CN108738444A - 一种基于深度学习系统的拖拉机耕作方法 - Google Patents

Abstract

一种基于深度学习系统的拖拉机耕作方法，本发明通过对拖拉机所在位置的定位，辨识耕地边界，从而确定耕犁拖拉机是否可以开始工作，之后进行土壤数据分析，判断土壤类型、土壤板结程度等，通过角位移传感器，指导耕犁的耕深程度的调整，当耕犁拖拉机在工作状态时，深度学习系统通过速度传感器调整耕犁拖拉机速度，使耕犁拖拉机达到最佳状态，从而提高工作的效率，进而提高农作物产量，本发明具有操作简单，工作效率高等特点，适合大范围的推广和应用。

Description

一种基于深度学习系统的拖拉机耕作方法

技术领域

本发明涉及一种拖拉机耕作方法，具体涉及一种基于深度学习系统的拖拉机耕作方法。

背景技术

已知的，随着社会的发展，在近几年里深度学习得到了飞速发展，它颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，让一切变得更加简单。而且深度学习中的每一层都可以为了最终的任务来调整自己，最终实现各层之间的通力合作，能够大大提高任务的准确度。随着大数据时代的到来以及GPU等各种更加强大的计算设备的发展，深度学习如虎添翼，可以充分利用各种海量数据（标注数据、弱标注数据或者仅仅数据本身），完全自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。

众所周知，中国是一个农业大国，农用机械在农业中占了很大的作用，特别是耕犁拖拉机的使用。然而传统的农用机械都是由人工操作来完成作业的，操作起来不仅麻烦还浪费了大量的时间和人力资源，工作效率低下，完全跟不上现代化的发展轨迹。在耕犁拖拉机方面，现有的技术都是由人力操作在农田中耕作，耕作的速度是由人来控制和调整的，遇到较松软粘附力强的土地时，拖拉机需要加大马力才能行驶，人为很难控制行驶的速度；而且不同的土地在不同情况下需要耕作的深度也无法灵活地进行调节等。现阶段深度学习系统在耕犁拖拉机自动化方面没有得到开发和应用，那么如何提供一种基于深度学习系统的拖拉机耕作方法就成了本领域技术人员的技术诉求。

发明内容

为克服背景技术中存在的不足，本发明提供了一种基于深度学习系统的拖拉机耕作方法，本发明利用深度学习系统，通过对接收到的农田信息进行甄别判断来控制拖拉机在农田中进行耕作，其不仅可以根据不同的土地情况来控制拖拉机的行驶速度，还可以控制拖拉机耕作的深浅程度等。

为实现如上所述的发明目的，本发明采用如下所述的技术方案：

一种基于深度学习系统的拖拉机耕作方法，所述方法包括如下步骤：

第一步、启动拖拉机，农机耕地自动化深度学习系统通过设置在拖拉机上的边界传感器和GPS全球定位系统反馈的数据进行地面边界感应，辨识耕地边界，同时设置在拖拉机上的摄像头与车载计算机相连接，通过机器视觉和图像识别技术确认边界信息，并与拖拉机的位置信息作对比，进而控制拖拉机进入耕地边界范围，然后，农机耕地自动化深度学习系统确认是否要放下耕犁开始耕作；

第二步、接上步，当农机耕地自动化深度学习系统确定拖拉机可以开始耕作时，此时若拖拉机不在耕地边界，拖拉机保持原状，然后结束此次耕作，若拖拉机在耕地边界，设置在车身前端面上的红外传感器、温度传感器和湿度传感器进行土壤信息监测并将土壤信息反馈给农机耕地自动化深度学习系统，农机耕地自动化深度学习系统将采集到的数据与全国土壤信息数据库进行比对后，判断当前土地类型、土壤地形、土壤摩擦力、土壤沃土层的厚度、土壤板结程度，土壤水分及土壤墒情，然后农机耕地自动化深度学习系统通过角位移传感器控制耕犁深浅，当土壤板结程度低时，犁臂调至低档耕浅，拖拉机调至最佳速度开始耕作，当土壤板结程度高时，犁臂调至高档耕深，拖拉机调至最佳速度开始耕作；

第三步、接上步，当耕深程度确定后，农机耕地自动化深度学习系统控制拖拉机调整至最佳速度进行耕作，此时耕作速度传感器将当前拖拉机的速度信息实时反馈给农机耕地自动化深度学习系统，农机耕地自动化深度学习系统根据耕作中速度传感器实时反馈的速度信息与最佳速度数据做对比，来确定当前速度是否最佳，若当前速度是最佳速度，农机耕地自动化深度学习系统控制拖拉机保持原状态继续行驶，若当前速度不是最佳速度，判断实际速度是否大于最佳速度，当实际速度大于最佳速度时，减小档位达到最佳状态，当实际速度小于最佳速度时，增加档位达到最佳状态；

第四步：

最后，当农机耕地自动化深度学习系统再次接收到传感器监测到的拖拉机到达边界的信息时，农机耕地自动化深度学习系统控制拖拉机停止工作，并升起犁臂。

所述的基于深度学习系统的拖拉机耕作方法，所述摄像头设置在拖拉机监测控制系统的上端。

所述的基于深度学习系统的拖拉机耕作方法，所述摄像头为360°旋转的摄像头。

采用如上所述的技术方案，本发明具有如下所述的优越性：

本发明通过对拖拉机所在位置的定位，辨识耕地边界，从而确定耕犁拖拉机是否可以开始工作，之后进行土壤数据分析，判断土壤类型、土壤板结程度等，通过角位移传感器，指导耕犁的耕深程度的调整，当耕犁拖拉机在工作状态时，深度学习系统通过速度传感器调整耕犁拖拉机速度，使耕犁拖拉机达到最佳状态，从而提高工作的效率，进而提高农作物产量，本发明具有操作简单，工作效率高等特点，适合大范围的推广和应用。

附图说明

图1是本发明的工作原理示意图。

具体实施方式

通过下面的实施例可以更详细的解释本发明，本发明并不局限于下面的实施例；

结合附图1所述的一种基于深度学习系统的拖拉机耕作方法，所述方法包括如下步骤：

第一步、启动拖拉机，农机耕地自动化深度学习系统通过设置在拖拉机上的边界传感器和GPS全球定位系统反馈的数据进行地面边界感应，辨识耕地边界，同时设置在拖拉机上的摄像头与车载计算机相连接，所述摄像头设置在拖拉机监测控制系统的上端，所述摄像头为360°旋转的摄像头，通过机器视觉和图像识别技术确认边界信息，并与拖拉机的位置信息作对比，进而控制拖拉机进入耕地边界范围，然后，农机耕地自动化深度学习系统确认是否要放下耕犁开始耕作；

第二步、接上步，当农机耕地自动化深度学习系统确定拖拉机可以开始耕作时，此时若拖拉机不在耕地边界，拖拉机保持原状，然后结束此次耕作，若拖拉机在耕地边界，设置在车身前端面上的红外传感器、温度传感器和湿度传感器进行土壤信息监测并将土壤信息反馈给农机耕地自动化深度学习系统，农机耕地自动化深度学习系统将采集到的数据与全国土壤信息数据库进行比对后，判断当前土地类型、土壤地形、土壤摩擦力、土壤沃土层的厚度、土壤板结程度，土壤水分及土壤墒情，然后农机耕地自动化深度学习系统通过角位移传感器控制耕犁深浅，当土壤板结程度低时，犁臂调至低档耕浅，拖拉机调至最佳速度开始耕作，当土壤板结程度高时，犁臂调至高档耕深，拖拉机调至最佳速度开始耕作；

第三步、接上步，当耕深程度确定后，农机耕地自动化深度学习系统控制拖拉机调整至最佳速度进行耕作，此时耕作速度传感器将当前拖拉机的速度信息实时反馈给农机耕地自动化深度学习系统，农机耕地自动化深度学习系统根据耕作中速度传感器实时反馈的速度信息与最佳速度数据做对比，来确定当前速度是否最佳，若当前速度是最佳速度，农机耕地自动化深度学习系统控制拖拉机保持原状态继续行驶，若当前速度不是最佳速度，判断实际速度是否大于最佳速度，当实际速度大于最佳速度时，减小档位达到最佳状态，当实际速度小于最佳速度时，增加档位达到最佳状态；

第四步：

最后，当农机耕地自动化深度学习系统再次接收到传感器监测到的拖拉机到达边界的信息时，农机耕地自动化深度学习系统控制拖拉机停止工作，并升起犁臂。

本发明中深度学习的原理如下：

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。其采用的是逐层训练机制，思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为： I =>S1=>S2=>…..=>Sn => O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。现在回到主题Deep Learning，需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设设计了一个系统S（有n层），通过调整系统中参数，使得它的输出仍然是输入I，那么就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。通过这种方式，就可以实现对输入信息进行分级表达了。所以在进行深度学习时要及时的把每一步的土壤数据、犁臂数据以及运行速度作为输入端对其进行不断地学习训练，把其分析得到的上一步数据作为输出来作为下一步的输入进行后续操作。

本发明在具体实施时，拖拉机方面，在车身上安装有能够360°旋转的摄像头、车载计算机、GPS全球定位系统、红外传感器、温度传感器、角位移传感器、湿度传感器和速度传感器等。

1）深度学习系统通过边界传感器和GPS全球定位系统反馈的数据，辨识耕地边界，在拖拉机的监测控制系统上端设有能够360°旋转的摄像头，所述摄像头与车载计算机相连接，通过机器视觉和图像识别技术确认边界信息，并与拖拉机的位置信息作对比，进而控制拖拉机进入耕地边界范围。

2）当深度学习系统确认要进行工作时，车身前端上安装的红外传感器、温度传感器和湿度传感器同时进行工作，通过结合其他项目的土壤传感器将得到的数据反馈给深度学习系统。由于中国幅员辽阔，各地区土壤类型不尽相同，所以，在进行耕作前，对土壤信息的了解是很有必要的。深度学习系统将反馈的数据进行分析，并与全国土壤信息库对比信息，判断当前土地的类型（比如：黄土地、黑土地、红土地、白土地等）、土壤地形、土壤摩擦力、土壤沃土层的厚度等，再通过土壤传感器反馈的数据判断土壤板结程度，土壤水分、土壤墒情等，然后通过角位移传感器调整犁臂来确定耕深耕松程度。

3）耕作过程中农具的耕作深度由深度学习系统根据土壤信息判断，然后由液压悬挂装置自行控制。

当耕作模式在阻力调节时，首先由深度学习系统选择合适的设定阻力值f，并将此值发送至深度学习系统与角位移阻力传感器的输出值F进行比较。

当f＞F时，即当前的耕作阻力比预定的耕作阻力小，此时深度学习系统向电液比例换向阀发出信号，使其右端电磁铁通电时，同时控制电磁换向阀的电磁铁断电。这样液压泵输出的油液经过电磁换向阀流回油箱，液压泵卸荷，农具靠自重作用下降，被排出的液体经单向节流阀的节流阀和电磁比例换向阀流回油箱；当耕作阻力比预定的耕作阻力大时，比例换向阀左端的电磁铁通电，液压泵输出的高压油经过电磁比例换向阀和单向阀进入液压缸的无杆腔，农机具提升。当耕作阻力与预定的耕作阻力相近，深度学习系统向电磁比例换向阀发出信号，使其两端电磁铁都断电,同时电磁换向阀的电磁铁断电，液压油不进不出，农具保持平衡。

在位置控制过程中，首先由深度学习系统选择选择合适的设定阻力值f，深度学习系统将它与角位移耕深传感器的输出值F进行比较。当f>F时，即当前的耕深比预定的耕作深度浅，深度学习系统向电液比例换向阀发出信号，右端电磁铁通电，同时控制电磁换向阀的电磁铁断电。液压泵输出的油液经过电磁换向阀流回油箱卸荷，犁在自重作用下下降，排出的液体经单向节流阀的节流阀和电磁比例换向阀流回油箱。当f＜F时，当前耕深大于预定耕深，电磁比例换向阀左端电磁铁通电，电磁换向阀的电磁铁通电，高压油经过电磁比例换向阀、单向阀进入液压缸的无杆腔，农机具提升。当二者相等时，电磁比例换向阀和电磁换向阀的电磁铁断电，液压油不进不出，农具保持平衡。

4）当耕深程度确定后，深度学习系统控制拖拉机调整至最佳速度进行耕作。此时速度传感器将当前速度信息实时反馈给深度学习系统，深度学习系统可以根据耕作中速度传感器实时反馈的速度信息与最佳速度数据做对比，来确定当前速度是否最佳。

耕犁拖拉机能行驶是靠内燃机的动力经传动系统，使驱动轮获得驱动扭矩Ｍk，获得驱动扭矩的驱动轮再通过轮胎花纹和轮胎表面给地面小、向后的水平作用力(切线力)，而地面对驱动力大小相等、方向相反的水平反作用力Pk，这个Pk反作用力就是推动拖拉机向前行驶的驱动力。当驱动力Pk足以克服前后车轮向前滚动阻力和所带农具的牵引阻力时，拖拉机便向前行驶。若将驱动轮支离地面，即驱动力Pk等于零，则驱动轮只能原地空转，拖拉机不能行驶；若滚动阻力与牵引阻力之和大于驱动力Ｐk时，拖拉机也不能行驶。由此可见轮式拖拉机行驶是由驱动扭矩驱动轮与地面间的相互作用而实现的，并且驱动力要大于滚动阻力与牵引阻力之和。

5）影响拖拉机行驶有的主要因素：

(1)滚动阻力

拖拉机的滚动阻力，主要是由于轮胎和土壤的变形而产生的，在拖拉机的重量作用下，轮胎被压扁、土壤被压实。车轮在滚动过程中、轮胎沿圆周围方向与地面相接触的各个部上继被压扁变形，且把车轮前面高出土壤压下去使土壤压下去使土壤变形而形成轮辙，即产生了阻碍车轮向前滚动的滚动阻力。影响滚动阻力的因素很多，主要与地面的坚实和潮湿程度上的垂直载荷的大小等因素有关。一般说来，减少轮胎本身的变形和土壤垂直方向的变形，有利于减少滚动阻力。若拖拉机在松软地面上行驶，采用低压轮胎，加大轮胎支承面积，则可减小土壤在垂直方向的变形，降低滚动阻力，从而提高牵引力。由于拖拉机主要用于田间作业，多在松软地面上行驶，为减小土壤在垂直方向的变形，因此拖拉机一般采用的最低压轮胎，采用加宽轮胎也是同样的道理。

(2)牵引阻力

牵引阻力是拖拉机带动的耕犁进行作业时所要克服的阻力，它等于拖拉机通过连接装置传给耕犁的牵引力。由于牵引力等于驱动减去滚动阻力，因此，增加驱动力和减少滚动阻力是提高牵引力的有效措施。

(3)驱动力

它是路面对驱动轮的水平反作用力。内燃机通过传动系统传到驱动轮上的驱动扭矩Ｍk的大小，表明了拖拉机的驱动力Ｐk也越大。但由于Ｍk是由内燃机的功率决定的，因此Ｐk也受到内燃机功率的限制。同时Ｐk又受土壤条件的限制，不能无限增加，因为当土壤的反作用力即驱动力Ｐk增加到一定程度时同，土壤被破坏，驱动轮严重打滑，驱动力Ｐk不能再增加了。我们把土壤对驱动轮所能产生的最大反作用力叫做“附着力”。由此可见，驱动力Ｐk的最大值除了受内燃机率限制外，还受土壤附着力的限制，而不能无限增加。

附着力反映了驱动与土壤间产生最大驱动力的能力。影响附着力的因素很多，主要与地面的条件，轮胎气压、尺寸、花纹和作用在轮胎上的垂直载荷的大小等因素有关。

拖拉机驱动轮与地面间产生的最大附着能力和抵抗打滑的能力，称为拖拉机的附着性能。若附着性能好，打滑较轻，则驱动扭矩就能充分利用，内燃机的能力也能得到充分的发挥，拖拉机在工作时就显得有劲。若附着性能差，打滑严重，则驱动扭矩就不能充分利用，内燃机的能力就不能得到充分的发挥，拖拉机在工作时就显得有劲使不出来，或者说拖拉机没有多大劲。驱动轮严重打滑，会使拖拉机行驶速度降低，生产和经济性下降，同时也加快了驱动轮轮胎的磨损，此外土壤的结构也会遭到破坏。

本发明未详述部分为现有技术。

为了公开本发明的目的而在本文中选用的实施例，当前认为是适宜的，但是，应了解的是，本发明旨在包括一切属于本构思和发明范围内的实施例的所有变化和改进。

Claims (3)

1.一种基于深度学习系统的拖拉机耕作方法，其特征是：所述方法包括如下步骤：

第一步、启动拖拉机，农机耕地自动化深度学习系统通过设置在拖拉机上的边界传感器和GPS全球定位系统反馈的数据进行地面边界感应，辨识耕地边界，同时设置在拖拉机上的摄像头与车载计算机相连接，通过机器视觉和图像识别技术确认边界信息，并与拖拉机的位置信息作对比，进而控制拖拉机进入耕地边界范围，然后，农机耕地自动化深度学习系统确认是否要放下耕犁开始耕作；

第二步、接上步，当农机耕地自动化深度学习系统确定拖拉机可以开始耕作时，此时若拖拉机不在耕地边界，拖拉机保持原状，然后结束此次耕作，若拖拉机在耕地边界，设置在车身前端面上的红外传感器、温度传感器和湿度传感器进行土壤信息监测并将土壤信息反馈给农机耕地自动化深度学习系统，农机耕地自动化深度学习系统将采集到的数据与全国土壤信息数据库进行比对后，判断当前土地类型、土壤地形、土壤摩擦力、土壤沃土层的厚度、土壤板结程度，土壤水分及土壤墒情，然后农机耕地自动化深度学习系统通过角位移传感器控制耕犁深浅，当土壤板结程度低时，犁臂调至低档耕浅，拖拉机调至最佳速度开始耕作，当土壤板结程度高时，犁臂调至高档耕深，拖拉机调至最佳速度开始耕作；

第三步、接上步，当耕深程度确定后，农机耕地自动化深度学习系统控制拖拉机调整至最佳速度进行耕作，此时耕作速度传感器将当前拖拉机的速度信息实时反馈给农机耕地自动化深度学习系统，农机耕地自动化深度学习系统根据耕作中速度传感器实时反馈的速度信息与最佳速度数据做对比，来确定当前速度是否最佳，若当前速度是最佳速度，农机耕地自动化深度学习系统控制拖拉机保持原状态继续行驶，若当前速度不是最佳速度，判断实际速度是否大于最佳速度，当实际速度大于最佳速度时，减小档位达到最佳状态，当实际速度小于最佳速度时，增加档位达到最佳状态；

第四步：

最后，当农机耕地自动化深度学习系统再次接收到传感器监测到的拖拉机到达边界的信息时，农机耕地自动化深度学习系统控制拖拉机停止工作，并升起犁臂。

2.根据权利要求1所述的基于深度学习系统的拖拉机耕作方法，其特征是：所述摄像头设置在拖拉机监测控制系统的上端。

3.根据权利要求1所述的基于深度学习系统的拖拉机耕作方法，其特征是：所述摄像头为360°旋转的摄像头。