CN112124312A - 一种履带式拖拉机控制方法及控制系统 - Google Patents
一种履带式拖拉机控制方法及控制系统 Download PDFInfo
- Publication number
- CN112124312A CN112124312A CN202011007029.4A CN202011007029A CN112124312A CN 112124312 A CN112124312 A CN 112124312A CN 202011007029 A CN202011007029 A CN 202011007029A CN 112124312 A CN112124312 A CN 112124312A
- Authority
- CN
- China
- Prior art keywords
- soil
- tractor
- track
- characteristic information
- crawler
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002689 soil Substances 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000006872 improvement Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003245 working 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D55/00—Endless track vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Guiding Agricultural Machines (AREA)
Abstract
本发明公开一种履带式拖拉机控制方法及控制系统,所述履带式拖拉机控制方法包括,获取履带式拖拉机当前所处工作环境的土壤图片特征信息;根据获取的所述土壤图片特征信息确定土壤特性信息;根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使所述履带式拖拉机的滑转率保持在预设范围。利用本发明,可提高履带式拖拉机工作的效率和稳定性。
Description
技术领域
本发明涉及履带式拖拉机滑转率优化技术领域,特别涉及一种履带式拖拉机控制方法及控制系统。
背景技术
提高农业生产效率和质量,对于保障国民基本物质生活需求和提高物质生活水平,有着重大意义。拖拉机是农业机械的核心装备之一,通过与不同机具的组合,可以进行多种不同的农业作业方式,有效提高农业作业的效率和质量,从而提高农业生产率,而履带式拖拉机是拖拉机的重要类别,具有对土壤的单位面积压力小和对土壤的附着性能好等优点,在土壤潮湿及松软地带有较好的通过性能,牵引效率也高。
滑转率是履带式拖拉机的重要参数之一,滑转率改善了履带式拖拉机的牵引性能,提高了生产率,所以改善履带式拖拉机的滑转性能对提高履带式拖拉机工作性能有着重要影响。当履带式拖拉机处于不同的工作环境中时因为土壤类型不同导致滑转率不同,可能会使履带式拖拉机滑转率曲线过差,影响履带式拖拉机的工作性能,甚至会导致履带式拖拉机打滑,无法进行正常的工作作业。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种履带式拖拉机控制方法及控制系统,用于解决现有技术中当履带式拖拉机处于不同的工作环境中时因为土壤类型不同导致滑转率不同,可能会使履带式拖拉机滑转率曲线过差,影响履带式拖拉机的工作性能,甚至会导致履带式拖拉机打滑,无法进行正常的工作作业的技术问题。
为实现上述目的及其他相关目的,本发明提供一种履带式拖拉机控制方法,所述履带式拖拉机控制方法包括:
获取履带式拖拉机当前所处工作环境的土壤图片特征信息;
根据获取的所述土壤图片特征信息确定土壤特性信息;
根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使所述履带式拖拉机的滑转率保持在预设范围。
在一可选实施例中,所述获取履带式拖拉机当前所处工作环境的土壤图片特征信息的步骤包括:
通过摄像装置获取所述履带式拖拉机当前所处工作环境的土壤图像;
利用图像处理单元提取所述土壤图像的图像色彩信息、图像形状纹理信息及图像亮度信息以作为所述土壤图片特征信息。
在一可选实施例中,所述摄像装置安装于所述履带式拖拉机上。
在一可选实施例中,所述根据获取的所述土壤图片特征信息确定土壤特性信息的步骤包括,将获取的所述土壤图片特征信息输入到训练好的神经网络模型中以确定土壤特性信息。
在一可选实施例中,所述神经网络模型的训练包括,将若干土壤图片特征信息样本和与其对应的土壤特性信息输入到所述神经网络模型中,以纹理、色彩、形状及亮度为控制因子进行训练,最终输出土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息。
在一可选实施例中,所述土壤特性信息包括土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息。
在一可选实施例中,所述根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使所述履带式拖拉机的滑转率保持在预设范围的步骤包括:
根据所述土壤特性信息来匹配所述履带式拖拉机的牵引力和/或改变变速器档位,以使所述履带式拖拉机的滑转率保持在预设范围;
当通过调整所述履带式拖拉机的牵引力和改变变速器档位仍不能使所述拖拉机滑转率保持在预设范围时,通过减小所述履带式拖拉机的机具耕深来使所述拖拉机滑转率保持在预设范围。
在一可选实施例中,所述牵引力与滑转率的关系由下式确定:
其中,由FKP表示为有效牵引力;B表示为履带宽度;L表示为履带长度;c表示为土壤内聚力;GΦ表示为附着质量;Φ表示为土壤内摩擦角;K表示为土壤的水平剪切模量;δ表示为滑转率。
在一可选实施例中,,所述预设范围基于10%-15%之间。
为实现上述目的及其他相关目的,本发明还提供一种履带式拖拉机控制系统,所述履带式拖拉机控制系统包括:
图像处理单元,用于接收履带式拖拉机当前所处工作环境的土壤图片,并提取所述土壤图像的图像色彩信息、图像形状纹理信息及图像亮度信息以作为所述土壤图片特征信息;
土壤特性信息获取单元,用于根据获取的所述土壤图片特征信息确定土壤特性信息;
拖拉机控制单元,用于根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使拖拉机滑转率保持在预设范围。
为实现上述目的及其他相关目的,本发明还提供一种履带式拖拉机,所述履带式拖拉机包括:
拖拉机本体;
履带式拖拉机控制系统,设置于所述拖拉机本体上;
摄像装置,用于获取履带式拖拉机当前所处工作环境的土壤图片,所述摄像装置设置于所述拖拉机本体上,所述摄像装置与所述履带式拖拉机控制系统连接。
本发明的履带式拖拉机控制方法及控制系统,能够识别获取履带式拖拉机所处的工作环境的土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息等土壤特性信息,根据土壤特性信息的不同来调整履带式拖拉机的牵引率、变速器档位、机具耕深等参数,从而优化履带式拖拉机滑转率曲线,提高履带式拖拉机的整体性能。
本发明的履带式拖拉机控制方法及控制系统,本运用了径向基神经网络模型,采用的是最近邻聚类学习算法,可动态的在线学习,能够实时的跟踪检测土壤特性信息的变化,可以实现设计系统的自适应控制策略。
本发明的履带式拖拉机控制方法及控制系统,通过改变履带式拖拉机的行驶速度来调整滑转率曲线,操作便捷易实现,无需大规模改变履带式拖拉机结构,改进难度低,并且改进成本低,改进完成后能够明显提高履带式拖拉机的工作效率。
附图说明
图1显示为本发明的一种履带式拖拉机控制方法的流程示意图。
图2显示为本发明的一种履带式拖拉机控制系统的结构示意图。
图3显示为采用履带式拖拉机控制系统的履带式拖拉机的框图。
图4显示为本发明的实现履带式拖拉机控制方法的服务装置的框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-4。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
履带式拖拉机是拖拉机的重要类别,具有对土壤的单位面积压力小和对土壤的附着性能好等优点,在土壤潮湿及松软地带有较好的通过性能,牵引效率也高。滑转率是履带式拖拉机的重要参数之一,滑转率改善了履带式拖拉机的牵引性能,提高了生产率,所以改善履带式拖拉机的滑转性能对提高履带式拖拉机工作性能有着重要影响。为此,本发明的实施例介绍一种履带式拖拉机控制方法;本发明可根据土壤信息实时的匹配履带式拖拉机的行驶速度(牵引力)/变速器挡位/机具耕深,优化履带式拖拉机滑转率曲线,使履带式拖拉机滑转率保持较低水平,可以有效提高履带式拖拉机工作效率
图1示出了本发明的履带式拖拉机控制方法的流程图。
如图1所示,首先,执行步骤S10:获取履带式拖拉机当前所处工作环境的土壤图片特征信息,主要包括土壤图像获取和图像信息提取过程。
土壤图像获取:在履带式拖拉机工作前或者工作过程中可通过摄像装置400(见图4)获取履带式拖拉机当前所处工作环境的土壤图像,所述摄像装置400例如可以安装于履带式拖拉机的外部,以实时获取履带式拖拉机当前所处工作环境的土壤图像。所述摄像装置400例如可以是数字摄像设备,利用该数字摄像设备拍摄履带式拖拉机所处工作土壤环境,通过CCD感光元件(或CMOS感光元件)将土壤图像信息量化。
图像信息提取:将通过摄像装置400获取的土壤图像上传至图像处理单元110(见图2),利用图像处理单元110提取所述土壤图像的图像色彩信息、图像形状纹理信息及图像亮度信息以作为所述土壤图片特征信息。具体地,所述图像处理单元110例如可以是MATLABGUI图像处理单元110,对经过图像增强处理的土壤图像进行直接灰度变换获取图像色彩信息、图像边缘检测处理获取图像形状纹理信息、图片特殊处理进行亮度调节处理获取图像亮度信息。
如图1所示,其次,执行步骤S20:根据获取的所述土壤图片特征信息确定土壤特性信息,例如可将获取的所述土壤图片特征信息输入到训练好的神经网络模型中以确定土壤特性信息,所述土壤特性信息例如可包括土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息。
在本实施例中,所述神经网络模型例如可采用径向基神经网络模型(简称RBF神经网络模型),在进行土壤特性信息获取时,需要先对建立的神经网络模型进行训练,训练时,可将大量样本土壤图片特征信息样本和与其对应的土壤特性信息(土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息)输入到所述神经网络模型中,以纹理、色彩、形状及亮度为控制因子,以土壤特性信息(土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息)为输出对神经网络模型进行训练,直至训练结束。作为示例,例如可将50组样本土壤图片特征信息输入RBF神经网络中进行训练,设定高斯函数初始化宽度r=1最近邻聚类学习算法自适应确定出隐单元个数M,统计出各个隐单元的聚类中心值ci(1≤i≤M)并计算出各隐单元到土壤特性信息的权值wi(1≤i≤M),最终根据所建神经网络计算出输出土壤特性信息若与训练样本输出值g1绝对误差E小于期望误差,训练结束;如误差E达不到期望误差要求,重新选定r值,循环上述步骤,直至误差E符合期望误差要求,训练结束。
如图1所示,最终,执行步骤S30:根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使所述履带式拖拉机的滑转率保持在预设范围。具体地,可根据获取的土壤水平剪切变形模量、土壤内聚力和土壤内摩擦角改变柴油机的喷油量匹配履带式拖拉机的牵引力、改变变速器档位,使履带式拖拉机滑转率控制在预设范围;如滑转率依然无法满足控制要求即动力损失严重滑转率过大,存在打滑现象,则可通过减小履带式拖拉机的机具耕深来使所述拖拉机滑转率保持在预设范围。作为示例,所述滑转率的预设范围例如可以介于10%-15%之间。
作为示例,所述履带式拖拉机的牵引力与滑转率的关系由下式确定:
其中,由FKP表示为有效牵引力;B表示为履带宽度(m);L表示为履带长度(m);c表示为土壤内聚力(kPa);GΦ表示为附着质量(t);Φ表示为土壤内摩擦角(°);K表示为土壤的水平剪切模量(m);δ表示为滑转率。从中可以看出,当获取了履带式拖拉机当前工作环境的土壤特性信息(土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息),及滑转率的取值范围后,就可以确定履带式拖拉机的牵引力(行驶速度)。
如图2所示,本发明的实施例还介绍一种用于实现上述履带式拖拉机控制方法的履带式拖拉机控制系统100,所述履带式拖拉机控制系统100包括图像处理单元110,土壤特性信息获取单元120以及拖拉机控制单元130;所述图像处理单元110可与安装在履带式拖拉机的外部的摄像装置400连接,所述图像处理单元110与所述土壤特性信息获取单元120连接,所述土壤特性信息获取单元120与所述拖拉机控制单元130连接。所述图像处理单元110用于接收履带式拖拉机当前所处工作环境的土壤图片,并提取所述土壤图像的图像色彩信息、图像形状纹理信息及图像亮度信息以作为所述土壤图片特征信息;所述土壤特性信息获取单元120,用于根据获取的所述土壤图片特征信息确定土壤特性信息;所述拖拉机控制单元130用于根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使拖拉机滑转率保持在预设范围。
需要说明的是,上述图像处理单元110,土壤特性信息获取单元120以及拖拉机控制单元130的功能详见上文中的各步骤,在此不做赘述。
需要说明的是,上述的各功能单元,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分单元通过处理元件调用软件的形式实现,部分单元通过硬件的形式实现。此外这些单元全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
需要说明的是,如图3所示,本实施例的履带式拖拉机控制方法还可以通过服务装置200实现,所述服务装置200包括相互连接的存储器230和处理器210,所述存储器210存储有计算机程序,该程序被所述处理器210执行时实现所述履带式拖拉机控制方法。需要说明的是,当需要和外部进行通信时,所述服务装置200还包括通信器220,所述通信器220与所述处理器210连接。
上述的处理器210可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件;上述的存储器230可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(Non-volatile Memory),例如至少一个磁盘存储器。
需要说明的是,上述存储器210中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
本发明实施例中还可以提供一种计算机存储介质,其存储有计算机程序,该程序被处理器执行时实现所述的履带式拖拉机控制方法;所述计算机存储介质包括所有形式的非易失性存储器、介质和存储器设备,包括例如:半导体存储器设备,例如EPROM、EEPROM和闪存设备;磁盘,例如内部硬盘或可移动盘;磁光盘;以及CD-ROM和DVD-ROM盘。
如图4所示,本发明的实施例还提供一种采用上述履带式拖拉机控制系统100的履带式拖拉机300,所述履带式拖拉机300包括拖拉机本体、设置于拖拉机本体上的摄像装置400以及上述的履带式拖拉机控制系统100,所述摄像装置400与所述履带式拖拉机控制系统100的图像处理单元110连接。
可以理解的是,在一可选实施例中,所述履带式拖拉机控制系统100的图像处理单元110及土壤特性信息获取单元120也可独立履带式拖拉机300设置,只有拖拉机机控制单元130设置于拖拉机本体上。
可以理解的是,在一可选实施例中,所述摄像装置400也可以不安装于履带式拖拉机300上,而可通过操作人员手持摄像装置400获取履带式拖拉机当前工作环境的土壤图像。
在一具体示例中,将本实施例的基于RBF神经网络的履带式拖拉机控制方法应用于某型6吨履带式拖拉机(履带长3m;宽0.4m)中。当该型履带式拖拉机在田间作业时,首先通过携带的数字摄像装置400拍摄所处工作环境的土壤图像并经图像处理单元110处理获取土壤图片特征信息,将该土壤图片特征信息输入训练好的RBF神经网络模型中输出土壤的水平剪切模量、土壤内聚力、土壤内摩擦角的信息数据,将该数据输入程序计算出滑转率与牵引力的关系,从而改变履带式拖拉机的行驶速度、变速器档位、机具耕深。
设该型履带式拖拉机行驶在某型田地中,拍摄获取该田地土壤图片特征信息输入训练好的RBF神经网络模型中输出土壤的水平剪切模量0.025K/m;土壤内摩擦角40°;土壤内聚力2.51KPa。该田地土壤是偏干燥砂质土,将数据输入程序计算得牵引力FKP=8.824KN至9.558KN,对于P=150kw的履带式拖拉机,其速度v=5.652km/h至6.12km/h,履带式拖拉机变速器应使用中速区3挡可以保持较好的滑转率。
综上所述,本发明的履带式拖拉机控制方法及控制系统,能够识别获取履带式拖拉机所处的工作环境的土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息等土壤特性信息,根据土壤特性信息的不同来调整履带式拖拉机的牵引率、变速器档位、机具耕深等参数,从而优化履带式拖拉机滑转率曲线,提高履带式拖拉机的整体性能;本发明的履带式拖拉机控制方法及控制系统,本运用了径向基神经网络模型,采用的是最近邻聚类学习算法,可动态的在线学习,能够实时的跟踪检测土壤特性信息的变化,可以实现设计系统的自适应控制策略;本发明的履带式拖拉机控制方法及控制系统,通过改变履带式拖拉机的行驶速度来调整滑转率曲线,操作便捷易实现,无需大规模改变履带式拖拉机结构,改进难度低,并且改进成本低,改进完成后能够明显提高履带式拖拉机的工作效率。
在本文的描述中,提供了许多特定细节,诸如部件和/或方法的实例,以提供对本发明实施例的完全理解。然而,本领域技术人员将认识到可以在没有一项或多项具体细节的情况下或通过其他设备、系统、组件、方法、部件、材料、零件等等来实践本发明的实施例。在其他情况下,未具体示出或详细描述公知的结构、材料或操作,以避免使本发明实施例的方面变模糊。
还应当理解还可以以更分离或更整合的方式实施附图所示元件中的一个或多个,或者甚至因为在某些情况下不能操作而被移除或因为可以根据特定应用是有用的而被提供。
另外,除非另外明确指明,附图中的任何标志箭头应当仅被视为示例性的,而并非限制。此外,除非另外指明,本文所用的术语“或”一般意在表示“和/或”。在术语因提供分离或组合能力是不清楚的而被预见的情况下,部件或步骤的组合也将视为已被指明。
本发明所示实施例的上述描述(包括在说明书摘要中所述的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例,但是正如本领域技术人员将认识和理解的,各种等效修改是可以在本发明的精神和范围内的。如所指出的,可以按照本发明所述实施例的上述描述来对本发明进行这些修改,并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外,已经给出了各种具体细节以提供本发明实施例的总体理解。然而,相关领域的技术人员将会认识到,本发明的实施例可以在没有一个或多个具体细节的情况下进行实践,或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下,并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而,尽管本发明在本文已参照其具体实施例进行描述,但是修改自由、各种改变和替换意在上述公开内,并且应当理解,在某些情况下,在未背离所提出发明的范围和精神的前提下,在没有对应使用其他特征的情况下将采用本发明的一些特征。因此,可以进行许多修改,以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例,但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而,本发明的范围将只由所附的权利要求书进行确定。
Claims (10)
1.一种履带式拖拉机控制方法,其特征在于,所述履带式拖拉机控制方法包括:
获取履带式拖拉机当前所处工作环境的土壤图片特征信息;
根据获取的所述土壤图片特征信息确定土壤特性信息;
根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使所述履带式拖拉机的滑转率保持在预设范围。
2.根据权利要求1所述的履带式拖拉机控制方法,其特征在于,所述获取履带式拖拉机当前所处工作环境的土壤图片特征信息的步骤包括:
通过摄像装置获取所述履带式拖拉机当前所处工作环境的土壤图像;
利用图像处理单元提取所述土壤图像的图像色彩信息、图像形状纹理信息及图像亮度信息以作为所述土壤图片特征信息。
3.根据权利要求2所述的履带式拖拉机控制方法,其特征在于,所述摄像装置安装于所述履带式拖拉机上。
4.根据权利要求2所述的履带式拖拉机控制方法,其特征在于,所述根据获取的所述土壤图片特征信息确定土壤特性信息的步骤包括,将获取的所述土壤图片特征信息输入到训练好的神经网络模型中以确定土壤特性信息。
5.根据权利要求4所述的履带式拖拉机控制方法,其特征在于,所述土壤特性信息包括土壤水平剪切变形模量、土壤内摩擦角以及土壤内聚力信息。
6.根据权利要求5所述的履带式拖拉机控制方法,其特征在于,所述根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使所述履带式拖拉机的滑转率保持在预设范围的步骤包括:
根据所述土壤特性信息来匹配所述履带式拖拉机的牵引力和/或改变变速器档位,以使所述履带式拖拉机的滑转率保持在预设范围;
当通过调整所述履带式拖拉机的牵引力和改变变速器档位仍不能使所述拖拉机滑转率保持在预设范围时,通过减小所述履带式拖拉机的机具耕深来使所述拖拉机滑转率保持在预设范围。
8.根据权利要求1-7任意一项所述的履带式拖拉机控制方法,其特征在于,所述预设范围基于10%-15%之间。
9.一种履带式拖拉机控制系统,其特征在于,所述履带式拖拉机控制系统包括:
图像处理单元,用于接收履带式拖拉机当前所处工作环境的土壤图片,并提取所述土壤图像的图像色彩信息、图像形状纹理信息及图像亮度信息以作为所述土壤图片特征信息;
土壤特性信息获取单元,用于根据获取的所述土壤图片特征信息确定土壤特性信息;
拖拉机控制单元,用于根据获取的所述土壤特性信息匹配所述履带式拖拉机的牵引力、档位和机具耕深以使拖拉机滑转率保持在预设范围。
10.一种履带式拖拉机,其特征在于,所述履带式拖拉机包括:
拖拉机本体;
履带式拖拉机控制系统,设置于所述拖拉机本体上;
摄像装置,用于获取履带式拖拉机当前所处工作环境的土壤图片,所述摄像装置设置于所述拖拉机本体上,所述摄像装置与所述履带式拖拉机控制系统连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007029.4A CN112124312B (zh) | 2020-09-23 | 2020-09-23 | 一种履带式拖拉机控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007029.4A CN112124312B (zh) | 2020-09-23 | 2020-09-23 | 一种履带式拖拉机控制方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112124312A true CN112124312A (zh) | 2020-12-25 |
CN112124312B CN112124312B (zh) | 2022-02-15 |
Family
ID=73842603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011007029.4A Active CN112124312B (zh) | 2020-09-23 | 2020-09-23 | 一种履带式拖拉机控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112124312B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867092A (zh) * | 2012-09-18 | 2013-01-09 | 西安交通大学 | 一种履带行走机构内阻力和功耗分析计算方法 |
CN103158713A (zh) * | 2013-03-11 | 2013-06-19 | 河南科技大学 | 一种拖拉机智能控制方法与智能控制系统 |
US20140129106A1 (en) * | 2012-11-07 | 2014-05-08 | Kubota Corporation | Drive Control System for Work Vehicle |
CN107526886A (zh) * | 2017-08-22 | 2017-12-29 | 北京卫星环境工程研究所 | 月面实际行走过程中的月壤机械参数确定方法 |
CN109398360A (zh) * | 2018-10-26 | 2019-03-01 | 合肥工业大学 | 一种用于轮式拖拉机低附着工况作业的控制方法 |
CN110264572A (zh) * | 2019-06-21 | 2019-09-20 | 哈尔滨工业大学 | 一种融合几何特性与力学特性的地形建模方法及系统 |
-
2020
- 2020-09-23 CN CN202011007029.4A patent/CN112124312B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867092A (zh) * | 2012-09-18 | 2013-01-09 | 西安交通大学 | 一种履带行走机构内阻力和功耗分析计算方法 |
US20140129106A1 (en) * | 2012-11-07 | 2014-05-08 | Kubota Corporation | Drive Control System for Work Vehicle |
CN103158713A (zh) * | 2013-03-11 | 2013-06-19 | 河南科技大学 | 一种拖拉机智能控制方法与智能控制系统 |
CN107526886A (zh) * | 2017-08-22 | 2017-12-29 | 北京卫星环境工程研究所 | 月面实际行走过程中的月壤机械参数确定方法 |
CN109398360A (zh) * | 2018-10-26 | 2019-03-01 | 合肥工业大学 | 一种用于轮式拖拉机低附着工况作业的控制方法 |
CN110264572A (zh) * | 2019-06-21 | 2019-09-20 | 哈尔滨工业大学 | 一种融合几何特性与力学特性的地形建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112124312B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelhamed et al. | Noise flow: Noise modeling with conditional normalizing flows | |
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
Kang et al. | Simultaneous estimation of image quality and distortion via multi-task convolutional neural networks | |
DE112015002194T5 (de) | Verbesserte Reihenführungsparameterisierung mit Hough-Transformation | |
DE102015207676A1 (de) | Verfahren und Vorrichtung zur Hinderniserkennung auf Basis einer monokularen Kamera | |
CN111709980A (zh) | 基于深度学习的多尺度图像配准方法和装置 | |
DE102020102712A1 (de) | Entfernung von fehlalarmen in der keulenbildungsphase zum erfassen von radaren unter verwendung eines tiefen neuronalen netzwerks | |
CN110335322B (zh) | 基于图像的道路识别方法及道路识别装置 | |
CN112124312B (zh) | 一种履带式拖拉机控制方法及控制系统 | |
DE102022114048A1 (de) | Bildentzerrung | |
CN106023093A (zh) | 一种基于改进图像块匹配的非局部均值图像去噪方法 | |
CN109886287B (zh) | 杀虫剂确定方法、装置、计算机设备及存储介质 | |
CN112102379B (zh) | 一种无人机多光谱影像配准方法 | |
CN114186602A (zh) | 一种基于稀疏滤波域对抗神经网络的机械故障诊断方法 | |
DE102020103575B4 (de) | Merkmalspunktdetektionsvorrichtung und -verfahren zur Detektion von Merkmalspunkten in Bilddaten | |
Bhujade et al. | Digital image noise removal towards soybean and cotton plant disease using image processing filters | |
CN115546501B (zh) | 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法 | |
CN110598732A (zh) | 一种基于图像识别的植物健康检测方法及装置 | |
CN108428216B (zh) | 基于散布矩阵特征的二阶偏微分方程遥感图像去噪方法 | |
CN109544593A (zh) | 一种基于自相似度量的通用图像噪声估计方法 | |
CN112348853B (zh) | 基于红外显著性特征融合的粒子滤波跟踪的方法 | |
Lei et al. | Crop‐edge detection based on machine vision | |
CN111260060B (zh) | 一种基于动态强度的物体检测神经网络混合训练方法及系统 | |
DE102021213265A1 (de) | Bildsegmentierung über auf effizienter semidefiniter programmierung basierende inferenz für binäre und mehrklassen-markov-netzwerke | |
DE102021111942A1 (de) | Zielverfolgung bei beschleunigungsvorgängen |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |