CN116579254A - 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质 - Google Patents

一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质 Download PDF

Info

Publication number
CN116579254A
CN116579254A CN202310852081.7A CN202310852081A CN116579254A CN 116579254 A CN116579254 A CN 116579254A CN 202310852081 A CN202310852081 A CN 202310852081A CN 116579254 A CN116579254 A CN 116579254A
Authority
CN
China
Prior art keywords
garlic
resistance
data
digging
damage
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
Application number
CN202310852081.7A
Other languages
English (en)
Other versions
CN116579254B (zh
Inventor
王永健
朱雪茹
李骅
葛艳艳
钟志堂
鲜洁宇
吴小伟
周昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202310852081.7A priority Critical patent/CN116579254B/zh
Publication of CN116579254A publication Critical patent/CN116579254A/zh
Application granted granted Critical
Publication of CN116579254B publication Critical patent/CN116579254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Husbandry (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质，属于农业机械化收获与人工智能交叉领域。本发明通过构建大蒜挖掘阻力预测模型以及大蒜损伤预测模型对大蒜挖掘阻力及损伤率进行准确预测；大蒜挖掘阻力预测模型是经过环境‑农艺数据、土壤‑挖掘铲互作数据、土壤‑挖掘铲‑大蒜互作数据三个阶段协调训练以及在线学习之后得到的模型，大蒜损伤预测模型是经过损伤性能评估数据和损伤概率评估数据协调训练之后得到的模型。本发明解决了当前大蒜机械化收获技术中挖掘阻力和伤蒜率之间的矛盾问题，可有效降低大蒜机械化收获过程中的挖掘阻力和大蒜损伤率，对大蒜低阻、低损的智能化收获研究具有指导意义。

Description

一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质
技术领域
本发明属于农业机械化收获与人工智能交叉领域，尤其涉及一种基于深度神经网络的大蒜挖掘阻力及损伤率预测系统、方法及存储介质。
背景技术
针对大蒜的机械化收获，挖掘阻力和伤蒜率是互相矛盾的两个方面；现阶段，大蒜的机械化收获技术大多为满足低损伤率而牺牲挖掘阻力，难以做到两者的平衡，收获质量仍有较大的提升空间。
在大蒜的机械化收获过程中，挖掘铲、土壤以及大蒜各组织之间相互作用关系复杂，挖掘铲的挖掘阻力和大蒜的损伤率的影响因素众多，这些影响因素对大蒜的挖掘阻力和损伤率影响机制尚不清晰，无法找到一种较为简洁的对应关系。
现有技术仅研究了大蒜挖掘铲与土壤的作用机理，从而获得挖掘铲的低阻力作业方法。但是，在农作物存在的情况下，蒜土复合体的整体力学行为会发生改变，前述方法已不再适用。目前的研究中，缺少振动挖掘工况下蒜土复合体力学行为方面的研究，无法得知挖掘铲在挖掘蒜土复合体时的阻力和大蒜损伤率与系统参数的相互关系，影响了大蒜收获装备智能化设计的进程。
因此，本发明提供了一种大蒜挖掘阻力及损伤率的预测系统、方法及存储介质，能实现对挖掘阻力和大蒜损伤率的准确预测，从而解决当前大蒜机械化收获技术中挖掘阻力和伤蒜率之间的矛盾问题。
发明内容
针对现有技术中存在的不足，本发明提供了一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质，实现了对挖掘阻力和大蒜损伤率的准确预测，解决了当前大蒜机械化收获技术中挖掘阻力和伤蒜率之间的矛盾问题。
本发明是通过以下技术手段实现上述技术目的的。
一种大蒜挖掘阻力及损伤率预测方法，包括如下过程：
步骤1：获取目标大蒜收获机实时工作状态参数和挖掘阻力曲线；
步骤2：将目标大蒜收获机实时工作状态参数和挖掘阻力曲线输入到预先构建的大蒜挖掘阻力预测模型和大蒜损伤预测模型中，并实时对大蒜挖掘阻力预测模型进行挖掘阻力曲线在线学习，获得目标大蒜收获机未来5s内的挖掘阻力曲线、大蒜位置、大蒜损伤率、累计大蒜损伤率数据，并统计所有损伤概率超过90%的大蒜个数；
步骤3：将步骤2获得的目标大蒜收获机未来5s内的挖掘阻力曲线以及累计大蒜损伤率进行可视化展示，并在挖掘阻力曲线上标出预测的大蒜位置及其损伤概率；
所述大蒜挖掘阻力预测模型是经过环境-农艺数据、土壤-挖掘铲互作数据、土壤-挖掘铲-大蒜互作数据三阶段协同训练测试，以及经过基于实时获得的目标大蒜收获机挖掘阻力曲线进行在线学习之后，得到的用于实现大蒜挖掘过阻力预测的模型；
所述大蒜损伤预测模型是经过大蒜损伤性能数据和损伤概率数据两阶段协同训练与测试之后得到的用于实现大蒜损伤概率预测的模型。
进一步地，所述步骤2中，大蒜挖掘阻力预测模型的构建方法如下：
利用试验样本构建数据集，即阻力特征集合，试验样本包括：仿真试验、土槽试验及田间试验过程中收集的相关数据；
构建大蒜挖掘阻力预测生成器；
构建基于环境-农艺数据的阻力评估器；
构建基于土壤-挖掘铲互作数据的阻力评估器；
构建基于土壤-挖掘铲-大蒜互作数据的阻力评估器；
通过基于环境-农艺数据的阻力评估器、基于土壤-挖掘铲互作数据的阻力评估器、基于土壤-挖掘铲-大蒜互作数据的阻力评估器、数据集，按照环境-农艺数据训练、土壤-挖掘铲互作数据训练、土壤-挖掘铲-大蒜互作数据训练的先后顺序对大蒜挖掘阻力预测生成器进行三阶协同训练和测试；
对测试合格的大蒜挖掘阻力预测生成器进行在线学习和测试，将测试合格的大蒜挖掘阻力预测生成器作为大蒜挖掘阻力预测模型；
其中，大蒜挖掘阻力预测生成器是以目标大蒜收获机工作状态参数和同等工作状态下预存的阻力特征为输入，以预测的未来5s内挖掘阻力曲线和大蒜位置为输出的神经网络架构；
基于环境-农艺数据的阻力评估器用于对大蒜挖掘阻力预测生成器输出的挖掘阻力进行初步的评估，输出评估结果，即特征损失值、挖掘铲振动频率以及大蒜种植株距；
基于土壤-挖掘铲互作数据的阻力评估器用于对大蒜挖掘阻力预测生成器输出的包含土壤和挖掘铲数据的挖掘阻力曲线进行特征提取，输出特征损失值、小幅值、频率；
基于土壤-挖掘铲-大蒜互作数据的阻力评估器用于对大蒜挖掘阻力预测生成器输出的包含大蒜、土壤、挖掘铲数据的挖掘阻力曲线进行特征提取，输出特征损失值、大幅值、株距以及大蒜在该挖掘阻力曲线中对应的位置。
进一步地，所述对大蒜挖掘阻力预测生成器进行三阶协同训练，包括：
将基于环境-农艺数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的环境-农艺数据进行对比，将两者之间的损失作为环境-农艺损失；将基于土壤-挖掘铲互作数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的土壤-挖掘铲互作数据进行对比，将两者之间的损失作为土壤-挖掘铲互作损失；将基于土壤-挖掘铲-大蒜互作数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的土壤-挖掘铲-大蒜互作数据进行对比，将两者之间的损失作为土壤-挖掘铲-大蒜互作损失；
其中，环境-农艺损失是基于挖掘铲振动频率和大蒜种植株距确定的，如下式（1）所示：
（1）
式中，为环境-农艺损失值，/>为第/>个参数的权重系数，其和为1；/>为实际工作状态的特征参数；/>为基于环境-农艺数据的阻力评估器输出的特征参数平均值，所述特征参数包括挖掘铲振动频率和大蒜种植株距；
土壤-挖掘铲互作损失是基于多个阻力特征参数确定的，如下式（2）所示:
（2）
式中，为土壤-挖掘铲互作损失值，/>为第/>个阻力特征参数的权重系数，其和为1；/>为实际工作状态第/>个阻力特征的第/>个参数，/>为基于土壤-挖掘铲互作数据的阻力评估器输出的第/>阻力特征参数平均值，所述阻力特征参数包括挖掘阻力曲线的频率和小幅值；
土壤-挖掘铲-大蒜互作损失是基于多个阻力特征参数确定的，如下式（3）所示:
（3）
式中，为土壤-挖掘铲-大蒜互作损失值，/>为第/>个阻力特征参数的权重系数，其和为1，/>为实际工作状态第/>个阻力特征的第/>个参数，/>为基于土壤-挖掘铲-大蒜互作数据的阻力评估器输出的第/>个阻力特征参数平均值，所述阻力特征参数包括阻力曲线的大幅值和大蒜种植株距；
在大蒜挖掘阻力预测生成器训练完成之后，利用未参与训练的样本数据对大蒜挖掘阻力预测生成器进行测试，经过三个阻力评估器评估之后，满足性能指标要求的大蒜挖掘阻力预测生成器合格，进行下一步的在线学习。
进一步地，所述对测试合格的大蒜挖掘阻力预测生成器进行在线学习，包括：
基于实时获得的目标大蒜收获机挖掘阻力曲线，进行在线学习，在线学习的土壤-挖掘铲-大蒜互作损失值计算式为：
式中，为在线学习的土壤-挖掘铲-大蒜互作损失值；/>为在线学习时第/>个阻力特征参数的权重系数；/>为在线学习时第/>个阻力特征的第/>个参数；/>为在线学习时预测范围内第/>个阻力特征平均值，所述阻力特征参数包括阻力曲线的大幅值和大蒜种植株距，/>为设置的延迟时间，/>为实际的累计作业时间；
以挖掘阻力曲线的大幅值和小幅值为判断依据，作为在线学习的关闭条件，计算式如下：
其中，为在线学习关闭条件；/>为权重系数；/>、/>分别为预测的后5s大小幅值和前5s大小幅值。
进一步地，所述基于环境-农艺数据的阻力评估器的构建过程包括：
基于大蒜挖掘阻力预测生成器输出的挖掘阻力曲线，提取相邻小幅值的时间间隔以计算出挖掘铲的振动频率，提取相邻大幅值的时间间隔，结合田间实际作业过程中整机的速度数据，以计算出相邻大蒜的间距；建立两个阻力特征对应的阻力特征损失计算式，将计算得到的两个阻力特征损失进行加权求和，作为基于环境-农艺数据的阻力评估规则，用于预测阻力的评估；
基于土壤-挖掘铲互作数据的阻力评估器的构建过程包括：
提取数据集中的挖掘阻力曲线，获取阻力特征，包括频率、大幅值、小幅值，同时提取对应的挖掘铲几何参数、工作参数、土壤参数，构成基于土壤-挖掘铲互作数据的阻力评估数据集；设计每一个阻力特征对应的阻力特征损失计算式，将各阻力特征的损失进行加权求和，作为基于土壤-挖掘铲互作数据的阻力评估规则，用于预测阻力的评估；
基于土壤-挖掘铲-大蒜互作数据的阻力评估器的构建过程包括：
提取数据集中的阻力曲线，获取阻力特征，包括频率、大幅值、小幅值，同时提取对应的挖掘铲几何参数、工作参数、土壤参数，构成基于土壤-挖掘铲-大蒜互作数据的阻力评估数据集；设计每一个阻力特征对应的阻力特征损失计算式，将各阻力特征的损失进行加权求和，作为基于土壤-挖掘铲-大蒜互作数据的阻力评估规则，用于预测阻力的评估。
进一步地，所述步骤2中，大蒜损伤预测模型的构建方法如下：
利用试验样本构建数据集，即阻力特征集合，试验样本包括：仿真试验、土槽试验及田间试验过程中收集的相关数据；
构建大蒜损伤预测生成器；
构建大蒜损伤性能评估器；
构建大蒜损伤概率评估器；
基于大蒜损伤性能评估器、大蒜损伤概率评估器、数据集，对大蒜损伤预测生成器进行大蒜损伤性能数据和损伤概率数据的两阶段协同训练与测试，将测试合格的大蒜损伤预测生成器作为大蒜损伤预测模型；
其中，大蒜损伤预测生成器是以目标大蒜收获机实时的工作状态参数和大蒜挖掘阻力预测生成器预测的5s内挖掘阻力及大蒜位置为输入，以当前单粒大蒜的损伤概率和累积大蒜损伤率为输出的神经网络架构；
大蒜损伤性能评估器用于评估大蒜挖掘过程中大蒜的受力状态，输出评估结果，即压缩应力、能量释放率；
大蒜损伤概率评估器用于根据大蒜的受力状态评估大蒜的受损概率，输出评估结果，即损伤概率和累积损伤率。
进一步地，所述进行大蒜损伤性能数据和损伤概率数据的两阶段协同训练，包括：
将大蒜损伤性能评估器输出的大蒜鳞芽最大应力与同等条件下仿真数据进行对比，将两者之间的损失作为力学性能评估损失；将大蒜损伤概率评估器输出的大蒜鳞芽损伤概率与仿真试验数据和田间试验数据进行对比，将两者之间的损失作为概率评估损失；
其中，力学性能评估损失是基于大蒜鳞芽最大压缩应力和能量释放率确定的，如下式（4）所示：
（4）
式中，为损伤性能评估损失值，/>为权重系数；/>、/>分别为同等条件下大蒜鳞芽仿真的最大压缩应力和能量释放率；/>、/>分别为大蒜损伤性能评估器输出的最大压缩应力和能量释放率；
概率评估损失是基于大蒜鳞芽最大压缩应力、压缩强度以及能量释放率确定的，如下式（5）所示：
（5）
式中，为概率评估损失值；/>为同等条件下大蒜的损伤概率；/>为大蒜损伤概率评估器输出的损伤概率，其表达式如下式（6）所示：
（6）
式中，、/>均为权重系数；/>为实际的大蒜鳞芽许用压缩强度；/>为实际的大蒜鳞芽最大压缩强度；/>为预测的大蒜鳞芽最大压缩应力；/>、/>分别为完全受损和弹性压缩的能量释放率，/>为预测的能量释放率。
进一步地，所述大蒜损伤性能评估器的构建过程包括：
提取大蒜挖掘阻力预测生成器预测的5s内的大蒜挖掘阻力曲线和大蒜位置，获取阻力特征，包括频率、大幅值、预测的大蒜位置，构成大蒜损伤性能评估的初始数据集；基于初始数据集，获得预测时间5s内的最大挖掘阻力和挖掘铲与大蒜的距离，结合土槽试验与田间试验获得的大蒜损伤情况以及仿真试验获得的大蒜鳞芽应力状态指标和能量释放率指标，形成大蒜损伤性能评估的扩大数据集；构建大蒜损伤性能评估的计算式，利用该计算式获得当前单粒大蒜鳞芽应力状态指标和能量释放率指标，形成损伤性能评估规则，用于大蒜损伤性能的评估；
大蒜损伤概率评估器的构建过程包括：
提取大蒜损伤性能评估器输出的数据，构建大蒜损伤概率评估数据集，构建大蒜损伤概率评估的计算式，利用该计算式获得当前单粒大蒜的损伤概率评估规则，用于大蒜损伤概率的评估。
一种用于实现上述大蒜挖掘阻力及损伤率预测方法的系统，包括应变传感器，应变传感器与控制器模块信号连接，控制器模块与显示模块信号连接；应变传感器检测并传递目标大蒜收获机挖掘部件的实时应变数据；控制器模块用于采集目标大蒜收获机实时的挖掘阻力曲线数据以及工作状态参数数据，基于所构建的大蒜挖掘阻力预测模型和大蒜损伤预测模型预测获得目标大蒜收获机未来5s内的挖掘阻力曲线、大蒜位置、当前大蒜损伤概率、累计大蒜损伤率数据，并通过显示模块可视化展示预测的挖掘阻力曲线、大蒜位置、大蒜的损伤概率、累计的大蒜损伤率。
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述大蒜挖掘阻力及损伤率预测方法。
本发明具有如下有益效果：
本发明通过构建的大蒜挖掘阻力预测模型以及大蒜损伤预测模型实现了对大蒜挖掘阻力及损伤率的准确预测，大蒜挖掘阻力预测模型是经过环境-农艺数据、土壤-挖掘铲互作数据、土壤-挖掘铲-大蒜互作数据三个阶段协调训练以及在线学习之后，得到的能够实现大蒜挖掘过阻力预测的模型，大蒜损伤预测模型是经过损伤性能评估数据和损伤概率评估数据协调训练之后得到的能够实现大蒜损伤概率预测的模型，本发明解决了当前大蒜机械化收获技术中挖掘阻力和伤蒜率之间的矛盾问题，为降低大蒜机械化收获过程中的挖掘阻力和大蒜损伤率、提高收获质量提供了前提条件，对大蒜低阻、低损的智能化收获方式研究具有十分重要的指导意义。本发明能够对大蒜挖掘阻力预测模型进行实时的挖掘阻力曲线在线学习，可根据实际需求，通过设置延迟时间，控制在线学习的权重，随着作业时间的推进，在线学习权重逐渐升高，预测精度逐渐提高，当在线学习时长做够，挖掘阻力预测模型稳定之后，可自动关闭在线学习，提高数据输出效率。
附图说明
图1为本发明所述大蒜挖掘阻力及损伤率预测方法流程图；
图2为大蒜挖掘阻力预测三阶段协同训练过程示意图；
图3为大蒜损伤预测两阶段协同训练过程示意图；
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
本发明所述的大蒜挖掘阻力及损伤率预测方法如图1所示，具体包括如下过程：
步骤1：利用应变传感器实时检测目标大蒜收获机挖掘部件的应变数据，并传递至控制器模块，控制器模块处理获得目标大蒜收获机实时的挖掘阻力曲线；同时，向控制器模块输入经过测量获得的目标大蒜收获机实时工作状态参数数据，包括土壤物理-力学参数、大蒜各组织物理-力学参数、挖掘铲作业参数、农艺参数以及环境参数；土壤物理-力学参数包括含水率、强度、弹性模量、临界应变能释放率，大蒜各组织的物理-力学参数包括表皮、鳞芽、花茎及根须的几何尺寸、强度、弹性模量、临界应变能释放率；挖掘铲作业参数包括挖掘铲的几何尺寸、入土角度、振动频率、振动幅度、挖掘深度，农艺参数包括大蒜种植的株距、行距，环境参数包括蒜田地面的平整度，及其地面载荷谱。
步骤2：控制器模块将实时工作状态参数以及实时的挖掘阻力曲线输入到预先构建的大蒜挖掘阻力预测模型和大蒜损伤预测模型中，并实时对大蒜挖掘阻力预测模型进行挖掘阻力曲线在线学习，最终获得目标大蒜收获机未来5s内的挖掘阻力曲线、大蒜位置、当前单粒大蒜损伤概率、累计大蒜损伤率数据，统计所有损伤概率超过90%的大蒜个数。
参照图2，所述大蒜挖掘阻力预测模型，是利用基于环境-农艺数据的阻力评估器、基于土壤-挖掘铲互作数据的阻力评估器、基于土壤-挖掘铲-大蒜互作数据的阻力评估器，基于试验样本构建的数据集，对大蒜挖掘阻力预测生成器进行环境-农艺数据、土壤-挖掘铲互作数据、土壤-挖掘铲-大蒜互作数据三阶段协同训练测试，以及基于实时获得的目标大蒜收获机挖掘阻力曲线进行在线学习之后，得到的能够实现大蒜挖掘过阻力预测的模型。
参照图3，所述大蒜损伤预测模型，是利用大蒜损伤性能评估器、大蒜损伤概率评估器，基于试验样本构建的数据集，对大蒜损伤预测生成器进行大蒜损伤性能数据和损伤概率数据的两阶段协同训练与测试之后，得到的能够实现大蒜损伤概率预测的模型。
所述大蒜挖掘阻力预测模型的具体构建方法如下：
S1：利用试验样本构建数据集，试验样本包括：仿真试验、土槽试验及田间试验过程中收集的相关数据；在线学习的数据包括目标大蒜收获机实时的挖掘阻力曲线；
首先通过物理-力学试验，获得土壤、大蒜各组织的物理-力学参数，考虑土壤的拉伸和剪切强度、大蒜根须的拉伸和剪切强度、大蒜鳞芽的受压强度，以及土壤、大蒜根须和鳞芽的损伤演化过程；其次，变换挖掘铲作业参数，进行简单情况下的土槽试验和田间试验，获得对应的阻力曲线和大蒜损伤情况；再次，建立铲-土-蒜仿真模型，通过仿真试验测试这些阻力曲线，验证仿真模型的可靠性，同时改变挖掘铲作业参数、土壤参数以及环境参数，进行仿真试验，获取其阻力曲线及其大蒜的应力指标和能量释放率指标；将阻力曲线进行阻力特征提取，提取频率、大幅值、小幅值，并与其他对应的工作状态参数组成一个阻力特征集合，由此形成多个阻力特征集合，即数据集。
S2：构建大蒜挖掘阻力预测生成器：
大蒜挖掘阻力预测生成器是以目标大蒜收获机工作状态参数和同等工作状态下预存的阻力特征为输入，并且进行实时挖掘阻力在线学习，以预测的未来5s内挖掘阻力曲线和大蒜位置为输出的神经网络架构；本实施例中的大蒜挖掘阻力预测生成器是一种采用多层感知器架构的神经网络，输入数据为处理过后的阻力特征集合，利用隐藏层通过非线性变换将输入数据集映射到更高维度的特征空间中，输出层根据特征向量进行回归预测。
S3：构建基于环境-农艺数据的阻力评估器：
基于大蒜挖掘阻力预测生成器输出的挖掘阻力曲线，提取相邻小幅值的时间间隔以计算出挖掘铲的振动频率，提取相邻大幅值的时间间隔，结合田间实际作业过程中整机的速度数据，以计算出相邻大蒜的间距；建立两个阻力特征对应的阻力特征损失计算式；将计算得到的两个阻力特征损失进行加权求和，作为基于环境-农艺数据的阻力评估规则，用于对大蒜挖掘阻力预测生成器输出的挖掘阻力进行初步的评估，输出评估结果，即特征损失值、挖掘铲振动频率以及大蒜种植株距。
S4：构建基于土壤-挖掘铲互作数据的阻力评估器：
提取数据集中的挖掘阻力曲线，获取阻力特征，包括频率、小幅值，同时提取对应的挖掘铲几何参数、工作参数、土壤参数，构成基于土壤-挖掘铲互作数据的阻力评估数据集；设计每一个阻力特征对应的阻力特征损失计算式，将各阻力特征的损失进行加权求和，作为基于土壤-挖掘铲互作数据的阻力评估规则，通过训练得到基于土壤-挖掘铲互作数据的阻力评估器，用于对大蒜挖掘阻力预测生成器输出的包含土壤和挖掘铲数据的挖掘阻力曲线进行特征提取，输出特征损失值、频率、小幅值。
S5：构建基于土壤-挖掘铲-大蒜互作数据的阻力评估器：
提取数据集中的阻力曲线，获取阻力特征，包括频率、大幅值、小幅值，同时提取对应的挖掘铲几何参数、工作参数、土壤参数，构成基于土壤-挖掘铲-大蒜互作数据的阻力评估数据集；设计每一个阻力特征对应的阻力特征损失计算式，将各阻力特征的损失进行加权求和，作为基于土壤-挖掘铲-大蒜互作数据的阻力评估规则，通过训练得到基于土壤-挖掘铲-大蒜互作数据的阻力评估器，用于对大蒜挖掘阻力预测生成器输出的包含大蒜、土壤、挖掘铲数据的挖掘阻力曲线进行特征提取，输出特征损失值、频率、大幅值、小幅值、株距。
S6：进行三阶协同训练：
三阶段协同训练按照环境-农艺数据训练、土壤-挖掘铲互作数据训练、土壤-挖掘铲-大蒜互作数据训练的先后顺序进行，逻辑关系层层递进，训练精度逐级提高；其中，土壤-挖掘铲-大蒜互作数据训练还用于实际作业过程中的在线学习；
将基于环境-农艺数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的环境-农艺数据进行对比，将两者之间的损失作为环境-农艺损失；将基于土壤-挖掘铲互作数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的土壤-挖掘铲互作数据进行对比，将两者之间的损失作为土壤-挖掘铲互作损失；将基于土壤-挖掘铲-大蒜互作数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的土壤-挖掘铲-大蒜互作数据进行对比，将两者之间的损伤作为土壤-挖掘铲-大蒜互作损失；
其中，环境-农艺损失是基于挖掘铲振动频率和大蒜种植株距确定的，如下式（1）所示：
（1）
式中，为环境-农艺损失值，/>为第/>个参数的权重系数，其和为1；/>为实际工作状态的特征参数；/>为基于环境-农艺数据的阻力评估器输出的特征参数平均值，所述特征参数包括挖掘铲振动频率和大蒜种植株距；/>表示特征参数个数，其值为2；
土壤-挖掘铲互作损失是基于多个阻力特征参数确定的，如下式（2）所示:
（2）
式中，为土壤-挖掘铲互作损失值，/>为第/>个阻力特征参数的权重系数，其和为1；/>为实际工作状态第/>个阻力特征的第/>个参数，/>为基于土壤-挖掘铲互作数据的阻力评估器输出的第/>个阻力特征参数平均值，所述阻力特征参数包括挖掘阻力曲线的频率和小幅值；/>表示特征参数个数，其值为2，/>为预测时间内相同阻力特征的个数；
土壤-挖掘铲-大蒜互作损失是基于多个阻力特征参数确定的，如下式（3）所示:
（3）
式中，为土壤-挖掘铲-大蒜互作损失值，/>为第/>个阻力特征参数的权重系数，其和为1，/>为实际工作状态第/>个阻力特征的第/>个参数，/>为基于土壤-挖掘铲-大蒜互作数据的阻力评估器输出的第/>个阻力特征参数平均值，所述阻力特征参数包括阻力曲线的大幅值和大蒜种植株距。
在大蒜挖掘阻力预测生成器训练完成之后，利用未参与训练的样本数据对大蒜挖掘阻力预测生成器进行测试，经过三个阻力评估器评估之后，满足性能指标要求的大蒜挖掘阻力预测生成器合格，进行下一步的在线学习。
S7：进行在线学习：
基于实时获得的目标大蒜收获机挖掘阻力曲线，进行在线学习，在线学习的土壤-挖掘铲-大蒜互作损失值计算式为：
式中，为在线学习的土壤-挖掘铲-大蒜互作损失值；/>为在线学习时第/>个阻力特征参数的权重系数，其和为1；/>为在线学习时第/>个阻力特征的第/>个参数；为在线学习时预测范围内第/>个阻力特征平均值，所述阻力特征参数包括阻力曲线的大幅值和大蒜种植株距，/>为设置的延迟时间，/>为实际的累计作业时间；
以挖掘阻力曲线的大幅值和小幅值为判断依据，作为在线学习的关闭条件，计算式如下：
其中，为在线学习关闭条件；/>为权重系数；/>、/>分别为预测的后5s大小幅值和前5s大小幅值，当作业时间/>超过延迟时间/>时，开始计算预测的大幅值和小幅值后5s与前5s的相对差，设置其值小于0.05，代表在线学习的模型趋于稳定，达到了关闭的条件；
对经过在线学习的大蒜挖掘阻力预测生成器进行测试，其中，本实施例是将最后5s的数据作为测试数据，其余数据作为训练数据，经过土壤-挖掘铲-大蒜互作数据阻力评估器评估之后，满足性能指标要求的大蒜挖掘阻力预测生成器合格，将测试合格的大蒜挖掘阻力预测生成器作为大蒜挖掘阻力预测模型。
所述大蒜损伤预测模型的具体构建方法如下：
S1：利用试验样本构建数据集；
S2：构建大蒜损伤预测生成器：
大蒜损伤预测生成器是以目标大蒜收获机实时的工作状态参数和大蒜挖掘阻力预测生成器预测的5s内挖掘阻力及大蒜位置为输入，以当前单粒大蒜的损伤概率和累积大蒜损伤率为输出的神经网络架构；
S3：构建大蒜损伤性能评估器：
提取大蒜挖掘阻力预测生成器预测的5s内的大蒜挖掘阻力曲线和大蒜位置，获取阻力特征，包括频率、大幅值、预测的大蒜位置，构成大蒜损伤性能评估的初始数据集；基于初始数据集，获得预测时间5s内的最大挖掘阻力和挖掘铲与大蒜的距离，结合土槽试验与田间试验获得的大蒜损伤情况以及仿真试验获得的大蒜鳞芽应力状态指标和能量释放率指标，形成大蒜损伤性能评估的扩大数据集；构建大蒜损伤性能评估的计算式，利用该计算式获得当前单粒大蒜鳞芽应力状态指标和能量释放率指标，形成损伤性能评估规则，用于评估大蒜挖掘过程中大蒜的受力状态，输出评估结果，即特征损失值、压缩应力、能量释放率；
S4：构建大蒜损伤概率评估器：
提取大蒜损伤性能评估器输出的数据，构建大蒜损伤概率评估数据集，构建大蒜损伤概率评估的计算式，利用该计算式获得当前单粒大蒜的损伤概率评估规则，通过训练得到大蒜的损伤概率评估器，用于根据大蒜的受力状态评估大蒜的受损概率，输出评估结果，即特征损失值、损伤概率。
S5：基于大蒜损伤性能评估器、大蒜损伤概率评估器以及数据集，对大蒜损伤预测生成器进行大蒜损伤性能评估和大蒜损伤概率评估两阶段的协同训练和测试：
两阶段的协同训练按照大蒜损伤性能评估和大蒜损伤概率评估的先后顺序进行；
将大蒜损伤性能评估器输出的大蒜鳞芽最大应力与同等条件下仿真数据进行对比，将两者之间的损失作为力学性能评估损失；将大蒜损伤概率评估器输出的大蒜鳞芽损伤概率与仿真试验数据和田间试验数据进行对比，将两者之间的损失作为概率评估损失；
其中，力学性能评估损失是基于大蒜鳞芽最大压缩应力和能量释放率确定的，如下式（4）所示：
（4）
式中，为损伤性能评估损失值，/>为权重系数，其和为1；/>、/>分别为同等条件下大蒜鳞芽仿真的最大压缩应力和能量释放率；/>、/>分别为大蒜损伤性能评估器输出的最大压缩应力和能量释放率；
概率评估损失是基于大蒜鳞芽最大压缩应力、压缩强度以及能量释放率确定的，如下式（5）所示：
（5）
式中，为概率评估损失值；/>为同等条件下大蒜的损伤概率；/>为大蒜损伤概率评估器输出的损伤概率，其表达式如下式（6）所示：
（6）
式中，、/>均为权重系数；/>为实际的大蒜鳞芽许用压缩强度；/>为实际的大蒜鳞芽最大压缩强度；/>为预测的大蒜鳞芽最大压缩应力；/>、/>分别为完全受损和弹性压缩的能量释放率，/>为预测的能量释放率；设定当预测的最大压缩应力等于许用压缩强度、预测的能量释放率等于弹性压缩能量释放率时，大蒜鳞芽处于损伤的临界状态，其概率为50%；/>
将经过两阶段训练后，利用未参与训练的样本数据对大蒜损伤预测生成器进行测试，经过大蒜损伤性能评估器和大蒜损伤概率评估器评估之后，满足性能指标要求的大蒜损伤预测生成器合格，将合格的大蒜损伤预测生成器作为大蒜损伤预测模型。
步骤3：控制器模块将获得的目标大蒜收获机5s内的挖掘阻力曲线、大蒜位置、当前大蒜损伤率、累计大蒜损伤率数据数据输入至显示模块，显示模块将挖掘阻力曲线以图像化的形式展示在显示模块屏幕上，并且在挖掘阻力曲线横坐标上标出预测的大蒜位置和该大蒜的损伤概率，在屏幕上显示累计的大蒜损伤率。
本实施例中，基于环境-农艺数据的阻力评估器、基于土壤-挖掘铲互作数据的阻力评估器，和基于土壤-挖掘铲-大蒜互作数据的阻力评估器初始架构，采用ResNet的残差网络模型，可避免深度神经网络中的梯度消失和梯度爆炸问题，使得网络可以更深更容易训练；通过控制相应损失的权重，能够实现大蒜挖掘阻力预测生成器的训练效果。
本实施例还提供了一种大蒜挖掘阻力及损伤率预测系统，包括应变传感器，应变传感器与控制器模块信号连接，传递目标大蒜收获机挖掘部件的实时应变数据；控制器模块用于采集目标大蒜收获机实时的挖掘阻力曲线数据以及工作状态参数数据，基于所构建的大蒜挖掘阻力预测模型和大蒜损伤预测模型预测获得目标大蒜收获机未来5s内的挖掘阻力曲线、大蒜位置、当前大蒜损伤概率、累计大蒜损伤率数据，并通过显示模块可视化展示预测的挖掘阻力曲线、大蒜位置、大蒜的损伤概率、累计的大蒜损伤率。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述大蒜挖掘阻力及损伤率预测方法的步骤。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种大蒜挖掘阻力及损伤率预测方法，其特征在于，包括如下过程：
步骤1：获取目标大蒜收获机实时工作状态参数和挖掘阻力曲线；
步骤2：将目标大蒜收获机实时工作状态参数和挖掘阻力曲线输入到预先构建的大蒜挖掘阻力预测模型和大蒜损伤预测模型中，并实时对大蒜挖掘阻力预测模型和大蒜损伤预测模型进行挖掘阻力曲线在线学习，获得目标大蒜收获机未来5s内的挖掘阻力曲线、大蒜位置、大蒜损伤率、累计大蒜损伤率数据，并统计所有损伤率超过90%的大蒜个数；
步骤3：将步骤2获得的目标大蒜收获机未来5s内的挖掘阻力曲线以及示累计大蒜损伤率进行可视化展示，并在挖掘阻力曲线上标出预测的大蒜位置及其损伤率；
所述大蒜挖掘阻力预测模型是经过环境-农艺数据、土壤-挖掘铲互作数据、土壤-挖掘铲-大蒜互作数据三阶段协同训练测试，以及经过基于实时获得的目标大蒜收获机挖掘阻力曲线进行在线学习之后，得到的用于实现大蒜挖掘过阻力预测的模型；
所述大蒜损伤预测模型是经过大蒜损伤性能数据和损伤概率数据两阶段协同训练与测试之后得到的用于实现大蒜损伤概率预测的模型。
2.根据权利要求1所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述步骤2中，大蒜挖掘阻力预测模型的构建方法如下：
利用试验样本构建数据集，即阻力特征集合，试验样本包括：仿真试验、土槽试验及田间试验过程中收集的相关数据；
构建大蒜挖掘阻力预测生成器；
构建基于环境-农艺数据的阻力评估器；
构建基于土壤-挖掘铲互作数据的阻力评估器；
构建基于土壤-挖掘铲-大蒜互作数据的阻力评估器；
通过基于环境-农艺数据的阻力评估器、基于土壤-挖掘铲互作数据的阻力评估器、基于土壤-挖掘铲-大蒜互作数据的阻力评估器以及数据集，按照环境-农艺数据训练、土壤-挖掘铲互作数据训练、土壤-挖掘铲-大蒜互作数据训练的先后顺序对大蒜挖掘阻力预测生成器进行三阶协同训练和测试；
对测试合格的大蒜挖掘阻力预测生成器进行在线学习和测试，将测试合格的大蒜挖掘阻力预测生成器作为大蒜挖掘阻力预测模型；
其中，大蒜挖掘阻力预测生成器是以目标大蒜收获机工作状态参数和同等工作状态下预存的阻力特征为输入，以预测的未来5s内挖掘阻力曲线和大蒜位置为输出的神经网络架构；
基于环境-农艺数据的阻力评估器用于对大蒜挖掘阻力预测生成器输出的挖掘阻力进行初步的评估，输出评估结果，即挖掘铲振动频率以及大蒜种植株距；
基于土壤-挖掘铲互作数据的阻力评估器用于对大蒜挖掘阻力预测生成器输出的包含土壤和挖掘铲数据的挖掘阻力曲线进行特征提取，输出新的5s内的挖掘阻力预测曲线；
基于土壤-挖掘铲-大蒜互作数据的阻力评估器用于对大蒜挖掘阻力预测生成器输出的包含大蒜、土壤、挖掘铲数据的挖掘阻力曲线进行特征提取，输出新的5s内的挖掘阻力预测曲线以及大蒜在该挖掘阻力曲线中对应的位置。
3.根据权利要求2所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述对大蒜挖掘阻力预测生成器进行三阶协同训练，包括：
将基于环境-农艺数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的环境-农艺数据进行对比，将两者之间的损失作为环境-农艺损失；将基于土壤-挖掘铲互作数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的土壤-挖掘铲互作数据进行对比，将两者之间的损失作为土壤-挖掘铲互作损失；将基于土壤-挖掘铲-大蒜互作数据的阻力评估器输出的挖掘阻力曲线特征数据与数据集中的土壤-挖掘铲-大蒜互作数据进行对比，将两者之间的损伤作为土壤-挖掘铲-大蒜互作损失；
其中，环境-农艺损失是基于挖掘铲振动频率和大蒜种植株距确定的，如下式（1）所示：
（1）
式中，为环境-农艺损失值，/>为第/>个参数的权重系数，其和为1；/>为实际工作状态的特征参数；/>为基于环境-农艺数据的阻力评估器输出的特征参数平均值，所述特征参数包括挖掘铲振动频率和大蒜种植株距；
土壤-挖掘铲互作损失是基于多个阻力特征参数确定的，如下式（2）所示:
（2）
式中，为土壤-挖掘铲互作损失值，/>为第/>个阻力特征参数的权重系数，其和为1；/>为实际工作状态第/>个阻力特征的第/>个参数，/>为基于土壤-挖掘铲互作数据的阻力评估器输出的第/>个阻力特征参数平均值，所述阻力特征参数包括挖掘阻力曲线的频率和小幅值；
土壤-挖掘铲-大蒜互作损失是基于多个阻力特征参数确定的，如下式（3）所示:
（3）
式中，为土壤-挖掘铲-大蒜互作损失值，/>为第/>个阻力特征参数的权重系数，其和为1，/>为实际工作状态第/>个阻力特征的第/>个参数，/>为基于土壤-挖掘铲-大蒜互作数据的阻力评估器输出的第/>个阻力特征参数平均值，所述阻力特征参数包括阻力曲线的大幅值和大蒜种植株距；
在大蒜挖掘阻力预测生成器训练完成之后，利用未参与训练的样本数据对大蒜挖掘阻力预测生成器进行测试，经过三个阻力评估器评估之后，满足性能指标要求的大蒜挖掘阻力预测生成器合格，进行下一步的在线学习。
4.根据权利要求2所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述对测试合格的大蒜挖掘阻力预测生成器进行在线学习，包括：
基于实时获得的目标大蒜收获机挖掘阻力曲线，进行在线学习，在线学习的土壤-挖掘铲-大蒜互作损失值计算式为：
；
式中，为在线学习的土壤-挖掘铲-大蒜互作损失值；/>为在线学习时第/>个阻力特征参数的权重系数；/>为在线学习时第/>个阻力特征的第/>个参数；/>为在线学习时预测范围内第/>个阻力特征平均值，所述阻力特征参数包括阻力曲线的大幅值和大蒜种植株距，/>为设置的延迟时间，/>为实际的累计作业时间；
以挖掘阻力曲线的大幅值和小幅值为判断依据，作为在线学习的关闭条件，计算式如下：
；
其中，为在线学习关闭条件；/>为权重系数；/>、/>分别为预测的后5s大小幅值和前5s大小幅值。
5.根据权利要求2所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述基于环境-农艺数据的阻力评估器的构建过程包括：
提取数据集中的挖掘阻力曲线，提取相邻小幅值的时间间隔以计算出挖掘铲的振动频率，提取相邻大幅值的时间间隔，结合田间实际作业过程中整机的速度数据，以计算出相邻大蒜的间距；建立两个阻力特征对应的阻力特征损失计算式，将计算得到的两个阻力特征损失进行加权求和，作为基于环境-农艺数据的阻力评估规则，得到基于环境-农艺数据的阻力评估器以用于数据的训练；
基于土壤-挖掘铲互作数据的阻力评估器的构建过程包括：
提取数据集中的挖掘阻力曲线，获取阻力特征，包括频率、大幅值、小幅值，同时提取对应的挖掘铲几何参数、工作参数、土壤参数，构成基于土壤-挖掘铲互作数据的阻力评估数据集；设计每一个阻力特征对应的阻力特征损失计算式，将各阻力特征的损失进行加权求和，作为基于土壤-挖掘铲互作数据的阻力评估规则，得到基于土壤-挖掘铲互作数据的阻力评估器以用于数据的训练；
基于土壤-挖掘铲-大蒜互作数据的阻力评估器的构建过程包括：
提取数据集中的阻力曲线，获取阻力特征，包括频率、大幅值、小幅值，同时提取对应的挖掘铲几何参数、工作参数、土壤参数、种植株距参数，构成基于土壤-挖掘铲-大蒜互作数据的阻力评估数据集；设计每一个阻力特征对应的阻力特征损失计算式，将各阻力特征的损失进行加权求和，作为基于土壤-挖掘铲-大蒜互作数据的阻力评估规则，得到基于土壤-挖掘铲-大蒜互作数据的阻力评估器以用于数据的训练。
6.根据权利要求1所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述步骤2中，大蒜损伤预测模型的构建方法如下：
利用试验样本构建数据集，即阻力特征集合，试验样本包括：仿真试验、土槽试验及田间试验过程中收集的相关数据；
构建大蒜损伤预测生成器；
构建大蒜损伤性能评估器；
构建大蒜损伤概率评估器；
基于大蒜损伤性能评估器、大蒜损伤概率评估器以及数据集，对大蒜损伤预测生成器进行大蒜损伤性能数据和损伤概率数据的两阶段协同训练与测试，将测试合格的大蒜损伤预测生成器作为大蒜损伤预测模型；
其中，大蒜损伤预测生成器是以目标大蒜收获机实时的工作状态参数和大蒜挖掘阻力预测生成器预测的5s内挖掘阻力及大蒜位置为输入，以当前单粒大蒜的损伤概率和累积大蒜损伤率为输出的神经网络架构；
大蒜损伤性能评估器用于评估大蒜挖掘过程中大蒜的受力状态，输出评估结果，即压缩应力、能量释放率；
大蒜损伤概率评估器用于根据大蒜的受力状态评估大蒜的受损概率，输出评估结果，即损伤概率。
7.根据权利要求6所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述进行大蒜损伤性能数据和损伤概率数据的两阶段协同训练，包括：
将大蒜损伤性能评估器输出的大蒜鳞芽最大应力与同等条件下仿真数据进行对比，将两者之间的损失作为力学性能评估损失；将大蒜损伤概率评估器输出的大蒜鳞芽损伤概率与仿真试验数据和田间试验数据进行对比，将两者之间的损失作为概率评估损失；
其中，力学性能评估损失是基于大蒜鳞芽最大压缩应力和能量释放率确定的，如下式（4）所示：
（4）
式中，为损伤性能评估损失值，/>为权重系数；/>、/>分别为同等条件下大蒜鳞芽仿真的最大压缩应力和能量释放率；/>、/>分别为大蒜损伤性能评估器输出的最大压缩应力和能量释放率；
概率评估损失是基于大蒜鳞芽最大压缩应力、压缩强度以及能量释放率确定的，如下式（5）所示：
（5）
式中，为概率评估损失值；/>为同等条件下大蒜的损伤概率；/>为大蒜损伤概率评估器输出的损伤概率，其表达式如下式（6）所示：（6）
式中，、/>均为权重系数；/>为实际的大蒜鳞芽许用压缩强度；/>为实际的大蒜鳞芽最大压缩强度；/>为预测的大蒜鳞芽最大压缩应力；/>、/>分别为完全受损和弹性压缩的能量释放率，/>为预测的能量释放率。
8.根据权利要求6所述的大蒜挖掘阻力及损伤率预测方法，其特征在于，所述大蒜损伤性能评估器的构建过程包括：
提取大蒜挖掘阻力预测生成器预测的5s内的大蒜挖掘阻力曲线和大蒜位置，获取阻力特征，包括频率、大幅值、预测的大蒜位置，构成大蒜损伤性能评估的初始数据集；基于初始数据集，获得预测时间5s内的最大挖掘阻力和挖掘铲与大蒜的距离，结合土槽试验与田间试验获得的大蒜损伤情况以及仿真试验获得的大蒜鳞芽应力状态指标和能量释放率指标，形成大蒜损伤性能评估的扩大数据集；构建大蒜损伤性能评估的计算式，利用该计算式获得当前单粒大蒜鳞芽应力状态指标和能量释放率指标，形成损伤性能评估规则，得到大蒜损伤性能评估器用于数据的训练；
大蒜损伤概率评估器的构建过程包括：
提取大蒜损伤性能评估器输出的数据，构建大蒜损伤概率评估数据集，构建大蒜损伤概率评估的计算式，利用该计算式获得当前单粒大蒜的损伤概率评估规则，得到大蒜的损伤概率评估器用于数据的训练。
9.一种用于实现权利要求1至8中任一项所述大蒜挖掘阻力及损伤率预测方法的系统，其特征在于，包括应变传感器，应变传感器与控制器模块信号连接，控制器模块与显示模块信号连接；应变传感器采集并传递目标大蒜收获机挖掘部件的实时应变数据，形成实时的挖掘阻力曲线；控制器模块用于处理目标大蒜收获机实时的挖掘阻力曲线数据以及工作状态参数数据，基于所构建的大蒜挖掘阻力预测模型和大蒜损伤预测模型预测获得目标大蒜收获机未来5s内的挖掘阻力曲线、大蒜位置、当前大蒜损伤概率、累计大蒜损伤率数据，并通过显示模块可视化展示预测的挖掘阻力曲线、大蒜位置、大蒜的损伤概率和累计的大蒜损伤率。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至8中任一项所述大蒜挖掘阻力及损伤率预测方法。
CN202310852081.7A 2023-07-12 2023-07-12 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质 Active CN116579254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310852081.7A CN116579254B (zh) 2023-07-12 2023-07-12 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310852081.7A CN116579254B (zh) 2023-07-12 2023-07-12 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质

Publications (2)

Publication Number Publication Date
CN116579254A true CN116579254A (zh) 2023-08-11
CN116579254B CN116579254B (zh) 2023-09-26

Family

ID=87541684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310852081.7A Active CN116579254B (zh) 2023-07-12 2023-07-12 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质

Country Status (1)

Country Link
CN (1) CN116579254B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05137434A (ja) * 1991-11-21 1993-06-01 Tsutomu Tomabechi にんにく収穫機
CN205727060U (zh) * 2016-06-14 2016-11-30 河北省农业机械化研究所有限公司 一种大蒜收获机

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05137434A (ja) * 1991-11-21 1993-06-01 Tsutomu Tomabechi にんにく収穫機
CN205727060U (zh) * 2016-06-14 2016-11-30 河北省农业机械化研究所有限公司 一种大蒜收获机

Also Published As

Publication number Publication date
CN116579254B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN109272146B (zh) 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN105300692B (zh) 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN116451879B (zh) 一种干旱风险预测方法、系统及电子设备
CN110348615B (zh) 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN105973594A (zh) 一种基于连续深度置信网络的滚动轴承故障预测方法
CN112132430B (zh) 一种配电主设备分布式状态传感器可靠性评估方法及系统
Johnson et al. Bayesian inference for animal space use and other movement metrics
CN107958309A (zh) 一种高坝多点变形性态联合预报方法
CN110348722A (zh) 一种基于XGBoost的互联网金融风控模型
CN108875118A (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN117911957B (zh) 一种针对观赏葵病虫害的防治监控系统及方法
CN115759445A (zh) 一种基于机器学习和云模型的分类洪水随机预报方法
CN116579254B (zh) 一种大蒜挖掘阻力及损伤率预测系统、方法及存储介质
CN116186561B (zh) 基于高维时序图网络的跑步姿势识别纠正方法及系统
Markinos et al. Introducing Fuzzy Cognitive Maps for decision making in precision agriculture
CN116089865A (zh) 一种基于改进型网格搜索随机森林算法进行opgw异常振动分类识别的方法
CN114169106B (zh) 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法
CN115907178A (zh) 一种净生态系统co2交换量的预测方法
CN115526032A (zh) 一种基于模糊建模的隧道掘进数据缺失值插补方法
CN102138468A (zh) 一种稻麦类作物田间试验效果的分段判断方法
CN114936765A (zh) 一种考虑空间异质性的农业干旱指数构建方法
Karimi et al. A wavelet and neuro-fuzzy conjunction model to forecast air temperature variations at coastal sites
Gao et al. Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network
CN115619105B (zh) 基于仿真大数据的动态演化体系能力分析方法和系统
Li et al. Research on Athlete Momentum Based on GA-BP Neural Network

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