CN117970361A - 喂入量预测方法、装置、电子设备及介质 - Google Patents
喂入量预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117970361A CN117970361A CN202410362771.9A CN202410362771A CN117970361A CN 117970361 A CN117970361 A CN 117970361A CN 202410362771 A CN202410362771 A CN 202410362771A CN 117970361 A CN117970361 A CN 117970361A
- Authority
- CN
- China
- Prior art keywords
- crop
- point cloud
- data
- unit grid
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003306 harvesting Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供一种喂入量预测方法、装置、电子设备及介质，属于农业收割技术领域。该方法包括：确定目标区域内的所有被测作物的点云数据，点云数据包括多个数据点；基于每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，单元网格是对点云数据进行网格划分后得到的；基于每个单元网格对应的作物量系数、每个单元网格的面积、每个单元网格内的被测作物的平均高度和每个单元网格内的被测作物的留茬高度，确定每个单元网格内的作物体积；基于目标区域内的作物总体积和目标区域内的作物密度，确定收获设备的喂入量。本发明提供的喂入量预测方法，能够提前预测收获设备的喂入量，为收获设备的作业控制提供关键信息支撑。
Description
技术领域
本发明涉及农业收割技术领域，尤其涉及一种喂入量预测方法、装置、电子设备及介质。
背景技术
喂入量是影响谷物联合收获机器人自主作业性能的关键指标。由于喂入量受到作物属性，收获机器人作业工况等较多因素影响，准确检测喂入量的大小一直是难点。
相关技术中，对喂入量检测和预测主要有四种方法：
（1）通过检测谷物流量推测喂入量大小；
（2）通过检测主要脱粒元件的功耗对喂入量进行预测；
（3）将方法（1）和方法（2）进行融合，既检测谷物流量，又检测主要脱粒元件的功耗；
（4）通过检测喂入物料对过桥的挤压力建立喂入量检测模型。
上述方法主要是通过检测收获机器人某个作业环节的功率部件所承受的负荷间接推算出喂入量，这个作业环节或是喂入，或是输送，或是脱粒分离。由于每个作业环节的功率部件所受负荷对喂入量变化的响应并不相同，而且存在时间延迟，因此，通过检测单一环节功率部件所受负荷推测喂入量都具有一定局限性，导致喂入量预测的时效性不高。
发明内容
本发明提供一种喂入量预测方法、装置、电子设备及介质，用以解决现有技术中通过检测单一环节功率部件所受负荷来预测喂入量的时效性不高的问题。
本发明提供一种喂入量预测方法，包括：
确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
在一些实施例中，所述确定目标区域内的所有被测作物的点云数据之前，所述方法还包括：
基于所述收获设备的行驶方向，获取激光雷达传感器采集的视场区域内的被测作物的点云数据，所述激光雷达传感器安装在所述收获设备上；
基于所述收获设备的割幅宽度和所述收获设备的行驶距离，从所述视场区域内的被测作物的点云数据中，分割出所述目标区域内的所有被测作物的点云数据。
在一些实施例中，所述基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度之前，所述方法还包括：
基于激光雷达传感器与所述每个数据点的直线距离，和所述激光雷达传感器与所述每个数据点的连线与水平面之间的夹角，确定所述每个数据点与所述激光雷达传感器的垂直距离；
基于所述每个数据点与所述激光雷达传感器的垂直距离，和所述激光雷达传感器的安装高度，确定所述每个数据点对应的作物高度值。
在一些实施例中，所述基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，包括：
基于所述每个数据点对应的作物高度值，确定所述目标区域内的所有被测作物的平均高度；
将所述每个数据点对应的作物高度值与所述目标区域内的所有被测作物的平均高度进行对比，将超出预设取值范围的作物高度值所对应的数据点剔除，得到剔除后的数据点；
基于所述剔除后的数据点对应的作物高度值，确定所述每个单元网格内的数据点对应的被测作物的平均高度。
在一些实施例中，所述基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积之前，所述方法还包括：
基于所述目标区域内的数据点的数量和所述目标区域的面积，确定所述目标区域的平均点云密度；
基于所述每个单元网格内的数据点的数量和所述每个单元网格的面积，确定所述每个单元网格对应的点云密度；
基于所述目标区域的平均点云密度和任一所述单元网格对应的点云密度，确定所述每个单元网格对应的作物量系数。
在一些实施例中，所述基于所述目标区域的平均点云密度和任一所述单元网格对应的点云密度，确定所述每个单元网格对应的作物量系数，包括：
在所述单元网格对应的点云密度小于等于所述平均点云密度的情况下，确定所述单元网格对应的作物量系数为0；
在所述单元网格对应的点云密度大于所述平均点云密度的情况下，确定所述单元网格对应的作物量系数为1。
本发明还提供一种喂入量预测装置，包括：
第一确定模块，用于确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
第二确定模块，用于基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
第三确定模块，用于基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
第四确定模块，用于基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述喂入量预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述喂入量预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述喂入量预测方法。
本发明提供的喂入量预测方法、装置、电子设备及介质，通过确定目标区域的点云数据，对点云数据进行数据处理，采用单元网格划分与体积计算，得到目标区域内的作物总体积，进而可以计算喂入量，无需依赖大量其他的工况信息，能够提前预测到收获设备的喂入量信息，提高了喂入量预测的及时性，为收获设备的作业调控提供关键信息支撑。相对于当前喂入量的其他监测方法，不存在信息滞后等现象，使用更为简单，也更有利于收获设备作业的实时调控。
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是本发明提供的喂入量预测方法的流程示意图；
图2是本发明提供的喂入量预测方法应用的基于激光雷达的收获机器人喂入量预测装置的结构示意图；
图3是本发明提供的喂入量预测方法的目标区域示意图；
图4是本发明提供的喂入量预测方法的原理示意图；
图5是本发明提供的喂入量预测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
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。
下面结合图1-图6描述本发明的喂入量预测方法、装置、电子设备及介质。
本发明提供的喂入量预测方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本或者个人数字助理（personal digital assistant，PDA）等，非移动电子设备可以为服务器、网络附属存储器（Network Attached Storage，NAS）、个人计算机（personal computer，PC）、电视机（television，TV）、柜员机或者自助机等，本发明不作具体限定。
下面以计算机执行本发明提供的喂入量预测方法为例，详细说明本发明的技术方案。
图1是本发明提供的喂入量预测方法的流程示意图。参照图1，本发明提供的喂入量预测方法包括：
步骤110、确定目标区域内的所有被测作物的点云数据，点云数据包括多个数据点，每个数据点对应一个被测作物；
步骤120、基于每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，单元网格是对点云数据进行网格划分后得到的；
步骤130、基于每个单元网格对应的作物量系数、每个单元网格的面积、每个单元网格内的被测作物的平均高度和每个单元网格内的被测作物的留茬高度，确定每个单元网格内的作物体积，作物量系数用于指示单元网格内是否存在被测作物；
步骤140、基于目标区域内的作物总体积和目标区域内的作物密度，确定收获设备的喂入量，作物总体积基于每个单元网格内的作物体积确定。
本发明中的收获设备可以收获机器人、收割机或其他具有收获功能的设备，在此不作具体限定。
以收获机器人为例，本发明提供的喂入量预测方法可以应用于基于激光雷达传感器的收获机器人喂入量预测装置。
如图2所示，该装置包括收获机器人作业速度监测单元、3D激光雷达传感器、割台高度监测单元和车载计算机。
收获机器人作业速度监测单元包括卫星导航定位接收机和第一数据采集器。
第一数据采集器用于采集卫星导航定位接收机信息，并解析出收获机器人当前的行驶速度。
激光雷达传感器安装在收获机器人车头上方，与水平面呈一定夹角θ俯视收获机器人行驶的前方区域。θ的大小由所采用的激光雷达传感器的垂直视角以及安装高度决定。激光雷达传感器通过数据线直接连接到车载计算机。
其中，激光雷达传感器可以是三维（3 Dimensions，3D）激光雷达传感器，可以简称为“激光雷达”。
割台高度监测单元包括割台高度检测传感器和第二数据采集器，割台高度检测传感器与第二数据采集器连接。
割台高度检测传感器用于实时检测收获机器人割台高度值，进而得到留茬高度。留茬高度是计算喂入量的重要参数。
车载计算机安装在收获机器人上，用于接收收获机器人作业速度监测单元和3D激光雷达传感器输出的数据，并进行分析处理，计算得到喂入量信息。
在一些实施例中，在步骤110之前，喂入量预测方法还包括：
基于收获设备的行驶方向，获取激光雷达传感器采集的视场区域内的被测作物的点云数据，激光雷达传感器安装在收获设备上；
基于收获设备的割幅宽度和收获设备的行驶距离，从视场区域内的被测作物的点云数据中，分割出目标区域内的所有被测作物的点云数据。
在实际执行中，如图3所示，采用激光雷达获取收获机器人行驶前方区域作物表面的点云数据，点云数据中的每个数据点均是被测作物表面到激光雷达的矢量距离，包括该数据点对应的距离和角度。点云数据可以包括若干个数据点，每个数据点均对应一个被测作物。其中，被测作物即为收获设备的收获作物。
根据收获机器人的割幅宽度W和行驶距离L从点云数据中分割出感兴趣区域的点云数据，即收获机器人单位时间内的目标区域内的点云数据。其中，目标区域可以理解为收获机器人单位时间内的实际收获区域。
其中，收获机器人的行驶速度v，行驶时间为t，则收获机器人的行驶距离L为：
由此，目标区域的面积可以为LW。
在一些实施例中，步骤120之前，喂入量预测方法还包括：
基于激光雷达传感器与每个数据点的直线距离，和激光雷达传感器与每个数据点的连线与水平面之间的夹角，确定每个数据点与激光雷达传感器的垂直距离；
基于每个数据点与激光雷达传感器的垂直距离，和激光雷达传感器的安装高度，确定每个数据点对应的作物高度值。
在实际执行中，得到目标区域的点云数据之后，需要对目标区域的点云数据进行滤波和清洗。
如图4所示，激光雷达的安装高度为H，激光雷达距离任意被测作物对应的数据点的距离为L x，则该数据点与激光雷达的垂直距离为：
其中，θ＋为激光雷达传感器与每个数据点的连线与水平面之间的夹角。/>的大小基于数据点的位置确定，θ的大小基于激光雷达传感器的垂直视角以及安装高度确定。
则该数据点对应的作物高度值为：
在一些实施例中，基于每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，包括：
基于每个数据点对应的作物高度值，确定目标区域内的所有被测作物的平均高度；
将每个数据点对应的作物高度值与目标区域内的所有被测作物的平均高度进行对比，将超出预设取值范围的作物高度值所对应的数据点剔除，得到剔除后的数据点；
基于剔除后的数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度。
在实际执行中，基于每个数据点对应的作物高度值，可以得到目标区域内所有被测作物分别对应的作物高度值，然后可以算出目标区域内的所有被测作物的平均高度。
由于同一片区域作物长势差异一般不会太大，因此，正常情况下作物高度相差不大。据此，将各个被测作物对应的数据点的作物高度值与平均高度值做对比，将预设取值范围外的作物高度值对应的数据点作为异常值进行剔除，得到剔除后的数据点，剔除后的数据点作为正常值并作进一步处理，剔除后的数据点的总数量为N。点云数据剔除异常值后，即得到滤波后的点云数据。
其中，预设取值范围可以为小于或大于/>，也可以根据实际需求设置，在此不作具体限定。
将目标区域内滤波后的点云数据进行网格划分，每个单元网格的面积为S 0，则划分的单元网格总数n为：
基于剔除后的数据点，根据网格划分可统计出每个单元网格内的数据点的数量m，计算每个单元网格内的被测作物对应的数据点的平均高度，平均高度/>可以通过如下公式表示：
在一些实施例中，基于每个单元网格对应的作物量系数、每个单元网格的面积、每个单元网格内的被测作物的平均高度和每个单元网格内的被测作物的留茬高度，确定每个单元网格内的作物体积之前，喂入量预测方法还包括：
基于目标区域内的数据点的数量和目标区域的面积，确定目标区域的平均点云密度；
基于每个单元网格内的数据点的数量和每个单元网格的面积，确定每个单元网格对应的点云密度；
基于目标区域的平均点云密度和任一单元网格对应的点云密度，确定每个单元网格对应的作物量系数。
在实际执行中，由于作物生长疏密程度不同，长势较密集的区域反射回的点云数据也密集，长势较稀疏区域反射回的点云数据也稀疏。
因此，需要根据每个单元网格内数据点数量稀疏不同，判别该单元网格内是否有作物，判别结果用作物量系数表示。判别方法为：
首先计算出整个目标区域的平均点云密度为：
其中，N为滤波后的点云数据包括的数据点的总数量，LW为目标区域的面积。
任意一个单元网格对应的点云密度ρ g为：
其中，m为每个单元网格内的数据点的数量，S 0为任意一个单元网格的面积。
在一些实施例中，基于目标区域的平均点云密度和任一单元网格对应的点云密度，确定每个单元网格对应的作物量系数，包括：
在单元网格对应的点云密度小于等于平均点云密度的情况下，确定单元网格对应的作物量系数为0；
在单元网格对应的点云密度大于平均点云密度的情况下，确定单元网格对应的作物量系数为1。
在实际执行中，作物量系数可以通过如下公式表示：
可以理解的是，作物量系数用于指示单元网格内是否存在被测作物，则/>为0表示单元网格内不存在被测作物，/>为1表示单元网格内存在被测作物。
基于每个单元网格对应的作物量系数、每个单元网格的面积S 0、每个单元网格内的被测作物的平均高度和每个单元网格内的被测作物的留茬高度H 0，计算每个单元格内的作物体积/>：
式中，留茬高度H 0可通过割台高度传感器监测得到。
进一步，计算整个目标区域内的作物总体积，即收获机器人收获区域的作物总体积V：
作物总体积即可代表收获设备的喂入量的大小或变化趋势。
在一些实施例中，也可通过人工标定法测得当前被测作物的作物密度，然后根据如下公式计算得到以单位时间收获被测作物的喂入量Q：
本发明提供的喂入量预测方法，采用激光雷达传感器获取的收获设备行驶前方被测作物表面的点云数据，通过滤波进行异常值剔除和目标区域数据提取等方法，获得有效的被测作物表面的点云数据，再采用单元网格划分与体积计算，最终得到目标区域内的作物总体积。该方法能够提前监测收获机器人喂入量信息，为收获机器人作业调控提供关键信息支撑。
下面对本发明提供的喂入量预测装置进行描述，下文描述的喂入量预测装置与上文描述的喂入量预测方法可相互对应参照。
图5是本发明提供的喂入量预测装置的结构示意图。参照图5，本发明提供的喂入量预测装置包括：
第一确定模块510，用于确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
第二确定模块520，用于基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
第三确定模块530，用于基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
第四确定模块540，用于基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
本发明提供的喂入量预测装置，通过确定目标区域的点云数据，对点云数据进行数据处理，采用单元网格划分与体积计算，得到目标区域内的作物总体积，进而可以计算喂入量，无需依赖大量其他的工况信息，能够提前预测到收获设备的喂入量信息，提高了喂入量预测的及时性，为收获设备的作业调控提供关键信息支撑。相对于当前喂入量的其他监测方法，不存在信息滞后等现象，使用更为简单，也更有利于收获设备作业的实时调控。
在一些实施例中，所述装置还包括：
获取模块，用于在所述确定目标区域内的所有被测作物的点云数据之前，基于所述收获设备的行驶方向，获取激光雷达传感器采集的视场区域内的被测作物的点云数据，所述激光雷达传感器安装在所述收获设备上；
分割模块，用于基于所述收获设备的割幅宽度和所述收获设备的行驶距离，从所述视场区域内的被测作物的点云数据中，分割出所述目标区域内的所有被测作物的点云数据。
在一些实施例中，所述装置还包括：
第五确定模块，用于在所述基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度之前，基于激光雷达传感器与所述每个数据点的直线距离，和所述激光雷达传感器与所述每个数据点的连线与水平面之间的夹角，确定所述每个数据点与所述激光雷达传感器的垂直距离；
基于所述每个数据点与所述激光雷达传感器的垂直距离，和所述激光雷达传感器的安装高度，确定所述每个数据点对应的作物高度值。
在一些实施例中，所述第五确定模块，具体用于：
基于所述每个数据点对应的作物高度值，确定所述目标区域内的所有被测作物的平均高度；
将所述每个数据点对应的作物高度值与所述目标区域内的所有被测作物的平均高度进行对比，将超出预设取值范围的作物高度值所对应的数据点剔除，得到剔除后的数据点；
基于所述剔除后的数据点对应的作物高度值，确定所述每个单元网格内的数据点对应的被测作物的平均高度。
在一些实施例中，所述装置还包括：
第六确定模块，用于在所述基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积之前，基于所述目标区域内的数据点的数量和所述目标区域的面积，确定所述目标区域的平均点云密度；
基于所述每个单元网格内的数据点的数量和所述每个单元网格的面积，确定所述每个单元网格对应的点云密度；
基于所述目标区域的平均点云密度和任一所述单元网格对应的点云密度，确定所述每个单元网格对应的作物量系数。
在一些实施例中，所述第六确定模块，具体用于：
在所述单元网格对应的点云密度小于等于所述平均点云密度的情况下，确定所述单元网格对应的作物量系数为0；
在所述单元网格对应的点云密度大于所述平均点云密度的情况下，确定所述单元网格对应的作物量系数为1。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行喂入量预测方法，该方法包括：
确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
此外，上述的存储器630中的逻辑指令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取存储介质中。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，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的喂入量预测方法，该方法包括：
确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的喂入量预测方法，该方法包括：
确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种喂入量预测方法，其特征在于，包括：
确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
2.根据权利要求1所述的喂入量预测方法，其特征在于，所述确定目标区域内的所有被测作物的点云数据之前，所述方法还包括：
基于所述收获设备的行驶方向，获取激光雷达传感器采集的视场区域内的被测作物的点云数据，所述激光雷达传感器安装在所述收获设备上；
基于所述收获设备的割幅宽度和所述收获设备的行驶距离，从所述视场区域内的被测作物的点云数据中，分割出所述目标区域内的所有被测作物的点云数据。
3.根据权利要求1所述的喂入量预测方法，其特征在于，所述基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度之前，所述方法还包括：
基于激光雷达传感器与所述每个数据点的直线距离，和所述激光雷达传感器与所述每个数据点的连线与水平面之间的夹角，确定所述每个数据点与所述激光雷达传感器的垂直距离；
基于所述每个数据点与所述激光雷达传感器的垂直距离，和所述激光雷达传感器的安装高度，确定所述每个数据点对应的作物高度值。
4.根据权利要求1所述的喂入量预测方法，其特征在于，所述基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，包括：
基于所述每个数据点对应的作物高度值，确定所述目标区域内的所有被测作物的平均高度；
将所述每个数据点对应的作物高度值与所述目标区域内的所有被测作物的平均高度进行对比，将超出预设取值范围的作物高度值所对应的数据点剔除，得到剔除后的数据点；
基于所述剔除后的数据点对应的作物高度值，确定所述每个单元网格内的数据点对应的被测作物的平均高度。
5.根据权利要求1所述的喂入量预测方法，其特征在于，所述基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积之前，所述方法还包括：
基于所述目标区域内的数据点的数量和所述目标区域的面积，确定所述目标区域的平均点云密度；
基于所述每个单元网格内的数据点的数量和所述每个单元网格的面积，确定所述每个单元网格对应的点云密度；
基于所述目标区域的平均点云密度和任一所述单元网格对应的点云密度，确定所述每个单元网格对应的作物量系数。
6.根据权利要求5所述的喂入量预测方法，其特征在于，所述基于所述目标区域的平均点云密度和任一所述单元网格对应的点云密度，确定所述每个单元网格对应的作物量系数，包括：
在所述单元网格对应的点云密度小于等于所述平均点云密度的情况下，确定所述单元网格对应的作物量系数为0；
在所述单元网格对应的点云密度大于所述平均点云密度的情况下，确定所述单元网格对应的作物量系数为1。
7.一种喂入量预测装置，其特征在于，包括：
第一确定模块，用于确定目标区域内的所有被测作物的点云数据，所述点云数据包括多个数据点，每个数据点对应一个被测作物；
第二确定模块，用于基于所述每个数据点对应的作物高度值，确定每个单元网格内的数据点对应的被测作物的平均高度，所述单元网格是对所述点云数据进行网格划分后得到的；
第三确定模块，用于基于所述每个单元网格对应的作物量系数、所述每个单元网格的面积、所述每个单元网格内的被测作物的平均高度和所述每个单元网格内的被测作物的留茬高度，确定所述每个单元网格内的作物体积，所述作物量系数用于指示所述单元网格内是否存在所述被测作物；
第四确定模块，用于基于所述目标区域内的作物总体积和所述目标区域内的作物密度，确定收获设备的喂入量，所述作物总体积基于所述每个单元网格内的作物体积确定。
8.根据权利要求7所述的喂入量预测装置，其特征在于，所述装置还包括：
获取模块，用于在所述确定目标区域内的所有被测作物的点云数据之前，基于所述收获设备的行驶方向，获取激光雷达传感器采集的视场区域内的被测作物的点云数据，所述激光雷达传感器安装在所述收获设备上；
分割模块，用于基于所述收获设备的割幅宽度和所述收获设备的行驶距离，从所述视场区域内的被测作物的点云数据中，分割出所述目标区域内的所有被测作物的点云数据。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述喂入量预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述喂入量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410362771.9A CN117970361A (zh) | 2024-03-28 | 2024-03-28 | 喂入量预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410362771.9A CN117970361A (zh) | 2024-03-28 | 2024-03-28 | 喂入量预测方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117970361A true CN117970361A (zh) | 2024-05-03 |
Family
ID=90859821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410362771.9A Pending CN117970361A (zh) | 2024-03-28 | 2024-03-28 | 喂入量预测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970361A (zh) |
-
2024
- 2024-03-28 CN CN202410362771.9A patent/CN117970361A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10832351B2 (en) | Correcting bias in agricultural parameter monitoring | |
| EP3682410A1 (en) | Generating a yield map for an agricultural field using classification and regression methods | |
| EP2081326A1 (en) | Statistical processing apparatus capable of reducing storage space for storing statistical occurence frequency data and a processing method therefor | |
| CN107123115B (zh) | 一种基于图像处理的谷物收割清选损失实时在线检测方法 | |
| CN111667017A (zh) | 一种联合收割机喂入量预测系统及其预测方法 | |
| US11688069B2 (en) | Dynamic area thresholding for automatic crop health change detection and alerting system | |
| CN113761705A (zh) | 基于多维属性相关分析的多传感器融合方法及系统 | |
| CN114548277B (zh) | 基于点云数据的地面点拟合、作物高度提取的方法及系统 | |
| CN115980050A (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
| CN114009207A (zh) | 一种收割面积测量方法及收割机 | |
| CN108334091B (zh) | 收获机作业面积的计算方法、装置和收获机 | |
| CN117970361A (zh) | 喂入量预测方法、装置、电子设备及介质 | |
| CN112418073B (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
| CN111121946B (zh) | 大动态范围大离散单区域多点精准确定异常值的方法 | |
| CN115423005B (zh) | 一种联合收获机大数据重构方法与装置 | |
| CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
| CN116051645A (zh) | 作物群体的表型获取方法及装置 | |
| Noack et al. | An algorithm for automatic detection and elimination of defective yield data | |
| Paixão et al. | Times of efficiency and quality of soybean crop mechanical operation in geometry functions of plots | |
| CN115457001A (zh) | 基于vgg网络的光伏板异物检测方法、系统、装置及介质 | |
| CN112508970B (zh) | 一种点云数据分割方法及装置 | |
| EP3739510A1 (en) | Mobile work machine control system with terrain image analysis | |
| Masuda et al. | A method to detect the occurrence of rice plant lodging using wavelet transform | |
| CN117368870B (zh) | 一种微波散射计载荷特性评估方法、装置及设备 | |
| Hermann et al. | On-the-go throughput prediction in a combine harvester using sensor fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |