CN113207410A - 预测杂草图生成和控制系统 - Google Patents
预测杂草图生成和控制系统 Download PDFInfo
- Publication number
- CN113207410A CN113207410A CN202110170178.0A CN202110170178A CN113207410A CN 113207410 A CN113207410 A CN 113207410A CN 202110170178 A CN202110170178 A CN 202110170178A CN 113207410 A CN113207410 A CN 113207410A
- Authority
- CN
- China
- Prior art keywords
- weed
- agricultural
- map
- characteristic
- field
- 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
- 241000196324 Embryophyta Species 0.000 title claims description 325
- 238000004891 communication Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 description 35
- 238000003306 harvesting Methods 0.000 description 29
- 230000007246 mechanism Effects 0.000 description 25
- 239000000463 material Substances 0.000 description 21
- 230000015654 memory Effects 0.000 description 20
- 241001124569 Lycaenidae Species 0.000 description 19
- 238000004140 cleaning Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 14
- 238000013500 data storage Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 239000002028 Biomass Substances 0.000 description 7
- 239000010813 municipal solid waste Substances 0.000 description 6
- 241000251169 Alopias vulpinus Species 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004043 responsiveness Effects 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 240000000111 Saccharum officinarum Species 0.000 description 2
- 235000007201 Saccharum officinarum Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009342 intercropping Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000006199 nebulizer Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000010908 plant waste Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
- A01B69/003—Steering or guiding of machines or implements pushed or pulled by or mounted on agricultural vehicles such as tractors, e.g. by lateral shifting of the towing connection
- A01B69/004—Steering or guiding of machines or implements pushed or pulled by or mounted on agricultural vehicles such as tractors, e.g. by lateral shifting of the towing connection automatic
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D34/00—Mowers; Mowing apparatus of harvesters
- A01D34/006—Control or measuring arrangements
- A01D34/008—Control or measuring arrangements for automated or remotely controlled operation
-
- 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
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Soil Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
由农业作业机器获得一个或更多个信息图。所述一个或更多个信息图将一个或更多个农业特性值映射在田地的不同地理位置处。随着农业作业机器移动通过田地,农业作业机器上的现场传感器感测农业特性。预测图生成器基于所述一个或更多个信息图中的值与现场传感器所感测的农业特性之间的关系生成来预测田地中的不同位置处的预测农业特性的预测图。预测图可被输出并用于自动的机器控制。
Description
相关申请的交叉引用
本申请是于2020年2月6日提交的美国专利申请序列号16/783475的以及于2020年2月6日提交的美国专利申请序列号16/783511的部分继续申请并要求它们的优先权,这些专利申请的内容通过引用整体结合于此。
技术领域
本说明书涉及农业机器、林业机器、建筑机器和草坪管理机器。
背景技术
存在各种不同类型的农业机器。一些农业机器包括收割机,例如联合收割机、甘蔗收割机、棉花收割机、自走式饲料收割机和割晒机。一些收割机还可配备有不同类型的割台以收割不同类型的作物。
田地中的杂草块对收割操作具有若干有害影响。例如,当收割机遇到田地中的杂草块时,杂草块可能会妨碍收割机的性能或使得收割机的性能劣化。因此,在收割操作期间,在遇到杂草块时,操作者可尝试修改收割机的控制。
上面的讨论仅是为一般背景信息提供的,并非旨在用于帮助确定要求保护的主题的范围。
发明内容
通过农业作业机器获得一个或更多个信息图。这一个或更多个信息图将一个或更多个农业特性值映射在田地的不同地理位置。随着农业作业机器穿过田地移动,农业作业机器上的现场传感器感测农业特性。预测图生成器基于一个或更多个信息图中的值与现场传感器所感测的农业特性之间的关系来生成预测田地中的不同位置的预测农业特性的预测图。预测图可输出并用于自动机器控制。
提供本发明内容以按简化形式介绍概念的选择,其在下面的具体实施方式中进一步描述。本发明内容并非旨在标识要求保护的主题的关键特征或必要特征,也非旨在用于帮助确定要求保护的主题的范围。要求保护的主题不限于解决背景技术中指出的任何或所有缺点的示例。
附图说明
图1是联合收割机的一个示例的局部图示、局部示意图。
图2是更详细地示出根据本公开的一些示例的农业收割机的一些部分的框图。
图3A至图3B示出流程图,其示出在生成图时农业收割机的操作的示例。
图4是示出预测模型生成器和预测度量图生成器的一个示例的框图。
图5是示出在收割操作期间接收植被指数图、检测杂草特性、并生成功能预测杂草图以用于控制农业收割机时使用的农业收割机的操作的示例的流程图。
图6是示出与远程服务器环境通信的农业收割机的一个示例的框图。
图7至图9示出农业收割机中可使用的移动装置的示例。
图10是示出先前附图中所示的农业收割机和架构中可使用的计算环境的一个示例的框图。
具体实施方式
为了促进理解本公开的原理,现在将参考附图中所示的示例,并且将使用特定语言来描述它们。然而,将理解,并非意图限制本公开的范围。本公开所属领域的技术人员通常将可以充分想到对所描述的装置、系统、方法的任何改变和进一步修改以及本公开的原理的任何进一步应用。具体地,可以充分想到,关于一个示例描述的特征、组件和/或步骤可与关于本公开的其它示例描述的特征、组件和/或步骤组合。
本说明书涉及结合先验数据使用与农业操作同时获取的现场数据,来生成预测图,更具体地,生成预测杂草图。在一些示例中,预测杂草图可以用于控制农业作业机器,诸如农业收割机。如上讨论的那样,当收割机接合杂草块时,可能使农业收割机的性能劣化。例如,如果作物已经成熟,杂草可能仍然是绿色的,因此增加了收割机遇到的生物质的湿度含量。当杂草块潮湿时(如雨后不久或杂草块含有露水时)和杂草块有机会变干之前,这个问题可能会加剧。
基于许多不同的标准,收割机的性能可能会受到不利影响。例如,杂草块中的杂草的强度可能对收割机的操作具有有害影响。非限制性地,杂草强度可以包括一区域内的某一位置处的杂草存在、杂草种群、杂草生长阶段、杂草生物质、杂草湿度、杂草密度、杂草的高度、杂草植株的尺寸、年龄或杂草的健康状况中的至少一个。杂草强度的量度可以是二进制值(诸如杂草存在或杂草不存在),或者是连续值(诸如在限定区域或体积中杂草的百分比),或者是一组离散值(诸如低、中或高杂草强度值)。类似地,收割机遇到的不同类型的杂草可能会不同地影响收割机。例如,不同类型的杂草可能包含不同的湿度水平,并且随着杂草的湿度水平增加,收割机性能方面的劣化也可能增加。类似地,不同的杂草类型可能具有不同的物理结构(例如,一些杂草可能具有更厚或更薄的茎、更宽的叶等)。当收割机与这种杂草接合时,杂草结构方面的这些变化也可能导致收割机的性能变化。
植被指数图示意性地映射了感兴趣的田地中的不同地理位置上的植被指数值(其可以指示植被生长)。植被指数的一个示例包括归一化差值植被指数(normalizeddifference vegetation index,NDVI)。还存在本公开的范围内的许多其他植被指数。在一些示例中,植被指数可以从由植株反射的一个或多个电磁辐射带的传感器读数中导出。非限制性地,这些带可以在电磁波谱的微波、红外线、可见光或紫外线部分中。
植被指数图可以用于标识植被的存在和位置。在一些示例中,这些图使得能够在裸土、作物残体或其他植株(包括作物或其他杂草)存在的情况下标识杂草并对其进行地理参考。例如,在生长季节结束时,当作物成熟时,作物植株可能会显示出相对低水平的活的生长植被。然而,杂草通常在作物成熟后持续处于生长状态。因此,如果植被指数图是在生长季节中相对较晚生成,则植被指数图可以指示田地中的杂草的位置。然而,植被指数图在标识杂草块中的杂草的强度或杂草块中的杂草的类型方面可能不太有用(或根本没用)。因此,在某些情况下,植被指数图在收割机移动穿过田地时预测如何控制收割机方面可能具有降低的有用性。
因此,本讨论针对这样的系统进行,该系统在收割操作期间接收田地的植被指数图或先前操作期间生成的图并且还使用现场传感器来检测指示杂草位置、杂草强度和杂草类型中的一个或更多个的变量。在一些情况下,现场传感器可以例如沿着附接到诸如农业收割机100之类的农业收割机的割台的宽度来检测杂草的位置。例如,现场传感器可以检测沿着割台的宽度的一部分是否存在杂草。由现场传感器检测到的杂草存在可以用于识别存在杂草的一个或更多个位置,例如沿着割台的位置。系统生成对植被指数图上的植被指数值或从先前操作生成的图上的值与来自现场传感器的输出值之间的关系进行建模的模型。该模型用于生成预测例如田地中的不同位置处的杂草位置、杂草强度或杂草类型的功能预测杂草图。在收割操作期间生成的功能预测杂草图可呈现给操作者或其他用户或用于在收割操作期间自动控制收割机,或者既呈现给操作者或其他用户又用于在收割操作期间自动控制收割机。
图1是自走式农业收割机100的局部图示、局部示意图。在所示的示例中,农业收割机100是联合收割机。此外,尽管贯穿本公开提供联合收割机作为示例,但是将理解,本说明书也适用于其它类型的收割机,例如棉花收割机、甘蔗收割机、自走式牧草收割机、割晒机或其它农业作业机器。因此,本公开旨在涵盖所描述的各种类型的收割机,因此不限于联合收割机。此外,本公开涉及其它类型的作业机器,例如可适用预测图的生成的农业播种机和喷洒器、建筑设备、林业设备和草皮管理设备。因此,本公开旨在涵盖这些各种类型的收割机以及其它作业机器,因此不限于联合收割机。
如图1所示,农业收割机100示例性地包括操作室101,其可具有用于控制农业收割机100的各种不同的操作者接口机构。农业收割机100包括前端设备,例如割台102以及总体以104指示的切割器。农业收割机100还包括进料器壳体106、进料加速器108以及总体以110指示的脱粒机。进料器壳体106和进料加速器108形成材料处理子系统125的一部分。割台102沿着枢轴105可枢转地联接到农业收割机100的框架103。一个或更多个致动器107驱动割台102在通常由箭头109指示的方向上绕轴线105移动。因此,割台102在其上行进的地面111上方的割台102的竖直位置(割台高度)可通过对致动器107进行致动来控制。尽管图1中未示出,农业收割机100还可包括操作以对割台102或割台102的部分施加倾斜角、滚动角或二者的一个或更多个致动器。倾斜是指切割器104与作物接合的角度。例如,通过控制割台102以使切割器104的远侧边缘113更指向地面来增加倾斜角。通过控制割台102以使切割器104的远侧边缘113指向更远离地面来减小倾斜角。滚动角是指割台102绕农业收割机100的前后纵向轴线的取向。
脱粒机110示例性地包括脱粒转子112和一组凹部114。此外,农业收割机100还包括分离器116。农业收割机100还包括清粮子系统或清粮室118(统称为清粮子系统118),其包括清粮风扇120、谷壳筛122和筛网124。材料处理子系统125还包括排出搅拌器126、杂余升运器128、干净谷物升运器130以及卸载螺旋输送器134和喷口136。干净谷物升运器使干净谷物移动到干净谷物罐132中。农业收割机100还包括残茬子系统138,其可包括切碎机140和散布机142。农业收割机100还包括推进子系统,其包括驱动地面接合组件144(例如,轮或履带)的引擎。在一些示例中,本公开的范围内的联合收割机可具有上述任何子系统中的不止一个。在一些示例中,农业收割机100可具有图1中未示出的左右清粮子系统、分离器等。
在操作中,作为概述,农业收割机100示例性地在箭头147所指示的方向上穿过田地移动。随着农业收割机100移动,割台102(以及关联的拨禾轮164)接合待收割的作物并将作物朝着切割器104收集。农业收割机100的操作者可以是本地人操作者、远程人类操作者或者自动化系统。操作者命令是由操作者发出的命令。农业收割机100的操作者可确定割台102的高度设置、倾斜角设置或滚动角设置中的一个或更多个。例如,操作者向控制致动器107的控制系统输入设置(下面更详细地描述)。控制系统还可从操作者接收用于建立割台102的倾斜角和滚动角的设置,并且通过控制操作以改变割台102的倾斜角和滚动角的关联的致动器(未示出)来实现所输入的设置。致动器107基于高度设置将收割台102保持处于地面111上方的高度,并且在适用的情况下保持处于期望的倾斜和侧倾角。高度、滚动和倾斜设置中的每一个可独立于其他设置来实现。控制系统以基于所选择的灵敏度水平确定的响应性对割台误差(例如,高度设置与所测量的割台104在地面111上方的高度之间的差异以及在一些情况下,倾斜角和滚动角误差)作出响应。如果灵敏度水平被设定在较大的灵敏度水平,则控制系统对较小的割台位置误差作出响应,并且尝试比灵敏度处于较低的灵敏度水平时更快地减小所检测到的误差。
返回到农业收割机100的操作的描述,在作物被切割器104切割之后,切断的作物材料在进料器壳体106中通过输送机朝着进料加速器108移动,进料加速器108使作物材料加速到脱粒机110中。通过使作物材料抵靠凹部114旋转的转子112来使作物脱粒。在分离器116中分离器转子使脱粒的作物移动,其中排出搅拌器126使一部分残茬朝着残茬子系统138移动。传送至残茬子系统138的那部分残茬被残茬切碎机140切碎并由散布机142散布在田间。在其它配置中,残茬从农业收割机100成堆排出。在其它示例中,残茬子系统138可包括草籽排除器(未示出),例如种子装袋机或其它种子收集器或者种子粉碎机或其它种子破碎器。
谷物落到清粮子系统118中。谷壳筛122从谷物分离出一些较大的材料,筛网124从干净谷物分离出一些细小材料。干净谷物落到使谷物移动到干净谷物升运器130的入口端的螺旋输送器,并且干净谷物升运器130使干净谷物向上移动,从而使干净谷物沉积在干净谷物罐132中。通过清粮风扇120所生成的气流从清粮子系统118移除残茬。清粮风扇120引导空气沿着气流路径向上穿过筛网和谷壳筛。气流将残茬在农业收割机100中向后朝着残茬处理子系统138输送。
杂余升运器128使杂余返回到脱粒机110,在那里杂余被重新脱粒。另选地,杂余也可通过杂余升运器或另一运输装置被传递到单独的重新脱粒机构,在那里杂余也被重新脱粒。
图1还示出在一个示例中,农业收割机100包括地面速度传感器146、一个或更多个分离器损失传感器148、干净谷物相机150、前视图像捕获机构151(可以是立体摄像机或单目摄像机的形式)以及设置在清粮子系统118中的一个或更多个损失传感器152。
地面速度传感器146感测农业收割机100在地面上的行进速度。地面速度传感器146可通过感测地面接合组件(例如,轮子或履带)、驱动轴、车轴或其它组件的旋转速度来感测农业收割机100的行进速度。在一些情况下,可使用定位系统来感测行进速度,例如全球定位系统(GPS)、航位推算系统、远程导航(LORAN)系统或者提供行进速度的指示的各种其它系统或传感器。
损失传感器152示例性地提供指示发生在清粮子系统118的右侧和左侧二者中的谷物损失量的输出信号。在一些示例中,传感器152是撞击传感器,其对每单位时间或每单位行进距离的谷物撞击进行计数以提供发生在清粮子系统118处的谷物损失的指示。清粮子系统118的右侧和左侧的撞击传感器可提供单独的信号或者组合或聚合信号。在一些示例中,与为各个清粮子系统118提供单独的传感器相反,传感器152可包括单个传感器。
分离器损失传感器148提供指示左和右分离器(图1中未单独示出)中的谷物损失的信号。分离器损失传感器148可与左和右分离器关联并且可提供单独的谷物损失信号或者组合或聚合信号。在一些情况下,也可使用各种不同类型的传感器来感测分离器中的谷物损失。
农业收割机100还可包括其它传感器和测量机构。例如,农业收割机100可包括以下传感器中的一个或更多个:割台高度传感器,其感测割台102在地面111上方的高度;稳定性传感器,其感测农业收割机100的振荡或跳动(和振幅);残茬设置传感器,其被配置为感测农业收割机100是否被配置为切碎残茬、成堆等;清粮室风扇速度传感器,其感测风扇120的速度;凹部间隙传感器,其感测转子112与凹部114之间的间隙;脱粒转子速度传感器,其感测转子112的转子速度;谷壳筛间隙传感器,其感测谷壳筛122中的开口尺寸;筛网间隙传感器,其感测筛网124中的开口尺寸;谷物以外的材料(MOG)湿度传感器,其感测通过农业收割机100的MOG的湿度水平;一个或更多个机器设置传感器,其被配置为感测农业收割机100的各种可配置设置;机器取向传感器,其感测农业收割机100的取向;以及作物性质传感器,其感测各种不同类型的作物性质,例如作物类型、作物水分以及其它作物性质。当农业收割机100正处理作物材料时,作物性质传感器还可被配置为感测切断的作物材料的特性。例如,在一些情况下,作物性质传感器可感测:谷物质量,例如碎谷物、MOG含量;谷物成分,例如淀粉和蛋白质;以及当谷物经过进料器壳体106、干净谷物升运器130或者农业收割机100中的别处时的谷物进料速率。作物性质传感器还可感测生物质通过进料器壳体106、分离器116或农业收割机100中的别处的进料速率。作物性质传感器还可将进料速率感测为谷物通过升运器130或通过农业收割机100的其它部分的质量流速或者提供指示其它感测的变量的其它输出信号。
在描述农业收割机100如何生成功能预测杂草图并将功能预测杂草图用于控制之前,将首先描述农业收割机100上的一些项目及其操作的简要描述。图2和图3A至图3B的描述描述了接收一般类型的先验信息图并将来自先验信息图的信息与现场传感器所生成的地理参考传感器信号组合,其中传感器信号指示田地中的特性,例如存在于田地中的作物或杂草的特性。“田地”的特性可包括(但不限于):田地的特性,例如坡度、杂草密度、杂草类型、土壤水分、表面质量;作物性质的特性,例如作物高度、作物水分、作物密度、作物状态;谷物性质的特性,例如谷物水分、谷物大小、谷物测试重量;以及机器性能的特性,例如损失水平、工作质量、燃料消耗和功率利用率。识别从现场传感器信号获得的特性值与先验信息图值之间的关系,并且使用该关系来生成新的功能预测图。功能预测图预测田地中的不同地理位置处的值,并且那些值中的一个或更多个可以用于控制机器,如农业收割机的一个或更多个子系统。在一些情况下,可将功能预测图呈现给用户,例如农业作业机器(可以是农业收割机)的操作者。可以将功能预测图视觉上(例如,经由显示器)、触觉上或听觉上呈现给用户。用户可以与功能预测图交互以执行编辑操作和其它用户接口操作。在一些情况下,功能预测图可以用于控制农业作业机器(例如,农业收割机)、呈现给操作者或其它用户、以及呈现给操作者或用户以便于操作者或用户交互中的一者或更多者。
在参照图2和图3A至图3B描述一般方法之后,参照图4和图5描述生成可呈现给操作者或用户或用于控制农业收割机100或这二者的功能预测杂草图的更具体的方法。同样,尽管本讨论针对农业收割机(具体地,联合收割机)进行,但是本公开的范围涵盖其它类型的农业收割机或其它农业作业机器。
图2是示出示例农业收割机100的一些部分的框图。图2示出农业收割机100示例性地包括一个或更多个处理器或服务器201、数据存储装置202、地理位置传感器204、通信系统206以及与收割操作同时感测田地的一个或更多个农业特性的一个或更多个现场传感器208。农业特性可包括可对收割操作有影响的任何特性。农业特性的一些示例包括收割机器、田地、田地上的植物和天气的特性。也包括其它类型的农业特性。现场传感器208生成与所感测的特性对应的值。农业收割机100还包括预测模型或关系生成器(以下统称为“预测模型生成器210”)、预测图生成器212、控制区生成器213、控制系统214、一个或更多个可控子系统216以及操作者接口机构218。农业收割机100还可包括各种其它农业收割机功能220。例如,现场传感器208包括机载传感器222、远程传感器224以及在农业操作的过程期间感测田地的特性的其它传感器226。预测模型生成器210示例性地包括先验信息变量对现场变量模型生成器228,并且预测模型生成器210可包括其它项目230。控制系统214包括通信系统控制器229、操作者接口控制器231、设置控制器232、路径规划控制器234、进料速率控制器236、割台和拨禾轮控制器238、带式输送器带控制器240、盖板位置控制器242、残茬系统控制器244、机器清粮控制器245、区控制器247,并且系统214可包括其它项目246。可控子系统216包括机器和割台致动器248、推进子系统250、转向子系统252、残茬子系统138、机器清粮子系统254,并且子系统216可包括各种其它子系统256。
图2还示出农业收割机100可接收先验信息图258。如下面描述的,例如,先验信息图258包括来自先前操作的植被指数图或植被图。然而,先验信息图258还可涵盖在收割操作之前获得的其它类型的数据或者来自先前操作的图。图2还示出操作者260可操作农业收割机100。操作者260与操作者接口机构218交互。在一些示例中,操作者接口机构218可包括摇杆、操纵杆、方向盘、连杆、踏板、按钮、拨盘、键区、用户接口显示装置上的用户可致动元件(例如图标、按钮等)、麦克风和扬声器(其中提供言语识别和言语合成)以及各种其它类型的控制装置。在提供触敏显示系统的情况下,操作者260可利用触摸手势来与操作者接口机构218交互。提供上述这些示例作为示例性示例,而非旨在限制本公开的范围。因此,可使用其它类型的操作者接口机构218并且在本公开的范围内。
使用通信系统206或其它方式,先验信息图258可被下载到农业收割机100上并存储在数据存储装置202中。在一些示例中,通信系统206可以是蜂窝通信系统、经由广域网或局域网通信的系统、经由近场通信网络通信的系统或者被配置为经由各种其它网络中的任一种或网络的组合通信的通信系统。通信系统206还可包括方便来往安全数字(SD)卡或通用串行总线(USB)卡或这二者的信息下载或传送的系统。
地理位置传感器204示例性地感测或检测农业收割机100的地理位置。地理位置传感器204可包括(但不限于)全球导航卫星系统(GNSS)接收器,其从GNSS卫星发送器接收信号。地理位置传感器204还可包括实时运动(RTK)组件,其被配置为增强从GNSS信号推导的位置数据的精度。地理位置传感器204可包括航位推算系统、蜂窝三角测量系统或者各种其它地理位置传感器中的任一种。
现场传感器208可以是上面参照图1描述的任何传感器。现场传感器208包括安装在农业收割机100上的机载传感器222。例如,这些传感器可包括感知传感器(例如,前视单目或立体相机系统和图像处理系统)、在农业收割机100内部的图像传感器(例如,安装成识别通过残茬子系统离开农业收割机100的或来自清粮子系统的杂草种子的一个或多个干净谷物相机。现场传感器208还包括捕获现场信息的远程现场传感器224。现场数据包括从收割机上的传感器获取或者在收割操作期间检测数据的情况下由任何传感器获取的数据。
预测模型生成器210生成指示现场传感器208所感测的值与通过先验信息图258映射到田地的度量之间的关系的模型。例如,如果先验信息图258映射田地中的不同位置的植被指数值,并且现场传感器208正在感测指示杂草强度的值,则先验信息变量对现场变量模型生成器228生成对植被指数值与杂草强度值之间的关系进行建模的预测杂草模型。还可基于来自先验信息图258的植被指数值和现场传感器208所生成的多个现场数据值来生成预测杂草模型。然后,预测图生成器212使用预测模型生成器210所生成的预测杂草模型来生成功能预测杂草图,该功能预测杂草图基于先验信息图258来预测由现场传感器208在田地中的不同位置感测的杂草性质(例如,强度)的值。
在一些示例中,功能预测图263中的值的类型可与现场传感器208所感测的现场数据类型相同。在一些情况下,功能预测图263中的值的类型可具有与现场传感器208所感测的数据不同的单位。在一些示例中,功能预测图263中的值的类型可与现场传感器208所感测的数据类型不同,但是与现场传感器208所感测的数据类型有关系。例如,在一些示例中,现场传感器208所感测的数据类型可指示功能预测图263中的值的类型。在一些示例中,功能预测图263中的数据的类型可与先验信息图258中的数据类型不同。在一些情况下,功能预测图263中的数据的类型可具有与先验信息图258中的数据不同的单位。在一些示例中,功能预测图263中的数据的类型可与先验信息图258中的数据类型不同,但是与先验信息图258中的数据类型有关系。例如,在一些示例中,先验信息图258中的数据类型可指示功能预测图263中的数据的类型。在一些示例中,功能预测图263中的数据的类型与现场传感器208所感测的现场数据类型和先验信息图258中的数据类型中的一者或二者不同。在一些示例中,功能预测图263中的数据的类型与现场传感器208所感测的现场数据类型和先验信息图258中的数据类型中的一者或二者相同。在一些示例中,功能预测图263中的数据的类型与现场传感器208所感测的现场数据类型或先验信息图258中的数据类型中的一个相同,与另一个不同。
继续前面的示例,其中先验信息图258是植被指数图,并且现场传感器208感测指示杂草强度的值,预测图生成器212可以使用先验信息图258中的植被指数值和由预测模型生成器210生成的模型,来生成预测田地中的不同位置处的杂草强度的功能预测图263。预测图生成器212因此输出预测图264。
如图2所示,预测图264基于先验信息图258中在那些位置处的先验信息值并使用预测模型来预测横跨田地在各种位置处所感测的特性(由现场传感器208感测)或与所感测的特性有关的特性的值。例如,如果预测模型生成器210已生成指示植被指数值与杂草强度之间的关系的预测模型,则给定在横跨田地不同位置的植被指数值,预测图生成器212生成预测在横跨田地不同位置的杂草强度的值的预测图264。使用从植被指数图获得的那些位置处的植被指数值以及从预测模型获得的植被指数值与杂草强度之间的关系来生成预测图264。
现在将描述先验信息图258中映射的数据类型、现场传感器208感测的数据类型以及预测图264上预测的数据类型的一些变化。
在一些示例中,先验信息图258中的数据类型与现场传感器208所感测的数据类型不同,而预测图264中的数据类型与现场传感器208所感测的数据类型相同。例如,先验信息图258可以是植被指数图,并且现场传感器208所感测的变量可以是产量。预测图264然后可以是预测产量图,该预测产量图将预测的产量值映射到田地中的不同地理位置。在另一示例中,先验信息图258可以是植被指数图,并且由现场传感器208感测的变量可以是作物高度。则预测图264可以是预测作物高度图,该预测作物高度图将预测的作物高度值映射到田地中的不同地理位置。
另外,在一些示例中,先验信息图258中的数据类型与现场传感器208所感测的数据类型不同,并且预测图264中的数据类型与先验信息图258中的数据类型和现场传感器208所感测的数据类型二者不同。例如,先验信息图258可以是植被指数图,并且现场传感器208所感测的变量可以是作物高度。则预测图264可以是预测生物量图,该预测生物量图将预测的生物量值映射到田地中的不同地理位置。在另一示例中,先验信息图258可以是植被指数图,并且由现场传感器208感测的变量可以是产量。则预测图264可以是预测速度图,该预测速度图将预测的收割机速度值映射到田地中的不同地理位置。
在一些示例中,先验信息图258来自在先前操作期间通过田地的先前通行,并且数据类型与现场传感器208所感测的数据类型不同,而预测图264中的数据类型与现场传感器208所感测的数据类型相同。例如,先验信息图258可以是在种植期间生成的种子种群图,并且现场传感器208所感测的变量可以是茎尺寸。然后,预测图264可以是将预测的茎尺寸值映射到田地中的不同地理位置的预测茎尺寸图。在另一示例中,先验信息图258可以是播种混合图,并且现场传感器208所感测的变量可以是诸如直立作物或倒伏作物的作物状态。然后,预测图264可以是将预测的作物状态值映射到田地中的不同地理位置的预测作物状态图。
在一些示例中,先验信息图258来自在先前操作期间通过田地的先前通行并且数据类型与现场传感器208所感测的数据类型相同,并且预测图264中的数据类型也与现场传感器208所感测的数据类型相同。例如,先验信息图258可以是在前一年生成的产量图,并且现场传感器208所感测的变量可以是产量。然后,预测图264可以是将预测的产量值映射到田地中的不同地理位置的预测产量图。在这种示例中,预测模型生成器210可使用来自前一年的地理参考先验信息图258中的相对产量差异来生成对先验信息图258上的相对产量差异与现场传感器208在当前收割操作期间感测的产量值之间的关系进行建模的预测模型。然后,预测图生成器210使用预测模型来生成预测产量图。
在另一示例中,先验信息图258可以是在先前操作期间生成的杂草强度图(诸如来自喷雾器),并且由现场传感器208感测的变量可以是杂草强度。预测图264然后可以是预测杂草强度图,该预测杂草强度图将预测的杂草强度值映射到田地中的不同地理位置。在这样的示例中,喷洒时杂草强度的图以参考地理的方式被记录并作为杂草强度的先验信息图258提供给农业收割机100。现场传感器208可以检测田地中的地理位置处的杂草强度,并且预测模型生成器210然后可以建立对收割时的杂草强度和喷洒时的杂草强度之间的关系进行建模的预测模型。这是因为喷雾器在喷洒时会影响杂草强度,但到收割时杂草仍可能在类似地区再次出现。然而,基于收割时间、天气、杂草类型等,收割时的杂草区域可能具有不同强度。
在一些示例中,预测图264可被提供给控制区生成器213。控制区生成器213基于与一区域的相邻部分相关联的预测图264的数据值,将所述相邻部分分组为一个或多个控制区。控制区可包括与用于控制可控子系统的控制区对应的控制参数恒定的区域(例如,田地)的两个或更多个连续部分。例如,改变可控子系统216的设置的响应时间可能不足以令人满意地响应包含在诸如预测图264的图中的值的改变。在这种情况下,控制区生成器213解析图并识别定义尺寸的控制区以适应可控子系统216的响应时间。在另一示例中,控制区可被调整尺寸以减小由连续调节导致的过度致动器移动所造成的磨损。在一些示例中,对于各个可控子系统216或成组的可控子系统216,可存在不同组的控制区。控制区可被添加到预测图264以获得预测控制区图265。因此,除了预测控制区图265包括限定控制区的控制区信息之外,预测控制区图265可与预测图264相似。因此,如本文所描述的,功能预测图263可包括或者可不包括控制区。预测图264和预测控制区图265二者均是功能预测图263。在一个示例中,功能预测图263不包括控制区(例如,预测图264)。在另一示例中,功能预测图263确实包括控制区(例如,预测控制区图265)。在一些示例中,如果实现间作生产系统,则多种作物可同时存在于田地中。在这种情况下,预测图生成器212和控制区生成器213能够识别两种或更多种作物的位置和特性,然后相应地生成预测图264和预测控制区图265。
还将理解,控制区生成器213可对值进行聚类以生成控制区,并且控制区可被添加到预测控制区图265或者仅显示所生成的控制区的单独图。在一些示例中,控制区可以用于控制或校准农业收割机100或二者。在其它示例中,控制区可被呈现给操作者260并用于控制或校准农业收割机100,并且在其它示例中,控制区可被呈现给操作者260或另一用户或被存储以供稍后使用。
预测图264或预测控制区图265或这二者被提供给控制系统214,控制系统214基于预测图264或预测控制区图265或这二者来生成控制信号。在一些示例中,通信系统控制器229控制通信系统206将预测图264或预测控制区图265或者基于预测图264或预测控制区图265的控制信号通信给正在同一田地中收割的其它农业收割机。在一些示例中,通信系统控制器229控制通信系统206将预测图264、预测控制区图265或这二者发送到其它远程系统。
操作者接口控制器231能够操作以生成控制信号以控制操作者接口机构218。操作者接口控制器231还能够操作以将预测图264或预测控制区图265或者从或基于预测图264、预测控制区图265或这二者推导的其它信息呈现给操作者260。操作者260可以是本地操作者或远程操作者。作为示例,控制器231生成控制信号以控制显示机构为操作者260显示预测图264和预测控制区图265中的一者或二者。控制器231可生成操作者可致动机构,其被显示并且可由操作者致动以与所显示的图交互。操作者可通过例如基于操作者的观察纠正显示在图上的杂草类型来编辑图。设置控制器232可基于预测图264、预测控制区图265或这二者来生成控制农业收割机100上的各种设置的控制信号。例如,设置控制器232可生成控制机器和割台致动器248的控制信号。响应于所生成的控制信号,机器和割台致动器248操作以控制例如筛网和谷壳筛设置、脱粒机间隙、转子设置、清粮风扇速度设置、割台高度、割台功能、拨禾轮速度、拨禾轮位置、带式输送器功能(其中农业收割机100联接到带式输送器割台)、谷物割台功能、内部分布控制以及影响农业收割机100的其它功能的其它致动器248中的一个或更多个。路径规划控制器234示例性地生成控制信号以控制转向子系统252根据期望的路径使农业收割机100转向。路径规划控制器234可控制路径规划系统为农业收割机100生成路线,并且可控制推进子系统250和转向子系统252沿着该路线使农业收割机100转向。进料速率控制器236可控制诸如推进子系统250和机器致动器248的各种子系统,以基于预测图264或预测控制区图265或这二者来控制进料速率。例如,随着农业收割机100接近具有高于所选阈值的强度值的杂草块,进料速率控制器236可降低机器100的速度以维持生物质通过该机器的恒定进料速率。割台和拨禾轮控制器238可生成控制信号以控制割台偶拨禾轮或其它割台功能。带式输送器带控制器240可基于预测图264、预测控制区图265或这二者来生成控制信号以控制带式输送器带或其它带式输送器功能。盖板位置控制器242可基于预测图264或预测控制区图265或这二者来生成控制信号以控制包括在割台上的盖板的位置,并且残茬系统控制器244可基于预测图264或预测控制区图265或这二者来生成控制信号以控制残茬子系统138。机器清粮控制器245可生成控制信号以控制机器清粮子系统254。例如,基于穿过机器100的不同类型的种子或杂草,可以控制特定类型的机器清粮操作或执行清粮操作的频率。包括在农业收割机100上的其它控制器也可基于预测图264或预测控制区图265或这二者来控制其它子系统。
图3A和图3B示出流程图,其示出在基于先验信息图258生成预测图264和预测控制区图265时农业收割机100的操作的一个示例。
在框280,农业收割机100接收先验信息图258。参照框281、282、284和286讨论先验信息图258或接收先验信息图258的示例。如上所述,先验信息图258将与第一特性对应的变量的值映射到田地中的不同位置,如框282所指示的。如框281所指示的,接收先验信息图258可涉及选择可用的多个可能先验信息图中的一个或更多个。例如,一个先验信息图可以是从空中图像生成的植被指数图。另一先验信息图可以是在先前通过田地期间生成的图,其可由在田地中执行先前操作的不同机器(例如,喷洒器或其它机器)执行。选择一个或更多个先验信息图的过程可以是手动的、半自动的或自动的。先验信息图258基于在当前收割操作之前收集的数据。这由框284指示。例如,可以基于在前一年或者在当前生长季节早前或者在其它时间拍摄的航空图像来收集数据。该数据可基于以使用航空图像以外的方式检测的数据。例如,农业收割机100可以装配有传感器(诸如内部光学传感器),该传感器标识离开农业收割机100的杂草种子。由传感器在前一年收割期间检测的杂草种子数据可以用作用于生成先验信息图258的数据。所感测的杂草数据可以与其他数据相结合以生成先验信息图258。例如,基于在不同位置离开农业收割机100的杂草种子的数量以及基于其他因素(诸如种子是被撒布器撒布还是掉落成料堆、种子掉落或传播时的天气条件(诸如风)、可能使种子在田地里四处移动的排水条件、或其他信息),可以预测这些杂草种子的位置,使得先验信息图258所预测的种子位置映射到田地中。先验信息图258的数据可以使用通信系统206传输到农业收割机100,并存储在数据存储装置202中。先验信息图258的数据也可使用通信系统206以其它方式提供给农业收割机100,这由图3A的流程图中的框286指示。在一些示例中,先验信息图258可由通信系统206接收。
在收割操作开始时,现场传感器208生成指示一个或更多个现场数据值的传感器信号,其指示特性,例如,诸如杂草特性之类的植株特性,如框288所示。参照框222、290和226来讨论现场传感器288的示例。如上面说明的,现场传感器208包括:机载传感器222;远程现场传感器224,例如飞行一次以收集现场数据的基于UAV的传感器,示出于框290;或者由现场传感器226指定的其它类型的现场传感器。在一些示例中,来自机载传感器的数据使用来自地理位置传感器204的位置、航向或速度数据进行地理参考。
预测模型生成器210控制先验信息变量对现场变量模型生成器228生成对包含在先验信息图258中的映射的值与现场传感器208所感测的现场值之间的关系进行建模的模型,如框292所指示的。由先验信息图258中的映射的值和现场传感器208所感测的现场值表示的特性或数据类型可以是相同的特性或数据类型或不同的特性或数据类型。
由预测模型生成器210生成的关系或模型被提供给预测图生成器212。预测图生成器212使用预测模型和先验信息图258来生成预测图264,其预测在正在收割的田地中的不同地理位置处由现场传感器208所感测的特性或者与现场传感器208所感测的特性有关的不同特性的值,如框294所指示的。
应该注意的是,在一些示例中,先验信息图258可包括两个或更多个不同的图或者单个图的两个或更多个不同的图层。每个图层可以表示与另一图层的数据类型不同的数据类型,或者图层可以具有在不同时间获得的相同数据类型。两个或更多个不同的图中的各个图或者一图的两个或更多个不同的图层中的各个层将不同类型的变量映射到田地中的地理位置。在这种示例中,预测模型生成器210生成对现场数据与由两个或更多个不同的图或两个或更多个不同的图层映射的各个不同变量之间的关系进行建模的预测模型。类似地,现场传感器208可包括各自感测不同类型的变量的两个或更多个传感器。因此,预测模型生成器210生成对由先验信息图258映射的各个类型的变量与现场传感器208所感测的各个类型的变量之间的关系进行建模的预测模型。预测图生成器212可使用预测模型和先验信息图258中的各个图或图层来生成功能预测图263,其预测在正在收割的田地中的不同位置处由现场传感器208感测的各个感测的特性(或与所感测的特性有关的特性)的值。
预测图生成器212配置预测图264,以使得预测图264可由控制系统214操纵(或消耗)。预测图生成器212可将预测图264提供给控制系统214或控制区生成器213或这二者。将参照框296、295、299和297描述可配置或输出预测图264的不同方式的一些示例。例如,预测图生成器212配置预测图264,以使得预测图264包括可由控制系统214读取并用作针对农业收割机100的一个或更多个不同的可控子系统生成控制信号的基础的值,如框296所指示的。
框控制区生成器213可基于预测图264上的值将预测图264分成控制区。彼此在阈值内的地理上连续的值可被分组到控制区中。阈值可以是默认阈值,或者可基于操作者输入、基于来自自动化系统的输入或者基于其它标准来设定阈值。区的大小可基于控制系统214、可控子系统216的响应性或者基于磨损考虑或其它标准,如框295所指示的。预测图生成器212配置预测图264以用于呈现给操作者或其它用户。控制区生成器213可配置预测控制区图265以用于呈现给操作者或其它用户。这由框299指示。当呈现给操作者或其它用户时,预测图264或预测控制区图265或这二者的呈现可包含与地理位置相关的预测图264上的预测值、与地理位置相关的预测控制区图265上的控制区以及基于图264上的预测值或预测控制区图265上的区域使用的设置值或控制参数中的一个或更多个。在另一示例中,呈现可包括更抽象的信息或更详细的信息。呈现还可包括置信度,其指示预测图264上的预测值或预测控制区图265上的区域符合当农业收割机100穿过田地移动时可由农业收割机100上的传感器测量的测量值的准确度。此外,在信息被呈现给超过一个位置的情况下,可提供验证和授权系统以实现验证和授权过程。例如,可存在被授权查看和改变图和其它呈现的信息的个人层次结构。作为示例,机载显示装置可在机器上本地地近似实时显示图,或者也可在一个或更多个远程位置处生成图,或者,两者兼有。在一些示例中,各个位置处的各个物理显示装置可与人或用户许可级别关联。用户许可级别可用于确定在物理显示装置上哪些显示元素可见以及对应人可改变哪些值。作为示例,机器100的本地操作者可能无法看到与预测图264对应的信息或者对机器操作进行任何改变。然而,诸如远程位置处的监督者之类的监督者可能能够在显示器上看到预测图264,但是被阻止进行任何改变。可处于单独的远程位置处的管理者可能能够看到预测图264上的所有元素并且还能够改变预测图264。在一些情况下,可由位于远程的管理者访问和改变的预测图264可以用于机器控制。这是可实现的授权层次结构的一个示例。预测图264或预测控制区图265或这二者也可按其它方式配置,如框297所指示的。
在框298,由控制系统接收来自地理位置传感器204和其它现场传感器208的输入。特别地,在框300处,控制系统214检测来自地理位置传感器204的、识别农业收割机100的地理位置的输入。框302表示控制系统214接收指示农业收割机100的轨迹或航向的传感器输入,并且框304表示控制系统214接收农业收割机100的速度。框306表示控制系统214从各种现场传感器208接收其它信息。
在框308,控制系统214基于预测图264或预测控制区图265或这二者以及来自地理位置传感器204和任何其它现场传感器208的输入来生成控制信号以控制可控子系统216。在框310,控制系统214将控制信号施加到可控子系统。将理解,所生成的特定控制信号和被控制的特定可控子系统216可基于一个或更多个不同的事物而变化。例如,所生成的控制信号和被控制的可控子系统216可基于正在使用的预测图264或预测控制区图265或这二者的类型。类似地,所生成的控制信号、被控制的可控子系统216以及控制信号的定时可基于通过农业收割机100的作物流的各种延迟和可控子系统216的响应性。
作为示例,呈预测杂草图的形式所生成的预测图264可以用于控制一个或多个子系统216。例如,预测杂草图可以包括地理参考正在被收割的田地内的位置的杂草强度值。可以提取来自预测杂草图的杂草强度值,并将其用于控制转向和推进子系统252和250。通过控制转向和推进子系统252和250,可以控制移动通过农业收割机100的材料的进料速率。类似地,可以控制割台高度以收取更多或更少的材料,并且因此,也可以控制割台高度以控制通过农业收割机100的材料的进料速率。在其他示例中,如果预测图264相对于田地中的位置映射杂草高度,则可以实施割台高度的控制。例如,如果存在于预测杂草图中的值指示一个或多个区域具有呈第一高度量的杂草高度,则割台和拨禾轮控制器238可以控制割台高度,使得在执行收割操作时割台在具有处于第一高度量的杂草的一个或多个区域内被定位在杂草的第一高度量上方。因此,可以使用预测杂草图中存在的地理参考值来控制割台和拨禾轮控制器238,以将割台定位到从预测杂草图获得的杂草的预测高度值以上的高度。另外,在农业收割机100使用从预测杂草图获得的地理参考值行进穿过田地前进时,割台高度可以由割台和拨禾轮控制器238自动改变。前面涉及使用预测杂草图的杂草高度和强度的示例仅作为示例提供。因此,可以使用从预测杂草图或其他类型的预测图获得的值来生成多种其他控制信号,以控制可控子系统216中的一个或多个。
在框312处,确定收割操作是否已完成。如果收割未完成,则处理前进到框314,在框314中,不断读取来自地理位置传感器204和现场传感器208(以及可能其它传感器)的现场传感器数据。
在一些示例中,在框316,农业收割机100还可检测学习触发标准以对预测图264、预测控制区图265、预测模型生成器210所生成的模型、控制区生成器213所生成的区域、由控制系统214中的控制器实现的一个或更多个控制算法以及其它触发的学习中的一个或更多个执行机器学习。
学习触发标准可包括各种不同标准中的任一种。参照框318、320、321、322和324讨论检测触发标准的一些示例。例如,在一些示例中,触发的学习可涉及当从现场传感器208获得阈值量的现场传感器数据时,重新创建用于生成预测模型的关系。在这些示例中,从现场传感器208接收到超过阈值量的现场传感器数据触发或使得预测模型生成器210生成由预测图生成器212使用的新预测模型。因此,随着农业收割机100继续收割操作,从现场传感器208接收到阈值量的现场传感器数据触发创建由预测模型生成器210所生成的预测模型表示的新关系。此外,可使用新预测模型重新生成新预测图264、预测控制区图265或这二者。框318表示检测用于触发创建新预测模型的阈值量的现场传感器数据。
在其他示例中,学习触发标准可以基于来自现场传感器208的现场传感器数据的变化程度,诸如随着时间或与先验值相比的变化程度。例如,如果现场传感器数据内的变化(或者现场传感器数据和先验信息图258中的信息之间的关系)在所选择的范围内、或者小于所定义的量、或者在阈值之下,则新的预测模型不由预测模型生成器210生成。结果,预测图生成器212不生成新的预测图264、预测控制区图265或两者。然而,例如,如果现场传感器数据内的变化在所选择的范围之外、大于所定义的量、或者在阈值之上,则预测模型生成器210使用预测图生成器212用以生成新的预测图264的新接收的现场传感器数据中的全部或部分来生成新的预测模型。在框320,现场传感器数据方面的变化(诸如数据超出所选择的范围的量的大小或现场传感器数据和先验信息图258中的信息之间的关系的变化的大小)可以被用作导致生成新的预测模型和预测图的触发。继续以上描述的示例,阈值、范围和所定义的量可以被设置为默认值、由操作员或用户通过用户界面的交互来设置、由自动化系统设置、或者以其他方式设置。
也可使用其它学习触发标准。例如,如果预测模型生成器210切换到不同先验信息图(不同于最初选择的先验信息图258),则切换到不同先验信息图可触发预测模型生成器210、预测图生成器212、控制区生成器213、控制系统214或其它项目重新学习。在另一示例中,农业收割机100转变到不同地形或不同控制区也可用作学习触发标准。
在一些情况下,操作者260也可编辑预测图264或预测控制区图265或这二者。这种编辑可改变预测图264上的值,和/或改变预测控制区图265上的控制区的尺寸、形状、位置或存在。框321示出编辑的信息可用作学习触发标准。
在一些情况下,操作者260还可观察到可控子系统的自动控制不是操作者所期望的。在这些情况下,操作者260可向可控子系统提供手动调节,这反映出操作者260期望可控子系统以与控制系统214所命令的方式不同的方式操作。因此,操作者260手动更改设置可导致以下中的一者或多者:基于操作者260的调节(如框322所示),预测模型生成器210重新学习模型,预测图生成器212重新生成图264,控制区生成器213重新生成预测控制区图265上的一个或多个控制区,以及控制系统214重新学习其控制算法或对控制系统214中的控制器组件232至246中的一个或更多个执行机器学习。框324表示使用其它触发的学习标准。
在其它示例中,可例如基于所选时间间隔(例如,离散时间间隔或可变时间间隔)周期性地或间歇地执行重新学习,如由框326所示。
如框326所指示的,如果重新学习被触发(无论基于学习触发标准还是基于过去了的时间间隔),则预测模型生成器210、预测图生成器212、控制区生成器213和控制系统214中的一个或更多个执行机器学习,以基于学习触发标准分别生成新预测模型、新预测图、新控制区和新控制算法。使用自执行上次学习操作以来收集的任何附加数据来生成新预测模型、新预测图和新控制算法。执行重新学习由框328指示。
如果收割操作已完成,则操作从框312移至框330,在框330中,存储由预测模型生成器210生成的预测图264、预测控制区图265和预测模型中的一个或更多个。预测图264、预测控制区图265和预测模型可被本地存储在数据存储装置202上或者使用通信系统206发送到远程系统以便于随后使用。
将注意的是,尽管本文中的一些示例描述了预测模型生成器210和预测图生成器212分别在生成预测模型和功能预测图时接收先验信息图,但是在其它示例中,预测模型生成器210和预测图生成器212可接收其它类型的图,包括预测图,例如在收割操作期间生成的功能预测图。
图4是图1中示出的农业收割机100的一部分的框图。特别地,图4尤其更详细地示出了预测模型生成器210和预测图生成器212的示例。图4还图示了所示出的不同部件之间的信息流。预测模型生成器210接收植被指数图332作为先验信息图。预测模型生成器210还从地理位置传感器204接收地理位置334或地理位置的指示。现场传感器208示意性地包括杂草传感器(诸如杂草传感器336)以及处理系统338。在一些情况下,杂草传感器336可以位于农业收割机100上。处理系统338处理从机载杂草传感器336生成的传感器数据,以生成经处理的数据,其一些示例在下面描述。
在一些示例中,杂草传感器336可以是生成待收割的田地的区域的图像的光学传感器(诸如相机)。在一些情况下,光学传感器可以布置在农业收割机100上,以收集邻近农业收割机100的区域的图像,诸如在农业收割机100在收割操作期间移动通过田地时,位于农业收割机100的前面、侧面、后面或相对于农业收割机100的另一方向上的区域。光学传感器也可以位于农业收割机100上或内部,以获得农业收割机100外部或内部的一个或多个部分的图像。处理系统338处理通过杂草传感器336获得的一个或多个图像,以生成标识图像中的杂草的一个或多个特性的处理后的图像数据。由处理系统338检测的杂草特性可以包括图像中存在的杂草的位置、图像中的杂草块的强度或图像中的杂草的类型。
现场传感器208可以是或包括其他类型的传感器,诸如沿着被切断的作物材料在农业收割机100中行进的路径定位的相机(以下称为“过程相机”)。过程相机可以位于农业收割机100的内部,并且可以在作物材料移动通过农业收割机100或从农业收割机100排出时捕获作物材料(包括种子)的图像。过程相机可以获得种子的图像,并且图像处理系统338可操作来标识杂草种子的存在、检测到的杂草种子的量(诸如杂草种子的数量(以便给出在田地中遇到的杂草的密度的指示)),并且基于图像中标识的种子的类型来标识一个或多个杂草类型。因此,在一些示例中,处理系统338可操作以检测在穿过农业收割机100的切断的作物材料中杂草种子的存在、在切断的作物材料中存在的杂草种子的量(例如,切断的作物材料的每体积的量),以及与在收割操作的过程期间由农业收割机100遇到的所检测到的杂草种子对应的杂草类型。
在其他示例中,杂草传感器336可以依赖于任何(一个或多个)波长电磁能量以及电磁能量被杂草种子或生物质反射、吸收、衰减或透射通过杂草种子或生物质的方式。当切断的作物材料在两个电容板之间通过时,杂草传感器336可以感测杂草种子和生物质的其他电磁特性,诸如介电常数。杂草传感器336还可以依赖于种子和生物质的机器特性,诸如当杂草种子撞击压电片时或者当由麦克风或加速度计检测到由种子进行的撞击时生成的信号。也可以使用其他材料性质和传感器。在一些示例中,来自杂草传感器336的原始数据或经处理的数据可以经由操作员界面机构218呈现给操作员260。操作员260可以在农业收割机100上或在远程位置处。
本讨论针对杂草传感器336是图像传感器(诸如相机)的示例进行。应当理解的是,这仅仅是一个示例,并且作为杂草传感器336的其他示例,上面提及的传感器也在本文中被考虑。如图4所示,示例预测模型生成器210包括杂草存在到植被指数模型生成器342、杂草强度到植被指数模型生成器344和杂草类型到植被指数模型生成器346中的一个或多个。在其他示例中,相比于图4的示例中示出的那些部件,预测模型生成器210可以包括附加部件、更少的部件或不同的部件。因此,在一些示例中,预测模型生成器210也可以包括其他项348,这些项可以包括其他类型的预测模型生成器以生成其他类型的杂草特性模型。
模型生成器342标识在图像数据340中检测到的在对应于获得图像数据340的地理位置处的杂草存在和来自植被指数图332的对应于检测到杂草特性的田地中的相同位置的植被指数值之间的关系。基于由模型生成器342确立的这种关系,模型生成器342生成预测杂草模型。由杂草位置图生成器352使用预测杂草模型,以基于包含在田地中的相同位置处的植被指数图332中的地理参考植被指数值来预测田地中的不同位置处的杂草存在。
模型生成器344标识在经处理的图像数据340中表示的在对应于图像数据340的地理位置处的杂草强度水平和相同地理位置处的植被指数值之间的关系。同样,植被指数值是包含在植被指数图332中的地理参考值。模型生成器344然后生成预测杂草模型,杂草强度图生成器354使用该预测杂草模型以基于田地中的位置的植被指数值来预测该位置处的杂草强度。
模型生成器346标识在由经处理的图像数据340标识的在田地中的特定位置处的杂草类型和在相同位置处的来自植被指数图332的植被指数值之间的关系。模型生成器346生成预测杂草模型,杂草类型图生成器356使用该预测杂草模型以基于田地中的特定位置处的植被指数值来预测该位置处的杂草类型。
鉴于以上内容,预测模型生成器210可操作来生成多个预测杂草模型,诸如由模型生成器342、344和346生成的预测杂草模型中的一个或多个。在另一示例中,以上描述的预测杂草模型中的两个或多个可以组合成单个预测杂草模型,该单个预测杂草模型基于田地中的不同位置处的植被指数值来预测杂草位置、杂草强度和杂草类型中的两个或多个。这些杂草模型中的任何一个或其组合在图4中由杂草模型350统一表示。
预测杂草模型350被提供给预测图生成器212。在图4的示例中,预测图生成器212包括杂草位置图生成器352、杂草强度图生成器354和杂草类型图生成器356。在其他示例中,预测图生成器212可以包括附加的、更少的或不同的图生成器。因此,在一些示例中,预测图生成器212可以包括其他项358,该其他项358可以包括用以生成用于其他类型的杂草特性的杂草图其他类型的图生成器。杂草位置图生成器352接收基于植被指数值以及植被指数图332来预测杂草存在的预测杂草模型350,并生成预测杂草在田地中的不同位置处的存在的预测图。
图生成器354基于田地中的不同位置处的植被指数值和预测杂草模型350来生成预测田地中的那些位置处的杂草强度的预测图。杂草类型图生成器356示意性地基于田地中的不同位置处的植被指数值和预测杂草模型350生成预测田地中的那些位置处的杂草类型的预测杂草图。
预测图生成器212输出预测杂草位置、杂草强度或杂草类型中的一个或多个的一个或多个预测杂草图360。预测杂草图360中的每一个预测田地中的不同位置处的相应的杂草特性。所生成的预测杂草图360中的每一个可以被提供给控制区生成器213、控制系统214或两者。控制区生成器213生成控制区并将这些控制区合并到功能预测图(即预测图360)中,以产生预测控制区图265。预测图264和预测控制区图265中的一个或两个可被提供给控制系统214,该控制系统基于预测图264、预测控制区图265或两者生成控制信号以控制可控子系统216中的一个或多个。
图5是预测模型生成器210和预测图生成器212在生成预测杂草模型350和预测杂草图360时的操作的示例的流程图。在框362,预测模型生成器210和预测图生成器212接收先验植被指数图332。在框364,处理系统338从杂草传感器336接收一个或多个图像。如上所讨论那样,杂草传感器336可以是相机,诸如前视相机366;观察联合收割机内部的光学传感器368,诸如相机;或者另一类型的机载杂草传感器370。
在框372,处理系统338处理一个或多个接收到的图像,以生成指示一个或多个图像中存在的杂草的特性的图像数据。在框374,图像数据可以指示可能存在于某个位置(诸如联合收割机前面的位置)的杂草位置、杂草强度或两者。在一些情况下,如框376所示,图像数据可以指示位于联合收割机内部或从联合收割机中排出的杂草种子。在一些情况下,如框380所示,图像数据可以指示杂草类型。因此,图像数据包括标识由联合收割机遇到的(一种或多种)杂草的类型的杂草类型指示器378。可以基于杂草植株的一个或多个图像、杂草种子的一个或多个图像、或者包含指示杂草类型的主题的一个或多个图像来确定杂草类型。图像数据也可以包括其他数据。
在框382,预测模型生成器210还获得对应于图像数据的地理位置。例如,预测模型生成器210可以从地理位置传感器204获得地理位置,并基于机器延迟、机器速度等来确定拍摄图像或从其中导出图像数据340的精确地理位置。
在框384,预测模型生成器210生成对从先验信息图(诸如先验信息图258)获得的植被指数值和由现场传感器208感测的杂草特性或相关特性之间的关系进行建模的一个或多个预测杂草模型,诸如杂草模型350。例如,预测模型生成器210可以生成对植被指数值和感测的特性之间的关系进行建模的预测杂草模型,该感测特性包括由从现场传感器208获得的图像数据指示的杂草位置、杂草强度或杂草类型。
在框386,预测杂草模型(诸如预测杂草模型350)被提供给预测图生成器212,该预测图生成器基于植被指数图和预测杂草模型350生成预测杂草图360,该预测杂草图映射预测的杂草特性。例如,在一些示例中,预测杂草图360预测杂草位置。在一些示例中,预测杂草图360预测杂草位置以及杂草强度值(如框388所示)。在一些示例中,预测杂草图360预测杂草位置和杂草类型(如框390所示),并且在其他示例中,预测图360预测其他项(如框392所示)。进一步,预测杂草图360可以在农业操作的过程期间生成。因此,在农业收割机移动通过田地以便执行农业操作时,在正在执行农业操作时生成预测杂草图360。
在框394,预测图生成器212输出预测杂草图360。在框391,预测杂草图生成器212输出预测杂草图,以便呈现给操作员260并由操作员260进行可能的交互。在框393,预测图生成器212可以配置图以便由控制系统214使用(consumption)。在框395,预测图生成器212还可以向控制区生成器213提供图360,以便生成控制区。在框397,预测图生成器212还以其他方式配置图360。预测杂草图360(具有或没有控制区)被提供给控制系统214。在框396,控制系统214基于预测杂草图360生成控制信号以控制可控子系统216。
因此可以看出,本系统获取将来自先前操作通行的、诸如植被指数值或信息之类的特性映射到田地中的不同位置的先验信息图。本系统还使用感测指示特性(例如,杂草位置、杂草强度或杂草类型)的现场传感器数据的一个或更多个现场传感器,并且生成对使用现场传感器感测的特性或相关特性与映射在先验信息图中的特性之间的关系进行建模的模型。因此,本系统使用模型、现场数据和先验信息图来生成功能预测图,并且可以配置所生成的功能预测图,以用于供控制系统使用,或用于呈现给本地或远程操作者或其它用户,或者用于供控制系统使用并且用于呈现给本地或远程操作者或其它用户。例如,控制系统可使用该图来控制联合收割机的一个或更多个系统。
本讨论提及了处理器和服务器。在一些示例中,处理器和服务器包括具有关联的存储器和定时电路(未单独示出)的计算机处理器。处理器和服务器是处理器和服务器所属并由其激活的系统或装置的功能部分,并且方便那些系统中的其它组件或项目的功能。
另外,讨论了若干用户接口显示器。显示器可采取各种不同的形式,并且可具有设置在其上的各种不同的用户可致动操作者接口机构。例如,用户可致动操作者接口机构可包括文本框、复选框、图标、链接、下拉菜单、搜索框等。用户可致动操作者接口机构也可按各种不同的方式致动。例如,用户可致动操作者接口机构可使用操作者接口机构来致动,例如诸如跟踪球或鼠标、硬件按钮、开关、操纵杆或键盘、拇指开关或拇指垫等的点击装置、虚拟键盘或其它虚拟致动器。另外,在显示用户可致动操作者接口机构的屏幕是触敏屏幕的情况下,用户可致动操作者接口机构可使用触摸手势来致动。另外,用户可致动操作者接口机构可使用言语识别功能使用言语命令来致动。言语识别可使用诸如麦克风的言语检测装置以及用于识别所检测的言语并基于所接收的言语执行命令的软件来实现。
还讨论了若干数据存储装置。将注意的是,数据存储装置可各自被分成多个数据存储装置。在一些示例中,一个或更多个数据存储装置可在访问数据存储装置的系统本地,一个或更多个数据存储装置可全部远离利用数据存储装置的系统,或者一个或更多个数据存储装置可在本地,而其它远离。本文中可以想到所有这些配置。
另外,附图示出若干框,各个框具有功能。将注意的是,可使用更少的框来示出归于多个不同框的功能由更少的组件执行。另外,可使用更多的框来示出功能可在更多组件之间分布。在不同的示例中,可添加一些功能,并且可去除一些功能。
将注意的是,以上讨论描述了各种不同系统、组件、逻辑和交互。将理解,任何或所有这样的系统、组件、逻辑和交互可由诸如处理器、存储器或其它处理组件的硬件项目实现(下面描述其中一些),其执行与那些系统、组件或逻辑或交互关联的功能。另外,如下所述,任何或所有系统、组件、逻辑和交互可由加载到存储器中并随后由处理器或服务器或其它计算组件执行的软件实现。任何或所有系统、组件、逻辑和交互也可由硬件、软件、固件等的不同组合实现,下面描述其一些示例。这些是可用于实现上面描述的任何或所有系统、组件、逻辑和交互的不同结构的一些示例。也可使用其它结构。
图6是农业收割机600的框图,其可与图2所示的农业收割机100相似。农业收割机600与远程服务器架构500中的元件通信。在一些示例中,远程服务器架构500提供计算、软件、数据访问和存储服务,其不需要终端用户知道传送服务的系统的物理位置或配置。在各种示例中,远程服务器可使用适当的协议经由广域网(例如,互联网)传送服务。例如,远程服务器可经由广域网传送应用并且可通过web浏览器或任何其它计算组件来访问。图2所示的软件或组件以及与之关联的数据可被存储在远程位置处的服务器上。远程服务器环境中的计算资源可被合并在远程数据中心位置处,或者计算资源可被分散到多个远程数据中心。远程服务器基础设施可通过共享的数据中心来传送服务,即使对于用户而言服务看起来是单个访问点。因此,可使用远程服务器架构从远程位置处的远程服务器提供本文所描述的组件和功能。另选地,组件和功能可从服务器提供,或者组件和功能可被直接或以其它方式安装在客户端装置上。
在图6所示的示例中,一些项目类似于图2所示的那些,并且那些项目被类似地编号。图6具体地示出预测模型生成器210或预测图生成器212或这二者可位于远离农业收割机600的服务器位置502。因此,在图6所示的示例中,农业收割机100通过远程服务器位置502访问系统。
图6还描绘了远程服务器架构的另一示例。图6示出图2的一些元件可设置在远程服务器位置502处,而其它可位于别处。作为示例,数据存储装置202可被设置在与位置502分离的位置并且经由位置502处的远程服务器访问。不管元件位于何处,元件可由农业收割机600通过诸如广域网或局域网的网络直接访问;元件可通过服务在远程站点处托管;或者元件可作为服务提供,或者通过驻留在远程位置的连接服务访问。另外,数据可被存储在任何位置,并且所存储的数据可由操作者、用户或系统访问或者转发给操作者、用户或系统。例如,代替或除了电磁波载体之外,可使用物理载体。在无线电信服务覆盖差或不存在的一些示例中,诸如加油车或其它移动机器或车辆的另一机器可具有自动化、半自动化或手动信息收集系统。当联合收割机600在加油之前靠近包含信息收集系统的机器(例如,加油车)时,信息收集系统使用任何类型的临时专用无线连接从联合收割机收集600信息。然后,当包含所接收的信息的机器到达无线电信服务覆盖或其它无线覆盖可用的位置时,可将所收集的信息转发给另一网络。例如,加油车在行驶到给其它机器加油的位置时或者在处于主燃料储存位置时可进入具有无线通信覆盖的区域。本文中可以想到所有这些架构。此外,信息可被存储在农业收割机600上,直至农业收割机600进入具有无线通信覆盖的区域。农业收割机600自己可将信息发送到另一网络。
还将注意的是,图2的元件或其部分可被设置在各种不同的装置上。那些装置中的一个或更多个可包括机载计算机、电子控制单元、显示单元、服务器、台式计算机、膝上型计算机、平板计算机或其它移动装置(例如,掌上计算机、蜂窝电话、智能电话、多媒体播放器、个人数字助理等)。
在一些示例中,远程服务器架构500可包括网络安全措施。并非限制,这些措施可包括存储装置上的数据的加密、网络节点之间发送的数据的加密、访问数据的人或进程的验证以及使用分类账来记录元数据、数据、数据传送、数据访问和数据变换。在一些示例中,分类账可以是分布式且不可变的(例如,实现为区块链)。
图7是可用作用户或客户的手持装置16的手持或移动计算装置的一个示例性示例的简化框图,其中可部署本系统(或其部分)。例如,移动装置可被部署在联合收割机100的操作者隔室中,以用于生成、处理或显示上述图。图8至图9是手持或移动装置的示例。
图7提供可运行图2所示的一些组件、与它们交互或这二者的客户端装置16的组件的一般框图。在装置16中,提供通信链路13,其允许手持装置与其它计算装置通信,并且在一些示例下提供用于自动地(例如,通过扫描)接收信息的信道。通信链路13的示例包括允许通过一个或更多个通信协议(例如,用于提供对网络的蜂窝接入的无线服务)以及提供与网络的本地无线连接的协议来通信。
在其它示例中,可在连接到接口15的可移除安全数字(SD)卡上接收应用。接口15和通信链路13沿着总线19与处理器17(也可具体实现来自其它附图的处理器或服务器)通信,总线19还连接到存储器21和输入/输出(I/O)组件23以及时钟25和位置系统27。
在一个示例中,提供I/O组件23以方便输入和输出操作。用于装置16的各种示例的I/O组件23可包括诸如按钮、触摸传感器、光学传感器、麦克风、触摸屏、接近传感器、加速度计、取向传感器的输入组件以及诸如显示装置、扬声器和或打印机端口的输出组件。也可使用其它I/O组件23。
时钟25示例性地包括输出时间和日期的实时时钟组件。示例性地,它还可为处理器17提供定时功能。
位置系统27示例性地包括输出装置16的当前地理位置的组件。这可包括例如全球定位系统(GPS)接收器、LORAN系统、航位推算系统、蜂窝三角测量系统或其它定位系统。例如,位置系统27还可包括生成期望的地图、导航路线和其它地理功能的绘图软件或导航软件。
存储器21存储操作系统29、网络设置31、应用33、应用配置设置35、数据存储装置37、通信驱动器39和通信配置设置41。存储器21可包括所有类型的有形易失性和非易失性计算机可读存储器装置。存储器21还可包括计算机存储介质(下面描述)。存储器21存储计算机可读指令,其在由处理器17执行时使得处理器根据指令执行计算机实施的步骤或功能。处理器17也可由其它组件激活以方便其功能。
图8示出装置16是平板计算机600的一个示例。在图8中,计算机600被示出为具有用户接口显示屏602。屏幕602可以是触摸屏或者从笔或手写笔接收输入的笔启用接口。平板计算机600还可使用屏幕上虚拟键盘。当然,例如,计算机600也可通过合适的附接机构(例如,无线链路或USB端口)附接到键盘或其它用户输入装置。计算机600也可示例性地还接收语音输入。
除了装置是智能电话71之外,图9与图8相似。智能电话71具有显示图标或拼块或其它用户输入机构75的触敏显示器73。用户可使用机构75来运行应用、打电话、执行数据传送操作等。通常,智能电话71构建在移动操作系统上并提供比功能电话更高级的计算能力和连接性。
要注意的是,其它形式的装置16也是可能的。
图10是可部署图2的元件的计算环境的一个示例。参照图10,用于实现一些实施例的示例系统包括被编程为如上所述操作的计算机810形式的计算装置。计算机810的组件可包括但不限于处理单元820(包括来自先前附图的处理器或服务器)、系统存储器830以及将包括系统存储器的各种系统组件联接到处理单元820的系统总线821。系统总线821可以是若干类型的总线结构中的任一种,包括存储器总线或存储器控制器、外围总线以及使用各种总线架构中的任一种的本地总线。参照图2描述的存储器和程序可被部署在图10的对应部分中。
计算机810通常包括各种计算机可读介质。计算机可读介质可以是可由计算机810访问的任何可用介质,并且包括易失性和非易失性介质、可移除和不可移除介质二者。作为示例而非限制,计算机可读介质可包括计算机存储介质和通信介质。计算机存储介质不同于并且不包括调制数据信号或载波。计算机可读介质包括硬件存储介质,包括以任何方法或技术实现的易失性和非易失性、可移除和不可移除介质二者,以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储装置、或者可用于存储期望的信息并且可由计算机810访问的任何其它介质。通信介质可在传输机制中具体实现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传送介质。术语“调制数据信号”意指其一个或更多个特性以将信息编码在信号中的方式设定或改变的信号。
系统存储器830包括易失性和/或非易失性存储器形式的计算机存储介质或二者,例如只读存储器(ROM)831和随机存取存储器(RAM)832。包含帮助在计算机810内的元件之间传送信息(例如,在启动期间)的基本例程的基本输入/输出系统833(BIOS)通常存储在ROM 831中。RAM 832通常包含可立即访问和/或当前由处理单元820操作的数据或程序模块或二者。作为示例而非限制,图10示出操作系统834、应用程序835、其它程序模块836和程序数据837。
计算机810还可包括其它可移除/不可移除易失性/非易失性计算机存储介质。仅作为示例,图10示出硬盘驱动器841,其从不可移除、非易失性磁介质、光盘驱动器855和非易失性光盘856读取或向其写入。硬盘驱动器841通常通过诸如接口840的不可移除存储器接口连接到系统总线821,并且光盘驱动器855通常通过诸如接口850的可移除存储器接口连接到系统总线821。
另选地或另外,本文所描述的功能可至少部分地由一个或更多个硬件逻辑组件执行。例如而非限制,可使用的示例性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(例如,ASIC)、专用标准产品(例如,ASSP)、系统芯片系统(SOC)、复杂可编程逻辑器件(CPLD)等。
上面讨论并且在图10中示出的驱动器及其关联的计算机存储介质提供计算机可读指令、数据结构、程序模块以及计算机810的其它数据的存储。在图10中,例如,硬盘驱动器841被示出为存储操作系统844、应用程序845、其它程序模块846和程序数据847。要注意的是,这些组件可与操作系统834、应用程序835、其它程序模块836和程序数据837相同或不同。
用户可通过诸如键盘862、麦克风863和指点装置861(例如,鼠标、跟踪球或触摸板)的输入装置向计算机810中输入命令和信息。其它输入装置(未示出)可包括操纵杆、游戏手柄、碟形卫星天线、扫描仪等。这些和其它输入装置常常通过联接到系统总线的用户输入接口860连接到处理单元820,但是可通过其它接口和总线结构连接。视觉显示器891或其它类型的显示装置也经由诸如视频接口890的接口连接到系统总线821。除了监视器之外,计算机还可包括诸如扬声器897和打印机896的其它外围输出装置,其可通过输出外围接口895连接。
计算机810使用与一个或更多个远程计算机(例如,远程计算机880)的逻辑连接(例如,控制器局域网CAN、局域网LAN或广域网WAN)在联网环境中操作。
当在LAN联网环境中使用时,计算机810通过网络接口或适配器870连接到LAN871。当在WAN联网环境中使用时,计算机810通常包括调制解调器872或者用于经由WAN 873建立通信的其它手段(例如,互联网)。在联网环境中,程序模块可被存储在远程存储器存储装置中。例如,图10示出远程应用程序885可驻留在远程计算机880上。
还应该注意的是,本文所描述的不同示例可按不同的方式组合。即,一个或更多个示例的部分可与一个或更多个其它示例的部分组合。本文中可以想到所有这些。
示例1是一种农业作业机器,包括:
通信系统,接收先验信息图,该先验信息图包括与田地中的不同地理位置相对应的第一农业特性的值;
地理位置传感器,检测农业作业机器的地理位置;
现场传感器,检测与地理位置对应的第二农业特性的值;
预测模型生成器,生成预测农业模型,该预测农业模型基于先验信息图中的在所述地理位置处的第一农业特性的值以及现场传感器在所述地理位置处感测到的第二农业特性的值对第一农业特性和第二农业特性之间的关系进行建模;以及
预测图生成器,基于先验信息图中的第一农业特性的值并基于预测农业模型来生成将第二农业特性的预测值映射到田地中的不同地理位置的田地的功能预测农业图。
示例2是任何或所有先前示例的农业作业机器,其中,预测图生成器配置功能预测农业图以供控制系统使用,该控制系统基于功能预测农业图来生成控制农业作业机器上的可控子系统的控制信号。
示例3是任何或所有先前示例的农业作业机器,其中,农业作业机器上的现场传感器被配置为检测与地理位置对应的杂草特性,作为第二农业特性的值。
示例4是任何或所有先前示例的农业作业机器,其中,现场传感器包括:
图像检测器,该图像检测器被配置为检测指示杂草特性的图像。
示例5是任何或所有先前示例的农业作业机器,其中,图像检测器被定向为检测农业作业机器附近的图像,并且还包括:
图像处理系统,该图像处理系统被配置为处理所述图像以识别所述图像中的杂草特性。
示例6是任何或所有先前示例的农业作业机器,其中,现场传感器生成指示杂草特性的传感器信号,并且还包括:
处理系统,该处理系统接收传感器信号并且被配置为将指示在所述地理位置处的杂草强度的杂草强度值识别为所述杂草特性。
示例7是任何或所有先前示例的农业作业机器,其中,现场传感器生成指示杂草特性的传感器信号,并且还包括:
处理系统,该处理系统接收传感器信号并且被配置为将指示所述地理位置处的杂草类型的杂草类型特性值识别为杂草特性值。
示例8是任何或所有先前示例的农业作业机器,其中,图像检测器被配置为捕获图像,该图像包括由农业作业机器处理的至少一种杂草种子,并且其中,图像处理系统被配置为基于所述至少一种杂草种子的图像,来识别指示所述地理位置处的杂草强度的杂草强度值,或者识别指示所述地理位置处的杂草类型的杂草类型值。
示例9是任何或所有先前示例的农业作业机器,其中,先验信息图包括先验植被指数图,该先验植被指数图将作为第一农业特性的植被指数值映射到田地中的不同地理位置,并且其中,预测模型生成器被配置为基于在所述地理位置处检测到的杂草特性值和在植被指数图中在所述地理位置处的植被指数值,来识别植被指数值和杂草特性之间的关系,预测农业模型被配置为接收植被指数值作为模型输入,并基于所识别的关系生成杂草特性值作为模型输出。
示例10是任何或所有先前示例的农业作业机器,其中,先验信息图包括先验植被指数图,该先验植被指数图将作为第一农业特性的植被指数值映射到田地中的不同地理位置,并且其中,预测模型生成器被配置为基于在所述地理位置处检测到的杂草强度值和在植被指数图中在所述地理位置处的植被指数值,来识别植被指数值和杂草强度特性之间的关系,预测农业模型被配置为接收植被指数值作为模型输入,并基于所识别的关系生成杂草强度值作为模型输出。
示例11是任何或所有先前示例的农业作业机器,其中,先验信息图包括先验植被指数图,该先验植被指数图将作为第一农业特性的植被指数值映射到田地,并且其中,预测模型生成器被配置为基于在所述地理位置处检测到的杂草类型值和在植被指数图中在所述地理位置处的植被指数值,来识别植被指数值和杂草类型特性之间的关系,预测农业模型被配置为接收植被指数值作为模型输入,并基于所识别的关系生成杂草类型值作为模型输出。
示例12是一种生成功能预测农业图的计算机实现的方法,包括:
在农业作业机器处接收先验信息图,该先验信息图指示与田地中的不同地理位置对应的第一农业特性的值;
检测农业作业机器的地理位置;
利用现场传感器检测与地理位置对应的第二农业特性的值;
生成对第一农业特性与第二农业特性之间的关系建模的预测农业模型;以及
控制预测图生成器以基于先验信息图中的第一农业特性的值和预测农业模型来生成将第二农业特性的预测值映射到田地中的不同位置的田地的功能预测农业图。
示例13是任何或所有先前示例的计算机实现的方法,并且还包括配置功能预测农业图以便于控制系统基于功能预测农业图来生成控制农业作业机器上的可控子系统的控制信号。
示例14是任何或所有先前示例的计算机实现的方法,其中,利用现场传感器检测第二农业特性的值包括检测与所述地理位置对应的杂草特性,并且其中,接收先验信息图包括接收先验植被指数图,该先验植被指数图将作为第一农业特性的植被指数值映射到田地中的不同地理位置。
示例15是任何或所有先前示例的计算机实现的方法,其中,检测杂草特性包括:
检测指示所述地理位置处的杂草强度的杂草强度特性值。
示例16是任何或所有先前示例的计算机实现的方法,其中,接收先验信息图包括:
接收从田地中执行的先前操作生成的先验信息图。
示例17是任何或所有先前示例的计算机实现的方法,其中生成预测农业模型包括:
基于在所述地理位置处检测到的杂草特性和在植被指数图中在所述地理位置处的植被指数值,来识别植被指数值和杂草特性之间的关系;以及
控制预测模型生成器以生成预测农业模型,该预测农业模型接收植被指数值作为模型输入,并基于所识别的关系生成杂草特性值作为模型输出。
示例18是任何或所有先前示例的计算机实现的方法,还包括控制操作者接口机构呈现功能预测农业图。
示例19是一种农业作业机器,包括:
通信系统,接收指示与田地中的不同地理位置对应的植被指数值的先验植被指数图;
地理位置传感器,检测农业作业机器的地理位置;
现场传感器,检测与地理位置对应的杂草特性的杂草特性值;
预测模型生成器,基于先验植被指数图图中在所述地理位置处的植被指数值和现场传感器在该地理位置处所感测到的杂草特性的杂草特性值来生成对植被指数值与杂草特性之间的关系建模的预测杂草模型;以及
预测图生成器,基于先验植被指数图中的植被指数值并基于预测杂草模型来生成将预测杂草特性值映射到田地中的不同位置的田地的功能预测杂草图。
示例20是任何或所有先前示例的农业作业机器,其中,现场传感器包括:
图像检测器,该图像检测器被配置为检测指示杂草特性的图像;以及
图像处理系统,该图像处理系统被配置为处理指示杂草特性的图像以识别指示杂草特性的图像中的杂草特性。
尽管以结构特征或方法动作所特定的语言描述了主题,但将理解,所附权利要求中限定的主题未必限于上述特定特征或动作。相反,上述特定特征和动作被公开作为权利要求的示例形式。
Claims (15)
1.一种农业作业机器(100),包括:
通信系统(206),所述通信系统(206)接收先验信息图(258),所述先验信息图(258)包括与田地中的不同地理位置相对应的第一农业特性的值;
地理位置传感器(204),所述地理位置传感器(204)检测所述农业作业机器(100)的地理位置;
现场传感器(208),所述现场传感器(208)检测与所述地理位置对应的第二农业特性的值;
预测模型生成器(210),所述预测模型生成器(210)生成预测农业模型,所述预测农业模型基于所述先验信息图(258)中在所述地理位置处的所述第一农业特性的值以及所述现场传感器(208)在所述地理位置处感测到的所述第二农业特性的值对所述第一农业特性和所述第二农业特性之间的关系进行建模;以及
预测图生成器(212),所述预测图生成器(212)基于所述先验信息图(258)中的所述第一农业特性的值并基于所述预测农业模型来生成所述田地的功能预测农业图,该功能预测农业图将所述第二农业特性的预测值映射到所述田地中的所述不同地理位置。
2.根据权利要求1所述的农业作业机器,其中,所述预测图生成器配置所述功能预测农业图以供控制系统使用,所述控制系统基于所述功能预测农业图来生成用于控制所述农业作业机器上的可控子系统的控制信号。
3.根据权利要求1所述的农业作业机器,其中,所述农业作业机器上的所述现场传感器被配置为检测与所述地理位置对应的杂草特性,该杂草特性作为所述第二农业特性的值。
4.根据权利要求3所述的农业作业机器,其中,所述现场传感器包括:
图像检测器,所述图像检测器被配置为检测指示所述杂草特性的图像。
5.根据权利要求4所述的农业作业机器,其中,所述图像检测器被定向为检测所述农业作业机器附近的图像,并且
所述图像检测器还包括:
图像处理系统,所述图像处理系统被配置为处理所述图像以识别所述图像中的所述杂草特性。
6.根据权利要求3所述的农业作业机器,其中,
所述现场传感器生成指示所述杂草特性的传感器信号,并且
所述现场传感器还包括:
处理系统,所述处理系统接收所述传感器信号并且被配置为识别指示所述地理位置处的杂草强度的杂草强度值,该杂草强度值作为所述杂草特性。
7.根据权利要求3所述的农业作业机器,其中,
所述现场传感器生成指示所述杂草特性的传感器信号,并且
所述现场传感器还包括:
处理系统,所述处理系统接收所述传感器信号并且被配置为识别指示所述地理位置处的杂草类型的杂草类型特性值,该杂草类型特性值作为所述杂草特性。
8.根据权利要求5所述的农业作业机器,其中,
所述图像检测器被配置为捕获图像,所述图像包括由所述农业作业机器处理的至少一种杂草种子,并且
其中,所述图像处理系统被配置为基于所述至少一种杂草种子的图像,来识别指示所述地理位置处的杂草强度的杂草强度值,或者识别指示所述地理位置处的杂草类型的杂草类型值。
9.根据权利要求3所述的农业作业机器,其中,
所述先验信息图包括先验植被指数图,所述先验植被指数图将作为所述第一农业特性的植被指数值映射到所述田地中的所述不同地理位置,并且
其中,所述预测模型生成器被配置为基于在所述地理位置处检测到的所述杂草特性值和在所述植被指数图中在所述地理位置处的所述植被指数值,来识别所述植被指数值和所述杂草特性之间的关系,所述预测农业模型被配置为接收植被指数值作为模型输入,并基于所识别的关系生成杂草特性值作为模型输出。
10.根据权利要求6所述的农业作业机器,其中,
所述先验信息图包括先验植被指数图,所述先验植被指数图将作为所述第一农业特性的植被指数值映射到所述田地中的所述不同地理位置,并且
其中,所述预测模型生成器被配置为基于在所述地理位置处检测到的所述杂草强度值和在所述植被指数图中在所述地理位置处的所述植被指数值,来识别所述植被指数值和所述杂草强度特性之间的关系,所述预测农业模型被配置为接收植被指数值作为模型输入,并基于所识别的关系生成杂草强度值作为模型输出。
11.根据权利要求7所述的农业作业机器,其中,
所述先验信息图包括先验植被指数图,所述先验植被指数图将作为所述第一农业特性的植被指数值映射到所述田地,并且
其中,所述预测模型生成器被配置为基于在所述地理位置处检测到的所述杂草类型值和在所述植被指数图中在所述地理位置处的所述植被指数值,来识别所述植被指数值和所述杂草类型特性之间的关系,所述预测农业模型被配置为接收植被指数值作为模型输入,并基于所识别的关系生成杂草类型值作为模型输出。
12.一种生成功能预测农业图的计算机实现的方法,包括:
在农业作业机器(100)处接收先验信息图(258),所述先验信息图(258)指示与田地中的不同地理位置对应的第一农业特性的值;
检测所述农业作业机器(100)的地理位置;
利用现场传感器(208)检测与所述地理位置对应的第二农业特性的值;
生成对所述第一农业特性与所述第二农业特性之间的关系建模的预测农业模型;以及
控制预测图生成器(212)以基于所述先验信息图(258)中的所述第一农业特性的值和所述预测农业模型来生成所述田地的所述功能预测农业图,该功能预测农业图将所述第二农业特性的预测值映射到所述田地中的所述不同位置。
13.根据权利要求12所述的计算机实现的方法,还包括:
针对控制系统配置所述功能预测农业图,该控制系统基于所述功能预测农业图来生成用于控制所述农业作业机器上的可控子系统的控制信号。
14.根据权利要求12所述的计算机实现的方法,其中,利用现场传感器检测所述第二农业特性的值包括检测与所述地理位置对应的杂草特性,并且
其中,接收所述先验信息图包括接收先验植被指数图,所述先验植被指数图将作为所述第一农业特性的植被指数值映射到所述田地中的所述不同地理位置。
15.一种农业作业机器(100),包括:
通信系统(206),所述通信系统(206)接收指示与田地中的不同地理位置对应的植被指数值的先验植被指数图(332);
地理位置传感器(204),所述地理位置传感器(204)检测所述农业作业机器(100)的地理位置;
现场传感器(208),所述现场传感器(208)检测与所述地理位置对应的杂草特性的杂草特性值;
预测模型生成器(210),所述预测模型生成器(210)基于所述先验植被指数图(332)中在所述地理位置处的植被指数值和所述现场传感器(208)在所述地理位置处所感测到的所述杂草特性的所述杂草特性值来生成对所述植被指数值与所述杂草特性之间的关系建模的预测杂草模型;以及
预测图生成器(212),所述预测图生成器(212)基于所述先验植被指数图(332)中的所述植被指数值并基于所述预测杂草模型来生成所述田地的功能预测杂草图,该功能预测杂草图将预测杂草特性值映射到所述田地中的所述不同位置。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/783,511 US11641800B2 (en) | 2020-02-06 | 2020-02-06 | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US16/783,475 US11957072B2 (en) | 2020-02-06 | 2020-02-06 | Pre-emergence weed detection and mitigation system |
US16/783,475 | 2020-02-06 | ||
US16/783,511 | 2020-02-06 | ||
US17/067,383 US12035648B2 (en) | 2020-10-09 | Predictive weed map generation and control system | |
US17/067,383 | 2020-10-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113207410A true CN113207410A (zh) | 2021-08-06 |
Family
ID=74184475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170178.0A Pending CN113207410A (zh) | 2020-02-06 | 2021-02-07 | 预测杂草图生成和控制系统 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113207410A (zh) |
BR (1) | BR102021001240A2 (zh) |
CA (1) | CA3108290A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115067056A (zh) * | 2022-06-13 | 2022-09-20 | 扬州大学 | 一种除草机水平控制方法及系统 |
US20230090714A1 (en) * | 2021-09-23 | 2023-03-23 | Cnh Industrial America Llc | System and method for performing spraying operations with an agricultural applicator |
US12035707B2 (en) * | 2021-09-23 | 2024-07-16 | Cnh Industrial America Llc | System and method for performing spraying operations with an agricultural applicator |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11980131B2 (en) * | 2020-12-29 | 2024-05-14 | Agco Corporation | Skid plate for sensor integration |
-
2021
- 2021-01-22 BR BR102021001240-4A patent/BR102021001240A2/pt unknown
- 2021-02-05 CA CA3108290A patent/CA3108290A1/en active Pending
- 2021-02-07 CN CN202110170178.0A patent/CN113207410A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230090714A1 (en) * | 2021-09-23 | 2023-03-23 | Cnh Industrial America Llc | System and method for performing spraying operations with an agricultural applicator |
US12035707B2 (en) * | 2021-09-23 | 2024-07-16 | Cnh Industrial America Llc | System and method for performing spraying operations with an agricultural applicator |
CN115067056A (zh) * | 2022-06-13 | 2022-09-20 | 扬州大学 | 一种除草机水平控制方法及系统 |
CN115067056B (zh) * | 2022-06-13 | 2023-12-08 | 扬州大学 | 一种除草机水平控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210243936A1 (en) | 2021-08-12 |
CA3108290A1 (en) | 2021-08-06 |
BR102021001240A2 (pt) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11653588B2 (en) | Yield map generation and control system | |
CN113748832A (zh) | 使用预测图的机器控制 | |
EP3861842B1 (en) | Predictive weed map generation and control system | |
US20220110257A1 (en) | Machine control using a predictive map | |
US20230397532A1 (en) | Crop state map generation and control system | |
US11845449B2 (en) | Map generation and control system | |
US20240122103A1 (en) | Predictive speed map generation and control system | |
CN114303607A (zh) | 图生成器和控制系统 | |
US20230217857A1 (en) | Predictive map generation and control | |
US20230334853A1 (en) | Predictive map generation based on seeding characteristics and control | |
CN114303597A (zh) | 使用预测图进行的机器控制 | |
CN114303599A (zh) | 基于土壤性质的预测图生成和控制 | |
CN114303596A (zh) | 使用预测性速度图的机器控制 | |
US20240107943A1 (en) | Predictive biomass map generation and control | |
CN113207410A (zh) | 预测杂草图生成和控制系统 | |
US20220113142A1 (en) | Crop constituent map generation and control system | |
US11650587B2 (en) | Predictive power map generation and control system | |
CN114793602A (zh) | 使用具有状态区域的图进行机器控制 | |
US12035648B2 (en) | Predictive weed map generation and control system | |
US11871697B2 (en) | Crop moisture map generation and control system | |
EP4260672A1 (en) | Generation of a predictive machine setting map and control system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210806 |