CN111837626A - 用于甘蔗应用中的农艺数据生成的信息推断 - Google Patents
用于甘蔗应用中的农艺数据生成的信息推断 Download PDFInfo
- Publication number
- CN111837626A CN111837626A CN202010336742.7A CN202010336742A CN111837626A CN 111837626 A CN111837626 A CN 111837626A CN 202010336742 A CN202010336742 A CN 202010336742A CN 111837626 A CN111837626 A CN 111837626A
- Authority
- CN
- China
- Prior art keywords
- crop
- sensor
- blank
- harvester
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 240000000111 Saccharum officinarum Species 0.000 title claims description 48
- 235000007201 Saccharum officinarum Nutrition 0.000 title claims description 43
- 230000009418 agronomic effect Effects 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 99
- 244000038559 crop plants Species 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 241000196324 Embryophyta Species 0.000 claims description 68
- 238000003306 harvesting Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 29
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 239000003337 fertilizer Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 241000607479 Yersinia pestis Species 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000001143 conditioned effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 53
- 238000005259 measurement Methods 0.000 description 43
- 230000001537 neural effect Effects 0.000 description 41
- 230000009471 action Effects 0.000 description 37
- 239000013598 vector Substances 0.000 description 35
- 239000003795 chemical substances by application Substances 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 24
- 239000002699 waste material Substances 0.000 description 22
- 238000011156 evaluation Methods 0.000 description 15
- 230000004927 fusion Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 241001124569 Lycaenidae Species 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000003749 cleanliness Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 241000209134 Arundinaria Species 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005355 Hall effect Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000013340 harvest operation Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 235000000832 Ayote Nutrition 0.000 description 1
- 240000004244 Cucurbita moschata Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum 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
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003197 gene knockdown Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- -1 irrigation Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
- A01M21/043—Apparatus for destruction by steam, chemicals, burning, or electricity by chemicals
-
- 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
- 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
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D43/00—Mowers combined with apparatus performing additional operations while mowing
- A01D43/08—Mowers combined with apparatus performing additional operations while mowing with means for cutting up the mown crop, e.g. forage harvesters
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D43/00—Mowers combined with apparatus performing additional operations while mowing
- A01D43/08—Mowers combined with apparatus performing additional operations while mowing with means for cutting up the mown crop, e.g. forage harvesters
- A01D43/085—Control or measuring arrangements specially adapted therefor
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D45/00—Harvesting of standing crops
- A01D45/10—Harvesting of standing crops of sugar cane
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D65/00—Grain-crop lifters
- A01D65/02—Lifting fingers
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/52—Determining velocity
-
- 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
- A01D41/1271—Control or measuring arrangements specially adapted for combines for measuring crop flow
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Soil Sciences (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Fluid Mechanics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Harvesting Machines For Specific Crops (AREA)
Abstract
提供了一种用于测绘田地中的农作物的方法。所述方法包括:借助于在农业机器上的控制单元从感测所述作物的产量特性的产量传感器和感测所述作物的处理特性的处理传感器接收与农业作业机器相关联的信号;使用所述接收到的信号确定空白作物植株的存在;至少使用时间和所述农业作业机器的位置来确定所述空白作物植株的位置;以及生成示出空白作物在所述田地内的位置的空白作物地图。
Description
发明领域
本公开总体上涉及一种用于甘蔗收割机的传感器融合系统,其中所述传感器融合系统被用于检测和测绘一种或多种空白作物植株和一种或多种作物产量。
背景技术
在许多应用中,知道农业作业机器的操作状态可以是重要的。当前的系统将来自几个传感器的值组合起来,以确定机器的操作状态,所述操作状态可能随时间而变化,以自动地控制作业机器的部件。然而,由于多种原因,来自一个这样的传感器的信号可能不如来自另一个传感器的那些信号可靠,这可能是由于传感器的类型、操作状态、状况、故障或信号劣化。举例来说,一些传感器(例如,废料或树叶传感器)在高吞吐量或高湿度状况下不如在低吞吐量或干燥状况下可靠。
发明内容
一种用于测绘田地中的农作物的方法,所述方法包括:借助于在农业机器上的控制单元从感测所述作物的产量特性的产量传感器和感测所述作物的处理特性的处理传感器接收与农业作业机器相关联的信号;使用所述接收到的信号确定空白作物植株的存在;至少使用所述农业作业机器的时间和位置来确定所述空白作物植株的位置;以及生成示出空白作物在所述田地内的所述位置的空白作物地图。
所述方法可以进一步包括:使用模糊逻辑、机器学习、聚类或统计分析分类系统中的至少一个来对所述接收到的信号进行分类。
所述方法,其中,使用模糊逻辑系统来执行对所述接收到的信号进行分类的步骤,其中,针对采样间隔,将置信因子分配给与所述产量传感器和处理传感器相关联的所述接收到的信号中的每一个。
所述方法进一步包括:基于与所述接收到的信号的估计准确度相关的置信因子而确定空白作物植株的存在的聚合置信指示符。
所述接收到的信号的所述估计准确度可以基于以下各项中的至少一个:(i)接收到的信号中的至少一个的范围,(ii)所述接收到的信号中的所述至少一个的改变率,(iii)所述接收到的信号中的所述至少一个的噪声水平,和(iv)植株损失状况,其中,所述植株损失状况与空白作物植株、害虫损坏、杂草损坏、田地操作损坏和干旱中的至少一个相关联。
所述农作物可以是多年生作物,例如甘蔗,并且所述农业作业机器可以是甘蔗收割机。
可以在收获操作期间确定所述农业作业机器的所述位置。
来自所述处理传感器的所述处理特性可以对应于与基部切割器压力、切碎机压力和升降机速度中的至少一个相关联的所感测的特性(例如,压力或力)。
所述方法可以包括:设置在所述农业作业机器的所处理作物流内或附近的产量传感器,所述产量传感器感测对应于所述被处理作物的质量或体积的特性。
所述方法可以进一步包括:通过应用过滤、延迟、缩放、偏移和偏置移除中的至少一个来调节所述接收到的信号。
所述方法可以进一步包括:从卫星导航接收器或位置确定接收器中的至少一个接收信号,每一个接收器产生所述农业作业机器的时间、位置和速度。
确定空白作物植株的存在的步骤可以进一步包括:分析所述所接收到的信号是否指示空白作物特性,并且将置信因子分配给具有空白作物特性的所述接收到的信号中的每一个。
所述空白作物特性指示空白作物植株或发育迟缓的植株的存在。
可以借助于处理器执行生成空白作物地图的步骤,所述处理器位于所述农业作业机器上或所述农业作业机器外部,并且所述空白作物地图的机载或非机载生成在所述农业作业机器移动穿过所述田地时或在所述农业作业机器移动穿过所述田地之后发生。
所述方法可以进一步包括:使用所述空白作物地图生成种植田地操作指示、收获田地操作指示和作物护理田地操作指示中的至少一个的步骤。
所述种植田地操作指示可以包括:重新种植空白作物。
所述收获田地操作指示可以包括:调整收割机的速度、清洁设置或发动机管理中的至少一个。
所述作物护理田地操作指示可以包括:调整喷雾器、耕田机或施肥机(fertilizer)的操作。
一种用于测绘田地中的作物的空白作物的位置的系统,所述系统包括:农业作业机器;至少两个传感器,所述至少两个传感器与农业作业机器相关联;和数据处理器,所述数据处理器被配置成使用来自所述至少两个传感器的接收到的信号来确定空白作物植株的存在,并且生成空白作物地图,所述作物地图示出了空白作物植株在所述作物田地内的相对位置。
所述至少两个传感器可以被配置成感测与所述田地中的作物或所述农业作业机器中的至少一个相关的参数。
一种用于测绘田地中的农作物的方法,所述方法包括:从感测被处理作物的产量特性的产量传感器和感测所述被处理作物的处理特性的处理传感器接收与农业作业机器相关联的信号;使用所述接收到的信号来确定作物产量;和使用与在田地操作期间所述农业作业机器的所述位置相关联的所述作物产量的时间和地理参考位置来生成作物产量地图。
所述方法可以进一步包括:使用模糊逻辑、机器学习、聚类或统计分析分类系统中的至少一个来对所述接收到的信号进行分类。
所述方法可以包括针对采样间隔,将置信因子确定和分配给与所述产量传感器和处理传感器相关联的所述接收到的信号中的每一个的步骤。
确定置信因子的步骤可以进一步包括:基于与所述接收到的信号的估计准确度相关的置信因子而确定针对所述地图内的所述作物产量的聚合置信指示符。
所述接收到的信号的所述估计准确度可以基于以下各项中的至少一个:(i)所述接收到的信号中的所述至少一个的范围,(ii)所述接收到的信号中的所述至少一个的改变率,(iii)所述接收到的信号中的所述至少一个的噪声水平,和(iv)植株损失状况,其中,所述植株损失状况与种植跳跃、害虫损坏、杂草损坏、田地操作损坏和干旱中的至少一个相关联。
所述方法还可以包括使用所述相关联的置信因子中的至少一个和所述接收到的信号确定针对所述采样间隔的所述作物产量的步骤。
所述农作物可以是多年生作物,例如甘蔗,并且所述农业作业机器可以是甘蔗收割机。
可以在收获操作期间确定所述收割机的所述位置。
来自所述处理传感器的所述处理特性可以对应于与基部切割器压力、切碎机压力和升降机速度中的至少一个相关联的压力或力。
接收信号的步骤可以进一步包括:从联接到所述收割机上的升降机的产量传感器接收产量特性,所述产量特性对应于所收获材料的质量或体积。
所述方法可以进一步包括:通过应用过滤、延迟、缩放、偏移和偏置移除中的至少一个来调节所述接收到的信号。
接收信号的步骤可以进一步包括:从卫星导航接收器或位置确定接收器中的至少一个接收信号,所述位置确定接收器产生所述农业作业机器的时间、位置和速度。
确定所述作物产量的步骤可以进一步包括:分析针对产量特性的所述信号,和借助于产量特性和它们分配的置信指示符对信号进行加权。
可以在所述农业作业机器上或所述农业作业机器外部执行生成空白作物地图的步骤,所述作物产量地图的机载或机外生成在所述农业作业机器移动穿过所述田地时或在所述农业作业机器移动穿过所述田地之后发生。
所述方法可以进一步包括:使用所述作物产量地图生成种植田地操作指示、收获田地操作指示和作物护理田地操作指示中的至少一个的步骤。
所述种植田地操作指示可以包括:调整种植速率。
所述收获田地操作指示可以包括:调整收割机的速度、清洁设置或发动机管理中的至少一个。
所述作物护理田地操作指示可以包括:调整喷雾器、耕田机或施肥机的操作。通过考虑详细描述和附图,其它特征和方面将变得显而易见。
附图说明
图1是呈甘蔗收割机的形式的农业作业机器的侧视图;
图2是图1中所示的甘蔗收割机的透视图;
图3是甘蔗收割机控制系统的传感器融合逻辑的一个示例的示意图;
图4是甘蔗收割机控制系统的传感器融合逻辑的另一示例的示意图;
图5是甘蔗收割机控制系统的示意图;
图6A是甘蔗收割机的空白作物检测和产量感测系统的操作的示意性表示;
图6B是投射到图5的地图上的作物产量的例示性示意表示;
图6C是投射在图5的地图上的空白作物植株的例示性示意表示;
图7是根据甘蔗收割机的一个示例性实施例的网络环境的高级图示;
图8是根据甘蔗收割机的一个示例性实施例的模型的人工神经网络的图示;
图9是图示使用执行包括人工神经网络的模型的代理(agent)来生成改进收割机性能的动作的方法的流程图;和
图10是图示用于读取和执行来自机器可读介质的指令的示例性甘蔗收割机的部件的框图。
具体实施方式
图1到图2图示了收割机10(例如,甘蔗切碎机收割机),收割机10包括用于提供动力的原动机(未示出)(例如,内燃机)和用于控制原动机的速度以及因此收割机10的地面速度的节气门11。此外,收割机10包括支撑在车轮14上的框架12,车轮14具有连续的履带15、轮胎或接合田地16的其它牵引装置。履带15与田地16直接交互,并且负责收割机10的移动和牵引效力,尽管在其它构造中,收割机10只设置有车轮(而不是如所图示的履带)。驾驶室18安装在框架12上,并且含有用于操作员的座椅19。具有并排螺旋输送机或卷轴的一对作物扶禾器(lifter)22安装到框架12的前部,一对作物扶禾器22在待收获的一行作物的相反侧上操作。作物扶禾器22与上部和下部击倒辊(knockdown roller)以及包括反向旋转圆盘的基部切割器20(总体在图1中示出)协作,在作物的茎被辊击倒之后,所述反向旋转圆盘切断靠近田地16的作物的茎。作物扶禾器22被配置成扶起甘蔗以供进给到进给部分(未示出)。另外,收割机10可以配备有从大臂25上的框架12延伸的切顶器24。切顶器24具有用于切割作物的顶部并且允许收割机10更容易地处理剩余的作物的一个或多个叶片26。
如图1中通常所看到的,切碎机28被配置成接纳来自进给部分(未示出)的割断的甘蔗堆。切碎机28切割作物,并且分离器55接纳来自切碎机28的切割后的作物,并且通常通过作物清洁器分离切割后的作物,这将在下文更详细地描述。作物清洁器可以包括用于清洁切割后的作物的任何合适的机构,例如,风扇(如在下文将描述的所图示构造中)、压缩空气源、耙子、振动器或通过重量、尺寸、形状等区分各种类型的作物部分以从坯料分离外来的植株物质的任何其它机构。分离器55可以包括清洁室、清洁室壳体、作物清洁器(例如,风扇40)、风扇外壳、驱动风扇40的马达50、具有开口54的罩38和离心式鼓风机叶轮46中的一个或多个的任何组合。
分离器55联接到框架12,并且位于作物扶禾器22的下游,以用于接纳来自切碎机28的所切割作物。切碎机28包括具有重叠叶片的反向旋转的鼓式切割器30,以用于将作物(例如,甘蔗C)的茎切割成坯料B,坯料B是茎片。在其它构造中,切碎机28可以包括用于切割作物的茎的任何合适的叶片。作物还包括土壤、叶子、根和其它植株物质,它们在本文中被统称为外来植株物质,它们也与甘蔗C一起在切碎机28中被切割。切碎机28将切割后的作物流(切割后的茎或坯料B和切割后的外来植株物质)引导到清洁室,所述清洁室通常由清洁室壳体、风扇外壳和/或罩38限定,清洁室壳体、风扇外壳和/或罩38都联接到框架12并且位于切碎机28的正下游,以用于接纳来自切碎机28的切割后的作物。风扇外壳联接到清洁室壳体,并且可以包括偏转器叶片31。
罩38联接到风扇外壳,并且具有圆顶形状或其它合适的形状,并且包括从收割机10向外成角度且略微向下地面向田地16的开口54。在一些构造中,开口54可以大体垂直于驱动轴。罩38通过开口54将切割后的作物引导到收割机10的外部,例如,以用于将从切割后的作物流移除的切割后的作物的一部分排回到田地16上(如下文将更详细地描述)。
风扇40安装在清洁室中以用于旋转。举例来说,风扇40可以呈具有轴流风扇叶片(未示出)的抽风扇的形式,所述轴流风扇叶片从扇毂(未示出)向外辐射并且结合到扇毂。在所图示的构造中,风扇40(或其它作物清洁器)被配置成从清洁室吸取空气和外来植株物质。在其它构造中,风扇40(或其它作物清洁器)可以被配置成吹送而不是吸取,即,吹送或推动空气穿过清洁室来清洁作物。风扇40可以包括具有其它类型的叶片的其它类型的风扇,例如,离心式风扇等。离心式鼓风机叶轮可以安装成与风扇40一起在偏转器叶片的径向内侧旋转。举例来说,多个大体直角的鼓风机叶片可以固定到离心式鼓风机叶轮的下侧,从而从其向外辐射。
马达50(例如,液压马达)包括可操作地联接以驱动风扇40的驱动轴。举例来说,驱动轴可以键接到扇毂,或者以其它合适的方式可操作地联接以驱动风扇40。马达50也可以以类似的方式可操作地联接,以驱动离心式鼓风机叶轮。在其它构造中,马达50可以是电动的、气动的,或者可以包括任何其它合适类型的马达、发动机或原动机,以驱动风扇40和/或离心式鼓风机叶轮46。
再次参考图1到图2,升降机56联接到框架12,以用于接纳来自分离器55的清洁后的作物。升降机56终止于被提升到适于将清洁后的作物排到车辆(例如,跟随在收割机10旁边的卡车、货车或类似物)的收集容器(未示出)中的高度的排出开口58(或出口)处。次级清洁器60可以位于排出开口58附近,以用于在作物被排出到车辆之前第二次清洁作物。举例来说,次级清洁器60可以包括风扇、压缩空气、耙子、振动器或其它合适的装置,以用于清洁作物并且将清洁后的作物从次级清洁器出口65喷出。
简言之,如与本申请共同拥有的第20190037770号美国专利公开中所描述,坯料B通常被分离,所述美国专利公开的全部内容通过引用并入本文中。当风扇40将通常较轻的外来植株物质吸取到罩38中并且从开口54排出时,在清洁室中将坯料与外来植株物质分离。所有被引导穿过开口54的切割后的作物(所述切割后的作物被喷射回到田地16上)在本文中被称为残余物。残余物通常主要包括外来植株物质(所述外来植株物质通常已经被切割),并且可以包括一些坯料。清洁室壳体将清洁后的作物引导到升降机56。清洁后的作物通常主要包括坯料,尽管一些外来植株物质可能仍然存在于清洁后的作物中。因此,一些外来植株物质可以与坯料B一起从排出开口58排出。从排出开口58排出到车辆的外来植株物质在本文中被称为废料。
例示性系统和输入
用于给马达50提供动力的第一液压回路62可操作地联接到马达50,并且用于给马达63提供动力的第二液压回路69可操作地联接到马达63。在其它构造中,回路62、69可以是电动的、气动的,可以包括机械连杆等。在其它构造中,马达50、63可以由包括可控制阀的同一液压回路提供动力。在与本申请共同拥有的第2015/0342118号美国专利公开中可以找到用于收割机风扇的液压回路的一个示例的详细描述,所述美国专利公开的全部内容通过引用并入本文中。举例来说,液压回路62、69是闭环液压回路,其分别由泵64a、64b提供动力。每一个泵64a、64b可以由收割机10的原动机(未示出)或其它动力源驱动。
参考图2,收割机10还包括操作员接口66(例如,显示器、按钮、触摸屏幕、图形用户接口、其任何组合或类似物),用户可以通过借助于操作员接口66输入设置、偏好、命令等,以控制收割机10。在另一示例中,操作员接口66还可以包括工作状态监测器100,例如,收获活动监测器或机器活动监测器。在工作状态监测器100是收获活动监测器的情况下,监测器可以累积和显示与至少以下各项相关的信息:收获时间和行进距离;田边地角往返时间和行进距离;路上行进的时间和距离;等待运输或其它时的收割机空闲时间;发动机运行的总时间和行进的距离。这样的信息,组合或部分地,可以帮助操作员识别低效区域,并且采取校正动作,以降低物流成本等。
操作员接口66(包括工作状态监测器100)可操作地与控制单元68(例如,基于微处理器的电子控制单元或类似物)联接,以用于从操作员接口66和几个传感器接收信号,并且用于发送信号以控制收割机10的各种部件(其示例将在下文更详细地描述)。如本文中所使用的,信号可以包括电子信号(例如,通过电路或有线)、无线信号(例如,通过卫星、互联网、移动电信技术、频率、波长、)或类似物。控制单元68可以包括存储器和程序,例如算法。收割机10还包括可操作地连接以向控制单元68发送信号的全球定位系统70。前述传感器可以包括产量监测传感器72、坯料损失传感器74、作物处理传感器75、初级清洁器传感器76、次级清洁器传感器92、负载传感器78、湿度传感器80、温度传感器88、相对湿度传感器86、废料传感器82和地面速度传感器84。控制单元68被编程为包括监测系统,所述监测系统监测收割机功能、开关状态、地面速度和系统压力,如下文将更详细地描述。例示性控制单元输入:
升降机传感器57,用于至少检测升降机56上以磅每平方英寸为单位的压力。在另一示例中,传感器检测升降机56的速度。在又一示例中,升降机传感器57检测升降机56的皮带偏转,皮带偏转的量使用由与升降机56的皮带相关联的相机或应变仪检测的距离测量结果来确定。
切碎机传感器94(未示出),用于检测切碎机28上至少以磅每平方英寸为单位的压力或力和/或相关联的切碎机致动器208的操作。在另一示例中,传感器检测反向旋转鼓式切割器(未示出)或其它类型的切碎机的速度。在又一示例中,切碎机28由电驱动器提供动力,并且因此切碎机传感器94可以被配置成感测电驱动器的马达电流。所感测到的马达电流将用作扭矩或负载的代用项(proxy)。也可以利用其它扭矩或负载感测技术来感测切碎机28的参数。
基部切割器传感器21(未示出),用于检测基部切割器20上至少以磅每平方英寸为单位的压力和/或相关联的基部切割器致动器202的操作。在另一示例中,传感器检测基部切割器20的反向旋转圆盘或其它切割装置的速度。在又一示例中,基部切割器20由电驱动器提供动力,并且因此基部切割器传感器21可以被配置成感测电驱动器的马达电流。所感测到的马达电流将用作扭矩或负载的代用项。也可以利用其它扭矩或负载感测技术来感测基部切割器20的参数。
产量传感器72联接到升降机56,并且向控制单元68发送对应于从排出开口58排放的或升降机56的地板上的作物的量(例如,质量、体积或压力)的至少一个作物产量信号。在一个示例中,产量传感器72是基于视觉或相机的产量感测系统。在又一示例中,产量传感器72是不仅仅与升降机56相关联的基于视觉或相机的产量感测系统。在这个示例中,产量感测系统是前视相机系统,其使用由图像辨识或雷达感测技术确定的平均密度或反射强度来估计产量。
坯料损失传感器74可以包括一个或多个加速度计和/或测量位移或应变或类似物的任何传感器。坯料损失传感器74与分离器55相关联,或者更具体地联接到分离器55。举例来说,坯料损失传感器74可以与清洁室壳体、风扇外壳、罩38、风扇40、风扇叶片、轮毂、离心式鼓风机叶轮、直角鼓风机叶片、驱动轴等相关联,或者联接到清洁室壳体、风扇外壳、罩38、风扇40、风扇叶片、轮毂、离心式鼓风机叶轮、直角鼓风机叶片、驱动轴等或者任何相关联的结构中的任何一个。在所图示的构造中,坯料损失传感器74联接到罩38(图1);然而,它可以附接到风扇40的排气装置中的发声板或者穿过收割机10的作物流内或附近的其它合适位置。坯料损失传感器74被配置用于向控制单元68发送对应于通过分离器55并且更具体地从开口54出来的每一个坯料的信号。举例来说,坯料损失传感器74包括加速度计,所述加速度计检测坯料撞击风扇40和/或壳体部分(例如,罩38)的冲击。在其它构造中,坯料损失传感器74可以包括压电传感器或采用另一种合适的感测技术。每当检测到坯料时,坯料损失传感器74向控制单元68发送信号。控制单元68记录和计数坯料,并且可以将坯料信号数据与时间、位置(例如,来自GPS70)等相关联。
作物处理传感器75(未示出)是作物处理结果传感器,所述作物处理结果传感器用于在作物通过收割机时,例如在一个示例中,沿着升降机56,检测作物的质量或检测对作物的损坏,例如对坯料的损坏。在另一示例中,作物处理传感器检测截根苗损坏,包括切割的质量(例如,切割损失)、残株高度和未接地/接地提升。传感器75可以包括视觉技术(例如,相机),所述视觉技术设置在升降机56和/或排出开口58附近,并且向控制单元68发送对应于从排出开口58排出的总损坏坯料和/或从排出开口58排出的损坏坯料的数目的信号。传感器75可以将损坏坯料的数量量化为绝对量或通过排出开口58的总数的百分比。
初级清洁器传感器76可以与分离器55相关联或联接到分离器55。在一个示例中,分离器55包括风扇40,并且因此,传感器76可以联接到举例来说叶片、马达50、驱动轴等,或邻近风扇40的任何合适的位置。举例来说,初级清洁器传感器76可以包括磁体、接近传感器、霍尔效应传感器等,以计算叶片、驱动轴或风扇40的其它部分的转数,并且向控制单元68发送对应于风扇速度并且被用于确定风扇速度的信号。在另一示例中,初级清洁器传感器76包括与马达50相关联的压力或扭矩传感器,其中,传感器测量速度和压力以计算风扇40的总功率。初级清洁器传感器76还可以包括用于确定清洁器的操作特性的其它合适的感测技术,包括清洁器是具有风扇速度的分离器55的情况。
次级清洁器传感器92可以与次级清洁器60相关联或联接到次级清洁器60。次级清洁器60可以是举例来说在次级清洁器罩67内的风扇,并且传感器92可以联接到举例来说叶片61、马达63、驱动轴等、或风扇附近的任何合适的位置。举例来说,次级清洁器传感器92可以包括磁体、接近传感器、霍尔效应传感器等,以计算叶片、驱动轴或风扇的其它部分的转数,并且向控制单元68发送对应于风扇速度并且被用于确定风扇速度的信号。在另一示例中,次级清洁器传感器92包括与马达63相关联的压力或扭矩传感器,其中,传感器测量速度和压力以计算风扇的总功率。次级清洁器传感器92还可以包括用于确定风扇速度的其它合适的感测技术。
湿度传感器80被定位以检测作物的湿度。具有更多湿度的作物更重并且更难以通过分离器55吸取,并且因此需要来自风扇40的更多功率。湿度传感器80可以包括近红外、电容、雷达或微波类型的传感器或其它合适的湿度检测技术,并且可以与湿度传感器86和/或温度协作工作,以指示切割后的作物材料在其在收割机10中被处理(即,脱粒、清理或分离)之前的状况。举例来说,湿度传感器80设置在收割机10上,并且可以定位在切碎机28中、分离器55中和/或升降机56中,并且更具体地,定位在与其相关联的收割机10的部件中的任何一个中,如上文所描述。在所图示的构造中,湿度传感器80设置在分离器55中,并且更具体地说,设置在罩38中。湿度传感器80向控制单元68发送对应于作物湿度水平的信号。
废料传感器82可以包括视觉技术(例如,相机),所述视觉技术设置在升降机56和/或排出开口58附近,并且向控制单元68发送对应于从排出开口58排出的总产量和/或从排出开口58排出的废料量的信号。废料传感器82可以将废料的量量化为绝对量或总质量的百分比或穿过排放口58的总体积的百分比。废料传感器82可以设置在升降机56中或者来自初级清洁风扇40或次级清洁风扇中的至少一个的作物排出流内或附近的其它合适位置。废料传感器82可以包括用于确定从排出开口58排出的废料量的其它感测技术。在一个示例中,由废料传感器82量化的废料的量将叶片杂质表示为升降机56上的材料内的总体积或总质量的绝对量或百分比和/或可能影响后续研磨过程的矿物杂质。
地面速度传感器84可以与地面速度致动器212相关联,并且可以包括测速器、雷达传感器、速度计(例如,激光表面速度计)、车轮传感器或者用于感测车辆速度的任何其它合适的技术,被配置成向控制单元68发送对应于收割机10相对于田地16的速度的地面速度信号。本领域技术人员认识到,由地面速度传感器84感测的地面速度不同于由GPS70感测的地面速度。然而,在考虑了测量问题、车轮打滑等之后,地面速度信号可以由GPS70来近似。
负载传感器78感测分离器55上的负载和/或相关联分离器致动器210的操作。举例来说,负载传感器78可以测量马达50上的负载,并且可以包括用于所采用的马达类型的任何合适类型的传感器,例如,电动、气动、液压等。在一些构造中,负载传感器78可以包括用于测量扭矩负载的(多个)应变仪或用于测量电负载的安培计。马达50上的负载也可以例如通过测量风扇40和/或离心式鼓风机叶轮上的负载间接地测量。在一些构造中(例如,采用马达50的所图示的构造),负载传感器78可以包括与液压回路62连通以用于测量回路62内的压力的压力换能器或其它压力感测技术。举例来说,负载传感器78可以联接到马达50或泵64a、64b或沿着回路62的任何地方,以测量回路62中的相关联压力。负载传感器78向控制单元68发送负载信号。负载传感器78在收割机10正在运行并且没有作物被切割时测量基线负载或负载下限,并且在作物被切割时测量当前(或目前)负载。
透镜清洁度指示器90可以包括用于确定在基于相机的产量感测系统中相机有多脏以及需要清洁多少(如果有的话)的传感器。在另一示例中,透镜清洁度指示器90使用视觉流量读数来感测相机有多脏。
来自传感器的信号包括关于环境变量(例如,温度、相对空气湿度)的信息以及关于由车载控制单元68控制的变量的信息,所述变量可以包括分别来自地面速度传感器84、切碎机传感器94、升降机速度传感器57、基部切割器传感器21和初级清洁器传感器76的车辆速度信号。附加信号源自坯料损失传感器74、负载传感器78、废料传感器82、透镜清洁度指示器90、次级清洁器传感器92和收割机上的各种其它传感器装置,例如,产量监测传感器72和作物湿度传感器80。
通信电路将来自所提到的传感器和发动机速度监测器、流量监测传感器以及收割机上的其它微控制器的信号引导到控制装置155。来自操作员接口66的信号也被引导到控制装置155。控制装置155连接到致动器202、204、206、208、210、212,以用于控制收割机10上的可调整元件。
例示性甘蔗收割机推断
总体来说,提供了一种方法和系统,所述方法和系统用从间接测量结果产生的推断信号(例如,一个或多个接收到的信号,例如,压力和速度)替代直接测量结果(例如,一个或多个接收到的传感器信号,例如,空白作物植株传感器或产量传感器)。在另一示例中,提供了一种方法和系统,所述方法和系统用从间接测量结果产生的推断信号(例如,一个或多个接收到的信号,例如,压力和速度)校正直接测量结果(例如,一个或多个接收到的传感器信号,例如,空白作物植株传感器或产量传感器)。这种校正也为直接测量值提供了置信值,以识别和补偿直接测量传感器的不准确性或错误。方法和系统将一个或多个接收到的传感器信号分类成许多类别,例如,空白作物植株、作物产量等。系统可以利用模糊逻辑、机器学习、聚类或统计分析中的任何一种来对接收到的传感器信号进行分类。所使用的分类系统的类型部分地取决于收割机的物理构造、所使用的致动器和传感器的类型、每一个致动器对改变的响应得多快、致动器和传感器相对于穿过机器的材料流的位置以及任何导致的延迟。
现在参考图3到图5,提供了推断和分类系统的多个示例。举例来说,在图3中,由控制装置155控制的致动器包括:被配置成控制基部切割器20的速度的基部切割器致动器202、被配置成控制作物扶禾器22的旋转速度的扶禾器致动器204、被配置成控制切顶器24的高度和/或速度的切顶器致动器206、被配置成控制切碎机28的速度的切碎机致动器208、被配置成控制分离器55的操作的分离器致动器210和被配置成控制收割机10的地面速度的地面速度致动器212。在一个示例中,通过控制装置155对分离器55的操作的调整可以包括以清洁室、清洁室壳体、作物清洁器(例如,风扇40)、风扇外壳、驱动风扇40的马达50、具有开口54的罩38和离心式鼓风机叶轮中的一个或多个的任何组合对速度、持续时间、间隙、开口、气流、偏转等的调整。
控制装置155包括控制器电路220,控制器电路220从至少以下各项接收信号:地面速度传感器84、基部切割器传感器21、初级清洁器传感器76、切碎机传感器94、升降机传感器57、负载传感器78(其表示收割机器(例如,分离器)的内部参数)、产量监测传感器72(其可以包括质量流量传感器)、湿度传感器80、相对湿度传感器86、温度传感器88、透镜清洁度指示器90和作物处理结果传感器(其包括坯料损失传感器74、作物处理传感器75、废料传感器82和次级清洁器传感器92)。
控制器电路220包括一个或多个电子控制单元(ECU),电子控制单元中的每一个进一步包括联接到数字存储器电路的数字微处理器。数字存储器电路含有配置ECU以执行本文中所描述的功能的指令。可以存在提供本文中所描述的控制器电路220的所有功能的单个ECU。可替选地,可以存在使用一个或多个通信电路彼此连接的两个或多个ECU。这些通信电路中的每一个可以包括数据总线、CAN总线、LAN、WAN或其它通信装置中的一个或多个。在两个或更多个ECU的装置中,本文中所描述的功能中的每一个可以被分配给装置的个别ECU。这些个别ECU被配置成将它们分配的功能的结果传递到装置的其它ECU。
在分类系统的一个示例中,如图3到图4中所示,提供用于对信号进行分类的模糊逻辑电路222。在图3中,模糊逻辑电路222包括第一参数范围分类器电路224、第二参数范围分类器电路226和操作状态评估电路228。模糊逻辑电路222包括一个或多个电子控制单元(ECU),电子控制单元中的每一个进一步包括联接到数字存储器电路的数字微处理器。数字存储器电路含有配置ECU以执行本文中所描述的功能的指令。
可以存在提供本文中所描述的模糊逻辑电路222的所有功能的单个ECU。可替选地,可以存在使用一个或多个通信电路彼此连接的两个或多个ECU。这些通信电路中的每一个可以包括数据总线、CAN总线、LAN、WAN或其它通信装置中的一个或多个。在两个或更多个ECU的装置中,本文中所描述的功能中的每一个可以被分配给装置的个别ECU。这些个别ECU被配置成将它们分配的功能的结果传递到装置的其它ECU。
第一参数范围分类器电路224从以下各项接收信号:地面速度传感器84、基部切割器传感器21、坯料损失传感器74、切碎机传感器94、升降机传感器57、初级清洁器传感器76、负载传感器78(其表示收割机器(例如,分离器)的内部参数)、产量监测传感器72(其可以包括质量流量传感器)、湿度传感器80、相对湿度传感器86、温度传感器88、透镜清洁度指示器90和作物处理结果传感器(其包括坯料损失传感器74、作物处理传感器75、废料传感器82和次级清洁器传感器92)。
用于检测收割机10的操作状态的系统进一步包括微分电路225,微分电路225联接到传感器84、21、76、94、57、76、74、75、78、72、80、86、88、82和90中的每一个,以从其接收对应的信号。微分电路225被配置成计算它从传感器84、21、76、94、57、76、74、75、78、72、80、86、88、82和90接收的信号中的每一个的时间改变率。微分电路225进一步被配置成传输针对传感器中的每一个的对应的连续信号,所述对应的连续信号指示该传感器84、21、76、94、57、76、74、75、78、72、80、86、88、82和90的时间改变率。微分电路225联接到第二参数范围分类器电路226,以向第二参数范围分类器电路226提供连续的时间改变率信号。
第二参数范围分类器电路226从微分电路225接收针对每一个传感器84、21、76、94、57、76、74、75、78、72、80、86、88、82和90的时间改变率信号,微分电路225又从以下各项接收信号:地面速度传感器84、基部切割器传感器21、坯料损失传感器74、切碎机传感器94、升降机传感器57、初级清洁器传感器76、负载传感器78(其表示收割机器(例如,分离器)的内部参数)、产量监测传感器72(其可以包括质量流量传感器)、湿度传感器80、相对湿度传感器86、温度传感器88和作物处理结果传感器(其包括坯料损失传感器74、作物处理传感器75、废料传感器82和次级清洁器传感器92)。
第一参数范围分类器电路224和第二参数范围分类器电路226中的每一个包括几个模糊分类器电路230。传感器84、21、76、94、57、76、74、75、78、72、80、86、88和82中的每一个联接到第一参数范围分类器电路224的对应模糊分类器电路230,以向其传输其传感器信号。传感器84、21、76、94、57、76、74、75、78、72、80、86、88、82和90中的每一个(经由微分电路225)联接到第二参数范围分类器电路226的对应模糊分类器电路230,以向其传输传感器信号的时间导数。模糊分类器电路230中的每一个被配置成将它接收的传感器信号分类成多个类别。第一参数范围分类器电路224中的模糊分类器电路230中的每一个评估其对应传感器信号的范围(模糊等级)。第二参数范围分类器电路226中的模糊分类器电路230中的每一个评估其对应传感器信号的改变率。
一般来说,模糊分类器电路230根据基于机器学习、聚类、统计分析、专家知识或另一合适的系统预先生成的预定规范来执行它们的分类。每一个模糊分类器电路230所采用的参数和系数将取决于模糊分类器电路230联接到其的传感器的类型。它们还将取决于收割机的物理构造、所使用的致动器和传感器的类型、每一个传感器和致动器对控制器电路220所命令的改变的响应多快、致动器和传感器相对于穿过机器的材料流的位置以及任何导致的延迟。
如果需要,在运行时间期间对规范的改变是可能的。模糊分类器电路230各自提供连续的输出,输出用作举例来说已经发现空白作物植株的概率的代用项。另外,模糊逻辑分类器电路可以被用于描述收割机10的不同部件之间的地理空间偏移或时间偏移。举例来说,可能存在基部切割器20正在操作而升降机不在操作的情况;因此,在基部切割器传感器21和产量监测器72的读数之间产生地理空间偏移或时间偏移。其数量对应于输入信号的数量的这些输出被传输到操作状态评估电路228。
操作状态评估电路228向控制器电路220提供操作状态信号值232。操作状态信号值232基于第一参数范围分类器电路224和第二参数范围分类器电路226的输出的总体评估。在一个示例中,操作状态信号值232是二进制的(0或1)。在另一示例中,操作状态信号值232与阈值进行比较(图6A),并且只取决于是否超过阈值来采取后续动作。在又一示例中,操作状态信号值232——无论是二进制的还是阈值——可以表示空白作物植株、正在收获的甘蔗作物的产量特性或者是否已经达到稳定状态,即是否可以假设在参数(如致动器调整或作物属性)已经改变之后收割机10中的作物处理操作(作物处理)再次是连续的。当操作信号是二进制的时,如果操作状态信号值232是1,则状态被认为是稳定的,并且如果操作状态信号值232是0,则状态还不稳定。
模糊分类器电路230执行对它们相应的传感器信号的模糊化,以提供对应的模糊化信号。操作状态评估电路228联接到第一参数范围分类器电路224和第二参数范围分类器电路226,以使用应用规则库的推断引擎接收和组合(融合)这些模糊化的信号,后续跟着进行解模糊化。举例来说,在通过引用将其教导的内容全部并入本文中的US6,315,658B1中描述了合适的模糊逻辑电路222。
操作状态评估电路228生成置信信号输出234并且将置信信号输出234输出到控制器电路220,置信信号输出234指示操作状态信号值232的估计准确度。在一个示例中,置信信号被评价和/或输出为值离散的或值连续的和/或良好、中等或差中的至少一个。置信信号输出234的幅度指示操作状态信号值232正确(例如,准确)的概率。另外,在一个示例中,操作状态评估电路228可以向控制器电路220提供时间信号236,时间信号236指示在收割机10中的作物处理参数被更改之后达到稳定状态的时间间隔。
操作状态评估电路228具有触发函数输入238,触发函数输入238用于指定用于指示空白作物植株的存在、作物产量或稳定状态所需的置信水平。在一个示例中,触发函数输入238由操作员通过操纵操作员接口66来提供。在其它示例中,触发函数输入238不是由操作员直接输入的,而是基于专家知识预先设置的,并且操作员只被允许在特定限制的情况下放大或缩小触发函数输入238。
在一个示例中,操作状态评估电路228可以进一步从加权函数评估器240接收指示传感器84、21、76、94、57、76、74、75、78、72、80、86、88、82和90中的至少一个的信号的可靠性的可靠性信号,加权函数评估器240用于在由操作状态评估电路228执行的评估过程中对模糊分类器电路230的输出划分优先顺序,使得来自低准确性传感器的测量结果可以被降低权重(outweigh)。在一个示例中,加权函数评估器240是使用专家知识预先设置的。在另一示例中,加权函数评估器240是系统自动分配的。具体地,自动分配可以考虑到与其它测量试探法的平均距离。加权函数评估器240因此可以经由操作员接口66指示如坯料损失传感器74(需要定期校准)的传感器被认为不太准确,并且因此其在操作状态评估电路228中的评估过程中的相关性降低。
用于在操作状态评估电路228的评估过程中对模糊分类器电路230的输出划分优先顺序的加权函数评估器240使用来自相应的传感器(特别是来自处理结果传感器(其包括坯料损失传感器74、作物处理传感器75、负载传感器78和废料传感器82)和/或作物传感器(其包括产量监测传感器72、湿度传感器80、相对湿度传感器86、温度传感器88和透镜清洁度指示器90))的信号。
在分类系统的另一示例中,具有低置信、准确性或可靠性的传感器的相关性因此基于传感器信号并且优选地基于与来自如第9,826,682号美国专利中所描述的其它传感器的信号的比较而自动地降低,所述美国专利的全部内容通过引用并入本文中。加权函数评估器240通过分析输入数据的属性自动地调整所提到的传感器的个别贡献对整体结果的影响来增加操作状态评估电路228的可靠性。示例包括(但不限于)给出了关于假设的输入可靠性的指示的范围、改变率、噪声水平和环境状况。这可以是简单的二进制接受/忽略决定,或者是权重因子的连续调整,以便相对于包括某种程度的模糊性的信息更偏向于高度可靠的信息。这样,不太可信或潜在错误的输入可以被暂时和永久地适当加权(减少影响甚至忽略)。这导致操作状态评估电路228的更好的性能。这是有用的,因为损失传感器取决于它们被使用的条件而趋向于具有相当大改变的性能。
控制器电路220因此基于和/或关于以下各项从加权函数评估器240接收信号:地面速度传感器84、基部切割器传感器21、坯料损失传感器74、切碎机传感器94、升降机传感器57、初级清洁器传感器76、负载传感器78(其表示收割机器(例如,分离器)的内部参数)、产量监测传感器72(其可以包括质量流量传感器)、湿度传感器80、相对湿度传感器86、温度传感器88、透镜清洁度指示器90和作物处理结果传感器(其包括坯料损失传感器74、作物处理传感器75、废料传感器82和次级清洁器传感器92)中的每一个,如上文所提到的。控制器电路220使用这些信号来生成用于致动器202、204、206、208、210、212的控制信号,以实现最佳的作物处理结果。关于控制器电路220的操作的细节,参考其教导的全部内容通过引用并入本文中的US6,726,559B2和US6,863,604B2。在另一可能的实施例中,控制器电路220可以经由操作员接口66向操作员给出致动器调整值的建议,使得操作员可以手动地调整致动器。
来自包括坯料损失传感器74、作物处理传感器75和废料传感器82的处理结果的信号对于获得到控制器电路220的反馈信号是重要的,使得后者可以提供用于致动器202、204、206、208、210、212的最佳致动器调整信号。一旦作物参数已经改变,举例来说,当田地上的土壤属性改变时,或者当收割机10已经在田地16的田边地角转弯时,或者当致动器202、204、206、208、210、212中的一个或多个已经被控制器电路220调整时,在收割机10中的作物处理操作已经达到稳定状态之前需要一些时间。在已经达到稳定状态之后,来自处理结果传感器(其包括坯料损失传感器74、作物处理传感器75和废料传感器82)的信号可以再次被认为表示作物处理操作。
包括模糊逻辑电路222的用于检测收割机10的空白作物植株、作物产量或稳定状态的系统全部或部分地从以下各项的信号导出信息:地面速度传感器84、基部切割器传感器21、坯料损失传感器74、切碎机传感器94、升降机传感器57、初级清洁器传感器76、负载传感器78(其表示收割机器(例如,分离器)的内部参数)、产量监测传感器72(其可以包括质量流量传感器)、湿度传感器80、相对湿度传感器86、温度传感器88和作物处理结果传感器(其包括坯料损失传感器74、作物处理传感器75、垃圾传感器82和次级清洁器传感器92)。在一个示例中,只有当来自处理结果传感器(包括坯料损失传感器74、作物处理传感器75和废料传感器82)的信号指示空白作物植株、作物产量或稳定状态时,模糊逻辑电路222才向控制器电路220提交操作状态信号值232。置信信号输出234可以由用于加权处理结果传感器(其包括坯料损失传感器74、作物处理传感器75和废料传感器82)的相关性的控制器电路220考虑,与如来自作物传感器(其包括负载传感器78、产量监测传感器72(其可以包括质量流量传感器)、湿度传感器80、相对湿度传感器86、温度传感器88和透镜清洁度指示器90)的输入的其它输入进行比较。另外,时间信号236可以由控制器电路220用于导出被用于评估致动器信号的作物属性(如吞吐量)。
如图3中从控制器电路220到加权函数评估器240的可选反馈线所指示,控制装置155可以含有反馈机制,所述反馈机制将使得加权函数评估器240(或操作状态评估电路228)能够获知决定是正确还是不正确(给出了由例如经由操作员接口66的操作员反馈或控制器电路220中进行的自动决定提供的状况的更大概观),并且相应地调整未来的可靠性信号。
在分类系统的又一示例中,提供了不包括置信因子的传感器融合系统。在这种方法中,卡尔曼(Kalman)滤波器被用于在连续的循环中或者系统的预测和校正中创建概率试探式系统和测量模型。这样的一个示例是具有位置接收器和/或测量光学流的相机系统的航位推算系统。在该系统中,基于单声道或立体声图像的改变的位置和姿势的改变与来自位置接收器的信号集成。因此,该系统将不具有明确的置信因子,而是利用其它方法,例如:作为矩阵的两个模型(系统/观察),所述模型然后使用概率数学代数和/或隐含的置信因子与系统输入组合,例如,与其它测量试探法相比较,隐含的置信因子被表达为平均距离度量。
在另一示例中,传感器融合系统设置有直接提供置信度量的智能传感器。可替选地,可以创建利用传统的传感器来只提供测量结果和信号的智能系统。然后,这些测量结果、信号和信息将在系统级处组合或融合,以提供置信度量或概率试探法。
例示性空白作物植株检测系统
一些现有的甘蔗收割机可能配备有空白或间隙传感器,以感测空白作物植株或间隙,每一个间隙传感器具有在它们中带有磁体的接触传感器臂和在机器上的相关联的磁场传感器。然后可以经由记录空白作物植株的位置的GPS接收器70来识别和测绘行中的空白作物植株。在一个示例中,提供了一种避免使用间隙传感器的空白作物植株检测系统。在这个示例中,利用了甘蔗收割机硬件中的现有传感器,包括:(1)产量相关的传感器72,例如所收获材料的质量流量或所收获体积传感器,(2)基部切割器传感器21,和(3)切碎机传感器94。产量传感器72可以具有与其相关联的地理空间或时间偏移,并且因此可以与基部切割器传感器21和/或切碎机传感器94组合。类似地提供了GPS接收器70,根据在采样间隔期间接收的卫星的数量、或精度衰减因子、或在采样间隔期间接收器是锁定在精确定位模式中还是在采样间隔期间与基站一起在RTK模式中操作来评估信号质量。
在另一示例中,提供了混合车队,其中,一个或多个收割机具有间隙传感器,并且一个或多个其它收割机不具有间隙传感器。在这个示例中,来自具有间隙传感器的收割机的数据可以与来自不具有间隙传感器的收割机的数据组合,以填充空白作物植株感测间隙和/或映射间隙。在这个示例中,机器中的一些不具有直接的间隙传感器数据,并且因此只产生估计的空白作物植株数据。然后,可以将估计的空白作物植株数据用作趋势数据,并且与由具有间隙传感器的那些机器产生的实际间隙传感器数据对准。
再次参考图5,收割机10包括用于检测收割机10的空白作物植株信息的系统,所述系统包括来自产量传感器72、基部切割器传感器21、升降机传感器57、切碎机传感器94、GPS接收器70、工作状态监测器100、控制装置子系统155、传感器融合逻辑电路子系统156和地理参考子系统157的输入。关于图5和图6C中的田地16的地图500,示出了田地16内的空白作物植株502,其表示对整个植株的损坏或损失或对植株的损坏,使得其将不会达到预期的产量潜力。空白作物植株可能由种植跳跃、害虫、杂草、收获期间的意外连根拔起、天气事件或种植之后在田地操作期间的损坏造成。许多甘蔗种植户通常不绘制空白作物植株的地图,而是偏向于所有植株的固定重新种植。在种植户关心测绘空白作物植株的情况下,大多数方法依靠于人工检查或遥感;由于由举例来说早期季节中的残余物和晚期季节中的甘蔗植株冠层所致的成本、时间或技术限制,每种方法具有显著的缺点。
用于检测空白作物植株的系统依赖于现有甘蔗收割机传感器的融合(如先前所描述),以在甘蔗收获期间或收获之后使用利用所收集的收获数据收集的数据来确定和测绘空白作物植株的位置。当确定和测绘空白作物植株的步骤发生在收获之后时,确定和测绘也可以使用如收割机10上使用的算法的算法在服务器上对收割机远程地执行。在一个示例中,现有的收割机传感器包括标准间隙传感器,例如(多个)柔性臂上的磁接触传感器和收割机上的对应磁场传感器。使用标准间隙传感器,可以经由记录间隙的位置的位置接收器来检测和测绘行中的间隙,以生成如图6C中所示的空白作物植株地图500。现有的间隙传感器通常经受显著的缺点,例如,成本、暴露于恶劣和磨蚀环境、以及由于作物冠层、杂草和湿度导致的不精确测量结果。在其中存在现有间隙传感器的情况下,仍然可以利用现有甘蔗传感器的融合来减少与间隙传感器相关联的测量延迟,校正间隙传感器的现有测量偏差或误差,并且克服间隙感测系统的物理限制,例如,间隙传感器的极端磨损。
然而,在另一示例中,标准间隙传感器不是收割机10上的现有传感器。相反,甘蔗收割机硬件中的现有传感器包括与农业作业机器相关联的产量传感器72和处理传感器,产量传感器72估计所收获材料的产量特性,所述处理传感器估计所收获材料的处理特性。在一个示例中,处理传感器是与基部切割器传感器21或切碎机传感器94中的至少一个相关联的传感器。可选地,如果存在可以用作针对产量数据的代用项的另一个数据源,则可以有可能取消产量传感器72。举例来说,产量数据可以从基于卫星、无人机、飞机或其它图像的预测性产量地图而生成。还可以使用生理植株生长模型来生成产量数据,所述生理植株生长模型举例来说以特定植株品种信息、种植日期、肥料和作物护理应用以及天气数据为基础。产量数据的其它代用项可以包括在先前的作业步骤(例如,来自喷雾器的先前应用)或当前的作业步骤(例如,收获邻近趟的其它收割机)中从田地16中的其它车辆接收的产量相关的信息。又一示例将是静止的传感器,例如,在田地内举例来说感测冠层覆盖、土壤湿度和温度传感器的传感器网络。
因此,在收割机设有间隙传感器的情况下,间隙传感器数据可以使用先前所描述传感器融合技术与来自产量传感器72和/或处理传感器的现有收割机传感器数据组合,以生成改进的空白作物植株数据。现有传感器数据可以被用于生成预测的空白作物植株数据,并且因此减少与间隙传感器相关联的测量延迟,校正间隙传感器的现有测量偏差或误差,并且克服间隙传感器的物理限制。所使用的现有传感器可以包括产量传感器72、切碎机传感器94或基部切割器传感器21。传感器信号然后被用作传感器推断算法的输入,以生成推断的空白作物植株数据;所述推断的空白作物植株数据又可以被用作趋势数据,并且与来自间隙传感器的实际空隙作物数据对准。
然而,如果收割机上没有设置间隙传感器,现有传感器数据的融合可以被组合以得到推断的空白作物植株数据(因此从相对测量转换为绝对测量)。可选地,现有的传感器数据可以与来自人工样本的地面真实采样组合,其中,甘蔗在田地16的小的指定区域中被亲自查看,并且被包括在计算机平均值中。在这个示例中,在没有设置间隙传感器的情况下,现有的收割机传感器数据由收割机传感器生成,所述收割机传感器包括但不限于产量传感器72、切碎机传感器94和基部切割器传感器21,其中的每一个传感器可以以一个或多个组合用作传感器推断算法的输入,以确定估计的空白作物植株数据。在一个示例中,传感器推断算法是利用神经网络或非线性回归中的一个或多个的分类算法。
因此,系统可以提供如图5和图6C的地图500中所示的空白作物植株地图,所述空白作物植株地图是实时的或者被记录并且存储以用于在收获操作之后使用。举例来说,实时测绘可以被直接用于车辆上的自动化,例如发动机管理或清洁设置。相反地,空白作物植株地图(或基础空白作物植株数据)可以在收获之后被用于调整包括与规定测绘结合的可变速率应用的其它田地操作,例如,作物保护、施肥、除杂草或重新种植。
例示性作物产量感测系统
参考图5,收割机10可以进一步单独地或者与空白作物植株检测系统组合地包括用于在收割机10的操作期间检测作物产量的作物产量感测系统。作物产量系统可以包括先前提到的控制装置子系统155、传感器融合逻辑电路子系统156和地理参考子系统157。在这个示例中,用于检测作物产量信息的系统依赖于将基于相机的产量感测系统和现有甘蔗收割机传感器的融合(如先前所讨论)进行组合,以在甘蔗的收获期间确定和测绘(多个)作物产量,如图5和图6B的地图510中所示。
在一个示例中,收割机上的基于相机的产量感测系统使用先前所描述的传感器融合技术与现有的收割机传感器组合,以生成改进的产量数据。基于相机的感测系统经受特定缺点,包括依赖于升降机56的操作以正确地将所感测的产量与位置相关联。操作员通常在收获期间出于各种原因开始和停止升降机56的操作,包括开始和结束一行或更换货车。基于相机的感测系统还基于(多个)可视表面而测量体积,这导致在材料呈现高度可变的高流量状况期间测量结果不精确。其它缺点包括测量延迟和测量偏差或误差。然而,通过结合基于相机的感测系统使用来自现有传感器的数据,这些缺点可以被减少,并且生成更高质量的所推断产量数据。所使用的现有传感器可以包括地面速度传感器84、切碎机传感器94和基部切割器传感器21。传感器信号然后被用作传感器推断算法的输入,以生成推断的产量数据;所述推断的产量数据又可以被用作趋势数据,并且与来自基于相机的产量感测系统的实际产量数据对准。
然而,如果收割机上不存在基于相机的产量感测系统,则现有传感器数据的融合可以被组合以得到推断的产量(因此从相对测量转换为绝对测量)。可选地,现有的传感器数据可以与地面真实采样组合,所述地面真实采样来自在田地16的小的指定区域中手动切割和称重甘蔗坯料,并且将结果包括在计算机平均值中。在这个示例中,在没有设置基于相机的产量感测系统的情况下,现有的收割机传感器数据从收割机传感器生成,所述收割机传感器包括但不限于现有的地面速度传感器84、切碎机传感器94和基部切割器传感器21,其中的每一个传感器可以以一个或多个组合用作传感器推断算法的输入,以确定所估计的产量数据。在一个示例中,传感器推断算法是利用神经网络或非线性回归中的一个或多个的分类算法。
可替选地,在其中一个或多个收割机具有基于相机的产量感测系统并且一个或多个收割机不具有基于相机的产量感测系统的混合车队的示例中,来自具有基于相机的产量感测系统的收割机的数据可以与来自不具有基于相机的产量感测系统的收割机的数据组合,以推断作物产量数据并且填补产量测绘间隙。在这个示例中,机器中的一些不具有直接的产量传感器数据,并且因此只产生相对产量数据。相对产量数据被用作方向性指示,并且与由具有基于相机的产量感测系统的那些机器产生的实际产量数据对准。
作物产量系统可以提供如图5和图6B的地图510所示的作物产量地图,所述作物产量地图是实时的或者被记录并且存储以用于在收获操作之后使用。举例来说,实时测绘可以被直接用于车辆上的自动化,例如发动机管理或清洁设置。相反地,作物产量地图(或基础作物产量数据)可以在收获之后出于农艺目的被用于调整包括与规定测绘组合的可变速率应用的其它田地操作,例如,作物保护、施肥、除杂草或种植。当在收获之后生成作物产量地图时,作物产量确定和测绘可以使用如在收割机10上使用的算法的算法在服务器上远程地执行。
例示性空白作物植株和产量测绘系统
在另一示例中,土地数据可以被上传到一个或多个批量文件中,例如,举例来说,一个或多个二进制空间覆盖文件。这样的批量文件包括与感兴趣的区域(例如,甘蔗田地16)相关联的所有必要信息。在这个示例中,土地数据被导出到二进制空间覆盖文件。这样的导出的信息可以包括但不限于:土壤类型层、具有MUSYM(地图单元符号)属性的定制管理区域、包括土地坡度的地形图、有机物质、空白作物植株、作物产量或历史数据,例如,先前的作物产量或空白作物植株。
土地数据通常被上传到收割机10的包括地理参考子系统157的控制单元68中,以用于机载处理。然而,虽然这个示例通常讨论机载处理,但其并不意在是限制性的。举例来说,土地数据的上传和处理可以类似地在包括在收获之前、期间或之后的任何时间点在收割机10的外部或对收割机10远程地在远程服务器上执行。一旦这样的数据被上传到地理参考子系统157,地理信息系统(GIS)软件可以通过田地名称来命名批量文件内的每一个文件。GIS软件可以获得所期望的土地数据,并且可以包括针对甘蔗田地16的所有必要的土地数据。当土地数据被批量上传时,控制单元68默认使用文件名称来分配田地名称。名称可以随后被编辑。如果上传了太多的文件,则不想要的文件可能随后被删除。地理参考系统157提供用以导出所有文件、上传所有文件的能力,然后提供其中用户可以选择和删除不想要的文件的预览。一旦土地文件被上传,地理参考子系统157就将与一个或多个特定位置相关联的空白作物植株和/或作物产量链接到甘蔗田地16的的所上传土地文件上,使得空白作物植株和/或作物产量被投射到如图5和图6B到图6C所图示的地图上。
将土地数据引入到控制单元68(具体地,地理参考子系统157)中的这些示例并不意是对本公开的限制,并且相反,本公开意在包括将土地数据引入到地理参考子系统157中的其它方式。还应当理解,地理参考子系统157可以以任何组合从这些土地数据源的组合接收土地数据,并且所有这些可能性都在本公开的精神和范围内。还应当理解,地理参考子系统157可以与一个或多个装置相关联,所述一个或多个装置被配置成生成或获得数据本身,如本文中所描述的。
在另一示例中,控制单元68经由输入装置从用户接收他们的甘蔗田地16的空间地图作为一个或多个区域多边形,所述一个或多个区域多边形作为二进制空间覆盖文件被剪切到边界。二进制空间覆盖文件可以具有多种形式。在一个示例中,二进制空间覆盖文件在WGS-84球面坐标(即,纬度和经度坐标)中。控制单元68可以将田地16所特有的数据从多个来源中的一个导入到控制单元68的GIS环境中。控制单元68然后可以以距离单位将空白作物植株和/或作物产量数据投射到平面地图投影(例如,空白作物植株层)中,并且如果需要的话,清理或平滑几何拓扑。控制单元68定义了缓冲层,在一些示例中,所述缓冲层可以大于用户的输入田地16或感兴趣的土地区域。控制单元68计算标记了空白作物的栅格层,所述标记了空白作物的栅格层然后可以被矢量化。在这个步骤中,控制单元68可以应用预定的一组规则(例如,空白作物植株的分门别类、分组或分类)。控制单元68可以清理并且平滑所得的空白作物植株区域多边形。与区域内的周围区域相比较,清理可能涉及区域内的不规则或错误的区域。在一个示例中,出于美学目的,可以执行对空白作物植株和/或作物产量区域多边形的平滑,以增加用户的理解和体验。这样的清理和平滑也可以被执行,以提供正确的农艺决定制定和规划,改进监测器或在其上可以显示所得的数据和相关联的图像的其它视觉输出装置的性能。
控制单元68将空白作物植株和/或作物产量区域多边形覆盖在由用户输入的区域上,以创建新的区域,所述新的区域是输入区域的子区域。即,较低数量的输入区域被进一步划分,以基于空白作物植株和/或作物产量而在每一个区域内提供多个新的区域。控制单元68将新的空白作物植株和/或作物产量区域投射为球面坐标(例如,纬度和经度坐标),清理投射的几何形状,并且将文件写入到二进制空间覆盖文件。一些监测器只借助于纬度和经度坐标工作,因此系统可以将所输出的文件变换成纬度和经度坐标。
甘蔗只作为示例示出,并且控制单元68可以显示任何类型的作物,并且任何这样的可能性意在处于本公开的精神和范围内。举例来说,其中可能对空白作物植株信息感兴趣的作物的其它可能性包括但不限于:玉米、大豆、马铃薯、番茄、南瓜、小麦、大麦、高粱等。
另外,空白作物植株和/或作物产量区域可以与经济指标或变量(例如,来自举例来说种子、肥料、灌溉、杀虫剂等的投入成本;燃料费用;劳动力成本;等)相关联,并且用经济指标或变量投射。控制单元68可以确定并且依赖于其它经济因子,例如,举例来说每株植株的成本(例如,在不同的种植率下可能不同——在种植更多的植株时,批量折扣或效率提高,从而导致每株植株的成本降低);收支平衡成本;投入的各种成本明细(例如,区域/田地中每趟的肥料成本、肥料的测量单位(例如,磅等)的成本、燃料效率等);或者各种各样的其它因子。以这种方式,控制单元68可以能够提供农业和经济两者的最佳结果。
控制单元68可以以各种方式提供投射和其它数据。控制单元68可以通过一个或多个网络将投射和数据传递到一个或多个装置。在一个示例中,控制单元68可以通过一个或多个网络将投射和/或其它数据传递到其中用户可以查看数据和/或听到数据的操作员接口66。操作员接口66的示例包括但不限于个人计算机、移动电子通信装置、农业装置等。控制单元68可以以各种方式(包括但不限于:电子邮件、文本、自动电话呼叫、来自人的电话呼叫、到网站的链接等)将投射和/或其它数据传递到操作员接口66。在这样的示例中,控制单元68可以以各种方式显示或可听地产生投射和/或其它数据。举例来说,投射和/或所传递的数据可以呈纯由字母、词语和/或句子组成的文本格式。此外,举例来说,投射和/或其它数据可以呈视觉或图示性格式。视觉或图示性格式可以采取许多形式并且显示各种各样的类型的信息。在一个示例中,视觉格式可以显示处于不同生长阶段的空白作物植株的投射,包括甘蔗的当前生长阶段和未来生长阶段以及发育迟缓的植株的投射。空白作物植株和发育迟缓的植株两者的显示投射可以进一步与包括土壤类型、种植处的放置等其它数据重叠。
此外,举例来说,控制单元68可以以文本和视觉格式的组合来传递投射和/或其它数据。所示的文本和图示的示例包括但不限于:期望投射的日期、投射日期时空白作物植株的多次出现(例如,轮廓和横截面)以及所选择感兴趣土地区域的作物产量。另外,举例来说,控制单元68可以只以视觉格式传递投射。举例来说,由控制单元68确定所估计或投射的作物产量,以便以地图格式图示作物产量。控制单元68可以在各种各样的装置(包括但不限于操作员接口66或其它装置中的一个或多个)上显示地图格式。在一个示例中,用户可以查看处于感兴趣水平的土地区域的投射和/或其它数据,所述土地区域可以由单个区域、包括多个区域的单个田地、彼此相关联的一组田地或任何其它土地区域尺寸组成。
在一个示例中,用户可以经由控制单元68选择包括多个田地的组。控制单元68将提供(以上文所描述的方式中的任何一种或其替代方式,其中所有都意在处于本公开的精神和范围内)与组相关联的投射和/或其它数据。如果选择了组,则投射可以包括针对包括在所选择的一组田地中的所有作物的空白作物植株和/或作物产量的加权平均和。由控制单元68在该水平处提供的这种投射对于管理大量田地并且期望知道它们的总体空白作物植株、发育迟缓的植株和/或产量的用户可能是有益的。当输入到控制单元68中的数据改变时(例如,天气、输入等),空白作物植株和/或作物产量可能改变。控制单元68可以通过一个或多个网络将这种改变传递到操作员接口66。这种通信也可以被称为警报。起始警报所需的改变量可以是任意尺寸的。在一个示例中,改变量可以是与作物产量相关联的测量单位。
现在参考图6A,示出了空心作物植株检测和产量感测系统的详细操作。在图6A中,以示例形式示出了处理和使用植株数据的各个阶段。示例示出了其中的植株应该以规则的间隔隔开的一行甘蔗植株的一个片段。每株植株的这种规则的、理想的间距(在图6C上表示为504)由行550上的散列标记指示。在行550中,每株植株之间的距离是相同的。在图6A的示例中,不是所有的植株都在优选的位置中,也不是每一个优选的位置都具有一个植株。行552和554示出了几种情况:
504理想——植株在理想位置中(散列标记1、5、6、8、9);
502空白——在特定位置中没有植株(散列标记3)或有损坏的植株(散列标记7);
迟缓——植株不完全处于其理想位置中,要么在理想位置之前要么在理想位置之后(散列标记2);和
506双倍——两个植株在一个位置上处(散列标记4)。
552行示出了每株植株在该植株已经生长时的位置。该位置数据可以通过上文所描述的空白作物植株检测和产量感测系统收集。或者可替选地,如行554中所示,位置数据可以在田地或侦察操作(例如,喷洒田地或给田地施肥)期间由相机或其它传感器收集。可替选地,位置数据可以由专用侦察车辆(例如,自主地面或空中机器人(即无人机))收集。
行555a示出了针对在所检测的行554或所侦察的行552中识别的植株中的每一个的传感器采样间隔或窗口555b。本文中所使用的术语“传感器采样间隔或窗口”或“间隔”或“窗口”定义了时间区域,在所述时间区域内,控制单元68被配置成从先前所描述的传感器(例如,图7中的传感器330)中的任何一个读取信号,以将这些信号处理为植株和/或作物产量的存在或不存在的指示,并且保存空白作物植株和作物产量数据以供以后使用。在这个示例中,在间隔之外,控制单元68被配置成不从先前所描述的传感器读取信号。这图示了由系统过滤或拒绝噪声的一种方式。
在另一示例中,控制单元68被配置成在收割机行进穿过田地16时从先验植株地图检索数据。控制单元68被配置成将收割机及其传感器(其可以由GPS70提供)的位置与收割机正在接近的每一个植株(其由先验植株地图提供)的位置进行比较,并且基于该比较而创建间隔。知道植株的位置和收割机的位置,控制单元68可以正好在每一个植株到达收割机时(或略微之前)开始采样传感器,并且正好在收割机经过植株位置并且植株已经被处理之后立即停止采样传感器。采样的开始点和停止点定义了传感器采样间隔。
行556示出了源自先前所描述的传感器(例如,图7中的传感器330)中的一个或多个的经滤波的植株检测信号。如先前在其它示例中已经讨论的,过滤移除了由机器振动、植株叶子和其它外来源引起的噪声。在一个示例中,经滤波的信号可以与甘蔗植株的存在成比例,并且是甘蔗植株的存在的持续时间或幅度。控制单元68被配置成每当来自行556的经滤波的检测信号超过幅度阈值558时识别植株(例如,空白作物植株或作物产量)。该阈值的控制单元68输出在行560中被描绘为一系列宽度变化的脉冲。此外,控制单元68被配置成根据脉冲的宽度对行560中所示的脉冲中的每一个进行分类。该分类的输出示出在行562中。在这个示例中,控制单元68被配置成生成每一个甘蔗植株的计数,并且包括行562的数字表示被识别植株的数量。最后,控制单元68被配置成编译其计算的数据,并且将其传输到操作员接口66,如行564中所示。
现在参考图6B,示出了表示田地16内的例如作物产量(或者,在另一示例中,空白作物植株)的所测量农艺特性的田地地图的形象性视图。图6B示出了表示用控制单元68感测和绘制的作物产量的处理过的田地地图510的形象性视图。在一个示例中,控制单元68已经根据先前所讨论的示例中的一个对信号进行了分类,并且生成了作物产量数据,如在田地地图510中所看到的,所述作物产量数据在与原始数据指示进行比较时通常指示田地的各个部分和所调整的作物产量值之间的较小变化。在一个示例中,控制单元68利用偏置和平滑来移除瞬态特性并且平滑高密度区域,如通常由附图标记514表示的。类似地,平滑的低密度区域通常由附图标记520和522表示,并且平滑的中等密度区域通常由附图标记516表示。这样,平滑的高密度(例如,高作物产量)可以由颜色为红色的区域表示,而平滑的中等密度由颜色为黄色的区域表示,并且平滑的低密度由颜色为蓝色的区域表示。田地地图510提供了允许操作员收集与收割机10的操作和被收获的作物的性能相关的直觉的精确田地地图。当然,注意到,地图510也可以表示本文中先前所讨论的其它操作或农艺参数中的任何一个,例如,如图6C中所示的空白作物植株。
例示性甘蔗收割机控制系统
图7是根据甘蔗收割机的一个示例性实施例的网络环境300的高级图示。收割机10包括经由网络310连接控制单元68、输入控制器320和传感器330的网络数字数据环境。
连接在环境300内的各种元件包括任何数量的输入控制器320和传感器330,以在环境300内接收和生成数据。输入控制器320被配置成经由网络310或从它们相关联的传感器330接收数据,并且控制(例如,致动)相关联的部件或它们相关联的传感器。广泛地,传感器330被配置成生成表示收割机10的配置或能力的数据(即,测量结果)。如本文中所提及的,广义上讲,收割机10的“能力”是收割机10在例如田地16的地理区域中操纵植株(采取动作)时的部件动作的结果。另外,如本文中所提及的,广义上讲,收割机10的“配置”是在收割机10采取动作时部件的当前速度、位置、设置、致动水平、角度等。更一般地说并且如本文中所提及的,部件或收割机10的配置和/或能力的测量结果可以是收割机10的“状态”的测量结果。即,各种传感器330可以监测相关联部件、田地16、甘蔗植株、收割机10的状态或收割机10的任何其它方面。
在控制单元68上执行的代理340将经由网络310接收的测量结果作为状态向量输入到控制模型342中。状态向量的元素可以包括从测量结果中生成的系统的能力或状态的数字表示。控制模型342生成由模型342预测的针对收割机10的动作向量,以改进收割机10的性能。动作向量的每一个元素可以是系统可以采取以操纵植株、操纵环境或以其它方式影响收割机10的性能的动作的数字表示。控制单元68基于动作向量的元素而向输入控制器320发送机器命令。输入控制器320接收机器命令并且致动相关联部件采取动作。通常,动作导致收割机10性能的提高。
在一些配置中,控制单元68可以包括如先前所描述的操作员接口66。操作员接口66允许用户与控制单元68交互并且控制收割机10的各个方面。通常,操作员接口66包括输入装置和显示装置。输入装置可以是键盘、按钮、触摸屏幕、控制杆、手柄、旋钮、刻度盘、电位计、可变电阻器、轴编码器或被配置成接收来自系统的用户的输入的其它装置或装置的组合中的一个或多个。显示装置可以是LED、LCD、等离子显示器或被配置成向系统的用户提供关于系统的信息的其它显示技术或显示技术的组合。接口可以被用于控制代理340和模型342的各个方面。
网络310可以是能够在环境300内的元件之间传递数据和信息的任何系统。在各种配置中,网络310是有线网络、无线网络或混合的有线和无线网络。在一个示例性实施例中,网络是控制器局域网(CAN),并且环境300内的元件通过CAN总线相互通信。
现在参考图8,本文中所描述的模型342也可以使用人工神经网络(ANN)来实施。即,代理340执行模型342,模型342是ANN。包括ANN的模型342使用输入状态向量640(测量结果)来确定针对收割机10的输出动作向量(机器命令)。ANN已经被训练,使得从输出动作向量的元素确定的动作增加收割机10的性能。
ANN 600基于简单神经单元610的大集合。神经单元610可以是动作(a)、状态(s)或与收割机10的动作(a)和状态(s)相关的任何功能。每一个神经单元610与许多其它单元连接,并且连接620可以增强或抑制邻接的神经单元610。每一个个别神经单元610可以使用基于所有输入连接620的求和函数来计算。在每一个连接620和每一个神经单元本身610上可以存在阈值函数或限制函数,使得神经单元610信号在传播到其它神经元之前必须超过限制。这些系统是自学和被训练的,而不是被明确编程的。这里,ANN的目标是通过提供输出来执行与环境交互的动作,从那些动作学习,并且使用所学习的信息来影响朝向未来目标的动作,而提高收割机10的性能。举例来说,在一个实施例中,收割机10第一次通过田地16以收获作物。基于机器状态的测量结果,代理340确定被用于训练代理340的奖励。每次通过田地16,代理340使用策略迭代强化学习模型连续地训练自己,以改进机器性能。
图8的神经网络包括两层630:输入层630A和输出层630B。输入层630A具有输入神经单元610A,输入神经单元610A通过连接620向输出层630B的输出神经单元610B发送数据。在其它配置中,ANN可以包括输入层630A和输出层630B之间的附加隐藏层。取决于ANN的配置,隐藏层可以具有连接到输入层630A、输出层630B或其它隐藏层的神经单元610。每一个层可以具有任何数量的神经单元610,并且可以连接到相邻层630中的任何数量的神经单元610。神经层之间的连接620可以表示和存储参数,本文中被称为权重,所述参数影响从层的神经单元610到相邻层的神经单元610的数据的选择和传播。强化学习然后可以训练各种连接620和权重,使得从ANN600的输入生成的ANN 600的输出改进收割机10的性能。最后,每一个神经单元610可以由激活函数支配,所述激活函数将神经单元的加权输入变换成其输出激活(即,激活每一个层中的神经单元610)。可以使用的一些示例性激活函数是:柔性最大值(softmax)函数、识别(identify)函数、二进制阶跃函数(binary step)、逻辑函数(logistic)、双曲正切函数(tanH)、反正切函数(Arc Tan)、柔性符号(softsign)函数、修正线性单元函数(rectified linear unit)、参数修正线性函数(parametric rectifiedlinear)、弯曲识别函数(bent identity)、正弦函数、高斯函数或用于神经网络的任何其它激活函数。
数学上地,ANN的函数(F(s),如上文所引入)被定义为其它子函数gi(x)的组合,所述其它子函数gi(x)可以进一步被定义为其它子子函数的组合。ANN的函数是互连神经单元610的结构的表示,并且该函数可以工作以提高环境中的代理性能。一般来说,当输入状态向量640改变并且代理采取动作时,函数可以为代理提供朝向改进的性能的平滑过渡。
最一般来说,ANN 600可以使用输入神经单元610A,并且经由输出神经单元610B生成输出。在一些配置中,输入层630A的输入神经单元610A可以连接到输入状态向量640(例如,s)。输入状态向量640可以包括关于环境中的代理的当前或先前状态、动作和回报的任何信息(状态元素642)。输入状态向量640的每一个状态元素642可以连接到任何数量的输入神经单元610A。输入状态向量640可以连接到输入神经单元610A,使得ANN 600可以在输出层630B中的输出神经单元610B处生成输出。输出神经单元610B可以表示并且影响由执行模型342的代理340采取的动作。在一些配置中,输出神经单元610B可以连接到输出动作向量(例如,a)的任何数量的动作元素652。每一个动作元素可以表示代理可以采取来改进收割机10性能的动作。在另一配置中,输出神经单元610B本身是输出动作向量的元素。
本章节描述了举例来说关于空白作物植株检测和作物产量感测,执行模型342以用于改进收割机10的性能的代理340。在这个示例中,模型342是使用如图8的ANN的人工神经网络来实施的强化学习模型。即,ANN包括具有许多输入神经单元610A的输入层630A和具有许多输出神经单元610B的输出层630B。每一个输入神经单元通过任何数量的加权连接被连接到任何数量的输出神经单元610B。代理340将收割机10的测量结果输入到输入神经单元610A,并且模型将用于收割机10的动作输出到输出神经单元610B。代理340基于输出神经单元610B而确定一组机器命令,输出神经单元610B表示改进收割机10性能的用于收割机的动作。
图9是用于使用执行模型342的代理340来生成改进收割机10性能的动作的方法700,模型342包括使用行动者-批评者(actor-critic)方法训练的人工神经网络。方法700可以包括任何数量的附加或更少的步骤,或者可以以不同的顺序完成步骤。
首先,代理确定710用于模型342的输入状态向量640。可以从经由网络310从传感器330接收的任何数量的测量结果确定输入状态向量640的元素。每一个测量结果是对机器10状态的测量。
接下来,代理将输入状态向量640输入720到模型342中。输入向量的每一个元素连接到任何数量的输入神经单元610A。模型342表示被配置成依据输入状态向量640生成用以改进收割机10的性能的动作的函数。因此,模型342在输出神经单元610B中生成输出,所述输出被预测以改进收割机10的性能。在一个示例性实施例中,输出神经单元610B连接到输出动作向量的元素,并且每一个输出神经单元610B可以连接到输出动作向量的任何元素。输出动作向量的每一个元素是可由收割机10的部件执行的动作。在一些示例中,代理340基于输出动作向量的元素而为部件确定一组机器命令。
接下来,代理340向输入控制器320发送用于它们的部件的机器命令,并且作为响应,输入控制器320基于机器命令而致动730部件。致动730部件执行由模型342确定的动作。此外,致动730部件改变环境的状态,并且传感器330测量状态的变化。
代理340再次确定710被输入720到模型中的输入状态向量640,并且确定输出动作和相关联的机器命令,当收割机10行进穿过田地16并且收获植株时,所述相关联的机器命令致动730收割机10的部件。随着时间的推移,代理340工作以在收获植株时努力提高收割机10的性能。
表1描述了可以包括在输入数据向量中的各种状态。表1还包括每一个状态的相关联测量结果m、生成测量结果m的(多个)传感器330以及对测量结果的描述。另外或可替选地,输入数据向量可以包括从收割机10的传感器生成的测量结果确定的任何其它状态。举例来说,在一些配置中,输入状态向量640可以包括来自先前测量结果m的先前确定的状态。在这种情况下,先前确定的状态(或测量结果)可以存储在控制单元68的存储器系统中。在另一示例中,输入状态向量640可以包括当前状态和先前状态之间的改变。
表1:输入向量中包括的状态。
表2描述了可以包括在输出动作向量中的各种动作。表2还包括:基于输出动作向量所包括的动作而接收机器命令的机器控制器,每一个输入控制器320如何致动它们相应的部件的高级描述,以及致动改变的单位。
表2:作为输出动作向量的动作
在一个示例中,代理340正在执行模型342,模型342没有使用增强技术来主动地训练。在这种情况下,代理可以是使用行动者-批评者(actor-critic)方法独立地训练的模型。即,代理没有主动地奖励神经网络中的连接。代理还可以包括已经被训练以优化收割机10的不同性能度量的各种模型。收割机10的用户可以使用控制单元68的操作员接口66在性能度量之间选择以进行优化,并且借此改变模型。
在其它示例中,代理可以使用增强技术主动地训练模型342。在这种情况下,模型342生成包括加权函数的奖励向量,所述加权函数修改模型342中所包括的连接中的任何一个的权重。奖励向量可以被配置成奖励包括作为整体的收割机10的性能的各种度量、奖励状态、奖励状态的改变等。在一些示例中,收割机10的用户可以使用控制单元68的操作员接口66来选择奖励哪些度量。
图10是图示用于读取和执行来自机器可读介质的指令的示例性机器的部件的框图。具体地,图6以计算机系统800的示例性形式示出了网络系统310和控制单元68的图解性表示。计算机系统800可以被用于执行指令824(例如,程序代码或软件),以用于促使机器执行本文中所描述的方法(或过程)中的任何一种或多种。在替代实施例中,机器作为独立装置或连接到其它机器的连接(例如,联网)装置来操作。在联网部署中,机器可以在服务器-客户端网络环境中以服务器机器或客户端机器的能力操作,或者在对等(或分布式)网络环境中作为对等机器操作。
机器可以是服务器计算机、客户端计算机、个人计算机(PC)、平板PC、机顶盒(STB)、智能电话、物联网(IoT)设备、网络路由器、交换机或网桥,或者能够执行指定该机器要采取的动作的指令824(顺序的指令或以其它方式)的任何机器。此外,虽然只图示了单个机器,但是术语“机器”还应被理解为包括个别地或联合地执行指令824以执行本文中所讨论的方法中的任何一种或多种的机器的任何集合。
示例性计算机系统800包括一个或多个处理单元(通常,处理器802)。举例来说,处理器802是中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、控制器、状态机、一个或多个专用集成电路(ASIC)、一个或多个射频集成电路(RFIC)或这些的任何组合。计算机系统800还包括主存储器804。计算机系统可以包括存储单元816。处理器802、存储器804和存储单元816经由总线808通信。
另外,计算机系统800可以包括静态存储器806、图形显示器810(例如,以驱动等离子体显示面板(PDP)、液晶显示器(LCD)或投影仪)。计算机系统800还可以包括字母数字输入装置812(例如,键盘)、光标控制装置814(例如,鼠标、轨迹球、操纵杆、运动传感器或其它指向仪器)、信号生成装置818(例如,扬声器)和网络接口装置820,它们也被配置成经由总线808进行通信。
存储单元816包括其上存储有指令824(例如,软件)的机器可读介质822,指令824体现了本文中所描述的方法或功能中的任何一个或多个。举例来说,指令824可以包括图2中所描述的控制单元68的模块的功能性。指令824在其由计算机系统800执行期间还可以完全地或至少部分地驻留在主存储器804内或处理器802内(例如,在处理器的缓存存储器内),主存储器804和处理器802也构成机器可读介质。可以经由网络接口装置820在网络826上传输或接收指令824。
附加考虑
已经描述了优选实施例,可以在不脱离所附权利要求书定义的本发明的范围的情况下进行各种修改将变得显而易见。举例来说,可以由控制器电路220基于实际作物状况而提供触发函数输入238,触发函数输入238用于指定用以指示空白作物植株或作物产量的信号所需的置信水平。尽管收割机10被示出为切碎机或甘蔗收割机,但是上文所描述的系统也适于与其它收割机以及具有交互和复杂调整的其它工具一起使用,以适应各种类型的连续改变的操作状况。举例来说,控制单元68可以将投射和/或其它数据传递到一个或多个农业机器或装置,以根据所传递的数据帮助控制一个或多个机器或农业装置。
在一个示例中,控制单元68可以由软件和/或硬件中的一个或多个以任何比例组成。在这样的示例中,控制单元68可以驻留在基于计算机的平台上(例如,举例来说,服务器或一组服务器)。任何这样的一个或多个服务器可以是在另一个或多个硬件平台上执行的(多个)物理服务器或(多个)虚拟机。任何服务器,或就此而言,任何基于计算机的系统、本文中所描述的系统或元件,通常将由一个或多个控制单元和相关联的处理元件以及存储装置来表征,所述由一个或多个控制单元和相关联的处理元件以及存储装置通过一个或多个总线或用于传递信息或数据的其它通信机制彼此通信地互连。在一个示例中,这样的装置内的存储器可以包括主存储器,例如,随机存取存储器(RAM)或其它动态存储装置,以用于存储将由(多个)控制单元执行的信息和指令并且用于在使用本文中所描述的控制单元期间存储临时变量或其它中间信息。
在一个示例中,控制单元68还可以包括静态存储装置,例如,只读存储器(ROM),以用于存储用于(多个)控制单元的静态信息和指令。在一个示例中,控制单元68可以包括用于存储信息和指令的存储装置,例如,硬盘或固态存储器。这样的存储信息和指令可以包括但不限于:用以计算的指令,所述用以计算的指令可以包括但不限于:处理和分析所有类型的农艺学数据或信息。这样的数据或信息可以涉及但不限于:天气、土壤、水、作物生长阶段、害虫或疾病侵袭数据、历史数据、未来预测数据、与农艺相关联的经济数据或任何其它类型的农艺数据或信息。
在一个示例中,控制单元68对数据的处理和分析可以涉及处理和分析从外部收集的图像数据获得的农艺因子,并且如果有需要,则基于预定义的可接受性参数而发出警报。RAM、ROM、硬盘、固态存储器和类似物都是有形计算机可读介质的示例,它们可以被用于存储包括本公开的过程、方法和功能性的指令。根据本公开的示例,控制单元68的例示性过程、方法和功能性可以包括:确定用于生成和呈现警报的必要性。这样的指令的执行促使控制单元68的各种基于计算机的元件执行本文中所描述的过程、方法、功能性、操作等。在一些示例中,本公开的控制单元68可以包括硬连线电路,所述硬连线电路将被用于代替这样的计算机可读指令或以任何比例与这样的计算机可读指令组合来实施本公开。
本领域技术人员将认识到,现有技术已经发展到在系统的各方面的硬件和软件实施方案之间几乎没有区别的程度;硬件或软件的使用通常(但不总是,因为在特定环境下,硬件和软件之间的选择可能变得重要)是表示成本相对效率折衷的设计选择。本领域技术人员将理解,存在各种媒介物(例如,硬件、软件和/或固件),通过所述媒介物可以实施本文中所描述的过程和/或系统和/或其它技术,并且优选的媒介物将随着其中部署了过程和/或系统和/或其它技术的环境而变化。举例来说,如果实施者确定速度和准确性是最重要的,则实施者可以选择主要是硬件和/或固件的媒介物;可替选地,如果灵活性是最重要的,实施者可以选择主要是软件实施方案;或者,再一次可替选地,实施者可以选择硬件、软件和/或固件的某种组合。因此,存在几种可能的媒介物,通过所述媒介物可以实现本文中所描述的系统、方法、过程、设备和/或装置和/或其它技术,所述媒介物中没有一个固有地优于其它,因为要利用的任何媒介物是取决于其中将部署媒介物的环境和实施者的具体关注(例如,速度、灵活性或可预测性)的选择,其中任何一个都可以变化。
前面的详细描述已经经由使用框图、示意图、流程图、示例和/或功能语言阐述了系统、设备、装置、方法和/或过程的各种实施例。在这样的框图、示意图、流程图、示例和/或功能语言含有一个或多个功能和/或操作的范围内,本领域技术人员将理解,这样的框图、示意图、流程图、示例或功能语言内的每一个功能和/或操作可以通过各种各样的硬件、软件、固件或实际上其任何组合来单独地和/或共同地实施。在一个示例中,本文中所描述的主题的几个部分可以经由专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或其它集成格式来实施。然而,本领域技术人员将认识到,本文中公开的实施例的一些方面可以作为在一个或多个计算机上运行的一个或多个计算机程序(例如,作为在一个或多个计算机系统上运行的一个或多个程序)、作为在一个或多个处理器上运行的一个或多个程序(例如,作为在一个或多个微处理器上运行的一个或多个程序)、作为固件或作为实际上其任何组合整体或部分地等效地在集成电路中实施,并且根据本公开,设计电路和/或为软件和/或固件编写代码完全在本领域技术人员的技能范围内。另外,本领域技术人员将了解,本文中描述的主题的机制能够作为程序产品以各种形式分发,并且不管被用于执行分发的信号承载介质如何,本文中所描述的主题的图示性实施例都适用。信号承载介质的示例包括但不限于以下各项:计算机可读存储介质,例如磁性介质,如软盘、硬盘驱动器和磁带;光学介质,如光盘(CD)、数字视频盘(DVD)和蓝光盘;计算机存储器,如随机存取存储器(RAM)、闪存存储器和只读存储器(ROM);和传输型介质,例如,数字和/或模拟通信介质,如光纤电缆、波导、有线通信链路和无线通信链路。
本文中所描述的主题有时图示了与不同的其它部件相关联的、由不同的其它部件组成的、在不同的其它部件内含有的或与不同的其它部件连接的不同部件。应当理解,这样描绘的架构仅仅是例示性的,并且实际上可以实施实现相同功能性的许多其它架构。在概念的意义上,用以实现相同功能性的部件的任何布置都是有效地“相关联”的,使得实现所期望的功能性。因此,在本文中组合以实现特定功能性的任何两个或多个部件可以被视为彼此“相关联”,使得实现所期望的功能性,而与架构或中间部件无关。同样,如此相关联的任何两个或多个部件也可以被视为彼此“可操作地连接”或“可操作地联接”,以实现所期望的功能性,并且能够如此相关联的任何两个或多个部件也可以被视为彼此“可操作地可联接”,以实现所期望的功能性。可操作地可联接的具体示例包括但不限于:物理上可匹配和/或物理上交互的部件,和/或无线可交互和/或无线交互的部件,和/或逻辑上交互和/或逻辑上可交互的部件。
除非另外具体声明或者如从本文中的描述中显而易见,应当了解,在本公开通篇中,利用例如“访问”、“聚合”、“分析”、“应用”、“中介”、“校准”、“检查”、“组合”、“通信”、“比较”、“传送”、“变换”、“相关”、“创建”、“定义”、“导出”、“检测”、“禁用”、“确定”、“使能”、“估计”、“过滤”、“发现”、“生成”、“识别”、“合并”、“起始”、“定位”、“修改”、“获得”、“输出”、“预测”、“接收”、“报告”、“检索”、“发送”、“感测”、“存储”、“转换”、“更新”、“使用”、“验证”或类似物的术语或者这些术语和类似术语的其它结合形式的讨论是指控制单元、计算机系统或计算元件(或其一部分)(例如但不限于视觉组织器系统、请求生成器、互联网联接的计算装置、计算机服务器等的一个或多个或者某一组合)的动作和过程。在一个示例中,控制单元、计算机系统和/或计算元件可以将被表示为控制单元、(多个)计算机系统和/或计算元件的处理器、(多个)寄存器和/或(多个)存储器内的物理(电子)量的信息和/或数据操纵和转换为类似地表示为控制单元、(多个)计算机系统和/或计算元件的存储器、(多个)寄存器和/或(多个)计算机系统、(多个)计算元件和/或(多个)其它电子计算装置的其它这样的信息存储、处理、传输和/或显示部件内的物理量的其它数据。在计算机可读指令的指导下,控制单元、(多个)计算机系统和/或(多个)计算元件可以执行本公开的过程、方法和/或功能性中的一个或多个的操作。
本领域技术人员将认识到,在本领域内,以本文中所阐述的(多个)方式实施设备和/或装置和/或过程和/或系统是常见的,并且此后使用工程和/或商业实践来将这样实施的设备和/或装置和/或过程和/或系统集成到综合性设备和/或装置和/或过程和/或系统中。即,本文中所描述的设备和/或装置和/或过程和/或系统的至少一部分可以经由合理的实验量集成到综合性设备和/或装置和/或过程和/或系统中。
尽管已经根据具体实施例和应用描述了本公开,但是本领域技术人员可以考虑到该教导而在不超出本文中所描述的本公开的范围或不脱离本文中所描述的本公开的精神的情况下生成附加的实施例。因此,应当理解,本公开中的附图和描述是为了促进理解本公开而提供的,并且不应该被解释为限制其范围。
如本文中所使用的,除非另有限制或修改,否则具有由合取术语(例如,“和”)分隔并且前面还带有短语“...中的一个或多个”或“…中的至少一个”的元素的列表指示潜在地包括列表的个别元素或者其任何组合的配置或布置。举例来说,“A、B和C中的至少一个”或“A、B和C中的一个或多个”指示只A、只B、只C或A、B和C中的两个或多个的任何组合(例如,A和B;B和C;A和C;或A、B和C)的可能性。
Claims (20)
1.一种用于测绘田地中的农作物的方法,所述方法包括:
借助于安装在农业作业机器上的控制单元从产量传感器和处理传感器接收与农业作业机器相关联的信号,所述产量传感器感测所述作物的产量特性,所述处理传感器感测所述作物的处理特性;
使用接收到的信号确定空白作物植株的存在;
至少使用所述农业作业机器的时间和位置来确定所述空白作物植株的位置;和
生成示出所述空白作物植株在所述田地内的位置的空白作物地图。
2.根据权利要求1所述的方法,进一步包括:使用模糊逻辑系统、机器学习系统、聚类系统或统计分析分类系统中的至少一个来对所述接收到的信号进行分类的步骤。
3.根据权利要求2所述的方法,其中,使用模糊逻辑系统来执行对所述接收到的信号进行分类的步骤,其中,针对采样间隔,将置信因子分配给与所述产量传感器和处理传感器相关联的所述接收到的信号中的每一个。
4.根据权利要求3所述的方法,进一步包括:使用所述相关联的置信因子中的至少一个置信因子和所述接收到的信号来确定针对所述采样间隔的空白作物植株的存在。
5.根据权利要求4所述的方法,进一步包括:基于与所述接收到的信号的估计准确度相关的置信因子而确定针对空白作物植株的存在的聚合置信指示符。
6.根据权利要求5所述的方法,其中,所述接收到的信号的所述估计准确度基于以下各项中的至少一个:(i)所述接收到的信号中的至少一个信号的范围,(ii)所述接收到的信号中的至少一个信号的改变率,(iii)所述接收到的信号中的至少一个信号的噪声水平,和(iv)植株损失状况,其中,所述植株损失状况与空白作物植株、害虫损坏、杂草损坏、田地操作损坏和干旱中的至少一个相关联。
7.根据权利要求1所述的方法,其中,所述作物是甘蔗,并且所述农业作业机器是甘蔗收割机。
8.根据权利要求1所述的方法,其中,来自所述处理传感器的所述处理特性对应于与基部切割器压力、切碎机压力和升降机速度中的至少一个相关联的被感测特性。
9.根据权利要求1所述的方法,其中,所述产量传感器位于所述农业作业机器的被处理材料的流内,所述产量传感器感测与所述被处理材料的质量或体积对应的产量特性。
10.根据权利要求1所述的方法,进一步包括:通过应用过滤、延迟、缩放、偏移和偏置移除中的至少一个来调节所述信号。
11.根据权利要求1所述的方法,进一步包括:从卫星导航接收器或位置确定接收器中的至少一个接收信号,每一个接收器产生所述农业作业机器的时间、位置和速度。
12.根据权利要求1所述的方法,其中,确定空白作物植株的存在的步骤进一步包括:
分析所述接收到的信号是否具有空白作物特性;和
将置信指示符分配给所述接收到的信号中具有所述空白作物特性的每一个信号。
13.根据权利要求12所述的方法,其中,所述空白作物特性指示空白作物植株或发育迟缓的植株中的至少一个。
14.根据权利要求1所述的方法,其中,借助于处理器执行生成空白作物地图的步骤,所述处理器位于所述农业作业机器上或位于所述农业作业机器外部,并且所述空白作物地图的机载生成或机外生成在所述农业作业机器移动穿过所述田地时发生或在所述农业作业机器移动穿过所述田地之后发生。
15.根据权利要求1所述的方法,进一步包括:使用所述空白作物地图生成种植田地操作指示、收获田地操作指示和作物护理田地操作指示中的至少一个。
16.根据权利要求15所述的方法,其中,所述种植田地操作指示包括:重新种植空白作物植株。
17.根据权利要求15所述的方法,其中,所述收获田地操作指示包括:调整收割机的速度、清洁设置或发动机管理中的至少一个。
18.根据权利要求15所述的方法,其中,所述作物护理田地操作指示包括:调整喷雾器、耕田机或施肥机的操作。
19.一种用于测绘空白作物植株在田地中的的位置的系统,所述系统包括:
农业作业机器;
至少两个传感器,所述至少两个传感器与农业作业机器相关联;和
数据处理器,所述数据处理器被配置成使用来自所述至少两个传感器的接收到的信号来确定空白作物植株的存在,并且生成空白作物植株地图,所述空白作物植株地图示出了空白作物植株在所述田地内的位置。
20.根据权利要求19所述的系统,其中,所述至少两个传感器被配置成感测与在所述田地中的作物或所述农业作业机器中的至少一个相关的参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/393,364 | 2019-04-24 | ||
US16/393,364 US20200337232A1 (en) | 2019-04-24 | 2019-04-24 | Information inference for agronomic data generation in sugarcane applications |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111837626A true CN111837626A (zh) | 2020-10-30 |
Family
ID=72921896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010336742.7A Pending CN111837626A (zh) | 2019-04-24 | 2020-04-24 | 用于甘蔗应用中的农艺数据生成的信息推断 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20200337232A1 (zh) |
CN (1) | CN111837626A (zh) |
AU (1) | AU2020202615A1 (zh) |
BR (1) | BR102020007830A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113711767A (zh) * | 2021-08-31 | 2021-11-30 | 海南大学 | 一种基于缺失株情况的玉米联合收获机自动行引导方法 |
CN114365622A (zh) * | 2021-12-21 | 2022-04-19 | 广西壮族自治区农业科学院 | 一种适用于倒伏甘蔗的收割机 |
CN114488221A (zh) * | 2021-12-29 | 2022-05-13 | 广州极飞科技股份有限公司 | 杂物定位、地图生成、杂物处理、作业控制方法及其装置 |
CN115885685A (zh) * | 2021-08-18 | 2023-04-04 | 广西蓝星智能农机装备有限责任公司 | 一种甘蔗联合收割机扶蔗辊自动贴地仿形控制系统 |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019013995A1 (en) * | 2017-07-12 | 2019-01-17 | Monsanto Technology Llc | METHODS AND SYSTEMS FOR PERFORMANCE MONITORING |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
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 |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11937527B2 (en) * | 2019-07-31 | 2024-03-26 | Cnh Industrial America Llc | System and method for determining residue coverage within a field following a harvesting operation |
JP2022547172A (ja) * | 2019-09-11 | 2022-11-10 | ガドット アグロ リミテッド | 作物の監視及び管理ためのシステム及び方法 |
USD908740S1 (en) * | 2019-10-20 | 2021-01-26 | Tirth Agro Technology Private Limited | Sugarcane harvester |
US20210169008A1 (en) * | 2019-12-05 | 2021-06-10 | Alan Lewis Fitzmaurice | Pre-processing of sugar cane |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11641801B2 (en) * | 2020-04-21 | 2023-05-09 | Deere & Company | Agricultural harvesting machine control using machine learning for variable delays |
US11647691B2 (en) * | 2020-08-17 | 2023-05-16 | Deere & Company | Close loop control of an illumination source based on sample heating |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | 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 |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | 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 |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
JP7482769B2 (ja) | 2020-12-24 | 2024-05-14 | 株式会社クボタ | サトウキビ収穫機 |
WO2023047240A1 (en) * | 2021-09-21 | 2023-03-30 | Agco International Gmbh | Agricultural implement monitoring |
CN113906900B (zh) * | 2021-09-26 | 2022-11-11 | 广西大学 | 一种甘蔗收获机以及基于多传感器融合的甘蔗收获机刀盘位姿的调整方法 |
US20230163002A1 (en) * | 2021-11-23 | 2023-05-25 | Applied Materials, Inc. | Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm |
EP4198966A1 (en) * | 2021-12-17 | 2023-06-21 | AGCO International GmbH | Noise cancellation system for a vehicle |
US20230228065A1 (en) * | 2021-12-30 | 2023-07-20 | Caterpillar Inc. | Controlling machine operation based on validation of machine data |
CN114532324B (zh) * | 2022-02-22 | 2023-06-16 | 青岛双联睿恩科技有限公司 | 一种智能农业用除草养护还田装置 |
US11553636B1 (en) * | 2022-06-21 | 2023-01-17 | FarmWise Labs Inc. | Spacing-aware plant detection model for agricultural task control |
US20240114831A1 (en) * | 2022-10-05 | 2024-04-11 | Cnh Industrial America Llc | System and method for an agricultural harvester |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6508049B1 (en) * | 1999-04-22 | 2003-01-21 | Case, Llc | Mass flow rate sensor for sugar cane harvester |
US20100269470A1 (en) * | 2009-04-24 | 2010-10-28 | Price Randy R | Optical Yield Monitor for a Sugar Cane Harvester |
US20130124239A1 (en) * | 2011-11-15 | 2013-05-16 | Uriel Rosa | Crop yield per location measurer |
US20140208870A1 (en) * | 2013-01-25 | 2014-07-31 | Trimble Navigation Limited | Sugar cane yield mapping |
WO2015120470A1 (en) * | 2014-02-10 | 2015-08-13 | Precision Planting Llc | Methods and systems for generating shared collaborative maps |
US20150278640A1 (en) * | 2014-03-26 | 2015-10-01 | FI2 Solutions, LLC | Crop stand analysis |
US20150317848A1 (en) * | 2014-05-01 | 2015-11-05 | Deere & Company | Crop density map using row sensors |
CN105875030A (zh) * | 2014-05-16 | 2016-08-24 | 迪尔公司 | 多传感器作物产量确定 |
CN107277773A (zh) * | 2017-07-10 | 2017-10-20 | 广东工业大学 | 联合多种情景模式的自适应定位方法 |
US20180027725A1 (en) * | 2016-07-29 | 2018-02-01 | Accenture Global Solutions Limited | Precision agriculture system |
-
2019
- 2019-04-24 US US16/393,364 patent/US20200337232A1/en not_active Abandoned
- 2019-09-04 US US16/560,465 patent/US20200337235A1/en not_active Abandoned
-
2020
- 2020-04-17 AU AU2020202615A patent/AU2020202615A1/en active Pending
- 2020-04-20 BR BR102020007830-5A patent/BR102020007830A2/pt not_active Application Discontinuation
- 2020-04-24 CN CN202010336742.7A patent/CN111837626A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6508049B1 (en) * | 1999-04-22 | 2003-01-21 | Case, Llc | Mass flow rate sensor for sugar cane harvester |
US20100269470A1 (en) * | 2009-04-24 | 2010-10-28 | Price Randy R | Optical Yield Monitor for a Sugar Cane Harvester |
US20130124239A1 (en) * | 2011-11-15 | 2013-05-16 | Uriel Rosa | Crop yield per location measurer |
US20140208870A1 (en) * | 2013-01-25 | 2014-07-31 | Trimble Navigation Limited | Sugar cane yield mapping |
WO2015120470A1 (en) * | 2014-02-10 | 2015-08-13 | Precision Planting Llc | Methods and systems for generating shared collaborative maps |
US20150278640A1 (en) * | 2014-03-26 | 2015-10-01 | FI2 Solutions, LLC | Crop stand analysis |
US20150317848A1 (en) * | 2014-05-01 | 2015-11-05 | Deere & Company | Crop density map using row sensors |
CN105875030A (zh) * | 2014-05-16 | 2016-08-24 | 迪尔公司 | 多传感器作物产量确定 |
US20180027725A1 (en) * | 2016-07-29 | 2018-02-01 | Accenture Global Solutions Limited | Precision agriculture system |
CN107277773A (zh) * | 2017-07-10 | 2017-10-20 | 广东工业大学 | 联合多种情景模式的自适应定位方法 |
Non-Patent Citations (2)
Title |
---|
方志辉: "基于嵌人式平台的疲劳驾驶状态参数信息融合研究" * |
邓巍;丁为民;: "多传感器信息融合及其在农业中的应用" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115885685A (zh) * | 2021-08-18 | 2023-04-04 | 广西蓝星智能农机装备有限责任公司 | 一种甘蔗联合收割机扶蔗辊自动贴地仿形控制系统 |
CN113711767A (zh) * | 2021-08-31 | 2021-11-30 | 海南大学 | 一种基于缺失株情况的玉米联合收获机自动行引导方法 |
CN113711767B (zh) * | 2021-08-31 | 2022-08-02 | 海南大学 | 一种基于缺失株情况的玉米联合收获机自动行引导方法 |
US11570944B1 (en) | 2021-08-31 | 2023-02-07 | Hainan University | Automatic row-guiding method for maize combine harvester based on situation of missing plants |
CN114365622A (zh) * | 2021-12-21 | 2022-04-19 | 广西壮族自治区农业科学院 | 一种适用于倒伏甘蔗的收割机 |
CN114365622B (zh) * | 2021-12-21 | 2022-12-13 | 广西壮族自治区农业科学院 | 一种适用于倒伏甘蔗的收割机 |
CN114488221A (zh) * | 2021-12-29 | 2022-05-13 | 广州极飞科技股份有限公司 | 杂物定位、地图生成、杂物处理、作业控制方法及其装置 |
CN114488221B (zh) * | 2021-12-29 | 2023-02-14 | 广州极飞科技股份有限公司 | 杂物定位、地图生成、杂物处理、作业控制方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
US20200337232A1 (en) | 2020-10-29 |
AU2020202615A1 (en) | 2020-11-12 |
US20200337235A1 (en) | 2020-10-29 |
BR102020007830A2 (pt) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111837626A (zh) | 用于甘蔗应用中的农艺数据生成的信息推断 | |
EP3861843B1 (en) | Machine control using a predictive map | |
US11635765B2 (en) | Crop state map generation and control system | |
CN114303598A (zh) | 使用预测图进行的机器控制 | |
EP4159016A1 (en) | Historical crop state model, predictive crop state map generation and control system | |
US20240090358A1 (en) | Machine control using a predictive map | |
CN114303610A (zh) | 图生成和控制系统 | |
US20230393577A1 (en) | Map generation and control system | |
CN114303589A (zh) | 预测图生成和控制系统 | |
CN114303588A (zh) | 使用预测图进行的机器控制 | |
CN114287229A (zh) | 预测机器特性图生成和控制系统 | |
CN114303597A (zh) | 使用预测图进行的机器控制 | |
AU2021229157A1 (en) | Machine control using a predictive speed map | |
CN114303619A (zh) | 图生成器和控制系统 | |
EP3981234A1 (en) | Predictive map generation and control system | |
CN114303616A (zh) | 作物成分图生成器和控制系统 | |
CN114419454A (zh) | 使用预测图的机器控制 | |
CN114303591A (zh) | 预测图生成和控制系统 | |
CN114303615A (zh) | 使用预测图的机器控制 | |
CN114793602A (zh) | 使用具有状态区域的图进行机器控制 | |
CN114303590A (zh) | 预测图生成和控制系统 | |
CN114303594A (zh) | 预测性图生成和控制系统 | |
EP3981244A1 (en) | Machine control using a predictive map | |
EP3981232A1 (en) | Predictive map generation and control system | |
US11864483B2 (en) | Predictive map generation and control system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |
|
WD01 | Invention patent application deemed withdrawn after publication |