CN114062448A - 电容采集装置及秸秆含水率预测的方法 - Google Patents

Abstract

本发明涉及秸秆含水率测试技术领域，提供一种电容采集装置及秸秆含水率预测的方法。上述的电容采集装置包括：试验盒，试验盒用于放置待测秸秆样本；压板，压板放置在所述待测秸秆样本上；拉压力试验机，拉压力试验机能够与压板接触，以对待测秸秆样本施压，进而改变待测秸秆样本的容积密度；温控箱，温控箱与试验盒电性连接，温控箱用于调节试验盒内的试验温度；数字电桥，数字电桥与试验盒电性连接，数字电桥用于采集待测秸秆样本的电容数据。本发明提供的电容采集装置，通过设置温控箱、压板和拉压力试验机，可以采集不同试验温度、不同容积密度时的电容数据，提出了一种新的含水率预测模型构建方法，进而提高了秸秆含水率预测模型的准确性。

Description

电容采集装置及秸秆含水率预测的方法

技术领域

本发明涉及秸秆含水率测试技术领域，尤其涉及一种电容采集装置及秸秆含水率预测的方法。

背景技术

秸秆是农业生产过程中重要的生物质资源，其富含氮、磷、钾、镁、钙等重要元素以及粗纤维和有机质，是一种具有多用途的可再生生物资源，具有很大的利用价值，对秸秆资源的开发利用，不仅可有效改善人居环境，还能在一定程度上缓解全球能源紧缺的问题。含水率是衡量秸秆品质的重要指标，含水率的高低在一定程度上决定了其利用价值。但由于过去对其不够重视及缺乏相关检测技术，常造成不必要的经济损失和资源浪费。

长期以来国内外学者对秸秆含水率检测技术进行了一系列研究，应用于秸秆含水率检测的方法主要有电容法、电阻法、近红外光谱法、微波法等，基于电容法的秸秆含水率检测方法多考虑温度、含水率对电容的影响，较少对容积密度进行考虑，且模型多为线性模型，导致秸秆含水率预测数据准确度较低。

发明内容

本发明提供一种电容采集装置及秸秆含水率预测的方法，用以解决现有技术中秸秆含水率检测过程中，秸秆含水率预测数据准确度较低、检测范围较窄的问题。

本发明提供一种电容采集装置，包括：试验盒，所述试验盒用于放置待测秸秆样本；压板，所述压板放置在所述待测秸秆样本上；拉压力试验机，所述拉压力试验机能够与所述压板接触，以对所述待测秸秆样本施压，进而改变所述待测秸秆样本的容积密度；温控箱，所述温控箱与所述试验盒电性连接，所述温控箱用于调节所述试验盒内的试验温度；数字电桥，所述数字电桥与所述试验盒电性连接，所述数字电桥用于采集所述待测秸秆样本的电容数据。

根据本发明提供的一种电容采集装置，所述试验盒包括：盒体，所述盒体的底面设置有铜板，所述铜板与所述数字电桥电性连接；加热板，所述加热板与所述盒体的至少一个侧板贴合设置，所述加热板与所述温控箱电性连接。

根据本发明提供的一种电容采集装置，所述拉压力试验机包括：依次连接的升降台、压力传感器和支柱，所述支柱在所述升降台的带动下能够向下运动，对所述待测秸秆样本施压以改变所述待测秸秆样本的容积密度。

根据本发明提供的一种电容采集装置，还包括测温仪，所述测温仪用于检测所述试验盒内的所述待测秸秆样本的试验温度。

本发明还提供一种利用如上所述的电容采集装置进行秸秆含水率预测的方法，包括：确定待测秸秆样本的容积密度、试验温度和电容数据；将所述容积密度、所述试验温度以及所述电容数据输入至秸秆含水率预测模型，得到所述秸秆含水率预测模型输出的秸秆含水率的预测结果；其中，所述秸秆含水率预测模型基于秸秆样本以及秸秆样本含水率标签训练得到；所述电容数据为所述待测秸秆样本在不同的频率范围、不同的容积密度、不同的试验温度以及不同的含水率下的电容数据。

根据本发明提供的一种秸秆含水率预测的方法，所述秸秆含水率预测模型的构建基于如下步骤构建：采用连续投影法或主成分分析法进行特征频率选择。

根据本发明提供的一种秸秆含水率预测的方法，所述秸秆含水率预测模型的构建还包括如下步骤：构建初始模型；基于秸秆样本，采用BP神经网络算法结合所述连续投影法或所述主成分分析法对初始模型进行训练，得到秸秆含水率预测模型。

根据本发明提供的一种秸秆含水率预测的方法，所述采用BP神经网络算法结合所述连续投影法或所述主成分分析法对初始模型进行训练的步骤进一步包括：设定待测秸秆样本的容积密度、试验温度和特征频率下的电容数据为BP神经网络算法的输入参数，待测秸秆样本的含水率为输出参数对初始模型进行训练。

根据本发明提供的一种秸秆含水率预测的方法，所述秸秆含水率预测模型的构建还包括如下步骤：基于所述秸秆含水率预测模型采用麻雀搜索算法对所述秸秆含水率预测模型进行优化。

根据本发明提供的一种秸秆含水率预测的方法，所述基于所述秸秆含水率预测模型采用麻雀搜索算法对所述秸秆含水率预测模型进行优化的步骤进一步包括：设定待测秸秆样本的容积密度、试验温度和特征频率下的电容数据为麻雀搜索算法的输入参数，待测秸秆样本的含水率为输出参数对所述秸秆含水率预测模型进行训练。

本发明提供的电容采集装置，通过设置温控箱、压板和拉压力试验机，可以采集不同试验温度、不同频率、不同容积密度时的电容数据，该电容数据考虑了容积密度对秸秆含水率的影响，从而提出了一种新的含水率模型构建方法，进而提高了秸秆含水率预测的准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的电容采集装置的结构示意图；

图2是RMSE随SPA选取频率数量的变化曲线；

图3是采用SPA算法选取的特征频率点；

图4是采用PCA算法选取的特征频率点；

图5是BP神经网络算法的结构；

附图标记：

10：试验盒；11：盒体；12：加热板；20：拉压力试验机；21：升降台；22：压力传感器；23：支柱；24：螺栓；30：温控箱；40：数字电桥。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书中的术语“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

下面结合图1-图5描述本发明的电容采集装置及秸秆含水率预测的方法。

如图1所示，在本发明的一个实施例中，电容采集装置包括：试验盒10、压板、拉压力试验机20、温控箱30和数字电桥40。试验盒10用于放置待测秸秆样本，压板放置在待测秸秆样本上。拉压力试验机20能够与压板接触，以对待测秸秆样本施压。温控箱30与试验盒10电性连接，温控箱30用于调节试验盒10内的试验温度。数字电桥40与试验盒10电性连接，数字电桥40用于采集待测秸秆样本的电容数据。

具体来说，将待测秸秆样本在试验盒10内填满，为模拟捆室内秸秆的受力情况，将压板覆盖在待测秸秆样本上，使得待测秸秆样本各处受力均匀。拉压力试验机20向下运动时，能够与压板接触，进而对待测秸秆样本进行施压，拉压力试验机20对待测秸秆样本的压力不同，待测秸秆样本的容积密度则不同。温控箱30与试验盒10电性连接，用于调控试验盒10内的试验温度，进一步地，温控箱30内可设置有温度传感器，以采集待测秸秆样本的试验温度。

进一步地，在本发明的一个实施例中，试验盒10的底部设置有铜板，用于与数字电桥40电性连接，以检测待测秸秆样本的电容数据。试验盒10的至少一个侧面设置有加热板12，加热板12与温控箱30连接，用于调节试验盒10内的试验温度。

可选地，在本发明的一个实施例中，数字电桥40的频率范围为0.05-100KHz，在本实施例中，在0.05-100KHz之间共选取100个呈对数正态分布的频率点，作为数字电桥40的检测频率。在本实施例中，数字电桥40的型号为TH2830型LCR数字电桥。

可选地，在本发明的一个实施例中，温控箱30的精度为0.1℃，在本实施例中，将试验盒10内待测秸秆样本的试验温度依次设置为25℃、30℃、35℃和40℃。

本发明实施例提供的电容采集装置，通过设置温控箱和拉压力试验机，可以采集不同试验温度、不同频率、不同容积密度时的电容数据，该电容数据考虑了容积密度对秸秆含水率的影响，从而提出了一种新的含水率模型构建方法，进而提高了秸秆含水率预测的准确性。

进一步地，在本发明的一个实施例中，试验盒10包括：盒体11、加热板12和铜板。盒体11的底面设置有铜板，铜板与数字电桥40电性连接，加热板12与盒体11的至少一个侧板贴合设置，加热板12与温控箱30电性连接。

具体来说，在本实施例中，盒体11为敞口容器，盒体11的底板的底面设置有铜板，盒体11的至少一个侧板与加热板12贴合设置。温控箱30与加热板12电性连接，通过调节温控箱30的调温按钮，能够对盒体11内的待测秸秆样本的试验温度进行调节。进一步地，在本发明的一个实施例中，加热板12为硅橡胶加热板。盒体11的材质为亚克力。盒体11的尺寸为180mm×125mm×70mm。

进一步地，在本实施例中，铜板的数量为两块，每块铜板的尺寸为120mm×50mm×2mm，两块铜板对称布置在盒体11的底部，二者相距3mm，用于采集待测秸秆样本的电容数据。

如图1所示，在本发明的一个实施例中，拉压力试验机20包括：采用螺栓24依次连接的升降台21、压力传感器22和支柱23。支柱23在升降台21的带动下能够向下运动挤压压板，进而对待测秸秆样本进行施压，以改变待测秸秆样本的容积密度。

可选地，在本发明的一个实施例中，拉压力试验机20的压力范围为0-5000N，精度为1N。在本实施例中，将拉压力试验机20对待测秸秆样本的压力设置在500N～3600N之间，故待测秸秆样本的容积密度在90.08~179.42kg/m³范围内，每个待测秸秆样本在同一温度下从上述容积密度范围内随机选取3个容积密度，确保所有样本组合选取的容积密度在90.03～179.42kg/m³之间均匀分布。

进一步地，在本发明的实施例中，电容采集装置还包括测温仪，以检测盒体11内待测秸秆样本的试验温度。在本实施例中，测温仪的型号为西玛-AT1150型红外线测温仪。

以下详细介绍利用本发明实施例提供的电容采集装置采集电容数据的方法。

电容数据采集前，先将盒体11内的试验温度调至25℃，并保持该温度恒定。将数字电桥40的测量电极与两块铜板的外接线连接，再开机预热30min，并校准清零。数据采集时，从一个待测秸秆样本中取出40g左右的待测秸秆样本填满盒体11，剩余待测秸秆样本装回袋中继续密封。通过温控箱30将试验温度依次设置为25℃、30℃、35℃和40℃，使用手持式红外线测温仪对盒体11内部温度进行定期测量；通过拉压力试验机20改变对待测秸秆样本压力的方式来调节待测秸秆样本的容积密度，将拉压力试验机20对待测秸秆样本的压力设置在500～3600N之间，故待测秸秆样本的容积密度在90.08~179.42kg/m³范围内，每个待测秸秆样本在同一温度下从上述容积密度范围内随机选取3个容积密度，确保所有样本组合选取的容积密度在90.03～179.42kg/m³之间均匀分布；在0.05～100kHz间共取100个呈对数正态分布的频率点，作为数字电桥40的检测频率，测量待测秸秆样本在上述不同容积密度、试验温度、和频率点组合下的电容数据。

本发明实施例还提供了一种秸秆含水率预测的方法，具体包括以下步骤：

步骤01：确定待测秸秆样本的容积密度、试验温度和电容数据；步骤02：将容积密度、试验温度以及电容数据输入至秸秆含水率预测模型，得到秸秆含水率预测模型输出的秸秆含水率的预测结果；其中，秸秆含水率预测模型基于秸秆样本以及秸秆样本含水率标签训练得到；电容数据为待测秸秆样本在不同的频率范围、不同的容积密度、不同的试验温度以及不同的含水率下的电容数据。

具体来说，将秸秆粉碎并分成多份待测秸秆样本，向每份待测秸秆样本中添加不同质量的去离子水，得到不同含水率的待测秸秆样本，然后按照上述方法采集电容数据。将试验盒10内的待测秸秆样本与自封袋中的剩余待测秸秆样本进行混合，混合后分成多份，将每份待测秸秆样本进行烘干，然后根据烘干前待测秸秆样本的鲜质量与烘干后待测秸秆样本的干质量计算待测秸秆样本的实际含水率。采用连续投影法或主成分分析法选取特征频率，采用神经网络算法结合连续投影法或主成分分析法构建基于容积密度、试验温度和电容数据的秸秆含水率预测模型，并采用麻雀搜索算法对该秸秆含水率预测模型进行优化，以对秸秆的含水率进行准确地预测。

本发明实施例提供的秸秆含水率预测的方法，在建模时考虑了容积密度对秸秆含水率的影响，通过构建秸秆含水率预测模型，确定出了秸秆含水率的最佳建模方法，实现了秸秆含水率的快速、准确的定量分析。

在本发明的一个实施例中，待测秸秆样本基于如下步骤确定：将秸秆粉碎并分成多份待测秸秆样本；向每份待测秸秆样本中添加不同质量的去离子水，得到不同含水率的待测秸秆样本。

具体来说，以小麦秸秆为试验对象，为保证装入试验盒10内的每份待测秸秆样本的密度均匀，不因过于疏松或致密导致试验盒10中不同样本的质量差距过大，因此将采集的秸秆粉碎成长度为25-35mm的枝干状，并分为56份样本，每个样本80g，装于自封袋中并保持在25℃的室温环境下。向每份待测秸秆样本中添加不同质量的去离子水，得到不同含水率的待测秸秆样本，测量含水率在10.43%-25.89%范围内的待测秸秆样本在0.05kHz~100kHz频率范围、90.08~179.42kg/m³容积密度范围和25℃～40℃温度范围内的电容数据。

进一步地，在本发明的一个实施例中，秸秆样本含水量标签基于如下步骤确定：将试验盒10内的待测秸秆样本与自封袋中的剩余待测秸秆样本混合并分成多份；将每份待测秸秆样本烘干预设时长；根据烘干前待测秸秆样本的鲜质量与烘干后待测秸秆样本的干质量计算待测秸秆样本的实际含水率。

具体来说，秸秆含水率测量装置包括电子天平和电热鼓风干燥箱。测量前，先将电子天平开机预热15min后并校准清零，测量时，将试验盒10中的待测秸秆样本与自封袋中的剩余待测秸秆样本充分混合后分为两份，并置于105℃的电热鼓风干燥箱内烘干4h至质量恒定，根据烘干前待测秸秆样本的鲜质量与烘干后待测秸秆样本的干质量可计算出各待测秸秆样本的实际含水率。待测秸秆样本的实际含水率的计算公式如下：

式中：y是待测秸秆样本的实际含水率；M₀是待测秸秆样本的鲜质量，单位为g；M₁是待测秸秆样本的干质量，单位为g。

在本发明的一个实施例中，秸秆含水率预测模型的构建基于如下步骤构建：采用连续投影法或主成分分析法进行特征频率选择。

具体来说，因试验中所选的多个频率间可能会存在较强的线性相关，它们会包含较多的冗余信息，过多的冗余信息往往会增加模型的复杂度，通过特征提取方法能够从原始数据中提取主要信息，达到在不损失过多原频率信息的基础上，降低模型的复杂程度。本实施例中采用连续投影法（successive projections algorithm，SPA）或主成分分析法（principal component analysis，PCA）来选取特征频率。

为保证秸秆含水率预测模型性能可靠，设置选取的频率数范围为2～30，以不同频率数所对应的均方根误差RMSE作为最佳的特征频率数的指标。当选取的频率数量为5时，均方根误差RMSE最低(0.025002)，如图2所示。考虑到过多的特征频率会导致秸秆含水率预测模型的复杂度上升，故选取电容数据的5个频率作为SPA选取的特征频率。SPA算法选取的特征频率如图3所示。

在将PCA算法用于原始频率数据的提取过程中，得到的前3个主成分累计方差贡献率接近100%，说明前3个主成分能够较为全面地反映绝大部分原始信息，从前3个主成分的权值系数曲线中提取4个特征变量。采用PCA法选取的特征频率如图4所示。

全变量及两种方法所选出的特征变量如表1所示。

表1 SPA与PCA选取的特征频率

在本发明的一个实施例中，秸秆含水率预测模型的构建还包括如下步骤：构建初始模型；基于秸秆样本，采用BP神经网络算法结合连续投影法或主成分分析法对初始模型进行训练，得到秸秆含水率预测模型。

具体来说，影响待测秸秆样本的电容值的主要因素有秸秆含水率、容积密度和试验温度，因此，设定容积密度、试验温度和选取的特征频率所对应的电容数据为神经网络的输入参数，待测秸秆样本的实际含水率为输出参数，如图5所示，采用隐含层为1的3层网络结构，隐含层神经元个数计算公式为：

式中n—为输入层节点数；l—为隐含层节点数；m—为输出层节点数；a—为1～10之间的常数。

通过反复试验确定输入层到隐含层的传递函数为S型正切函数tansig，隐含层到输出层的传递函数为线性函数purelin。常用的训练函数包括trainlm、trainrp、trainscg等，其中trainlm具有收敛速度快、误差小、训练效果优的特点，因此本试验采用trainlm作为训练函数。

BP神经网络算法（back propagation neural network）训练前，为减弱各主控因素不同量纲的数据对网络模型训练与预测值的影响，各主控数据做归一化处理。计算式为

式中x _max —为同一影响因素响应值的最大值；x _min —为同一影响因素响应值的最小值；y _max —为归一化的最大值，取1；y _min —为归一化的最小值，取0。

在此基础上，采用BP神经网络算法结合特征频率筛选算法构建基于容积密度、试验温度和电容数据的秸秆含水率预测模型，以预测集决定系数R _P ² 、预测集均方根误差(rootmean square error of prediction，RMSEP)和相对分析误差(residual predictivedeviation, RPD _P)作为评价模型性能的指标，R _P ² 用于评估样本含水率预测值与实际值之间的相关程度，R _P ² 越接近于1，预测值与实际值之间的相关程度越好；RMSEP用于评价模型对测试集的预测能力，RMSEP越小，表明模型的泛化能力越强；RPD _P用于评价所建模型的稳定性，RPD _P越大，表明模型稳定性能越好，通常RPD _P大于2.5时，模型精度较优。下述公式分别为R_P ²、预测集均方根误差RMSEP和相对分析误差RPD _P的计算公式，比较基于3种特征频率选取方法所建BP神经网络模型的预测效果。

式中

—为待测秸秆样本的实际含水率；

—为待测秸秆样本的含水率预测值；n—为样本数量。

进一步地，在本发明的一个实施例中，秸秆含水率预测模型的构建还包括如下步骤：基于秸秆含水率预测模型采用麻雀搜索算法对秸秆含水率预测模型进行优化。

具体地，麻雀搜索算法（Sparrow Search Algorithm，SSA）结合BP神经网络算法的实施过程如下：

1）读取数据。确定BP神经网络模型的校正集和测试集样本，对数据进行归一化处理，将本试验中不同量纲数据归一化到0～1之间，并根据上述公式确定最佳隐含层节点个数。

2）网络参数配制。将训练次数设置为1000次，学习速率设置为0.01，训练目标最小误差设置为0.0001。

3）初始化参数。设置SSA算法的初始种群规模N和最大迭代次数T，本实施例中将初始种群规模N设为30次，最大迭代次数T设为50次；设定种群中不同类型的麻雀比重和安全值，本实施例中将安全值ST设为0.6，发现者数量PD设为0.7，侦察者数量设为0.2。

4）计算初始适应度值。根据适应度值计算出全局中最优个体。

5）根据适应度值将麻雀种群分类，并对不同类型的麻雀个体位置进行更新。

6）若迭代次数达到最大迭代次数，学习过程结束，输出最优参数和适应度值，否则返回步骤5重复上述过程。

7）秸秆含水率预测模型的集成构建：

为了选取最佳预测模型，以全频率、SPA和PCA分别选取的特征频率与容积密度、试验温度组合作为建模分析的自变量，待测秸秆样本的实际含水率为因变量。选用BP神经网络算法分别与上述三种变量组合构建模型，建模结果如表2所示。

表2 基于不同特征变量选取方法的BP建模结果

从表2不同模型预测结果来看，采用SPA选取特征频率与容积密度、试验温度组合建立的预测模型最佳，模型性能评价指标RP²、RMSEP和RPDP分别为0.9805、0.0059和7.161，较其他特征频率所建模型有更高的含水率预测精度。

从特征频率选取角度来看，基于SPA构建的模型较基于PCA构建的模型更好，其中校正集RC²提高了0.0391，RMSEC降低了0.00422，RPDC提高了3.485；预测集RP²提高了0.0317、RMSEP降低了0.00344，RPDP提高了2.742。

从模型复杂程度来看，基于全频率构建的BP模型中存在大量冗余信息，增加了模型复杂程度。基于SPA和PCA算法能有效提取全频率中的重要信息，会大大简化模型复杂程度，减少模型的运算量并提高程序运行速度。

建模结果表明，提取特征频率有效地减少大量冗余信息和损害模型的信息，在大幅降低模型复杂度的基础上，依旧保持较高的预测精度。因此，基于电容法采用SPA和PCA提取特征频率并分别与容积密度和试验温度组合建立的BP神经网络模型均具有较高的含水率预测精度和可靠性。

进一步地，设定待测秸秆样本的容积密度、试验温度和特征频率下的电容数据为麻雀搜索算法的输入参数，待测秸秆样本的含水率为输出参数对秸秆含水率预测模型进行训练。

具体来说，为进一步探究SSA算法对BP神经网络模型预测精度的影响，本实施例中引入了SSA算法对基于不同特征频率选取方法构建的BP神经网络模型进行优化，并继续比较分析。

表3 SSA-BP神经网络模型结果

对比分析表2和表3可以看出，表3中不同模型R ² 较表2中模型的R ² 更高，RMSE更低，RPD则更高，这表明经SSA算法优化后的模型具有更高的预测精度和可靠性。

通过对比可知，采用全频率构建的模型预测效果最好，预测集R _P ² 、RMSEP和RPD _P分别为0.9837、 0.00543和7.833。基于SPA构建的模型预测精度与基于全频率构建的定量分析模型相差不大，并且较基于PCA构建的模型预测效果略好，预测集的R _P ² 高出0.0064，RMSEP降低了0.00098，RPD _P提高了1.15。考虑到基于全频率构建的模型存在大量的冗余信息，模型过于复杂，本实施例中选用基于SPA算法提取特征频率，并结合SSA算法优化后的BP神经网络构建秸秆含水率预测模型。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电容采集装置，其特征在于，包括：

试验盒，所述试验盒用于放置待测秸秆样本；

压板，所述压板放置在所述待测秸秆样本上；

拉压力试验机，所述拉压力试验机能够与所述压板接触，以对所述待测秸秆样本施压，进而改变所述待测秸秆样本的容积密度；

温控箱，所述温控箱与所述试验盒电性连接，所述温控箱用于调节所述试验盒内的试验温度；

数字电桥，所述数字电桥与所述试验盒电性连接，所述数字电桥用于采集所述待测秸秆样本的电容数据。

2.根据权利要求1所述的电容采集装置，其特征在于，所述试验盒包括：

盒体，所述盒体的底面设置有铜板，所述铜板与所述数字电桥电性连接；

加热板，所述加热板与所述盒体的至少一个侧板贴合设置，所述加热板与所述温控箱电性连接。

3.根据权利要求1所述的电容采集装置，其特征在于，所述拉压力试验机包括：依次连接的升降台、压力传感器和支柱，所述支柱在所述升降台的带动下能够向下运动，对所述待测秸秆样本施压以改变所述待测秸秆样本的容积密度。

4.根据权利要求1-3中任一项所述的电容采集装置，其特征在于，还包括测温仪，所述测温仪用于检测所述试验盒内的所述待测秸秆样本的试验温度。

5.一种利用权利要求1-4中任一项所述的电容采集装置进行秸秆含水率预测的方法，其特征在于，包括：

确定待测秸秆样本的容积密度、试验温度和电容数据；

将所述容积密度、所述试验温度以及所述电容数据输入至秸秆含水率预测模型，得到所述秸秆含水率预测模型输出的秸秆含水率的预测结果；

其中，所述秸秆含水率预测模型基于秸秆样本以及秸秆样本含水率标签训练得到；所述电容数据为所述待测秸秆样本在不同的频率范围、不同的容积密度、不同的试验温度以及不同的含水率下的电容数据。

6.根据权利要求5所述的秸秆含水率预测的方法，其特征在于，所述秸秆含水率预测模型的构建基于如下步骤构建：

采用连续投影法或主成分分析法进行特征频率选择。

7.根据权利要求6所述的秸秆含水率预测的方法，其特征在于，所述秸秆含水率预测模型的构建还包括如下步骤：

构建初始模型；

基于秸秆样本，采用BP神经网络算法结合所述连续投影法或所述主成分分析法对初始模型进行训练，得到秸秆含水率预测模型。

8.根据权利要求7所述的秸秆含水率预测的方法，其特征在于，所述采用BP神经网络算法结合所述连续投影法或所述主成分分析法对初始模型进行训练的步骤进一步包括：

设定待测秸秆样本的容积密度、试验温度和特征频率下的电容数据为BP神经网络算法的输入参数，待测秸秆样本的含水率为输出参数对初始模型进行训练。

9.根据权利要求8所述的秸秆含水率预测的方法，其特征在于，所述秸秆含水率预测模型的构建还包括如下步骤：

基于所述秸秆含水率预测模型采用麻雀搜索算法对所述秸秆含水率预测模型进行优化。

10.根据权利要求9所述的秸秆含水率预测的方法，其特征在于，所述基于所述秸秆含水率预测模型采用麻雀搜索算法对所述秸秆含水率预测模型进行优化的步骤进一步包括：

设定待测秸秆样本的容积密度、试验温度和特征频率下的电容数据为麻雀搜索算法的输入参数，待测秸秆样本的含水率为输出参数对所述秸秆含水率预测模型进行训练。

Images