | 2016-04-05 | Syngenta Participations Ag | Variety corn line HID3259 |
US9188518B2 (en) | 2013-08-19 | 2015-11-17 | Bridgestone Americas Tire Operations, Llc | Ground compaction images |
JP6134609B2 (ja) | 2013-08-28 | 2017-05-24 | ヤンマー株式会社 | 遠隔サーバ |
US9767521B2 (en) | 2013-08-30 | 2017-09-19 | The Climate Corporation | Agricultural spatial data processing systems and methods |
US20160360697A1 (en) | 2013-09-03 | 2016-12-15 | Agco Corporation | System and method for automatically changing machine control state |
WO2015038751A1 (en) | 2013-09-13 | 2015-03-19 | Agco Corporation | Method to automatically estimate and classify spatial data for use on real time maps |
US9234317B2 (en) | 2013-09-25 | 2016-01-12 | Caterpillar Inc. | Robust system and method for forecasting soil compaction performance |
US9804756B2 (en) | 2013-09-27 | 2017-10-31 | Iteris, Inc. | Comparative data analytics and visualization tool for analyzing traffic performance data in a traffic management system |
WO2015048499A1 (en) | 2013-09-27 | 2015-04-02 | John Earl Acheson | Yield monitor calibration method and system |
US9188986B2 (en) | 2013-10-01 | 2015-11-17 | Jaybridge Robotics, Inc. | Computer-implemented method and system for dynamically positioning a vehicle relative to another vehicle in motion for on-the-fly offloading operations |
JP2015070812A (ja) | 2013-10-03 | 2015-04-16 | ヤンマー株式会社 | 農作物情報管理システム |
WO2015051339A1 (en) | 2013-10-03 | 2015-04-09 | Farmers Business Network, Llc | Crop model and prediction analytics |
US10104824B2 (en) | 2013-10-14 | 2018-10-23 | Kinze Manufacturing, Inc. | Autonomous systems, methods, and apparatus for AG based operations |
US10362733B2 (en) | 2013-10-15 | 2019-07-30 | Deere & Company | Agricultural harvester configured to control a biomass harvesting rate based upon soil effects |
JP6087258B2 (ja) | 2013-10-28 | 2017-03-01 | ヤンマー株式会社 | 遠隔配車サーバ |
BE1021164B1 (nl) | 2013-10-28 | 2016-01-18 | Cnh Industrial Belgium Nv | Ontlaadsystemen |
BE1021108B1 (nl) | 2013-10-28 | 2016-01-18 | Cnh Industrial Belgium Nv | Ontlaadsystemen |
DE102013222122B4 (de) | 2013-10-30 | 2020-10-15 | Mts Maschinentechnik Schrode Ag | Verfahren zum Betreiben eines Bodenverdichtungs- oder Bodenprüfgeräts, sowie Bodenverdichtungs- oder Verdichtungsprüfgerät |
US10371561B2 (en) | 2013-11-01 | 2019-08-06 | Iowa State University Research Foundation, Inc. | Yield measurement and base cutter height control systems for a harvester |
DE102013019098B3 (de) | 2013-11-11 | 2015-01-08 | Hochschule für Technik und Wirtschaft Dresden | System zum Erfassen von Parametern der Umwelt und Umgebung |
CN203613525U (zh) | 2013-11-25 | 2014-05-28 | 杨振华 | 一种公路灰土基层压实度测定取样机 |
CN203658201U (zh) | 2013-12-09 | 2014-06-18 | 长安大学 | 一种用于测量路基土压实度的装置 |
US9714856B2 (en) | 2013-12-13 | 2017-07-25 | Ag Leader Technology, Inc. | Automatic compensation for the effect of grain properties on mass flow sensor calibration |
JP5986064B2 (ja) | 2013-12-25 | 2016-09-06 | Necプラットフォームズ株式会社 | 冷却システムおよび電子機器 |
DE102014100136A1 (de) | 2014-01-08 | 2015-07-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntevorrichtung |
CN203741803U (zh) | 2014-01-10 | 2014-07-30 | 瑞和安惠项目管理集团有限公司 | 工程监理用路基压实度检测取土装置 |
US20150211199A1 (en) | 2014-01-24 | 2015-07-30 | Caterpillar Inc. | Device and process to measure ground stiffness from compactors |
CN106102444B (zh) | 2014-02-10 | 2020-02-11 | 克莱米特公司 | 用于生成共享协作图的方法和系统 |
JP6298313B2 (ja) | 2014-02-18 | 2018-03-20 | 鹿島建設株式会社 | 地盤剛性測定装置、締固め機械及び地盤剛性測定方法 |
DE102014203005B3 (de) | 2014-02-19 | 2015-05-13 | Deere & Company | Vibrationsdämpfende Ansteuerung eines Aktors einer landwirtschaftlichen Arbeitsmaschine |
US20150254800A1 (en) | 2014-03-06 | 2015-09-10 | F12 Solutions, Llc | Nitrogen status determination in growing crops |
NL2012485B1 (en) | 2014-03-20 | 2016-01-18 | Lely Patent Nv | Method and system for navigating an agricultural vehicle on a land area. |
DE102014205233A1 (de) | 2014-03-20 | 2015-09-24 | Deere & Company | Erntemaschine mit vorausschauender Vortriebsgeschwindigkeitsvorgabe |
US9529364B2 (en) | 2014-03-24 | 2016-12-27 | Cnh Industrial America Llc | System for coordinating agricultural vehicle control for loading a truck |
DE102014205503A1 (de) | 2014-03-25 | 2015-10-01 | Hamm Ag | Verfahren zur Korrektur eines Messwerteverlaufs durch das Eliminieren periodisch auftretender Messartefakte, insbesondere bei einem Bodenverdichter |
BR102014007178B1 (pt) | 2014-03-26 | 2020-12-22 | São Martinho S/A | processo de geração de mapas de aplicação de herbicida em função das espécies de plantas daninhas e teores de argila e matéria orgânica de solo |
US9489576B2 (en) | 2014-03-26 | 2016-11-08 | F12 Solutions, LLC. | Crop stand analysis |
CN106163261B (zh) | 2014-04-01 | 2021-03-30 | 克莱米特公司 | 农业机具和农业机具操作者监控装置、系统及方法 |
CN103954738B (zh) | 2014-04-01 | 2015-11-04 | 中国科学院力学研究所 | 一种测量土体振动传播特性的室内试验装置 |
US9810679B2 (en) | 2014-04-02 | 2017-11-07 | Colorado School Of Mines | Intelligent pad foot soil compaction devices and methods of using same |
DE102014104619A1 (de) | 2014-04-02 | 2015-10-08 | Claas Agrosystems Kgaa Mbh & Co. Kg | Planungssystem und Verfahren zur Planung einer Feldbearbeitung |
WO2015160837A2 (en) | 2014-04-15 | 2015-10-22 | Raven Industries, Inc. | Reaping based yield monitoring system and method for the same |
US9974226B2 (en) | 2014-04-21 | 2018-05-22 | The Climate Corporation | Generating an agriculture prescription |
US9405039B2 (en) | 2014-04-22 | 2016-08-02 | Deere & Company | Ground engaging member accumulation determination |
US9523180B2 (en) | 2014-04-28 | 2016-12-20 | Deere & Company | Semi-automatic material loading |
DE102014208068A1 (de) | 2014-04-29 | 2015-10-29 | Deere & Company | Erntemaschine mit sensorbasierter Einstellung eines Arbeitsparameters |
DE102014208070A1 (de) | 2014-04-29 | 2015-12-17 | Deere & Company | Die Fahrzeugdynamik berücksichtigendes Kontrollsystem zur Positionssteuerung eines Geräts für ein landwirtschaftliches Arbeitsfahrzeug |
WO2015171954A2 (en) | 2014-05-09 | 2015-11-12 | Raven Industries, Inc. | Refined row guidance parameterization with hough transform |
FR3021114B1 (fr) | 2014-05-13 | 2017-08-11 | Sol Solution | Penetrometre dynamique, ensemble de mesure, systeme et methode de determination de la compacite et de la capacite portante d'un sol |
JP6410130B2 (ja) | 2014-05-15 | 2018-10-24 | 株式会社Jsol | 農作物の収穫予測装置、収穫予測システム及び収穫予測方法 |
US9578808B2 (en) | 2014-05-16 | 2017-02-28 | Deere & Company | Multi-sensor crop yield determination |
US10104836B2 (en) | 2014-06-11 | 2018-10-23 | John Paul Jamison | Systems and methods for forming graphical and/or textual elements on land for remote viewing |
BR102015013228B1 (pt) | 2014-06-13 | 2020-11-24 | Cnh Industrial America Llc | SISTEMA E METODO DE CONTROLE PARA UM VEfCULO AGRiCOLA |
DE102014009090B4 (de) | 2014-06-19 | 2017-04-06 | Technische Universität Dresden | Landwirtschaftliches Gerät zur konservierenden Bodenbearbeitung |
WO2015200489A1 (en) | 2014-06-24 | 2015-12-30 | 360 Yield Center, Llc | Agronomic system, methods and apparatuses |
CN204000818U (zh) | 2014-07-02 | 2014-12-10 | 四川农业大学 | 一种土壤坚实度测定装置 |
US10126153B2 (en) | 2014-07-22 | 2018-11-13 | Deere & Company | Particulate matter impact sensor |
US10034423B2 (en) | 2014-07-29 | 2018-07-31 | Deere & Company | Biomass sensing |
FR3024772B1 (fr) | 2014-08-07 | 2016-09-02 | Electricite De France | Procede et dispositif pour la determination de la profondeur de l'origine d'un tassement de sol |
US9717178B1 (en) | 2014-08-08 | 2017-08-01 | The Climate Corporation | Systems and method for monitoring, controlling, and displaying field operations |
US10568316B2 (en) | 2014-08-15 | 2020-02-25 | Monsanto Technology Llc | Apparatus and methods for in-field data collection and sampling |
US9131644B2 (en) | 2014-08-19 | 2015-09-15 | Iteris, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
DE102014216593A1 (de) | 2014-08-21 | 2016-02-25 | Deere & Company | Bedienerassistenzsystem für eine landwirtschaftliche Arbeitsmaschine |
CN107148633B (zh) | 2014-08-22 | 2020-12-01 | 克莱米特公司 | 用于使用无人机系统进行农艺和农业监测的方法 |
RU2699005C2 (ru) | 2014-08-27 | 2019-09-02 | Премьер Кроп Системс, ЛЛС | Система и способ управления машинами для рандомизации и повторения заданных режимов применения сельскохозяйственного ресурса |
US9829364B2 (en) | 2014-08-28 | 2017-11-28 | Raven Industries, Inc. | Method of sensing volume of loose material |
US10109024B2 (en) | 2014-09-05 | 2018-10-23 | The Climate Corporation | Collecting data to generate an agricultural prescription |
DE102014113001A1 (de) | 2014-09-10 | 2016-03-10 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung eines Überladeprozesses |
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
US11113649B2 (en) | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US11080798B2 (en) | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
US10085379B2 (en) | 2014-09-12 | 2018-10-02 | Appareo Systems, Llc | Grain quality sensor |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
DE102014113335A1 (de) | 2014-09-16 | 2016-03-17 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine mit und Verfahren zur vorausschauenden Regelung einer Antriebsleistung und/oder eines Antriebsstranges |
US9903979B2 (en) | 2014-09-23 | 2018-02-27 | Deere & Company | Yield estimation |
US10126282B2 (en) | 2014-09-23 | 2018-11-13 | Deere & Company | Yield estimation |
DE102014113874A1 (de) | 2014-09-25 | 2016-03-31 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zum Überladen bei Erntemaschinen |
DE102014113887A1 (de) | 2014-09-25 | 2016-03-31 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher mit einer Verteilvorrichtung |
DE102014113965A1 (de) | 2014-09-26 | 2016-03-31 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher mit Fahrerassistenzsystem |
JP2016071726A (ja) | 2014-09-30 | 2016-05-09 | 井関農機株式会社 | 作業情報記憶装置 |
US9807933B2 (en) | 2014-10-20 | 2017-11-07 | Cnh Industrial America Llc | Sensor equipped agricultural harvester |
KR102113386B1 (ko) | 2014-11-13 | 2020-05-20 | 얀마 가부시키가이샤 | 농업용 작업차 |
EP3218679A4 (en) | 2014-11-14 | 2018-12-19 | Bitsrata Systems Inc. | System and method for measuring grain cart weight |
GB201421527D0 (en) | 2014-12-04 | 2015-01-21 | Agco Int Gmbh | Automated agriculture system |
WO2016090212A1 (en) | 2014-12-05 | 2016-06-09 | Board Of Trustees Of Michigan State University | Methods and systems for precision crop management |
DE102014226189B4 (de) | 2014-12-17 | 2017-08-24 | Continental Automotive Gmbh | Verfahren zur Ermittlung eines Unkrautanteils und Landtechnik-Steuereinrichtung |
US9563492B2 (en) | 2015-01-09 | 2017-02-07 | Deere & Company | Service diagnostic trouble code sequencer and method |
US9792557B2 (en) | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
CN204435344U (zh) | 2015-01-22 | 2015-07-01 | 中交四公局第二工程有限公司 | 一种用于测定土层压实度的可行走式取样机 |
WO2016118686A1 (en) | 2015-01-23 | 2016-07-28 | Iteris, Inc. | Modeling of crop growth for desired moisture content of targeted livestock feedstuff for determination of harvest windows using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
US9009087B1 (en) | 2015-01-23 | 2015-04-14 | Iteris, Inc. | Modeling the impact of time-varying weather conditions on unit costs of post-harvest crop drying techniques using field-level analysis and forecasts of weather conditions, facility metadata, and observations and user input of grain drying data |
US9140824B1 (en) | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
WO2016127094A1 (en) | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
WO2016134341A1 (en) | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
JP2016160808A (ja) | 2015-02-27 | 2016-09-05 | 井関農機株式会社 | コンバインのエンジン制御システム |
US20160260021A1 (en) | 2015-03-06 | 2016-09-08 | William Marek | System and method for improved agricultural yield and efficiency using statistical analysis |
CN204475304U (zh) | 2015-03-17 | 2015-07-15 | 攀枝花天誉工程检测有限公司 | 土工压实度检测成孔器 |
WO2016147521A1 (ja) | 2015-03-18 | 2016-09-22 | 株式会社クボタ | コンバイン及びコンバインのための穀粒評価制御装置 |
RO130713B1 (ro) | 2015-03-19 | 2023-05-30 | Universitatea De Ştiinţe Agronomice Şi Medicină Veterinară Din Bucureşti | Sistem automat gis pentru realizarea hărţilor cu distribuţia speciilor de buruieni |
US20180014452A1 (en) | 2015-03-25 | 2018-01-18 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
US10095200B2 (en) | 2015-03-30 | 2018-10-09 | Uop Llc | System and method for improving performance of a chemical plant with a furnace |
DE102015004174A1 (de) | 2015-04-02 | 2016-10-06 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
DE102015004343A1 (de) | 2015-04-02 | 2016-10-06 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
DE102015004344A1 (de) | 2015-04-02 | 2016-10-06 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
DE102015106302A1 (de) | 2015-04-24 | 2016-10-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntesystem mit einer selbstfahrenden Erntemaschine |
CN107921884A (zh) | 2015-05-01 | 2018-04-17 | 海力昂公司 | 增加供电和降低燃料需求的机动车 |
US20170270446A1 (en) | 2015-05-01 | 2017-09-21 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses for determining yield limits |
US10209235B2 (en) | 2015-05-04 | 2019-02-19 | Deere & Company | Sensing and surfacing of crop loss data |
US9872433B2 (en) | 2015-05-14 | 2018-01-23 | Raven Industries, Inc. | System and method for adjusting harvest characteristics |
WO2016183182A1 (en) | 2015-05-14 | 2016-11-17 | Board Of Trustees Of Michigan State University | Methods and systems for crop land evaluation and crop growth management |
US10039231B2 (en) | 2015-05-19 | 2018-08-07 | Deere & Company | System for measuring plant attributes using a priori plant maps |
DE102015006398B3 (de) | 2015-05-21 | 2016-05-04 | Helmut Uhrig Strassen- und Tiefbau GmbH | Bodenverdichtung mit einem Baggeranbauverdichter |
EP3095310B1 (en) | 2015-05-21 | 2018-05-16 | Robert Thomas Farms Ltd | Agricultural apparatus |
US20160342915A1 (en) | 2015-05-22 | 2016-11-24 | Caterpillar Inc. | Autonomous Fleet Size Management |
DE102015108374A1 (de) | 2015-05-27 | 2016-12-01 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Ansteuerung einer selbstfahrenden Erntemaschine |
AU2016269849B2 (en) | 2015-06-05 | 2019-08-15 | Agerris Pty Ltd | Automatic target recognition and management system |
BR112017026437B1 (pt) | 2015-06-08 | 2022-01-18 | The Climate Corporation | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos |
DK3310150T3 (da) | 2015-06-18 | 2021-08-02 | Bail&Burnit Pty Ltd | Mekanisk ukrudtsfrøhåndteringssystem |
DE102015109799A1 (de) | 2015-06-18 | 2016-12-22 | Claas E-Systems Kgaa Mbh & Co Kg | Verfahren zur Synchronisation zweier unabhängiger, selbstfahrender landwirtschaftlicher Arbeitsmaschinen |
WO2017004074A1 (en) | 2015-06-30 | 2017-01-05 | Precision Planting Llc | Systems and methods for image capture and analysis of agricultural fields |
US9968027B2 (en) | 2015-07-14 | 2018-05-15 | Clemson University | Automated control systems and methods for underground crop harvesters |
CA3101755C (en) | 2015-07-14 | 2023-03-28 | Dean Mayerle | Weed seed destruction with a discharge which combines with a straw spreader |
US10492369B2 (en) | 2015-07-14 | 2019-12-03 | Dean Mayerle | Weed seed destruction |
US9740208B2 (en) | 2015-07-30 | 2017-08-22 | Deere & Company | UAV-based sensing for worksite operations |
CN204989174U (zh) | 2015-08-05 | 2016-01-20 | 中国农业大学 | 一种用于测量土壤压实的试验平台 |
US9642305B2 (en) | 2015-08-10 | 2017-05-09 | Deere & Company | Method and stereo vision system for managing the unloading of an agricultural material from a vehicle |
US10015928B2 (en) | 2015-08-10 | 2018-07-10 | Deere & Company | Method and stereo vision system for managing the unloading of an agricultural material from a vehicle |
DE102015113527A1 (de) | 2015-08-17 | 2017-02-23 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Erntemaschine |
AU2016314137B2 (en) | 2015-08-28 | 2022-06-02 | Tecfarm Pty Ltd | Apparatus and method for processing a crop residue |
DE102015217496A1 (de) | 2015-09-14 | 2017-03-16 | Deere & Company | Verfahren zum Ausbringen von Saatgutpartikeln oder Pflanzen auf ein Feld und eine entsprechende Maschine |
JP6502221B2 (ja) | 2015-09-14 | 2019-04-17 | 株式会社クボタ | 作業車支援システム |
US10183667B2 (en) | 2015-09-15 | 2019-01-22 | Deere & Company | Human presence detection on a mobile machine |
CN105205248B (zh) | 2015-09-17 | 2017-12-08 | 哈尔滨工业大学 | 一种基于ode物理引擎的车辆地形通过性仿真分析组件的设计方法 |
US9696162B2 (en) | 2015-09-17 | 2017-07-04 | Deere & Company | Mission and path planning using images of crop wind damage |
US10025983B2 (en) | 2015-09-21 | 2018-07-17 | The Climate Corporation | Ponding water detection on satellite imagery |
US10188037B2 (en) | 2015-09-24 | 2019-01-29 | Deere & Company | Yield estimation |
US9699967B2 (en) | 2015-09-25 | 2017-07-11 | Deere & Company | Crosswind compensation for residue processing |
JP6770300B2 (ja) | 2015-09-29 | 2020-10-14 | 株式会社ミツトヨ | 計測機器用の信号処理回路 |
EP3150052B1 (en) | 2015-09-30 | 2018-06-13 | CLAAS E-Systems KGaA mbH & Co KG | Crop harvesting machine |
US9807940B2 (en) | 2015-09-30 | 2017-11-07 | Deere & Company | System for prediction and control of drydown for windrowed agricultural products |
EP3707988A1 (de) | 2015-10-05 | 2020-09-16 | BASF Agro Trademarks GmbH | Verfahren zum betreiben einer erntemaschine mit hilfe eines pflanzenwachstumsmodells |
KR20170041377A (ko) | 2015-10-07 | 2017-04-17 | 안범주 | 후방에 설치된 토양 경도 측정 센서를 갖는 차량 |
US10342174B2 (en) | 2015-10-16 | 2019-07-09 | The Climate Corporation | Method for recommending seeding rate for corn seed using seed type and sowing row width |
US9681605B2 (en) | 2015-10-26 | 2017-06-20 | Deere & Company | Harvester feed rate control |
US20170115862A1 (en) | 2015-10-27 | 2017-04-27 | Cnh Industrial America Llc | Graphical yield monitor real-time data display |
US10080325B2 (en) | 2015-10-27 | 2018-09-25 | Cnh Industrial America Llc | Predictive overlap control model |
US20170112061A1 (en) | 2015-10-27 | 2017-04-27 | Cnh Industrial America Llc | Graphical yield monitor static (previous) data display on in-cab display |
US10586158B2 (en) | 2015-10-28 | 2020-03-10 | The Climate Corporation | Computer-implemented calculation of corn harvest recommendations |
DE102015118767A1 (de) | 2015-11-03 | 2017-05-04 | Claas Selbstfahrende Erntemaschinen Gmbh | Umfelddetektionseinrichtung für landwirtschaftliche Arbeitsmaschine |
EP3371756A1 (en) | 2015-11-05 | 2018-09-12 | AGCO International GmbH | Method and system for determining work trajectories for a fleet of working units in a harvest operation |
US20170127606A1 (en) | 2015-11-10 | 2017-05-11 | Digi-Star, Llc | Agricultural Drone for Use in Controlling the Direction of Tillage and Applying Matter to a Field |
DE102016121523A1 (de) | 2015-11-17 | 2017-05-18 | Lacos Computerservice Gmbh | Verfahren zum prädikativen Erzeugen von Daten zur Steuerung eines Fahrweges und eines Betriebsablaufes für landwirtschaftliche Fahrzeuge und Maschinen |
US10890922B2 (en) | 2015-11-19 | 2021-01-12 | Agjunction Llc | Automated multi-vehicle alignment steering |
DK178711B1 (en) | 2015-11-24 | 2016-11-28 | Green Agro And Transp Aps | Flexible wheel track system for in-field trailer |
US11062223B2 (en) | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
DE102015121210A1 (de) | 2015-12-07 | 2017-06-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
US9721181B2 (en) | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
US10091925B2 (en) | 2015-12-09 | 2018-10-09 | International Business Machines Corporation | Accurately determining crop yield at a farm level |
WO2017096489A1 (en) | 2015-12-09 | 2017-06-15 | Scanimetrics Inc. | Measuring and monitoring a body of granular material |
WO2017099570A1 (es) | 2015-12-11 | 2017-06-15 | Pacheco Sanchez José Antonio | Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados |
CN105432228A (zh) | 2015-12-16 | 2016-03-30 | 无锡同春新能源科技有限公司 | 一种无人玉米收获机 |
DE102015122269A1 (de) | 2015-12-18 | 2017-06-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren für den Betrieb eines Mähdreschers |
US9856612B2 (en) | 2015-12-21 | 2018-01-02 | Caterpillar Paving Products Inc. | Compaction measurement using nearby sensors |
US20200271170A1 (en) | 2015-12-29 | 2020-08-27 | Agco Corporation | Integrated driveline slip clutch system for large square baler |
BR102016024930B1 (pt) | 2016-01-06 | 2021-08-24 | Cnh Industrial America Llc | Sistema de controle para um veículo de reboque e método para controlar um veículo agrícola |
BR102016024151B1 (pt) | 2016-01-06 | 2021-10-13 | Cnh Industrial America Llc | Meio legível por computador não transitório tangível, sistema e método para controlar pelo menos um veículo agrícola autônomo |
US10019790B2 (en) | 2016-01-15 | 2018-07-10 | Deere & Company | Fill level indicator for an automated unloading system |
EP3195719B1 (en) | 2016-01-20 | 2018-10-24 | CLAAS E-Systems KGaA mbH & Co KG | Agricultural machine |
EP3195720A1 (en) | 2016-01-21 | 2017-07-26 | CLAAS E-Systems KGaA mbH & Co KG | Crop tank system |
US10529036B2 (en) | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
BE1023467B1 (nl) | 2016-02-01 | 2017-03-29 | Cnh Industrial Belgium Nv | Beheer van een restantensysteem van een maaidorser door veldgegevens te gebruiken |
JP6688542B2 (ja) | 2016-02-04 | 2020-04-28 | ヤンマー株式会社 | 追従型コンバイン |
US9891629B2 (en) | 2016-02-04 | 2018-02-13 | Deere & Company | Autonomous robotic agricultural machine and system thereof |
JP6567440B2 (ja) | 2016-02-05 | 2019-08-28 | 鹿島建設株式会社 | 地盤の締固め状態測定装置、締固め状態測定方法、及び締固め機械 |
BE1023485B1 (nl) | 2016-02-23 | 2017-04-06 | Cnh Industrial Belgium Nv | Kafstrooier met zaadkneuzing |
US10588258B2 (en) | 2016-02-25 | 2020-03-17 | Deere & Company | Automatic determination of the control unit parameters of an arrangement to control an actuator for the adjustment of an adjustable element of an agricultural machine |
US9675008B1 (en) | 2016-02-29 | 2017-06-13 | Cnh Industrial America Llc | Unloading arrangement for agricultural harvesting vehicles |
US10201121B1 (en) | 2016-03-01 | 2019-02-12 | Ag Leader Technology | Prediction of amount of crop or product remaining for field |
US10028435B2 (en) | 2016-03-04 | 2018-07-24 | Deere & Company | Sensor calibration using field information |
KR101653750B1 (ko) | 2016-03-10 | 2016-09-02 | 한국건설기술연구원 | 식생매트 고정용 앵커핀의 인발 시험 장치 및 방법 |
BE1023982B1 (nl) | 2016-03-23 | 2017-10-03 | Cnh Industrial Belgium Nv | Geautomatiseerd lossysteem voor het lossen van gewas |
EP3435319A4 (en) | 2016-03-25 | 2019-08-21 | Nec Corporation | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND RECORDING MEDIUM WITH INFORMATION PROCESSING APPARATUS RECORDED THEREFOR |
WO2017170507A1 (ja) | 2016-03-29 | 2017-10-05 | ヤンマー株式会社 | コンバイン |
US9903077B2 (en) | 2016-04-04 | 2018-02-27 | Caterpillar Paving Products Inc. | System and method for performing a compaction operation |
RU164128U1 (ru) | 2016-04-05 | 2016-08-20 | Федеральное государственное автономное образовательное учреждение высшего образования "Крымский федеральный университет имени В.И. Вернадского" | Установка для испытания на изнашиваемость материалов для рабочих органов почвообрабатывающих машин |
WO2017181127A1 (en) | 2016-04-15 | 2017-10-19 | The Regents Of The University Of California | Robotic plant care systems and methods |
CN105741180B (zh) | 2016-04-21 | 2021-06-18 | 江苏大学 | 一种联合收获机谷物产量图绘制系统 |
JP6755117B2 (ja) | 2016-04-26 | 2020-09-16 | ヤンマーパワーテクノロジー株式会社 | コンバイン |
US10275550B2 (en) | 2016-04-27 | 2019-04-30 | The Climate Corporation | Assimilating a soil sample into a digital nutrient model |
US10152891B2 (en) | 2016-05-02 | 2018-12-11 | Cnh Industrial America Llc | System for avoiding collisions between autonomous vehicles conducting agricultural operations |
DE102016118205A1 (de) | 2016-05-10 | 2017-11-16 | Claas Tractor Sas | Zugmaschinen-Geräte-Kombination mit Fahrerassistenzsystem |
AU2017262615A1 (en) | 2016-05-12 | 2018-11-29 | Basf Se | Recognition of weed in a natural environment |
DE102016108902A1 (de) | 2016-05-13 | 2017-11-16 | Claas Saulgau Gmbh | Verfahren und Steuerungseinrichtung zum Betreiben eines landwirtschaftlichen Transportwagens sowie Transportwagen |
US10051787B2 (en) | 2016-05-17 | 2018-08-21 | Deere & Company | Harvesting head with yield monitor |
CN106053330B (zh) | 2016-05-23 | 2018-12-18 | 北京林业大学 | 土壤紧实度及水分复合测量方法及装置 |
US11188098B2 (en) | 2016-05-24 | 2021-11-30 | Cnh Industrial America Llc | Grain cart for continuous conveying agricultural product |
WO2017205406A1 (en) | 2016-05-24 | 2017-11-30 | Cnh Industrial America Llc | Autonomous grain cart dimensioned to fit behind header |
US9563852B1 (en) | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
DE102016111665A1 (de) | 2016-06-24 | 2017-12-28 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine und Verfahren zum Betrieb einer landwirtschaftlichen Arbeitsmaschine |
EP3262934A1 (de) | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
UY36763A (es) | 2016-07-01 | 2018-01-31 | Carlos Hartwich | Roturador y plantador en plataforma motorizada unitaria con navegador automático |
US9563848B1 (en) | 2016-07-06 | 2017-02-07 | Agrian, Inc. | Weighted multi-year yield analysis for prescription mapping in site-specific variable rate applications in precision agriculture |
US9928584B2 (en) | 2016-07-11 | 2018-03-27 | Harvest Moon Automation Inc. | Inspecting plants for contamination |
US10231371B2 (en) | 2016-07-18 | 2019-03-19 | Tribine Industries Llc | Soil compaction mitigation assembly and method |
US10795351B2 (en) | 2016-07-19 | 2020-10-06 | Raven Industries, Inc. | System and method for autonomous control of agricultural machinery and equipment |
CN106248873B (zh) | 2016-07-22 | 2019-04-12 | 黄哲敏 | 一种通过检测设备测定松树坚固程度的方法 |
CN106198879B (zh) | 2016-07-22 | 2018-11-16 | 广东双木林科技有限公司 | 一种检测杉树抗风稳定性能的方法 |
CN106198877A (zh) | 2016-07-22 | 2016-12-07 | 陈显桥 | 通过测量设备检验杨树稳定性的方法 |
CN106226470B (zh) | 2016-07-22 | 2019-06-11 | 孙红 | 一种通过测量装置测定槐树的稳固性能的方法 |
US20180022559A1 (en) | 2016-07-22 | 2018-01-25 | Scott William Knutson | Loader Positioning System |
DE102016009085A1 (de) | 2016-07-26 | 2018-02-01 | Bomag Gmbh | Bodenverdichtungswalze mit Sensoreinrichtung an der Walzbandage und Verfahren zur Ermittlung der Bodensteifigkeit |
DE102016214554A1 (de) | 2016-08-05 | 2018-02-08 | Deere & Company | Verfahren zur Optimierung eines Arbeitsparameters einer Maschine zur Ausbringung von landwirtschaftlichem Material auf ein Feld und entsprechende Maschine |
US10351364B2 (en) | 2016-08-05 | 2019-07-16 | Deere & Company | Automatic vehicle and conveyor positioning |
US10154624B2 (en) | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
US10410299B2 (en) | 2016-08-24 | 2019-09-10 | The Climate Corporation | Optimizing split fertilizer application |
EP3287007A1 (de) | 2016-08-24 | 2018-02-28 | Bayer CropScience AG | Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken |
DE102016116043A1 (de) | 2016-08-29 | 2018-03-01 | Claas Selbstfahrende Erntemaschinen Gmbh | Transportfahrzeug |
US10609856B2 (en) | 2016-08-29 | 2020-04-07 | Troy Oliver | Agriculture system and method |
CN106327349A (zh) | 2016-08-30 | 2017-01-11 | 张琦 | 一种基于云计算的园林绿化精细化管理装置 |
JP2018033407A (ja) | 2016-09-01 | 2018-03-08 | ヤンマー株式会社 | 配車システム |
DE102016116461A1 (de) | 2016-09-02 | 2018-03-08 | Claas Saulgau Gmbh | Verfahren und Steuerungseinrichtung zum Betreiben eines landwirtschaftlichen Transportwagens sowie Transportwagen |
DE102016117757A1 (de) | 2016-09-21 | 2018-03-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Feldhäcksler |
EP3298873B1 (en) | 2016-09-21 | 2020-03-04 | Exel Industries | Control device for a vehicle, corresponding vehicle and method |
DE102016118297A1 (de) | 2016-09-28 | 2018-03-29 | Claas Tractor Sas | Verfahren und System zur Bestimmung eines Betriebspunktes |
DE102016118283A1 (de) | 2016-09-28 | 2018-03-29 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine |
LT3518647T (lt) | 2016-09-29 | 2021-05-25 | Agro Intelligence Aps | Sistema ir būdas nustatyti trajektorijai, kurios turi laikytis žemės ūkio darbinė transporto priemonė |
US10078890B1 (en) | 2016-09-29 | 2018-09-18 | CHS North LLC | Anomaly detection |
US10165725B2 (en) | 2016-09-30 | 2019-01-01 | Deere & Company | Controlling ground engaging elements based on images |
DE102016118651A1 (de) | 2016-09-30 | 2018-04-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende landwirtschaftliche Arbeitsmaschine |
CN106290800B (zh) | 2016-09-30 | 2018-10-12 | 长沙理工大学 | 一种土质边坡抗水流侵蚀能力模拟试验方法及装置 |
US20180092302A1 (en) | 2016-10-01 | 2018-04-05 | Deere & Company | Residue spread control using operator input of wind direction and combine bearing |
US20180092301A1 (en) | 2016-10-01 | 2018-04-05 | Deere & Company | Residue spread control using crop deflector commands input by the operator and satnav combine bearing |
PL3528608T3 (pl) | 2016-10-18 | 2021-12-13 | Basf Agro Trademarks Gmbh | Planowanie i realizacja działań rolniczych |
US20190335674A1 (en) | 2016-10-24 | 2019-11-07 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
JP6832828B2 (ja) | 2016-10-26 | 2021-02-24 | 株式会社クボタ | 走行経路決定装置 |
EP3315005B1 (en) | 2016-10-28 | 2022-04-06 | Deere & Company | Stereo vision system for managing the unloading of an agricultural material from a vehicle |
US11256999B2 (en) | 2016-10-28 | 2022-02-22 | Deere & Company | Methods and systems of forecasting the drying of an agricultural crop |
WO2018081759A1 (en) | 2016-10-31 | 2018-05-03 | Bayer Cropscience Lp | Method for mapping crop yields |
US10832351B2 (en) | 2016-11-01 | 2020-11-10 | Deere & Company | Correcting bias in agricultural parameter monitoring |
US10408645B2 (en) | 2016-11-01 | 2019-09-10 | Deere & Company | Correcting bias in parameter monitoring |
US10901420B2 (en) | 2016-11-04 | 2021-01-26 | Intel Corporation | Unmanned aerial vehicle-based systems and methods for agricultural landscape modeling |
BR112019009310B8 (pt) | 2016-11-07 | 2023-04-04 | Climate Corp | Sistemas de geração de imagem de solo |
AR110140A1 (es) | 2016-11-07 | 2019-02-27 | Climate Corp | Implementos agrícolas para análisis de suelos y vegetación |
US10398096B2 (en) | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
US10028451B2 (en) | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
US20180146624A1 (en) | 2016-11-28 | 2018-05-31 | The Climate Corporation | Determining intra-field yield variation data based on soil characteristics data and satellite images |
WO2018101351A1 (ja) | 2016-12-02 | 2018-06-07 | 株式会社クボタ | 走行経路管理システム及び走行経路決定装置 |
US10178823B2 (en) | 2016-12-12 | 2019-01-15 | Cnh Industrial Canada, Ltd. | Agricultural implement with automatic shank depth control |
CN106644663B (zh) | 2016-12-12 | 2023-07-21 | 江苏省海洋水产研究所 | 一种紫菜孢子计数用过滤装置及计数方法 |
US11300976B2 (en) | 2016-12-19 | 2022-04-12 | Kubota Corporation | Work vehicle automatic traveling system |
JP6936356B2 (ja) | 2016-12-19 | 2021-09-15 | 株式会社クボタ | 作業車自動走行システム |
WO2018116772A1 (ja) | 2016-12-19 | 2018-06-28 | 株式会社クボタ | 作業車自動走行システム |
GB201621879D0 (en) | 2016-12-21 | 2017-02-01 | Branston Ltd | A crop monitoring system and method |
JP6615085B2 (ja) | 2016-12-22 | 2019-12-04 | 株式会社クボタ | 収穫機 |
WO2018112615A1 (en) | 2016-12-22 | 2018-06-28 | Greentronics Ltd. | Systems and methods for automated tracking of harvested materials |
CN206330815U (zh) | 2017-01-06 | 2017-07-14 | 福建九邦环境检测科研有限公司 | 一种土壤检测用土壤快速压实器 |
US10255670B1 (en) | 2017-01-08 | 2019-04-09 | Dolly Y. Wu PLLC | Image sensor and module for agricultural crop improvement |
US10775796B2 (en) | 2017-01-10 | 2020-09-15 | Cnh Industrial America Llc | Aerial vehicle systems and methods |
DE102017200336A1 (de) | 2017-01-11 | 2018-07-12 | Deere & Company | Modellbasierte prädiktive Geschwindigkeitskontrolle einer Erntemaschine |
KR200485051Y1 (ko) | 2017-01-16 | 2017-11-22 | 서울특별시 | 다짐도 평가장치 |
US10699185B2 (en) | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
JP6767892B2 (ja) | 2017-02-03 | 2020-10-14 | ヤンマーパワーテクノロジー株式会社 | 収穫量管理システム |
DE102017104009A1 (de) | 2017-02-27 | 2018-08-30 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliches Erntesystem |
US10315655B2 (en) | 2017-03-07 | 2019-06-11 | Deere & Company | Vehicle control based on soil compaction |
CN206515118U (zh) | 2017-03-10 | 2017-09-22 | 南京宁曦土壤仪器有限公司 | 多功能电动击实仪 |
CN206515119U (zh) | 2017-03-10 | 2017-09-22 | 南京宁曦土壤仪器有限公司 | 电动击实仪 |
JP7075787B2 (ja) | 2017-03-14 | 2022-05-26 | 株式会社フジタ | トラフィカビリティ推定装置およびプログラム |
DE102017105490A1 (de) | 2017-03-15 | 2018-09-20 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Landwirtschaftliches Terminal |
DE102017105496A1 (de) | 2017-03-15 | 2018-09-20 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Landwirtschaftliches Terminal |
DE102017204511A1 (de) | 2017-03-17 | 2018-09-20 | Deere & Company | Landwirtschaftliche Erntemaschine zur Bearbeitung und Förderung von Erntegut mit einer Sensoranordnung zur Erkennung von unerwünschten Gefahr- und Inhaltsstoffen im Erntegut |
CN206616118U (zh) | 2017-03-21 | 2017-11-07 | 嵊州市晟祥盈净水设备有限公司 | 一种多层次深度净水设备 |
CN110740635A (zh) | 2017-03-21 | 2020-01-31 | 蓝河技术有限公司 | 包括机器反馈控制的联合收割机 |
DE102017205293A1 (de) | 2017-03-29 | 2018-10-04 | Deere & Company | Verfahren und Vorrichtung zur Bekämpfung unerwünschter Lebewesen auf einem Feld |
US10152035B2 (en) | 2017-04-12 | 2018-12-11 | Bayer Ag | Value added pest control system with smart learning |
CN206906093U (zh) | 2017-04-21 | 2018-01-19 | 青岛科技大学 | 一种岩土试件压实过程可以测量重量的装置 |
RU2017114139A (ru) | 2017-04-24 | 2018-10-24 | Общество с ограниченной ответственностью "Завод инновационных продуктов "КТЗ" | Способ управления уборочным комбайном |
CA3061173C (en) | 2017-04-26 | 2021-01-19 | The Climate Corporation | Method for leveling sensor readings across an implement |
US10952374B2 (en) | 2017-05-01 | 2021-03-23 | Cnh Industrial America Llc | System and method for monitoring residue output from a harvester |
US10548260B2 (en) | 2017-05-04 | 2020-02-04 | Dawn Equipment Company | System for automatically setting the set point of a planter automatic down pressure control system with a seed furrow sidewall compaction measurement device |
DE102017109849A1 (de) | 2017-05-08 | 2018-11-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Abarbeitung eines landwirtschaftlichen Ernteprozesses |
BE1024475B1 (nl) | 2017-05-09 | 2018-03-01 | Cnh Industrial Belgium Nv | Werkwijze voor het oogsten en oogsttoestel |
BE1024513B1 (nl) | 2017-05-09 | 2018-03-21 | Cnh Industrial Belgium Nv | Landbouwsysteem |
US10531603B2 (en) | 2017-05-09 | 2020-01-14 | Cnh Industrial America Llc | Agricultural system |
US10317272B2 (en) | 2017-05-17 | 2019-06-11 | Deere & Company | Automatic wireless wagon detection apparatus and method |
CN206696107U (zh) | 2017-05-18 | 2017-12-01 | 贵州省山地农业机械研究所 | 多用途土壤坚实度测量装置 |
DE102017208442A1 (de) | 2017-05-18 | 2018-11-22 | Deere & Company | Selbstlernende, Korrektureingaben berücksichtigende Anordnung zur selbsttätigen Kontrolle eines Arbeitsparameters einer Erntegutförder- und/oder -bearbeitungseinrichtung |
US10481142B2 (en) | 2017-05-25 | 2019-11-19 | Deere & Company | Sensor system for determining soil characteristics |
US10537062B2 (en) | 2017-05-26 | 2020-01-21 | Cnh Industrial America Llc | Aerial vehicle systems and methods |
CN207079558U (zh) | 2017-05-31 | 2018-03-09 | 中铁二十一局集团第六工程有限公司 | 高速铁路路基沉降监测元件保护装置 |
BE1025282B1 (nl) | 2017-06-02 | 2019-01-11 | Cnh Industrial Belgium Nv | Draagvermogen van de grond |
US9984455B1 (en) | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
SE542261C2 (en) | 2017-06-05 | 2020-03-31 | Scania Cv Ab | Method and control arrangement for loading |
CN206941558U (zh) | 2017-06-16 | 2018-01-30 | 中石化中原建设工程有限公司 | 一种公路灰土基层压实度测定取样机 |
US10459447B2 (en) | 2017-06-19 | 2019-10-29 | Cnh Industrial America Llc | System and method for generating partitioned swaths |
US10310455B2 (en) | 2017-06-19 | 2019-06-04 | Deere & Company | Combine harvester control and communication system |
US20180359917A1 (en) | 2017-06-19 | 2018-12-20 | Deere & Company | Remote control of settings on a combine harvester |
US10437243B2 (en) | 2017-06-19 | 2019-10-08 | Deere & Company | Combine harvester control interface for operator and/or remote user |
US11589507B2 (en) | 2017-06-19 | 2023-02-28 | Deere & Company | Combine harvester control interface for operator and/or remote user |
US10314232B2 (en) | 2017-06-21 | 2019-06-11 | Cnh Industrial America Llc | System and method for destroying seeds in crop residue prior to discharge from agricultural harvester |
CN110582198B (zh) | 2017-06-23 | 2022-08-23 | 株式会社久保田 | 收割机 |
JP6887323B2 (ja) | 2017-06-23 | 2021-06-16 | 株式会社クボタ | コンバイン及び圃場営農マップ生成方法 |
EP3648045A4 (en) | 2017-06-26 | 2021-03-24 | Kubota Corporation | AGRICULTURAL LAND MAP GENERATION SYSTEM |
JP6827373B2 (ja) | 2017-06-26 | 2021-02-10 | 株式会社クボタ | コンバイン |
DE102017006844B4 (de) | 2017-07-18 | 2019-04-11 | Bomag Gmbh | Bodenverdichter und Verfahren zur Bestimmung von Untergrundeigenschaften mittels eines Bodenverdichters |
US10757859B2 (en) | 2017-07-20 | 2020-09-01 | Deere & Company | System for optimizing platform settings based on crop state classification |
US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
DK179454B1 (en) | 2017-08-17 | 2018-10-19 | Agro Intelligence Aps | A system for controlling soil compaction caused by wheels, and use of such system |
US10438302B2 (en) | 2017-08-28 | 2019-10-08 | The Climate Corporation | Crop disease recognition and yield estimation |
CN107576674A (zh) | 2017-08-30 | 2018-01-12 | 曲阜师范大学 | 一种基于探地雷达测量土壤压实程度的方法 |
US11140807B2 (en) | 2017-09-07 | 2021-10-12 | Deere & Company | System for optimizing agricultural machine settings |
WO2019046967A1 (en) | 2017-09-11 | 2019-03-14 | Farmers Edge Inc. | GENERATING A YIELD CARD FOR AN AGRICULTURAL FIELD USING REGRESSION AND CLASSIFICATION PROCESSES |
US10368488B2 (en) | 2017-09-18 | 2019-08-06 | Cnh Industrial America Llc | System and method for sensing harvested crop levels within an agricultural harvester |
US10883437B2 (en) | 2017-09-19 | 2021-01-05 | Doug Abolt | Horsepower on demand system |
DE102017121654A1 (de) | 2017-09-19 | 2019-03-21 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine |
CN107736088B (zh) | 2017-09-22 | 2020-06-26 | 江苏大学 | 一种用于精整地土壤密实度测量与自动调节系统 |
DE102017122300A1 (de) | 2017-09-26 | 2019-03-28 | Claas Selbstfahrende Erntemaschinen Gmbh | Arbeitsmaschine |
DE102017122710A1 (de) | 2017-09-29 | 2019-04-04 | Claas E-Systems Kgaa Mbh & Co. Kg | Verfahren für den Betrieb einer selbstfahrenden landwirtschaftlichen Arbeitsmaschine |
DE102017122711A1 (de) | 2017-09-29 | 2019-04-04 | Claas E-Systems Kgaa Mbh & Co. Kg | Verfahren für den Betrieb einer selbstfahrenden landwirtschaftlichen Arbeitsmaschine |
DE102017122712A1 (de) | 2017-09-29 | 2019-04-04 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren für den Betrieb einer selbstfahrenden landwirtschaftlichen Arbeitsmaschine |
CN117192078A (zh) | 2017-10-02 | 2023-12-08 | 精密种植有限责任公司 | 计算方法 |
US10423850B2 (en) | 2017-10-05 | 2019-09-24 | The Climate Corporation | Disease recognition from images having a large field of view |
CN107795095A (zh) | 2017-10-10 | 2018-03-13 | 上海科城建设工程有限公司 | 一种预制混凝土地坪的连接工艺 |
US10517215B2 (en) | 2017-10-12 | 2019-12-31 | Deere & Company | Roll center for attachment frame control arms |
US11308735B2 (en) | 2017-10-13 | 2022-04-19 | Deere & Company | Unmanned aerial vehicle (UAV)-assisted worksite data acquisition |
EP3697191B1 (en) | 2017-10-17 | 2023-04-19 | Precision Planting LLC | Soil sensing systems and implements for sensing different soil parameters |
EP4218381A1 (de) | 2017-10-24 | 2023-08-02 | BASF Agro Trademarks GmbH | Erstellung digitaler bearbeitungskarten |
CN107957408B (zh) | 2017-10-30 | 2021-01-12 | 汕头大学 | 一种利用光反射理论测量土壤吸力的方法 |
US20190124819A1 (en) | 2017-10-31 | 2019-05-02 | Agjunction Llc | Vehicle implement control |
CN108009542B (zh) | 2017-11-01 | 2021-06-15 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
US10914054B2 (en) | 2017-11-07 | 2021-02-09 | ModernAg, Inc. | System and method for measurement and abatement of compaction and erosion of soil covering buried pipelines |
US11568340B2 (en) | 2017-11-09 | 2023-01-31 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
DK179951B1 (en) | 2017-11-11 | 2019-10-24 | Agro Intelligence Aps | A system and a method for optimizing a harvesting operation |
US10853377B2 (en) | 2017-11-15 | 2020-12-01 | The Climate Corporation | Sequential data assimilation to improve agricultural modeling |
US10521526B2 (en) | 2017-11-20 | 2019-12-31 | Nfl Players, Inc. | Hybrid method of assessing and predicting athletic performance |
US11151500B2 (en) | 2017-11-21 | 2021-10-19 | The Climate Corporation | Digital modeling of disease on crops on agronomic fields |
DE102017221134A1 (de) | 2017-11-27 | 2019-05-29 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines mobilen Systems |
US10412889B2 (en) | 2017-12-05 | 2019-09-17 | Deere & Company | Combine harvester control information for a remote user with visual feed |
KR20200091859A (ko) | 2017-12-07 | 2020-07-31 | 가부시끼 가이샤 구보다 | 수확기 및 주행 모드 전환 방법 |
CN207567744U (zh) | 2017-12-08 | 2018-07-03 | 山西省交通科学研究院 | 公路灰土基层压实度测定取样机 |
US11835955B2 (en) | 2017-12-08 | 2023-12-05 | Camso Inc. | Systems and methods for monitoring off-road vehicles |
DE102017222403A1 (de) | 2017-12-11 | 2019-06-13 | Deere & Company | Verfahren und Vorrichtung zur Kartierung eventuell in einem Feld vorhandener Fremdkörper |
US11895937B2 (en) | 2017-12-15 | 2024-02-13 | Kubota Corporation | Slip determination system, travel path generation system, and field work vehicle |
US10660268B2 (en) | 2017-12-16 | 2020-05-26 | Deere & Company | Harvester with electromagnetic plane crop material flow sensor |
WO2019124225A1 (ja) | 2017-12-18 | 2019-06-27 | 株式会社クボタ | 農作業車、作業車衝突警戒システム及び作業車 |
KR20200096496A (ko) | 2017-12-18 | 2020-08-12 | 가부시끼 가이샤 구보다 | 콤바인 제어 시스템, 콤바인 제어 프로그램, 콤바인 제어 프로그램을 기록한 기록 매체, 콤바인 제어 방법, 수확기 제어 시스템, 수확기 제어 프로그램, 수확기 제어 프로그램을 기록한 기록 매체, 수확기 제어 방법 |
EP3498074A1 (en) | 2017-12-18 | 2019-06-19 | DINAMICA GENERALE S.p.A | An harvest analysis system intended for use in a machine |
WO2019124273A1 (ja) | 2017-12-18 | 2019-06-27 | 株式会社クボタ | 自動走行システム、自動走行管理プログラム、自動走行管理プログラムを記録した記録媒体、自動走行管理方法、領域決定システム、領域決定プログラム、領域決定プログラムを記録した記録媒体、領域決定方法、コンバイン制御システム、コンバイン制御プログラム、コンバイン制御プログラムを記録した記録媒体、コンバイン制御方法 |
WO2019123923A1 (ja) | 2017-12-18 | 2019-06-27 | 株式会社クボタ | 自動操舵システムおよび自動操舵方法 |
KR20200096489A (ko) | 2017-12-20 | 2020-08-12 | 가부시끼 가이샤 구보다 | 작업차, 작업차를 위한 주행 경로 선택 시스템, 및 주행 경로 산출 시스템 |
CN208047351U (zh) | 2017-12-26 | 2018-11-06 | 南安市振邦家庭农场有限公司 | 一种高效率的玉米脱粒机 |
US10568261B2 (en) | 2017-12-28 | 2020-02-25 | Cnh Industrial America Llc | Dynamic combine fire risk index and display |
DK179768B1 (en) | 2017-12-29 | 2019-05-15 | Agro Intelligence Aps | Apparatus and method for improving the conditioning quality of grass and clover prior to the collecting thereof |
DK179771B1 (en) | 2017-12-29 | 2019-05-15 | Agro Intelligence Aps | Apparatus and method for improving the yield of grass and clover harvested from an agricultural field |
DK179878B1 (en) | 2017-12-29 | 2019-08-16 | Agro Intelligence Aps | Apparatus and method for improving the quality of grass and clover by tedding |
CN107941286A (zh) | 2018-01-09 | 2018-04-20 | 东北农业大学 | 一种便携式田间多参数测量装置 |
US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
US10909368B2 (en) | 2018-01-23 | 2021-02-02 | X Development Llc | Crop type classification in images |
US10687466B2 (en) | 2018-01-29 | 2020-06-23 | Cnh Industrial America Llc | Predictive header height control system |
CN108304796A (zh) | 2018-01-29 | 2018-07-20 | 深圳春沐源控股有限公司 | 一种智能杂草警示方法及系统 |
JP7101488B2 (ja) | 2018-01-30 | 2022-07-15 | 株式会社クボタ | 作業車管理システム |
US11006577B2 (en) | 2018-02-26 | 2021-05-18 | Cnh Industrial America Llc | System and method for adjusting operating parameters of an agricultural harvester based on estimated crop volume |
JP2019146506A (ja) | 2018-02-26 | 2019-09-05 | 井関農機株式会社 | コンバインの自動走行制御装置 |
DE102018104286A1 (de) | 2018-02-26 | 2019-08-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrender Feldhäcksler |
DE102018001551A1 (de) | 2018-02-28 | 2019-08-29 | Class Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende Erntemaschine und Betriebsverfahren dafür |
US10830634B2 (en) | 2018-03-06 | 2020-11-10 | Deere & Company | Fill level detection and control |
CN208013131U (zh) | 2018-03-16 | 2018-10-26 | 云南群林科技有限公司 | 一种基于多传感器的农业信息采集系统 |
WO2019203954A1 (en) | 2018-04-17 | 2019-10-24 | Hrl Laboratories, Llc | System and method for determining crop residue fraction using blind source separation of color images |
DE102018206507A1 (de) | 2018-04-26 | 2019-10-31 | Deere & Company | Schneidwerk mit selbsttätiger Einstellung der Haspelzinkenorientierung |
US11240959B2 (en) | 2018-04-30 | 2022-02-08 | Deere & Company | Adaptive forward-looking biomass conversion and machine control during crop harvesting operations |
EP3563654B1 (en) | 2018-05-02 | 2022-12-21 | AGCO Corporation | Automatic header control simulation |
BE1025780B1 (nl) | 2018-05-07 | 2019-07-08 | Cnh Industrial Belgium Nv | Systeem en werkwijze voor het lokaliseren van een aanhangwagen ten opzichte van een landbouwmachine |
US10820516B2 (en) | 2018-05-08 | 2020-11-03 | Cnh Industrial America Llc | System and method for monitoring the amount of plant materials entering an agricultural harvester |
DE102018111077A1 (de) | 2018-05-08 | 2019-11-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher sowie Verfahren zum Betreiben eines Mähdreschers |
DE102018111076A1 (de) | 2018-05-08 | 2019-11-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
US11641790B2 (en) | 2018-05-09 | 2023-05-09 | Deere & Company | Method of planning a path for a vehicle having a work tool and a vehicle path planning system |
CN108614089A (zh) | 2018-05-09 | 2018-10-02 | 重庆交通大学 | 压实土体冻融和风化环境模拟系统及其试验方法 |
US10782672B2 (en) | 2018-05-15 | 2020-09-22 | Deere & Company | Machine control system using performance score based setting adjustment |
DE102018111746A1 (de) | 2018-05-16 | 2019-11-21 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
US20190351765A1 (en) | 2018-05-18 | 2019-11-21 | Cnh Industrial America Llc | System and method for regulating the operating distance between work vehicles |
JP7039026B2 (ja) | 2018-05-28 | 2022-03-22 | ヤンマーパワーテクノロジー株式会社 | 地図情報生成システム、および作業支援システム |
US10813288B2 (en) | 2018-05-31 | 2020-10-27 | Deere & Company | Automated belt speed control |
DE102018113327A1 (de) | 2018-06-05 | 2019-12-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung einer landwirtschaftlichen Erntekampagne |
CN108881825A (zh) | 2018-06-14 | 2018-11-23 | 华南农业大学 | 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法 |
US11064653B2 (en) | 2018-06-18 | 2021-07-20 | Ag Leader Technology | Agricultural systems having stalk sensors and data visualization systems and related devices and methods |
US11419261B2 (en) | 2018-06-25 | 2022-08-23 | Deere & Company | Prescription cover crop seeding with combine |
US11395452B2 (en) | 2018-06-29 | 2022-07-26 | Deere & Company | Method of mitigating compaction and a compaction mitigation system |
DE102018116578A1 (de) | 2018-07-09 | 2020-01-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntesystem |
DE102018116817A1 (de) | 2018-07-11 | 2020-01-16 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung einer Datenübertragung zwischen einer landwirtschaftlichen Arbeitsmaschine und einer externen Sende-/Empfangseinheit |
CA3105725A1 (en) | 2018-07-11 | 2020-01-16 | Raven Industries, Inc. | Agricultural control and interface system |
DE102018116990A1 (de) | 2018-07-13 | 2020-01-16 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
DE102018212150A1 (de) | 2018-07-20 | 2020-01-23 | Deere & Company | Verfahren zur Energieversorgung eines kabelgebundenen betriebenen Feldhäckslers |
US11277956B2 (en) | 2018-07-26 | 2022-03-22 | Bear Flag Robotics, Inc. | Vehicle controllers for agricultural and industrial applications |
EP3827401B1 (en) | 2018-07-26 | 2023-08-09 | Climate LLC | Generating agronomic yield maps from field health imagery |
WO2020026578A1 (ja) | 2018-07-31 | 2020-02-06 | 株式会社クボタ | 走行経路生成システム、走行経路生成方法、走行経路生成プログラム、及び走行経路生成プログラムが記録されている記録媒体と、作業管理システム、作業管理方法、作業管理プログラム、及び作業管理プログラムが記録されている記録媒体と、収穫機、走行パターン作成システム、走行パターン作成プログラム、走行パターン作成プログラムが記録されている記録媒体、及び走行パターン作成方法 |
WO2020026650A1 (ja) | 2018-08-01 | 2020-02-06 | 株式会社クボタ | 自動走行制御システム、自動走行制御方法、自動走行制御プログラム、及び、記憶媒体 |
CN112752500A (zh) | 2018-08-01 | 2021-05-04 | 株式会社久保田 | 收获机、行驶系统、行驶方法、行驶程序以及存储介质 |
US11234357B2 (en) | 2018-08-02 | 2022-02-01 | Cnh Industrial America Llc | System and method for monitoring field conditions of an adjacent swath within a field |
JP6958508B2 (ja) | 2018-08-02 | 2021-11-02 | 井関農機株式会社 | 収穫作業システム |
KR20210036973A (ko) | 2018-08-06 | 2021-04-05 | 가부시끼 가이샤 구보다 | 외형 형상 산출 시스템, 외형 형상 산출 방법, 외형 형상 산출 프로그램, 및 외형 형상 산출 프로그램이 기록되어 있는 기록 매체와, 포장 맵 작성 시스템, 포장 맵 작성 프로그램, 포장 맵 작성 프로그램이 기록되어 있는 기록 매체, 및 포장 맵 작성 방법 |
US11154008B2 (en) | 2018-08-20 | 2021-10-26 | Cnh Industrial America Llc | System and method for steering an agricultural harvester |
JP7034866B2 (ja) | 2018-08-20 | 2022-03-14 | 株式会社クボタ | 収穫機 |
US20210321602A1 (en) | 2018-08-22 | 2021-10-21 | Precision Planting Llc | Implements and application units having sensors for sensing agricultural plants of agricultural fields |
WO2020038810A1 (en) | 2018-08-22 | 2020-02-27 | Agco International Gmbh | Harvest logistics |
DE102018120741A1 (de) | 2018-08-24 | 2020-02-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
KR20210039452A (ko) | 2018-08-29 | 2021-04-09 | 가부시끼 가이샤 구보다 | 자동 조타 시스템 및 수확기, 자동 조타 방법, 자동 조타 프로그램, 기록 매체 |
JP7121598B2 (ja) | 2018-08-31 | 2022-08-18 | 三菱マヒンドラ農機株式会社 | 収穫機 |
EP3844633A4 (en) | 2018-08-31 | 2022-05-18 | The Climate Corporation | UNDERFIELD MOISTURE MODEL IMPROVEMENT USING OVERLAND RIVER MODELING WITH SHALLOW WATER CALCULATIONS |
US11197417B2 (en) | 2018-09-18 | 2021-12-14 | Deere & Company | Grain quality control system and method |
US20200090094A1 (en) | 2018-09-19 | 2020-03-19 | Deere & Company | Harvester control system |
CA3112950A1 (en) | 2018-09-21 | 2020-03-26 | The Climate Corporation | Method and system for executing machine learning algorithms |
DE102018123478A1 (de) | 2018-09-24 | 2020-03-26 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine |
CA3115757A1 (en) | 2018-10-11 | 2020-04-16 | Mtd Products Inc | Localized data mapping for indoor and outdoor applications |
US11676244B2 (en) | 2018-10-19 | 2023-06-13 | Mineral Earth Sciences Llc | Crop yield prediction at field-level and pixel-level |
US10729067B2 (en) | 2018-10-20 | 2020-08-04 | Deere & Company | Biomass impact sensor having a conformal encasement enveloping a pressure sensitive film |
CA3116429A1 (en) | 2018-10-24 | 2020-04-30 | Bitstrata Systems Inc. | Machine operational state and material movement tracking |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11589509B2 (en) * | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US20220167547A1 (en) * | 2018-10-26 | 2022-06-02 | Deere & Company | Predictive environmental characteristic map generation and control system |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11653588B2 (en) * | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US20200128738A1 (en) | 2018-10-31 | 2020-04-30 | Cnh Industrial America Llc | System and method for calibrating alignment of work vehicles |
US10986778B2 (en) | 2018-10-31 | 2021-04-27 | Deere & Company | Weed seed devitalizer control |
US11206763B2 (en) | 2018-10-31 | 2021-12-28 | Deere & Company | Weed seed based harvester working member control |
US20200133262A1 (en) | 2018-10-31 | 2020-04-30 | Cnh Industrial America Llc | System and method for calibrating alignment of work vehicles |
US11564349B2 (en) | 2018-10-31 | 2023-01-31 | Deere & Company | Controlling a machine based on cracked kernel detection |
US11399462B2 (en) | 2018-10-31 | 2022-08-02 | Cnh Industrial America Llc | System and method for calibrating alignment of work vehicles |
US11175170B2 (en) | 2018-11-07 | 2021-11-16 | Trimble Inc. | Estimating yield of agricultural crops |
US10996656B2 (en) | 2018-11-08 | 2021-05-04 | Premier Crop Systems, LLC | System and method for aggregating test plot results based on agronomic environments |
CN109357804B (zh) | 2018-11-13 | 2023-09-19 | 西南交通大学 | 一种压实土水平应力测试装置及测试方法 |
US20200146203A1 (en) | 2018-11-13 | 2020-05-14 | Cnh Industrial America Llc | Geographic coordinate based setting adjustment for agricultural implements |
CN112996378B (zh) | 2018-11-15 | 2023-04-18 | 株式会社久保田 | 收割机以及路径设定系统 |
CN111201879B (zh) | 2018-11-21 | 2023-10-03 | 金华中科艾特智能科技研究所有限公司 | 基于图像识别的粮食收割、运输一体化装载装置/方法 |
KR20210093873A (ko) | 2018-11-26 | 2021-07-28 | 가부시끼 가이샤 구보다 | 농작업기, 농작업기 제어 프로그램, 농작업기 제어 프로그램을 기록한 기록 매체, 농작업기 제어 방법, 수확기, 수확기 제어 프로그램, 수확기 제어 프로그램을 기록한 기록 매체, 수확기 제어 방법 |
US11483970B2 (en) | 2018-11-28 | 2022-11-01 | Cnh Industrial America Llc | System and method for adjusting the orientation of an agricultural harvesting implement based on implement height |
DE102018131142A1 (de) | 2018-12-06 | 2020-06-10 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine sowie Verfahren zum Betreiben einer landwirtschaftlichen Arbeitsmaschine |
US11067994B2 (en) | 2018-12-06 | 2021-07-20 | Deere & Company | Machine control through active ground terrain mapping |
BR112021009659A2 (pt) * | 2018-12-10 | 2021-08-17 | The Climate Corporation | mapeamento de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina. |
DE102018132144A1 (de) | 2018-12-13 | 2020-06-18 | Claas E-Systems Gmbh | Landwirtschaftliche Arbeitssystem |
EP3671590A1 (en) | 2018-12-21 | 2020-06-24 | AGCO Corporation | Method of unloading batch grain quantities for harvesting machines |
AU2019417596A1 (en) * | 2018-12-24 | 2021-07-15 | Climate Llc | Predictive seed scripting for soybeans |
JP7182471B2 (ja) | 2019-01-11 | 2022-12-02 | 株式会社クボタ | 作業管理システム及び作業機 |
CN109485353A (zh) | 2019-01-18 | 2019-03-19 | 安徽马钢嘉华新型建材有限公司 | 一种新型钢渣混合土道路基层材料及制备方法 |
DE102019200794A1 (de) | 2019-01-23 | 2020-07-23 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | System und Verfahren zur Identifizierung von Zeitfenstern und Flächenbereichen eines landwirtschaftlich genutzten Feldes mit günstigen Bedingungen für einen wirkungsvollen und umweltgerechten Einsatz und/oder die Befahrbarkeit von Landmaschinen |
CN109633127A (zh) | 2019-01-24 | 2019-04-16 | 山东省农业机械科学研究院 | 一种土壤压实度测定机构、装置及方法 |
US20200265527A1 (en) | 2019-02-15 | 2020-08-20 | Growers Edge Financial, Inc. | Agronomic prescription product |
CN109961024A (zh) | 2019-03-08 | 2019-07-02 | 武汉大学 | 基于深度学习的小麦田间杂草检测方法 |
CN109763476A (zh) | 2019-03-12 | 2019-05-17 | 上海兰德公路工程咨询设计有限公司 | 一种快速检测填土路基的压实度的装置及方法 |
JP7062610B2 (ja) | 2019-03-26 | 2022-05-06 | ヤンマーパワーテクノロジー株式会社 | 作業制御システム |
CN210585958U (zh) | 2019-03-28 | 2020-05-22 | 宁夏大学 | 霉变玉米识别与分拣的辅助装置 |
DE102019108505A1 (de) | 2019-04-02 | 2020-10-08 | Claas E-Systems Gmbh | Landwirtschaftliche Arbeitsmaschine |
US10677637B1 (en) | 2019-04-04 | 2020-06-09 | Scale Tec, Ltd. | Scale controller with dynamic weight measurement |
CN110232494A (zh) | 2019-04-09 | 2019-09-13 | 丰疆智能科技股份有限公司 | 物流车调度系统和方法 |
CN110232493B (zh) | 2019-04-09 | 2021-07-30 | 丰疆智能科技股份有限公司 | 收割机和物流车智能配合系统和方法 |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
WO2020210607A1 (en) | 2019-04-10 | 2020-10-15 | Kansas State University Research Foundation | Autonomous robot system for steep terrain farming operations |
US11016049B2 (en) | 2019-04-17 | 2021-05-25 | Deere & Company | Agricultural moisture and test weight sensor with co-planar electrodes |
US20200337232A1 (en) | 2019-04-24 | 2020-10-29 | Deere & Company | Information inference for agronomic data generation in sugarcane applications |
FR3095572B1 (fr) | 2019-05-02 | 2023-03-17 | Agreenculture | Procédé de gestion de flottes de véhicules agricoles autoguidés |
DE102019206734A1 (de) | 2019-05-09 | 2020-11-12 | Deere & Company | Sämaschine mit vorausschauender Ansteuerung |
US10703277B1 (en) | 2019-05-16 | 2020-07-07 | Cnh Industrial America Llc | Heads-up display for an agricultural combine |
US11674288B2 (en) | 2019-05-30 | 2023-06-13 | Deere & Company | System and method for obscurant mitigation |
DE102019114872A1 (de) | 2019-06-03 | 2020-12-03 | Horsch Leeb Application Systems Gmbh | System und Verfahren zur Simulation und/oder Konfiguration eines mittels einer landwirtschaftlichen Arbeitsmaschine durchzuführenden Arbeitsprozesses und landwirtschaftliche Arbeitsmaschine |
US11457563B2 (en) | 2019-06-27 | 2022-10-04 | Deere & Company | Harvester stability monitoring and control |
US11690320B2 (en) * | 2019-07-11 | 2023-07-04 | Deere & Company | Work machine control based on machine capabilities relative to work assignment criteria |
CN110262287A (zh) | 2019-07-14 | 2019-09-20 | 南京林业大学 | 用于收获机械割台高度自动控制的冠层高度在线探测方法 |
DE102019119110A1 (de) | 2019-07-15 | 2021-01-21 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Abarbeitung eines landwirtschaftlichen Arbeitsprozesses auf einem Feld |
US11665992B2 (en) * | 2019-07-30 | 2023-06-06 | Root Applied Sciences Inc. | Predictive agricultural management system and method |
JP2019216744A (ja) | 2019-09-03 | 2019-12-26 | ヤンマー株式会社 | コンバイン |
US11904871B2 (en) | 2019-10-30 | 2024-02-20 | Deere & Company | Predictive machine control |
CN110720302A (zh) | 2019-11-29 | 2020-01-24 | 河南瑞创通用机械制造有限公司 | 一种谷物收获机智能调节系统及其控制方法 |
US11540447B2 (en) | 2019-12-17 | 2023-01-03 | Deere & Company | Predictive crop characteristic mapping for product application |
US11800829B2 (en) * | 2019-12-17 | 2023-10-31 | Deere & Company | Work machine zone generation and control system with geospatial constraints |
AR121004A1 (es) * | 2020-01-07 | 2022-04-06 | Climate Corp | Aplicación de sensores remotos y modelos de aprendizaje automatizado para predecir datos de propiedad agronómica a campo |
US11610272B1 (en) * | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
US20210243936A1 (en) * | 2020-02-06 | 2021-08-12 | Deere & Company | Predictive weed map generation and control system |
US20210243951A1 (en) * | 2020-02-06 | 2021-08-12 | Deere & Company | Machine control using a predictive map |
US20220232816A1 (en) * | 2020-02-06 | 2022-07-28 | Deere & Company | Predictive weed map and material application machine control |
DE102021200028A1 (de) * | 2020-02-06 | 2021-08-12 | Deere & Company | Landwirtschaftliche erntemaschine mit vorauflauf-unkrauterkennungs- und -eindämmungssystem |
US11669093B2 (en) * | 2020-03-26 | 2023-06-06 | Deere & Company | Mobile work machine control based on control zone map data |
US11641801B2 (en) | 2020-04-21 | 2023-05-09 | Deere & Company | Agricultural harvesting machine control using machine learning for variable delays |
CN111406505A (zh) | 2020-04-30 | 2020-07-14 | 江苏大学 | 一种联合收获机粮箱剩余容量及剩余行走距离监测装置和方法 |
US20230263110A1 (en) | 2020-06-25 | 2023-08-24 | The Toro Company | Turf management systems and methods |
US20220110249A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Map generation and control system |
US11895948B2 (en) * | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US20220110236A1 (en) * | 2020-10-08 | 2022-04-14 | Deere & Company | Predictive machine characteristic map generation and control system |
US20220113141A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Predictive map generation and control system |
US11711995B2 (en) * | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US20220113729A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Predictive map generation and control system |
US11650587B2 (en) * | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11927459B2 (en) * | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11844311B2 (en) * | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11849671B2 (en) * | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11825768B2 (en) * | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11592822B2 (en) * | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US20220110258A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Map generation and control system |
US11849672B2 (en) * | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11675354B2 (en) * | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US20220110238A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Machine control using a predictive map |
US20220110253A1 (en) * | 2020-10-09 | 2022-04-14 | Deere & Company | Machine control using a predictive map |
US20220132723A1 (en) * | 2020-11-02 | 2022-05-05 | Deere & Company | Agricultural characteristic confidence and control |
EP4101288A1 (en) * | 2021-06-07 | 2022-12-14 | AGCO Corporation | Systems and methods for geolocating and mapping ash contamination in hay production |
US20230107444A1 (en) * | 2021-10-01 | 2023-04-06 | Deere & Company | Historical crop state model, predictive crop state map generation and control system |
-
2020
- 2020-10-09 US US17/066,844 patent/US11845449B2/en active Active
-
2021
- 2021-08-30 BR BR102021017161-8A patent/BR102021017161A2/pt unknown
- 2021-09-29 CN CN202111156313.2A patent/CN114303611A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US11845449B2 (en) | 2023-12-19 |
CN114303611A (zh) | 2022-04-12 |
US20220110254A1 (en) | 2022-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210243936A1 (en) | Predictive weed map generation and control system | |
US11653588B2 (en) | Yield map generation and control system | |
BR102021016550A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola | |
BR102021015171A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola | |
US11825768B2 (en) | Machine control using a predictive map | |
EP3861842B1 (en) | Predictive weed map generation and control system | |
US20230397532A1 (en) | Crop state map generation and control system | |
US20240122103A1 (en) | Predictive speed map generation and control system | |
BR102021017182A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola | |
US11895948B2 (en) | Predictive map generation and control based on soil properties | |
BR102021015207A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola | |
BR102021017161A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola | |
BR102022026212A2 (pt) | Sistema agrícola, e, método para controlar uma colheitadeira agrícola | |
BR102021017308A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola | |
BR102021017151A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola | |
US20230334853A1 (en) | Predictive map generation based on seeding characteristics and control | |
US11650587B2 (en) | Predictive power map generation and control system | |
US20210029878A1 (en) | Predictive map generation and control | |
BR102021023437A2 (pt) | Método para controlar uma máquina de trabalho agrícola, e, máquina de trabalho agrícola campo da descrição | |
BR102021017257A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional | |
US11871697B2 (en) | Crop moisture map generation and control system | |
BR102023001044A2 (pt) | Sistema agrícola, e, método implantado por computador | |
BR102022005631A2 (pt) | Sistema agrícola, e, método implementado por computador para gerar um mapa de característica ambiental preditivo funcional | |
BR102021017201A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para gerar um mapa agrícola preditivo funcional | |
BR102021016725A2 (pt) | Máquina de trabalho agrícola, e, método implementado por computador para controlar uma máquina de trabalho agrícola |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B03A | Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette] |