DE102019214038B4 - Kornqualitätskontrollsystem und -verfahren - Google Patents

Kornqualitätskontrollsystem und -verfahren Download PDF

Info

Publication number
DE102019214038B4
DE102019214038B4 DE102019214038.6A DE102019214038A DE102019214038B4 DE 102019214038 B4 DE102019214038 B4 DE 102019214038B4 DE 102019214038 A DE102019214038 A DE 102019214038A DE 102019214038 B4 DE102019214038 B4 DE 102019214038B4
Authority
DE
Germany
Prior art keywords
tailings
elevator
grain
image
housing
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.)
Active
Application number
DE102019214038.6A
Other languages
English (en)
Other versions
DE102019214038A1 (de
Inventor
Stephen Corban
Scott Miller
Herman Herman
Zachary Pezzementi
Trenton Tabor
Jonathan Chang
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.)
Deere and Co
Original Assignee
Deere and Co
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 Deere and Co filed Critical Deere and Co
Publication of DE102019214038A1 publication Critical patent/DE102019214038A1/de
Application granted granted Critical
Publication of DE102019214038B4 publication Critical patent/DE102019214038B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A01D41/1277—Control or measuring arrangements specially adapted for combines for measuring grain quality
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01F—PROCESSING OF HARVESTED PRODUCE; HAY OR STRAW PRESSES; DEVICES FOR STORING AGRICULTURAL OR HORTICULTURAL PRODUCE
    • A01F12/00—Parts or details of threshing apparatus
    • A01F12/46—Mechanical grain conveyors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • A01D41/06—Combines with headers
    • 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
    • A01D41/1271—Control or measuring arrangements specially adapted for combines for measuring crop flow
    • A01D41/1272—Control or measuring arrangements specially adapted for combines for measuring crop flow for measuring grain flow
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D45/00—Harvesting of standing crops
    • A01D45/30—Harvesting of standing crops of grass-seeds or like seeds
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D61/00—Elevators or conveyors for binders or combines
    • A01D61/02—Endless belts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/66—Trinkets, e.g. shirt buttons or jewellery items
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/50—Constructional details
    • H04N23/51—Housings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/50—Constructional details
    • H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D43/00—Mowers combined with apparatus performing additional operations while mowing
    • A01D43/08—Mowers combined with apparatus performing additional operations while mowing with means for cutting up the mown crop, e.g. forage harvesters
    • A01D43/085—Control or measuring arrangements specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N2021/8592—Grain or other flowing solid samples
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Abstract

Kornüberkehrelevator (70) für einen Mähdrescher (20), umfassend: ein Elevatorgehäuse (76) mit einem Innenraum, der eine Förderanordnung (82) enthält, die konfiguriert ist, um Kornüberkehr durch das Elevatorgehäuse (76) zu einem Abgabeauslass (84) zu transportieren, wobei das Elevatorgehäuse (76) eine Seitenwand (138) mit einem Fenster (140) zu dem Innenraum des Elevatorgehäuses (76) aufweist; und eine Kamera (132) mit einem Kameragehäuse (136), das einen Bildsensor (134) enthält, wobei das Kameragehäuse (136) an der Seitenwand (138) des Elevatorgehäuses (76) über dem Fenster (140) angebracht ist, wobei der Bildsensor (134) mit dem Fenster (140) ausgerichtet ist; wobei der Bildsensor (134) derart an der Förderanordnung (82) ausgerichtet und konfiguriert ist, um die Kornüberkehr abzubilden, die durch die Förderanordnung (82) durch das Elevatorgehäuse (76) transportiert wird, wobei die Förderanordnung (82) eine Vielzahl von Flügeln (80) beinhaltet, die mit einem flexiblen Element gekoppelt und entlang einer Länge des Elevatorgehäuses (76) beabstandet sind; und wobei jeder Flügel (80) eine Vorderkante (86) und eine Hinterkante (88) aufweist, wobei die Vorderkante (86) näher an der Seitenwand (138) des Elevatorgehäuses (76) ist als die Hinterkante (88), dadurch gekennzeichnet, dass ein Sensor (160) konfiguriert ist, um die Flügel (80) zu erfassen, wenn sie das Elevatorgehäuse (76) durchqueren und der Sensor (160) funktionsfähig an die Kamera (132) gekoppelt ist, um den Bildsensor (134) nach dem Erfassen eines der mehreren Flügel (80) zu aktivieren.

Description

  • GEBIET DER OFFENBARUNG
  • Diese Offenbarung bezieht sich im Allgemeinen auf landwirtschaftliche Mähdrescher, und insbesondere auf Systeme zur Verbesserung der Qualität des geernteten Korns.
  • HINTERGRUND DER OFFENBARUNG
  • Der Wert des losen Korns kann von der Qualität des losen Korns abhängen. Hochwertiges Korn zeichnet sich durch hohe Anteile an reinem ungebrochenem Korn und niedrige Anteile an gebrochenem Korn und anderem Material als Korn (MOG) aus. Die Überwachung der Qualität von losem Korn kann zur Verbesserung der Kornqualität beitragen. Das Abbilden und Klassifizieren des Kornmaterials kann eine effektive Überwachungstechnik darstellen. Die genaue Klassifizierung hängt zum Teil von einer zuverlässigen Probenahme und Abbildung der Körner ab.
  • Die EP 2 570 968 A2 zeigt einen Körnerüberkehrelevator gemäß dem Oberbegriff des Anspruchs 1. Eine Kamera erfasst Bilder der Überkehr, die in einem Paddelelevator gefördert wird, durch eine Öffnung in einer Seitenwand.
  • Die US 9 779 330 B2 zeigt einen Mähdrescher mit einer Bilderfassung der Überkehr und einer Auswertung zur Erkennung der Bestandteile, die auf einem Convolutional Neural Network (CNN)-Algorithmus basiert.
  • KURZFASSUNG
  • Die Offenbarung stellt ein Kornqualitätskontrollsystem und -verfahren zum Überwachen und Steuern von durch einen landwirtschaftlichen Mähdrescher geerntetem Korn bereit.
  • Es wird ein Kornüberkehrelevator und entsprechendes Verfahren für einen Mähdrescher beschrieben. Der Kornüberkehrelevator weist ein Elevatorgehäuse mit einem Innenraum mit einer Fördereinrichtung auf, die teilweise gedroschenes Kornüberkehrgut durch das Elevatorgehäuse zu einem Auswurf transportiert. Das Elevatorgehäuse weist eine Seitenwand mit einem Fenster zum Inneren des Elevatorgehäuses auf. Eine Kamera weist ein Kameragehäuse auf, in dem ein Bildsensor untergebracht ist. Das Kameragehäuse ist am Elevatorgehäuse über dem Fenster in der Seitenwand montiert, wobei der Bildsensor mit dem Fenster ausgerichtet ist. Der Bildsensor ist auf die Förderanordnung gerichtet und bildet das von der Förderanordnung durch das Elevatorgehäuse transportierte Kornüberkehrgut ab. Die Förderanordnung umfasst eine Vielzahl von Flügeln beinhaltet, die mit einem flexiblen Element gekoppelt und entlang einer Länge des Elevatorgehäuses beabstandet sind. Jeder Flügel weist eine Vorderkante und eine Hinterkante auf, wobei die Vorderkante näher an der Seitenwand des Elevatorgehäuses ist als die Hinterkante. Ein Sensor ist konfiguriert, um die Flügel zu erfassen, wenn sie das Elevatorgehäuse durchqueren und der Sensor ist funktionsfähig an die Kamera gekoppelt, um den Bildsensor nach dem Erfassen eines der mehreren Flügel zu aktivieren.
  • Die Details einer oder mehrerer Ausführungsformen werden in den beigefügten Zeichnungen und der nachfolgenden Beschreibung dargelegt. Andere Eigenschaften und Vorteile werden aus der Beschreibung und den Zeichnungen sowie aus den Ansprüchen ersichtlich.
  • KURZBESCHREIBUNG DER ZEICHNUNGEN
    • 1 ist eine schematische Ansicht eines beispielhaften landwirtschaftlichen Mähdreschers mit einem Kornqualitätskontrollsystem gemäß dieser Offenbarung;
    • 2 ist eine perspektivische Ansicht eines beispielhaften Kornüberkehrelevators des Mähdreschers aus 1 zur Verwendung im Rahmen des Kornqualitätskontrollsystems;
    • 3 ist eine teilweise vergrößerte Ansicht eines Abschnitts des Kornüberkehrelevators aus 2;
    • 4 ist eine Teilquerschnittsseitenansicht eines Abschnitts des Kornüberkehrelevators von 2;
    • 5 und 6 sind schematische Diagramme eines beispielhaften Kornqualitätskontrollsystems gemäß dieser Offenbarung;
    • 7 ist ein Prozessflussdiagramm eines beispielhaften Verfahrens zur Implementierung des Kornqualitätskontrollsystems gemäß dieser Offenbarung;
    • 8 ist ein schematisches Diagramm eines beispielhaften Kornqualitätserfassungssystems für das Kornkontrollsystem gemäß dieser Offenbarung;
    • 9 veranschaulicht beispielhafte Wahrscheinlichkeiten für bestimmte Materialklassifizierungen eines Bildes aus dem Kornqualitätskontrollsystem gemäß dieser Offenbarung;
    • 10 und 11 sind schematische Diagramme eines entfernten Konnektivitätssystems für den landwirtschaftlichen Mähdrescher aus 1; und
    • 12A und 12B sind Beispielbilder von Kornüberkehr.
  • Gleiche Bezugssymbole in den unterschiedlichen Zeichnungen bezeichnen gleiche Elemente.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Im Folgenden werden eine oder mehrere beispielhafte Implementierungen des offenbarten Kornqualitätskontrollsystems und -verfahrens beschrieben, wie sie in den beigefügten Figuren der vorstehend kurz beschriebenen Zeichnungen dargestellt sind. Von Fachleuten auf dem Gebiet können verschiedene Abwandlungen der beispielhaften Implementierungen in Betracht gezogen werden.
  • Wie hierin verwendet, bezeichnen Aufzählungen mit Elementen, die durch konjunktive Ausdrücke (z. B. „und“) getrennt sind und denen auch der Ausdruck „einer/eine/eines oder mehrere von“ oder „mindestens einer/eine/eines von“ vorangestellt ist, Konfigurationen oder Anordnungen, die möglicherweise einzelne Elemente der Aufzählung oder eine Kombination davon enthalten. Zum Beispiel zeigt „mindestens eines von A, B und C“ oder „eines oder mehrere von A, B und C“ die Möglichkeiten von nur A, nur B, nur C oder einer beliebigen Kombination von zwei oder mehr von A, B und C (z. B. A und B; B und C; A und C; or A, B, und C) an.
  • Außerdem können in der Detaillierung der Offenbarung Richtungs- und Ausrichtungsbegriffe, wie etwa „vorwärts“, „vorne“, „rückwärts“, „hinten“, „seitlich“, „horizontal“ und „vertikal“, verwendet werden. Derartige Begriffe werden mindestens teilweise in Bezug auf die Fahrtrichtung des Arbeitsfahrzeugs oder Arbeitsgeräts beim Einsatz definiert. So beziehen sich beispielsweise die Begriffe „vorwärts“ und „vorne“ (einschließlich „vorwärts“ und weiterer Ableitungen oder Variationen) auf eine Richtung, die der primären Fahrtrichtung entspricht, während sich der Begriff „rückwärts“ und „hinten“ (und Ableitungen und Variationen) auf eine entgegengesetzte Richtung beziehen. Der Begriff „Längsachse“ kann sich auch auf eine Achse beziehen, die sich nach vorne und nach hinten erstreckt. Im Vergleich dazu kann sich der Begriff „Querachse“ auf eine Achse beziehen, die senkrecht zur Längsachse steht und sich auf einer horizontalen Ebene erstreckt, d. h. einer Ebene, die sowohl die Längs- als auch die Querachse enthält. Der Begriff „vertikal“ bezieht sich auf eine Achse oder eine Richtung, die orthogonal zur horizontalen Ebene ist, die die Vorder- und Querachsen enthält.
  • Die vorliegende Offenbarung stellt ein verbessertes Kornqualitätskontrollsystem zur Verwendung in landwirtschaftlichen Mähdreschern bereit, um die Qualität der Ausbeute an reinem Korn zu verbessern. Das hier offenbarte Kornqualitätskontrollsystem kann so verstanden werden, dass es sowohl die Bestandteilskomponenten des Ernteguts überwacht, während es den Mähdrescher durchläuft, als auch verschiedene Betriebsparameter des Mähdreschers auf Grundlage einer Bewertung der Qualität des überwachten Korns aktiv steuert. Durch das hier offenbarte verbesserte Überwachungssystem und -verfahren ist der Maschinensteuerungsaspekt des Systems besser in der Lage, Maschinenparameter einzustellen, um höhere Reinkornerträge zu erzeugen.
  • In verschiedenen Ausführungsformen überwacht das Kornqualitätskontrollsystem die Saatgutbestandteile mithilfe eines Sicht- oder Abbildungssystems, das eine/n oder mehrere Kameras oder Bildsensoren beinhaltet. Das Bildgebungssystem kann somit die Erntegutbestandteile an verschiedenen Stellen entlang des Flusses des Ernteguts durch den Mähdrescher visuell abfragen. Das hierin beschriebene System und Verfahren ist nicht auf die genaue Platzierung des Systems oder des Abfragebereichs beschränkt.
  • In bestimmten Ausführungsformen erfolgt die Bildgebung während eines reinen Transportabschnitts des Erntegutstroms durch den Mähdrescher, was eine bessere Bildgebungsumgebung im Vergleich zu anderen Erntegutverarbeitungsbereichen bietet. In verschiedenen Ausführungsformen erfolgt die Bildgebung an einem oder mehreren Kornelevatoren. Wie bei herkömmlichen Systemen kann die Bildgebung an einem Umgehungsbereich oder Kanalabzweig eines Reinkornelevators erfolgen, in dem reines Korn zur Bildgebung zu dem Umgehungskanal umgeleitet wird, während es sich mit einer langsameren Geschwindigkeit bewegt als in dem Reinkornelevator selbst.
  • Das verbesserte Kornqualitätskontrollsystem dieser Offenbarung bietet auch eine visuelle Abfrage des geernteten Ernteguts durch Abbilden des Korns und/oder der Spreu direkt innerhalb der Kornelevatoren, einschließlich der Elevatoren für Reinkorn und/oder Kornüberkehr. In verschiedenen Ausführungsformen, wie nachstehend ausführlich beschrieben, kann das offenbarte Kornqualitätskontrollsystem mit Bildgebungshardware konfiguriert sein, die dazu ausgelegt ist, direkt am Kornüberkehrelevator montiert zu werden, ohne dass eine Umgehung erforderlich ist, um die darin getragene Kornüberkehr direkt abzubilden. Durch eine solche direkte Montage und richtige Positionierung der Hardware für eine bessere Sichtprüfung und Koordination der Bildabtastung relativ zu den Elevatormerkmalen und der Bewegung ist das Kornqualitätskontrollsystem in der Lage, eine Echtzeitabbildung des Korns und der Spreu und eine Analyse der Probenbilder für eine verbesserte Identifizierung und Klassifizierung der Bestandteile bereitzustellen.
  • In verschiedenen Ausführungsformen werden die Bildverarbeitungsfähigkeiten des Kornqualitätskontrollsystems durch eine verbesserte Logikarchitektur, die Deep-Learning-Fähigkeiten beinhaltet, verbessert (z. B. verbesserte Komponententeileidentifikation und - klassifizierung). Der Deep-Learning-Aspekt des hierin offenbarten Kornqualitätskontrollsystems ermöglicht verbesserte Systemfunktionalität und -betrieb (z. B. erhöhte Verarbeitungsgeschwindigkeit, verringerte Verarbeitungslast, höhere Abtastraten usw.) im Vergleich zu herkömmlichen Systemen. Im Folgenden werden verschiedene Attribute des Deep-Learning-Aspekts der Bildverarbeitung beschrieben.
  • Unter Bezugnahme auf 1 kann ein Kornqualitätskontrollsystem in Bezug auf einen beispielhaften landwirtschaftlichen Mähdrescher 20 oder in Bezug auf eine Vielzahl anderer landwirtschaftlicher Mähdrescher implementiert sein. Wie in 1 gezeigt, beinhaltet der beispielhafte Mähdrescher 20 ein Fahrgestell 22 mit Rädern 24 oder Raupenketten mit Bodenkontakt. Die Räder 24 sind drehbar an dem Fahrgestell 22 angebracht und stehen mit dem Boden in Kontakt, um den Mähdrescher 20 in einer Fahrtrichtung T anzutreiben. Eine Fahrerkabine 26, die ebenfalls an dem Fahrgestell 22 angebracht ist, beherbergt einen Bediener sowie verschiedene Vorrichtungen zum Steuern des Mähdreschers 20. Die Räder 24 und andere Vorrichtungen des Mähdreschers 20 werden von einem Verbrennungsmotor 28 angetrieben.
  • Ein Erntevorsatz 30 ist an der Vorderseite des Mähdreschers 20 angebracht, um Erntegut von einem Feld zu schneiden und zu sammeln. Der Erntevorsatz 30 wird von einem Zuführgehäuse 32 getragen, das schwenkbar an dem Fahrgestell 22 angebracht ist. Das Zuführgehäuse 32 kann beispielsweise einen Schrägförderer(nicht gezeigt) zum Transport von geschnittenem Erntegut vom Erntevorsatz 30 in den Aufbau des Mähdreschers 20 beinhalten. Nach Überqueren einer Leittrommel 34 gelangt das Erntegut aus dem Zuführgehäuse 32 zu einer im Allgemeinen längs ausgerichteten Dreschvorrichtung oder einem Abscheider 36. Andere Ausführungsformen können seitlich ausgerichtete oder andere Dreschvorrichtungen (nicht dargestellt) beinhalten. In der abgebildeten Ausführungsform beinhaltet der Abscheider 36 einen Rotor 38, an dem verschiedene Dreschelemente befestigt sind. Der Rotor 38 dreht sich über einem oder mehreren Gitter- oder Sieb-Dreschkörben 40, sodass Erntegut, das zwischen dem Rotor 38 und dem Dreschkorb 40 hindurchgeht, zumindest teilweise in Korn und Spreu (oder anderes „sonstiges Material als Korn“ (MOG)) getrennt wird. Das MOG wird nach hinten getragen und zwischen dem Rotor 38 und dem Konkav 40 freigegeben. Der größte Teil des im Abscheider 36 getrennten Korns (und ein Teil des MOG) fällt durch Öffnungen im Dreschkorb 40 nach unten. Ein Abscheiderverlustsensor 37 stellt einen Kornverlust in dem Abscheider 36 als separate Kornverlustsignale oder als ein kombiniertes oder Aggregatsignal bereit.
  • Durch die Hohlräume 40 hindurchtretendes Korn und MOG fallen zur weiteren Reinigung in ein Reinigungsteilsystem (oder einen Siebkasten) oder werden diesem aktiv zugeführt 42. Das Reinigungsteilsystem 42 beinhaltet ein Gebläse 44, das von einem Motor 46 angetrieben wird, der im Allgemeinen einen nach hinten gerichteten Luftstrom erzeugt, sowie ein Sieb 48 und einen Häcksler 50. Das Sieb 48 und der Häcksler 50 sind in Bezug auf das Fahrgestell 22 durch eine Betätigungsanordnung 52 aufgehängt, die Schwenkarme und Kipphebel beinhalten kann, die an Scheiben (oder anderen Vorrichtungen) angebracht sind. Wenn das Gebläse 44 Luft über und durch das Sieb 48 und den Häcksler 50 bläst, kann die Betätigungsanordnung 52 eine Hin- und Herbewegung des Siebs 48 und des Häckslers 50 bewirken (z. B. über eine Bewegung der Kipphebel). Die Kombination dieser Bewegung des Siebs 48 und des Häckslers 50 mit dem Luftstrom vom Gebläse 44 bewirkt im Allgemeinen, dass die leichtere Spreu innerhalb des Mähdreschers 20 nach oben und hinten geblasen wird, während das schwerere Korn durch das Sieb 48 und den Häcksler 50 fällt und sich in einem Trog 54 für reines Korn nahe dem Boden des Mähdreschers 20 ansammelt. Eine Reinkorn-Schnecke 56, die in dem Trog 54 für reines Korn angeordnet ist, transportiert das Material zu der einen Seite des Mähdreschers 20 und legt das Korn im unteren Ende eines Elevators 58 für reines Korn ab. Das vom Reinkornelevator 58 angehobene reine Korn wird nach oben befördert, bis es den oberen Ausgang des Reinkornelevators 58 erreicht. Das reine Korn wird dann aus dem Reinkornelevator 58 freigegeben und fällt in einen Korntank 60.
  • Das in das Reinigungsteilsystem 42 eintretende Korn wird jedoch größtenteils nicht nach hinten transportiert, sondern gelangt durch den Häcksler 50, dann durch das Sieb 48 nach unten. Von dem vom Gebläse 44 auf die Rückseite des Siebs 48 und des Häckslers 50 beförderten Material werden kleinere MOG-Partikel aus der Rückseite des Mähdreschers 20 ausgeblasen. Größere MOG-Partikel und Korn werden nicht von der Rückseite des Mähdreschers 20 ausgeblasen, sondern fallen aus dem Reinigungsteilsystem 42 und auf einen Siebverlustsensor 62, der auf einer Seite des Reinigungsteilsystems 42 angeordnet ist, das konfiguriert ist, um Siebverluste auf dieser Seite des Reinigungsteilsystems 42 zu erfassen, und auf einen Siebverlustsensor 64, der auf der anderen Seite des Reinigungsteilsystems 42 angeordnet ist, das konfiguriert ist, um Siebverluste auf seiner Seite des Reinigungsteilsystems 42 zu erfassen. Die Siebkastenverlustsensoren 62, 64 können Ausgangssignale bereitstellen, die die Menge des Kornverlustes sowohl auf der rechten als auch auf der linken Seite der Reinigungsbaugruppe 42 anzeigen. In einem Beispiel sind die Sensoren 62, 64 Schlagsensoren, die Kornschläge pro Zeiteinheit (oder pro Entfernungseinheit) zählen, um einen Hinweis auf den Kornverlust des Siebkastenkornverlusts in einzelnen Signalen oder einem kombinierten oder aggregierten Signal vorzusehen.
  • Schwereres Material, das an die Rückseite des Häckslers 50 getragen wird, fällt aus dem Mähdrescher 20 heraus und kann teilweise von den Siebkastenverlustsensoren 62, 64 erfasst werden. Schwereres Material, das an die Rückseite des Siebes 48 transportiert wird, fällt auf ein Schale und wird dann durch Schwerkraft nach unten in eine Kornüberkehrwanne 66 gefördert. Dieses schwerere Material wird als „Überkehr“ bezeichnet und ist typischerweise eine Mischung aus Korn und MOG. Eine Überkehrschnecke 68 ist in der Überkehrwanne 66 angeordnet und transportiert die Kornüberkehr zu der gegenüberliegenden Seite des Mähdreschers 20 und in einen Kornüberkehrelevator 70.
  • Der Überkehrelevator 70 kann auf ähnliche oder andere Weise wie der Reinkornelevator 58 unter Verwendung eines beliebigen von verschiedenen bekannten Transportmechanismen (z. B. Schnecken, Mitnehmerband usw.) konstruiert sein. Da das Kornqualitätskontrollsystem hierin als Abfrage der Kornüberkehr innerhalb des Überkehrelevators 70 beschrieben wird, wird nur die Konstruktion des beispielhaften Kornüberkehrelevators 70 detailliert beschrieben. Es versteht sich jedoch, dass die Grundsätze dieser Offenbarung verwendet werden könnten, um das reine Korn innerhalb des Reinkornelevators 58 abzufragen, und ferner, dass ein solches Kornqualitätskontrollsystem darin integriert sein kann.
  • Bezugnehmend auch auf 2-4 kommuniziert der Kornüberkehrelevator 70 mit der Überkehrschnecke 68 an einer Zuführ- oder Einlassöffnung 71 des Kornüberkehrelevators 70, wo Kornüberkehr zum Transport zur weiteren Verarbeitung aufgenommen wird. In der dargestellten Ausführungsform sind Ritzel 74 (eines gezeigt) an gegenüberliegenden Enden eines Kornüberkehrelevatorgehäuses 76 angeordnet, und eine Kette 78 (oder ein anderes flexibles Element) auf den Ritzeln 74 dient zur Leistungsübertragung zwischen den Ritzeln 74. Eine Reihe von Flügeln 80 (oder anderen Transportelementen) wird von der Kette 78 getragen, sodass die Kette 78 bewegt wird, wenn sich die Ritzel 74 drehen, um die Flügel 80 entlang einer im Allgemeinen im Uhrzeigersinn verlaufenden länglichen Bahn anzutreiben (aus der Perspektive von 4). Auf diese Weise kann Korn, das von der Überkehrschnecke 68 durch die Einlassöffnung 71 in das Überkehrgutelevatorgehäuse 76 aufgenommen wird, durch die Flügel 80 entlang eines Hebeabschnitts des länglichen Weges bewegt werden. Kette 78, Ritzel 74 und Flügel 80 bilden somit eine Förderanordnung 82 für den Kornüberkehrelevator 70. An einem oberen Ende des Überkehrelevatorgehäuses 76 ist eine Auslassöffnung (oder eine andere Abladestelle) 84 (siehe 1) bereitgestellt, sodass Korn, das innerhalb des Kornüberkehrelevators 70 durch die Flügel 80 angehoben wird, durch die Auslassöffnung 84 aus dem Überkehrelevatorgehäuse 76 austritt (z. B. zur Rückkehr zum Drescher). Nach dem Abladen des Korns durch die Auslassöffnung 84 können die Flügel 80 entlang eines Rückführabschnitts des länglichen Weges fortgesetzt werden (d. h. wie durch die Ritzel 74 und die Kette 78 bewegt). In bestimmten Ausführungsformen kann ein Abteiler (nicht dargestellt) zwischen dem Hebeabschnitt und dem Rückführabschnitt des länglichen Weges vorgesehen werden, sodass verhindert werden kann, dass sich Korn, das durch die Flügel 80 bewegt wird, vermischt. Die Flügel 80 können gleich, ungleich oder in einer Kombination davon beabstandet sein. Jede der Flügel 80 weist eine Vorderkante 86 und eine Hinterkante 88 auf, wobei die Vorderkante 86 näher an einer Seitenwand 90 des Überkehrelevatorgehäuses 76 ist als die Hinterkante 88.
  • In einer passiven Überkehrimplementierung trägt der Kornüberkehrelevator 70 die Kornüberkehr nach oben und legt sie zum erneuten Dreschen und Abscheiden an einem vorderen Ende des Rotors 38 ab. Die Kornüberkehr wird dann von einer Auswurftrommel 92 aufgenommen, wo die verbleibenden Kornkerne freigegeben werden. Das nun abgetrennte MOG wird hinter dem Mähdrescher 20 freigesetzt, um in einem Schwad auf den Boden zu fallen, oder einem Rückstandsteilsystem 94 zugeführt, das einen Häcksler 96 und einen Streuer 98 beinhalten kann, wo es durch den Häcksler 96 zerkleinert und durch den Streuer 98 auf dem Feld verteilt werden kann. Alternativ kann der Kornüberkehrelevator 70 in einer aktiven Überkehrimplementierung das Kornüberkehrgut nach oben an eine zusätzliche Drescheinheit (nicht gezeigt) abgeben, die vom Abscheider 36 getrennt ist und wo die Kornüberkehr weiter gedroschen wird, bevor sie an den Haupterntegutstrom an der Vorderseite des Reinigungsteilsystems 42 abgegeben wird.
  • Unter erneuter Bezugnahme auf 1 beinhaltet die Fahrerkabine 26 ein Benutzerschnittstellensystem 100 mit einem Satz von Benutzerschnittstellenmechanismen, die der Bediener verwenden kann, um den Mähdrescher 20 zu steuern und zu handhaben. Solche Schnittstellenmechanismen beinhalten eine oder mehrere Anzeigevorrichtungen, Audiovorrichtungen zum Bereitstellen von Audioinformationen, haptische Vorrichtungen, die haptisches Feedback bereitstellen, Hebel, Joysticks, Lenkräder, Pedale, Tasten usw. Benutzerschnittstellenmechanismen können auch ein Satz von Eingabemechanismen sein, die auf einer Anzeige der Benutzerschnittstelle angezeigt werden. Sie können beispielsweise Links, Symbole oder andere vom Benutzer betätigbare Mechanismen sein.
  • Das Benutzerschnittstellensystem 100 kann auch verschiedene Eingabe- und Ausgabefunktionalitäten zum Verbinden (d. h. Steuern oder Empfangen von Feedback) von verschiedenen Maschinenkomponenten über verschiedene Sensoren und Stellglieder durch eine Master- (oder andere) Steuerung 102 beinhalten. Es ist ebenfalls zu beachten, dass der Mähdrescher 20 zusätzlich zu dem vorgenannten Abscheiderverlustsensor 37, den Siebkastenverlustsensoren 62, 64 und der Betätigungsanordnung 52 im Reinigungsteilsystem 42 und dem Motor 46 des Gebläses 44 weitere Sensor- und Stellgliedvorrichtungen beinhalten kann. Zum Beispiel kann der Mähdrescher 20 einen Bodengeschwindigkeitssensor 104 beinhalten, der die Fahrgeschwindigkeit des Mähdreschers 20 über den Boden erfasst, beispielsweise durch Erfassen der Drehgeschwindigkeit der Räder, der Antriebswelle, der Achse oder anderer Komponenten. Die Fahrgeschwindigkeit kann auch von einem Ortungssystem, wie etwa einem globalen Positionierungssystem (GPS), einem Koppelnavigationssystem, einem LORAN-System oder einer Vielzahl anderer Systeme oder Sensoren, die eine Anzeige der Fahrgeschwindigkeit vorsehen, erfasst werden. Andere Sensoren und Stellglieder können einen Rotordrehzahlsensor 106, einen Dreschspaltsensor 108, einen Kornertragssensor 110, einen Dreschleistungssensor 112, einen Reinkornqualitätssensor 113, einen Strohqualitätssensor 114, einen Erntevorsatzhöhensensor 116, einen Zuführgehäuse-Massenstromsensor 118, ein Erntevorsatzstellglied 120 und Dreschspaltstellglieder 122, 124 beinhalten. All diese und andere können dazu konfiguriert sein, eine Schnittstelle mit dem Bediener über das Benutzerschnittstellensystem 100 bereitzustellen, das Eingaben an das Kornqualitätskontrollsystem bereitstellen kann, um die Kornüberkehrüberwachung und - bewertung und damit die Steuer- und Ertragsleistung des Mähdreschers 20 zu verbessern, was nun ausführlicher in Verbindung mit verschiedenen Ausführungsbeispielen beschrieben wird, in denen die Bildgebungshardware direkt an dem Kornüberkehrelevator 70 angebracht und dazu konfiguriert ist, die Kornüberkehr in diesem abzufragen.
  • Unter erneuter Bezugnahme auch auf 2-4 beinhaltet ein Bildgebungssystem 130 eine Kamera 132 mit einem Bildsensor 134 und einem Gehäuse 136. Die Kamera 132 kann ein eigenes Gehäuse aufweisen, das in dem Gehäuse 136 enthalten ist, oder sie kann stattdessen nur durch das Gehäuse 136 verwendet werden. Das Gehäuse 136 kann an der Seite offen sein, die dem Kornüberkehrelevator 70 zugewandt ist, oder es kann eine Seitenwand 138 aus einem lichtdurchlässigen Material besitzen, um ausreichend Licht zuzulassen, damit die Kamera 132 das Innere des Kornüberkehrelevators 70 abbilden kann. Die Kamera 132 kann eine hochauflösende Kamera mit hoher Bildrate sein, wie etwa eine hochauflösende Kamera (z. B. 1080p hochauflösend) mit 10.000 oder mehr Bildern pro Sekunde; die Kamera kann jedoch auch eine niedrigere Auflösung (z. B. 5 Megapixel) und niedrigere oder höhere Geschwindigkeiten (z. B. bis zu 1.000.000 Bilder pro Sekunde) aufweisen. Das Gehäuse 136 ist direkt an der Seitenwand 90 des Überkehrelevatorgehäuses 76 angebracht, sodass die offene Seite oder Seitenwand 138 und damit der Bildsensor 134 in Ausrichtung mit einem Fenster 140 in der Seitenwand 90 des Überkehrelevatorgehäuses 76 ausgerichtet ist. Der Bildsensor 134 der Kamera 132 ist auf die Förderanordnung 82 ausgerichtet und konfiguriert, um die Kornüberkehr abzubilden, die durch die Förderanordnung 82 durch den Kornüberkehrelevator 70 transportiert wird. In dem dargestellten Beispiel ist das Gehäuse 136 an der Kornüberkehrelevatorseitenwand 90 mit einer Verriegelung 142 und einem Scharnier 144 angebracht, die eine Schwenkverbindung mit dem Kornüberkehrelevator 70 bieten, die zum Austausch Ersetzen und/oder Reinigen der Kamera 132 dienen kann. Alternativ kann das Gehäuse 136 mithilfe einer oder mehrerer Schrauben oder beliebiger anderer geeigneter Befestigungsmechanismen an der Seitenwand 90 des Überkehrelevators montiert werden. Das Bildgebungssystem 130 bildet die Kornüberkehr in Schwebe innerhalb des Überkehrelevatorgehäuses 76 ab, wenn die Flügel 80 die Kornüberkehr durch das Überkehrelevatorgehäuse 76 bewegen. Wo die Kamera 132 direkt an dem Kornüberkehrelevator 70 angebracht ist, wie in dem veranschaulichten Beispiel, ohne die Verwendung eines Umgehungskanals, muss die Kornüberkehr nicht durch einen Umgehungskanal umgeleitet werden, um mit einer niedrigeren Geschwindigkeit abgebildet zu werden. Dadurch werden Aufwand und Komplexität von Umgehungsstrukturen minimiert und die damit verbundene Reduzierung der Durchflussmenge für die umgeleitete Kornüberkehr vermieden. In verschiedenen Implementierungen kann der Reinkornelevator 58 einen Umgehungskanal (nicht dargestellt) beinhalten, in dem der Reinkornqualitätssensor 113 die reinen Körner abtastet. Die entnommenen reinen Körner können abgebildet und analysiert werden, um die Identifizierung und Klassifizierung der Körner zu verbessern.
  • Wie dargestellt, ist die Kamera 132 im Allgemeinen an einer unteren Hälfte des Überkehrelevatorgehäuses 76 positioniert. In einer Implementierung ist die Kamera 132 am Überkehrelevatorgehäuse 76 innerhalb eines Abstands D von einem unteren Ende 146 des Überkehrelevatorgehäuses 76 angebracht, etwa ein Viertel bis ein Drittel der Gesamtlänge des Überkehrelevatorgehäuses 76. Das Anbringen der Kamera 132 ganz in der Nähe eines der Ritzel (z. B. Ritzel 74) kann die Klarheit der von der Kamera 132 aufgenommenen Bilder beeinträchtigen, da die Flügel 80 dazu neigen, sich in der Nähe der Ritzel 74 zu beschleunigen. Ferner ist die Kamera 132 in dem veranschaulichten Beispiel im Allgemeinen parallel relativ zur Position der Seitenwand 90 des Überkehrelevatorgehäuses 76 montiert. In anderen Implementierungen kann die Kamera 132 in einem Winkel relativ zur Seitenwand 90 des Überkehrelevatorgehäuses 76 positioniert sein, um das Bereitstellen eines bestimmten Blickwinkels für die Kamera 132 zu unterstützen (z. B. um besser einer Oberseite der Flügel 80 zugewandt zu sein oder um eine Prüfung der Flügel 80 von Vorderkante zu Hinterkante zu ermöglichen).
  • Die Form des Fensters 140 folgt im Allgemeinen der Form des Sichtfelds der Kamera 132 und ist in dem veranschaulichten Beispiel geradlinig, bzw. quadratisch. Andere geeignete geometrische und nicht-geometrische Formen werden in Betracht gezogen. Das Fenster 140 kann eine Öffnung in der Seitenwand 90 (wie gezeigt) sein, oder es kann eine durchscheinende oder transparente Folie oder Platte (z. B. aus Kunststoff oder Glas) für eine ungehinderte Sicht in das Innere des Überkehrelevatorgehäuses 76 sein.
  • In dem veranschaulichten Beispiel ist die Breite des Fensters 140 geringer als die Breite der Seitenwand 90. In anderen Implementierungen kann ein Fenster mit einer größeren Breite, einschließlich einer Breite, die der Breite ungefähr oder genau entspricht (d. h. der Abmessung zwischen seitlichen Seiten der Flügel 80) der Seitenwand 90 ist, besser Bilder der Kornüberkehr in voller Breite an den Elevatorflügeln 80 ermöglichen oder Raum für mehrere Kameras oder andere Bildsensoren bereitstellen. In einer Implementierung erfasst die Kamera 132 Bilder der Kornüberkehr in einem Sichtfeld 150 zwischen der Vorderkante 86 und der Hinterkante 88 der Flügel 80 im Inneren des Überkehrelevatorgehäuses 76. Auf diese Weise können Bilder der Körner auf der gesamten Oberseite der Flügel 80 erfasst werden.
  • In einer beispielhaften Implementierung kann der Kornüberkehrelevator 70 mehr als einen Sensor aufweisen, wie etwa die Sensoren 160 und 162, gezeigt in 4. Jeder dieser Sensoren 160, 162 kann innen oder außen in Bezug auf das Gehäuse 136 positioniert sein. Eine größere Anzahl von Sensoren kann die Leistung des Bildgebungssystems 130 verbessern. Beispielsweise können mehrere Bildsensoren oder Kameras nebeneinander (Stereo) angeordnet sein, um die Tiefenwahrnehmung der Kamerasicht zu verbessern wie das binokulare Sehen von Menschen. Der relative Fokus der beiden Bildsensoren (oder Kameras) kann den physikalischen Standort auf dem Flügel sowie die Tiefe der Kornüberkehr besser anzeigen. Die Lage und Tiefe der Kornüberkehr kann für ihre Bestandteile ausschlaggebend sein, da die Materialeigenschaft gebrochener Körner tendenziell anders ist als die Materialeigenschaft reiner Körner und die Zentrifugalkraft im Allgemeinen bewirkt, dass sich schwereres oder dichteres Kornmaterial anders bewegt (z. B. weiter in einer radialen Richtung (weg von einer Drehachse der Ritzel 74) als leichteres oder weniger dichtes Kornmaterial). Je näher die Überkehr an der Kamera 132 ist (d. h. je näher die Vorderkante 86 des Flügels 80 ist, welche die Überkehr trägt), desto wahrscheinlicher ist die Überkehr gebrochenes Korn oder MOG (nicht sauber), da die Überkehr schwerer und dichter ist. Umgekehrt gilt: Je weiter die Überkehr von der Kamera 132 entfernt ist (d. h. je näher an der Hinterkante 88 des Flügels 80, der die Überkehr trägt), desto reiner ist die Überkehr, da die Überkehr leichter und weniger dicht ist. Zusätzlich kann in Bezug auf Stereo-Bildgebung einer der Bildsensoren (oder Kameras) in erster Linie verwendet werden, um Tiefeninformationen anzugeben, während der andere Bildsensor (oder die Kamera) in erster Linie beispielsweise Farbe, Schärfe/Unschärfe, Beleuchtung und Belichtungsinformationen angibt. Die Verwendung von Stereokamera-Bildgebung ermöglicht auch eine bessere Wartung der Flügel 80 und/oder der Kette 78.
  • Ferner kann das Bildgebungssystem 130 in Koordination mit der Förderanordnung 82 betrieben werden. Beispielsweise können ein oder mehrere Sensoren die Aufnahme von Bildern durch Auslösen oder Signalisieren an die Kamera 132 (oder andere Bildsensoren) einleiten, wenn der Sensor einen Flügel 80 an einer bestimmten Stelle innerhalb des Überkehrelevatorgehäuses 76 relativ zur Kamera 132 oder auf Grundlage einer vorgeschriebenen Zeitverzögerung erkennt. In einer Implementierung erfasst zum Beispiel ein Sensor (z. B. Sensor 160) die Position der Flügel 80, wenn sich jeder Flügel 80 dem Sichtfeld 150 der Kamera 132 nähert oder es erreicht, sodass das Bild zu einem Zeitpunkt erfasst wird, in dem sich die volle Breite der Oberseite des Flügels 80 innerhalb des Sichtfelds 150 der Kamera 132 befindet, wodurch ein Bild über die gesamte Länge und Breite der Kornüberkehr, die durch den Flügel 80 gestützt wird, erleichtert wird. In anderen Implementierungen werden keine zusätzlichen Sensoren verwendet, und die Kamera 132 ist programmiert, um Bilder mit einem vorbestimmten Abstand und Intervall aufzunehmen, die mit der Bewegung der Flügel 80 synchronisiert sind. In weiteren Implementierungen erfasst die Kamera 132 kontinuierlich Bilder mit einer Abtastrate, die mit der Flügelgeschwindigkeit koordiniert ist.
  • Nachdem verschiedene mechanische Aspekte des Kornqualitätskontrollsystems beschrieben wurden, die nun auch auf 5-11 Bezug nehmen, wird die Steuerungs- und Logikarchitektur eines beispielhaften Kornqualitätskontrollsystems 200 detailliert beschrieben. Das Kornqualitätskontrollsystem 200 schätzt oder bestimmt genau die Kornmaterialqualität oder Klassifizierung von Kornüberkehr von durch den Mähdrescher 20 geerntetem Erntegut. Wie beschrieben wird, kann das Kornqualitätskontrollsystem 200 durch die Mastersteuerung 102 des Mähdreschers 20, lokale oder entfernte Prozessoren des Bildgebungssystems 130, eine entfernte Verarbeitungsvorrichtung (z. B. eine tragbare Vorrichtung oder ein entferntes Computernetzwerk) oder eine Kombination davon implementiert werden.
  • Im Allgemeinen kommuniziert das Benutzerschnittstellensystem 100 drahtlos oder drahtgebunden mit dem Kornqualitätskontrollsystem 200, um dem Bediener des Mähdreschers 20 Überwachungs-, Identifikations- und Klassifizierungsinformationen über die Kornüberkehr anzuzeigen. Das Benutzerschnittstellensystem 100 kann so konfiguriert sein, dass der Bediener eine Kommunikation mit dem Kornqualitätskontrollsystem 200 über das Benutzerschnittstellensystem 100 einleiten kann, um auf Berichte, Diagramme oder andere visuelle Darstellungen zuzugreifen, die den Status der Kornüberkehr zeigen. Das Benutzerschnittstellensystem 100 kann verschiedene Informationen anzeigen, die für den Bediener und den Betrieb des Mähdreschers 20 relevant sind, wie etwa die Getreideart für ein bestimmtes Erntegut, was es dem Bediener ermöglicht, eine mögliche fehlerhafte Meldung der Identifizierung eines Ernteguts, das von der Erntemaschine 20 geerntet wird, zu erkennen. Der Bediener kann verschiedene Diagnoseprozesse, Systemwartungs- und Testverfahren über das Benutzerschnittstellensystem 100 einleiten. Das Benutzerschnittstellensystem 100 kann verschiedene Heuristiken über die Körner in dem Kornüberkehrelevator 70 anzeigen, wie beispielsweise Diagnose, erkannte Erntegutart, Konfidenzniveau und Kornmaterialklassifizierung. Der Bediener kann sich physisch in der Kabine 26 der Erntemaschine 20 befinden, wenn er mit dem Benutzerschnittstellensystem 100 kommuniziert. Alternativ kann der Bediener vom Benutzerschnittstellensystem 100 entfernt sein und über ein drahtloses Kommunikationsprotokoll wie etwa Wi-Fi, Bluetooth oder JDLINK mit dem Benutzerschnittstellensystem 100 kommunizieren. In einer Ausführungsform kann eine grafische Benutzerschnittstelle (GUI) unter der Steuerung eines Betriebssystems das Benutzerschnittstellensystem 100 implementieren, die Interaktionen zwischen dem Bediener und dem Benutzerschnittstellensystem 100 erfassen und die Anzeige der angeforderten Informationen veranlassen.
  • Das Benutzerschnittstellensystem 100 leitet Nachrichten und Informationen, die vom Bediener eingegeben werden, an die Steuerung 102 weiter, und die Steuerung 102 leitet die Eingaben des Bedieners an ein Kornqualitätserfassungssystem 202 des Kornqualitätskontrollsystems 200 weiter. Alternativ empfängt die Steuerung 102 Eingaben, die von einer lokalen oder entfernten Maschine oder Vorrichtung, wie etwa einem lokalen Computer oder einem Cloud-basierten Webserver, generiert werden. Ein Cloud-basierter Webserver kann wiederum beispielsweise durch Benutzerinteraktion über den über Internet erreichbaren Webserver gesteuert werden.
  • Die Steuerung 102 reagiert auf Eingaben von Bediener und Kornqualitätserfassungssystem 202 und verwendet diese, um verschiedene Sensor- und Stellgliedvorrichtungen des Mähdreschers 20 zu steuern, wie etwa die oben aufgeführten (z. B. Geschwindigkeit des Gebläses 44, Bewegung des Siebs 48 und des Häckslers 50 usw.). Das Kornqualitätserfassungssystem 202 kann physikalisch in das Bildgebungssystem 130 integriert sein. Alternativ sind diese beiden Systeme entfernt angeordnet und kommunizieren drahtlos. In einer weiteren Ausführungsform ist das Kornqualitätserfassungssystem 202 ein Teil der Steuerung 102 oder ein Teil eines Prozessleitsystems, wobei das Kornqualitätserfassungssystem 202 eine eigene Steuerung beinhaltet, die wiederum mit der Mastersteuerung 102 kommuniziert. Bilder, die von der Kamera 132 des Bildgebungssystems 130 erzeugt werden, werden über die Steuerung 102 an das Kornqualitätserfassungssystem 202 oder alternativ direkt durch das Bildgebungssystem 130 an das Kornqualitätserfassungssystem 202 übertragen. In der ersten Ausführungsform weist die Steuerung 102 die Flexibilität auf, einige der Verarbeitungsaufgaben durchzuführen, die typischerweise durch das Kornqualitätserfassungssystem 202 durchgeführt werden, um dieses zu entlasten. Eine Anwendung der vorstehenden Ausführungsform liegt vor, wenn das Kornqualitätserfassungssystem 202 aus der Ferne mit der Steuerung 102 kommuniziert und die Systembandbreite begrenzt ist. Zusätzlich kann die Steuerung 102 die Aktivitäten der Vorrichtungen des Mähdreschers 20 koordinieren, wie etwa die verschiedenen Sensor- und Stellgliedvorrichtungen, auf die oben Bezug genommen wird.
  • Das Kornqualitätserfassungssystem 202 ist konfiguriert, um eine Analyse und Diagnose von Probenbildern des Bildgebungssystems 130 von Kornüberkehr im Kornüberkehrelevator 70 durchzuführen. Die Probenbilder werden an einer Probenahmestelle innerhalb des Kornüberkehrelevators 70 mit einer Hochleistungskamera, wie etwa der Kamera 132, aufgenommen. Das Hochleistungsmerkmal der Kamera 132 in Verbindung mit der fortgeschrittenen Verarbeitungsleistung des Kornqualitätserfassungssystems 202 stellt eine verbesserte Komponentenidentifizierung und -klassifizierung bereit. Die Probenahmestelle ist eine Stelle im Sichtfeld der Kamera 132 innerhalb des Kornüberkehrelevators 70. Die Beispielbilder werden durch einen Satz von Bildpunkten definiert, die durch Bilddaten repräsentiert werden. Ein den Musterbildern zugeordnetes Klassifizierungsmerkmal beschreibt das Kornmaterial der Kornüberkehr. Die Kategorien des Kornmaterials können reines, gebrochenes, leichtes MOG, schweres MOG und ungedroschenes MOG umfassen. Es versteht sich, dass Kornüberkehr, die als „reines“ Korn klassifiziert wird, Korn beinhaltet, das vollständig gedroschen wurde, „zerbrochene“ Kornüberkehr teilweise reines Getreide beinhaltet, wie etwa Getreide, das in irgendeiner Weise abgetrennt oder zerkleinert wurde, „leichtes MOG“ relativ leichte Spreu oder anderes Nicht-Kornmaterial ist, wie etwa Blätter und Schalen, das leicht durch das Gebläse 44 geblasen werden kann, „schweres MOG“ Nicht-Kornmaterial ist, das dichter oder schwerer in einem Ausmaß ist, dass es nicht leicht weggeblasen wird, wie etwa Stöcke, Rinde und so weiter, und „ungedroschenes“ Korn Getreide ist, das nicht von seiner Schale abgetrennt wurde. Verschiedene andere Definitionen für diese Kategorien können bereitgestellt werden. Ferner können zusätzliche Klassifizierungen und Unterklassifizierungen in dem Kornqualitätskontrollsystem 200 enthalten sein. Beispielsweise kann eine Zusatzklassifizierung als ein „leerer Raum“ klassifiziert werden. Ein „leerer Raum“ ist ein Raum zwischen Kornüberkehr frei von Kornüberkehr. Die Klassifizierung von leeren Räumen hilft bei der genauen Kategorisierung von Kornüberkehr, indem die Möglichkeit der Klassifizierung einer fehlerhaften Kornart ausgeschlossen wird. Ferner trägt die Identifizierung von leeren Räumen dazu bei, die Klassifizierung von Korn zu verbessern, indem potenzielle Fehlkennzeichnungen eines Leerraums wie Korn, MOG usw. vermieden werden.
  • Unter Bezugnahme auf 6 wählt das Bildgebungssystem 130 ein oder mehrere zu verarbeitende Musterbilder aus, wobei das/die ausgewählte(n) Musterbild(er) durch einen Teilsatz von Bildpixeln des Satzes von Bildpixeln von Bilddaten dargestellt wird/werden. Das Bildgebungssystem 130 erzeugt Ausgangssignale an einen Speicher 234. Die Ausgangssignale führen die Bilddaten, die die ausgewählten Musterbilder darstellen.
  • Der Prozessor 232 umfasst mindestens eine Verarbeitungseinheit, die konfiguriert ist, um Bilddaten der ausgewählten Bilder zu analysieren, die vom Bildgebungssystem 130 empfangen werden, und erzeugt Ausgaben auf Grundlage einer solchen Analyse. Für die Zwecke dieser Anwendung bezeichnet der Begriff „Verarbeitungseinheit“ oder „Prozessor“ eine gegenwärtig entwickelte oder zukünftig entwickelte Verarbeitungseinheit, die Anweisungssequenzen ausführt, die in einem Speicher enthalten sind. Die Ausführung der Anweisungssequenzen veranlasst die Verarbeitungseinheit dazu, Schritte wie etwa das Erzeugen von Steuersignalen durchzuführen. Die Anweisungen können in einen Direktzugriffsspeicher (RAM) zur Ausführung durch die Verarbeitungseinheit aus einem Festspeicher (ROM), einer Massenspeichervorrichtung oder einem anderen dauerhaften Speicher geladen werden. In anderen Ausführungsformen können fest verdrahtete Schaltungen anstelle von oder in Kombination mit Softwareanweisungen verwendet werden, um die beschriebenen Funktionen zu implementieren. Beispielsweise ist der Prozessor 232 in anderen Implementierungen als Teil einer oder mehrerer anwendungsspezifischer integrierter Schaltungen (ASICs) ausgeführt. Sofern nicht ausdrücklich anders vermerkt, ist die Steuerung nicht auf eine bestimmte Kombination aus Hardwareschaltungen und Software oder auf eine bestimmte Quelle für die von der Verarbeitungseinheit ausgeführten Anweisungen beschränkt.
  • Die Steuerung 102 kann auch eine oder mehrere Verarbeitungseinheiten umfassen, die dazu konfiguriert sind, Steuersignale auszugeben, um den Betrieb einer Kornhandhabungsausrüstung, wie etwa des Mähdreschers 20, zu steuern. In einer Ausführungsform gibt die Steuerung 102 Steuersignale aus, die die Betriebsparameter des Mähdreschers 20 steuern und anpassen, wie oben aufgeführt.
  • Eine Anzeige 241 des Benutzerschnittstellensystems 100 kann eine oder mehrere Vorrichtungen beinhalten, durch die Informationen in Bezug auf die Qualität von Korn sichtbar dargestellt werden. Beispielsweise kann die Anzeige 241 eine Reihe von Leuchtdioden beinhalten, die Warnungen oder Benachrichtigungen bezüglich der Kornqualität bereitstellen. Die Anzeige 241 kann ein Anzeigebildschirm, wie etwa ein Touchscreen, sein und Lautsprecher oder andere akustische Vorrichtungen beinhalten, durch die Informationen kommuniziert werden.
  • Der Speicher 234 beinhaltet ein nichtflüchtiges, computerlesbares Medium, das Programmlogik in Form von Code, Software, Schaltkreisen oder Anweisungen enthält, die den Betrieb des Prozessors 232 steuern. Der Speicher 234 dient zusätzlich als persistente Speichervorrichtung, durch die Daten gespeichert werden. Obwohl der Speicher 234 als ein einzelner Speicher veranschaulicht ist, kann er in anderen Implementierungen auf mehrere Speichervorrichtungen oder Speicherorte verteilt sein, wie etwa über ein lokales Netzwerk oder ein Weitverkehrsnetzwerk. Im veranschaulichten Beispiel umfasst der Speicher 234 Softwaremodule, die eine Analyse der Kornqualität durchführen und die eine direkte Ausgabe auf der Grundlage der Ergebnisse einer solchen Analyse bereitstellen.
  • In dem veranschaulichten Beispiel umfasst der Speicher 234 ein Bilderfassungsmodul (Image Capture Module - ICM) 236, ein Datenspeichermodul (Data Storage Module - DS) 237, ein Convolutional Neural Network (CNN) Modul 239 und ein Ausgabemodul (Output Module - OM) 238. Das ICM 236, das DS-Modul 237, OM 238 und das CNN-Modul 239 umfassen jeweils Programmlogik, um den Prozessor 232 bei der Implementierung eines Verfahrens 288 zur Kornqualitätskontrolle anzuweisen, wie in 7 dargelegt. Das Bildgebungssystem 130 überträgt ein oder mehrere Probenbilder der Kornüberkehr, die aus dem Inneren des Überkehrelevatorgehäuses 76 erfasst wurden, an das ICM 236 des Speichers 234. Das Bildgebungssystem 130 wählt eines der Probenbilder zur Verarbeitung aus, wie durch die Blöcke 290 und 292 aus 7 angegeben. In einer Implementierung speichert das ICM 236 die ausgewählten Bilddaten, die dem ausgewählten Bild entsprechen, im DS-Modul 237 und überträgt es oder überträgt die gespeicherte Version der ausgewählten Bilddaten zur Verarbeitung an den Prozessor 232.
  • Wie in Block 294 in 7 angegeben, beginnt die Klassifizierung der Kornüberkehr. In einer Implementierung weist das CNN-Modul 239 den Prozessor 232 an, einen oder mehrere Prozesse an den ausgewählten Bilddaten durchzuführen, um die Bildanalyse durch Anwenden eines CNN-Algorithmus auf die ausgewählten Bilddaten auf Pixelbasis zu verbessern, wie durch Block 296 aus 7 angegeben. CNN-Algorithmen sind eine Form der Deep-Learning-Logik, die in Bildverarbeitungsanwendungen eingesetzt werden kann, um Merkmale eines Bildes ohne oder mit reduzierter Vorverarbeitung oder Vorfilterung der Probenbilder zu erkennen oder zu unterscheiden. CNN-Algorithmen sind rechnerisch effizient, da sie spezielle Faltungs- und Bündelungs-Operationen verwenden und die Parameterfreigabe durchführen. Dies ermöglicht es CNN-Modellen, universell auf verschiedenen Verarbeitungsgeräten zu laufen und bietet eine leistungsstarke und effiziente Modellierung zur Durchführung einer automatischen Merkmalsextraktion in Bildverarbeitungsanwendungen. Es können verschiedene CNN-Algorithmen implementiert werden, von denen einer, ohne Einschränkung, PixelNet ist. CNN-Algorithmen werden typischerweise von mehreren Stufen von variablen Filtern mit einstellbaren Gewichten und Multiplikatoren implementiert. In einer Implementierung bestimmt die Anzahl der Klassifizierungen, die mit dem ausgewählten Bild assoziiert sind, zumindest teilweise die Anzahl der Stufen und Gewichte, die die CNN-Algorithmen implementieren. Beispielsweise kann ein Klassifizierungsmerkmal von zehn Arten von Kornmaterial eine größere Anzahl von Stufen und Gewichten erfordern als ein Klassifizierungsmerkmal von drei Arten von Kornmaterial.
  • Weiter erzeugt der Prozessor 232 mit Hilfe des CNN-Moduls 239 Klassifizierungssignale (oder Steuersignale), die eine Wahrscheinlichkeit der Klassifizierung der Kornüberkehr darstellen, die als die tatsächliche Klassifizierung der Kornüberkehr angesehen werden kann. Nach Abschluss der Anwendung des CNN-Algorithmus auf die ausgewählten Bilddaten weist das OM 238 den Prozessor 232 an, Signale zu erzeugen, die die Wahrscheinlichkeit jeder Klassifizierung darstellen, wie durch den Block 298 aus 7 angegeben. Dementsprechend implementiert das CNN-Modul 239 die Merkmale des CNN-Algorithmus, wie etwa Gewichte und Stufen, zumindest teilweise auf Grundlage der Klassifizierung des ausgewählten Bildes.
  • In einer Implementierung sammelt das ICM 236 Bilddaten, die Bildpixel der ausgewählten Bilder darstellen, und analysiert die entsprechenden ausgewählten Bilddaten auf Grundlage eines eindeutigen Klassifizierungsalgorithmus (z. B. eines Klassifizierungsalgorithmus im Zusammenhang mit der Ernte). Das ICM 236 aktualisiert die Klassifizierung oder eine zusätzliche Klassifizierung unter Verwendung des Klassifizierungsalgorithmus. Die Klassifizierungssignale vom Prozessor 232 stellen ein Konfidenzmaß dar, das auf der Wahrscheinlichkeit basiert, das Kornmaterial genau zu identifizieren. Die Klassifikationssignale können eine binäre Darstellung des Klassifikationsmerkmals der Kornüberkehr sein, wobei die Kornüberkehr als ein bestimmtes Klassifikationsmerkmal aufweisend klassifiziert wird oder nicht.
  • In einer Ausführungsform wird eine „N“ Anzahl von Probenbildern der Kornüberkehr durch das ICM 236 ausgewählt, wobei „N“ einen ganzzahligen Wert darstellt. Die N Probenbilder werden durch N Sätze von entsprechenden Bildpunkten definiert. Das CNN-Modul 239 wendet in Verbindung mit dem Prozessor 232 den CNN-Algorithmus auf jeden Satz an und wiederholt nach Abschluss der Anwendung des CNN-Algorithmus auf einen Satz den Prozess für jedes der verbleibenden Probenbilder, bis alle N Sätze verarbeitet sind. In einer Implementierung, wenn N einen vorbestimmten Schwellenwert unterschreitet, stoppt die Verarbeitung und der CNN-Algorithmus wird als vollständig angewendet angekündigt. Generell ergibt die Verarbeitung einer höheren Anzahl von Probenbildern, wie oben beschrieben, ein höheres Konfidenzmaß.
  • Für weitere Einzelheiten von Komponenten des allgemein offenbarten Kornqualitätskontrollsystems 200 wird auf das US-Patent Nr. 9.779.330 verwiesen, das Wellington et al. am 3. Oktober 2017 erteilt wurde und welches den Titel „Grain Quality Monitoring“ trägt, dessen Offenbarung durch Bezugnahme aufgenommen wird, als ob sie vollständig dargelegt wäre.
  • In Block 299 gibt das OM 238 Steuersignale, die die Klassifizierung der Kornüberkehr darstellen, an die Steuerung 102 aus, um die Betriebsparameter des Mähdreschers 20 einzustellen. Beispielsweise kann die Steuerung 102 Steuerbefehle an eine der verschiedenen oben spezifizierten Stellgliedvorrichtungen ausgeben, um Einstellungen an den Erntegutverarbeitungskomponenten des Mähdreschers 20 (z. B. den Dreschkomponenten, Reinigungskomponenten usw.) vorzunehmen.
  • Wie in 8 gezeigt, empfängt in einer Ausführungsform das Kornqualitätserfassungssystem 202 Probenbilder 242 von Kornüberkehr vom Bildgebungssystem 130. Die Probenbilder 242 werden von einem Bildanalysator 244 und einem erntegutspezifischen Parametergenerator 246 analysiert. Der Bildanalysator 244 umfasst einen oder mehrere Prozessoren und zugehörige Programmlogik in Form von Code, Software und/oder Schaltungen, die in einem nichtflüchtigen, computerlesbaren Medium oder Speicher gespeichert sind, gezeigt in 5. Die Programmlogik beinhaltet Anweisungen an den Prozessor der Steuerung 102 zur Ausführung durch den Prozessor. Der Bildanalysator 244 umfasst ein Bildauswahlmodul 250, ein Bildqualitätsmodul 252, ein Überlappungs- und Füllungserkennungsmodul 254, das CNN-Modul 239, ein Erntegut- und Sortenerkennungsmodul 256 und ein Umwandlungs- und Filtermodul 260. Der erntegutspezifische Parametergenerator 246 beinhaltet ein Etikettenmodul 272 und ein Schulungsmodul 270. Der erntegutspezifische Parametergenerator 246 kann in einer Implementierung einen oder mehrere Prozessoren beinhalten.
  • Das Bildauswahlmodul 250 empfängt Bilder 242 der Kornüberkehr, die im Überkehrelevator 70 erfasst wurden, und führt Burst-Bildgebung und Vorfilterung, wie unten beschrieben, an den empfangenen Probenbildern durch, um bei der Auswahl von Bildern für die vollständige Verarbeitung zu helfen. Wie zuvor angemerkt, transportieren die Flügel 80 des Kornüberkehrelevators 70, gezeigt in 4, die Kornüberkehr. Die Kornüberkehr ist wahrscheinlich nicht gleichmäßig zwischen jedem Paar der Flügel 80 verteilt. Eine ungleichmäßige Verteilung der Kornüberkehr kann sich negativ auf die Klassifizierung auswirken. Zusätzlich kann die Geschwindigkeit der Strömung der Kornüberkehr zwischen Paaren von Flügeln variieren, was sich ebenfalls negativ auf die Klassifizierungsergebnisse auswirkt. Das Bildauswahlmodul 250 verwendet Bildsensoren, wie etwa den Bildsensor 134 (und für den Fall, dass einer der Sensoren 160, 162 Bildsensoren ist), zum Klassifizieren der Kornüberkehr an der Probenahmestelle, reduziert Vorspannung, optimiert die Probengröße und reduziert Bewegungsunschärfe in den Bildern. Um die vorgenannte ungleichmäßige Kornünberkehrverteilung zu kompensieren, filtert das Bildauswahlmodul 250 jede Bildeingabe oder jedes Probenbild vor, indem es einen Bildauswahlalgorithmus auf das Bild anwendet, um die Bilder zu identifizieren, die für eine vollständige Verarbeitung und Klassifizierung angemessen sind. Das Bildauswahlmodul 250 erzeugt ausgewählte Bilder, die den Vorfilterungsprozess überstanden haben, und überträgt die ausgewählten Bilder an das Bildqualitätsmodul 252.
  • Der Bildauswahlalgorithmus, der vom Bildauswahlmodul 250 verwendet wird, kann gemäß einer Reihe von Techniken implementiert werden und konzentriert sich in erster Linie auf das Identifizieren von Bildern mit der größten Anzahl von Körnern und basiert auch auf der Position der Körner gegenüber sie umgebenden Körnern. Beispiele für solche Bildauswahlalgorithmen umfassen, ohne darauf beschränkt zu sein, die Anwendung eines Gaußschen Energiealgorithmus, Farbverteilungsmessung, Texturverteilungsmessung, Bildhelligkeitsverteilungsmessung oder Identifizierung des jeweiligen Elevatorflügels, auf dem das Korn transportiert wird. In einer erfindungsgemäßen Implementierung wird der Flügel 80 zur Bildklassifizierung, Vorlagenanpassung oder Mustererkennung identifiziert.
  • Das Bildqualitätsmodul 252 empfängt die ausgewählten Bilder vom Bildauswahlmodul 250, wie oben beschrieben, und analysiert die ausgewählten Bilder, um beeinträchtigte Bilder zu identifizieren oder zu erkennen. Bestimmte Umstände wie etwa schlechter Fokus, Beleuchtung und Farbe und Fremdmaterial, Verschmutzungen, Feuchtigkeit oder Schmutz auf dem Fenster 140 können die Qualität der Bilder zum Zeitpunkt der Probenahme beeinträchtigen. Das Bildqualitätsmodul 252 entfernt die beeinträchtigten Bilder und lässt die verbesserten Bilder als Ausgabe an das Überlappungs- und Füllungserkennungsmodul 254 zurück. In einer Ausführungsform werden die beeinträchtigten Bilder zur Diagnose an ein Diagnosemodul 248 ausgegeben. Als Reaktion auf das Erkennen einer schlechten Bildqualität kann das Bildqualitätsmodul 252 den Bediener des Mähdreschers 20 vor den beeinträchtigten Bildern oder dem Ausmaß des Schadens warnen. Beispielsweise kann ein vordefinierter Schwellenwert mit der Anzahl schlechter Bilder verglichen werden, und wenn die Anzahl schlechter Bilder den vordefinierten Schwellenwert überschreitet, kann das Bildqualitätsmodul 252 zusätzliche Abhilfemaßnahmen ergreifen. Beispiele für solche zusätzlichen Abhilfemaßnahmen sind, ohne Einschränkung, das digitale Maskieren von Bereichen schlechter Qualität der Bilder. In einigen Implementierungen kann das Bildqualitätsmodul 252 insgesamt weggelassen werden.
  • Das Überlappungs- und Füllungserkennungsmodul 254 analysiert die verbesserten Bilder des Bildqualitätsmoduls 252 bzw. die ausgewählten Bilder des Bildauswahlmoduls 250. Das Überlappungs- und Füllungserkennungsmodul 254 überwacht und verfolgt die Bewegung von Kornüberkehr innerhalb des Überkehrelevators 70. Beispielsweise analysiert das Überlappungs- und Füllungserkennungsmodul 254 die verbesserten Bilder, um zu bestimmen, inwieweit der Überkehrelevator 70 mit Kornüberkehr gefüllt ist. In einer Implementierung erfolgt eine Bewertung des verbrauchten Volumens des Kornüberkehrelevators 70 auf Grundlage von Intensitätsgradienten und anderen Bildeigenschaften. Das Überlappungs- und Füllungserfassungsmodul 254 erzeugt einen Ausgabeverbrauch mit einem prozentualen Füllsignal 262, das den Prozentsatz der Bilder anzeigt, die mit Kornüberkehr gefüllt sind. In einer Implementierung veranlasst das Überlappungs- und Füllungserkennungsmodul 254 auf Grundlage der erkannten Füllung des Überkehrelevators 70 den Prozessor 232 (in 6 gezeigt), Steuersignale an den Mähdrescher 20 auszugeben, wenn der Kornüberkehrelevator 70 ausreichend gefüllt ist. In einer weiteren Implementierung identifiziert das Überlappungs- und Füllungserkennungsmodul 254 ungefüllte Abschnitte des Bildes und gibt dementsprechend ein Signal aus.
  • Das Überlappungs- und Füllungserfassungsmodul 254 verfolgt ferner die Bewegung von Kornüberkehr über den Überkehrelevator 70, um überlappende Kornüberkehrbilder zu identifizieren und Doppelzählungen derselben Kornüberkehrprobe zu verhindern. In einer Implementierung nimmt das Überlappungs- und Füllungserkennungsmodul 254 eine im Wesentlichen lineare Bewegung von Kornüberkehr über den Kornüberkehrelevator 70 an. In einer Implementierung analysiert das Überlappungs- und Füllungserkennungsmodul 254 sequentielle Bilder und erzeugt Korrelationsbewertungen für Abschnitte der Bilder. Auf Grundlage der Korrelationsbewertungen identifiziert das Überlappungs- und Füllungserkennungsmodul 254 überlappende Abschnitte solcher Bilder, um ein Doppelzählen der überlappenden Abschnitte zu vermeiden. Infolgedessen wird die Belastung des Prozessors 232 (gezeigt in 6) reduziert. Nach der Verarbeitung gibt das Überlappungs- und Füllungserkennungsmodul 254 die verarbeiteten Bilder an das CNN-Modul 239 aus.
  • Unter weiterer Bezugnahme auf 9 aggregiert das Überlappungs- und Füllungserkennungsmodul 254 in einer Implementierung 287 die Klassifizierungswahrscheinlichkeiten 285 und wendet eine Kalibrierungsfunktion 289 auf die aggregierten Probenwahrscheinlichkeiten an, um einen Massen-/Gewichtsprozentwert für die Materialklasse für ein Eingabebild 280 in seiner Gesamtheit zu bestimmen. Das Überlappungs- und Füllungserkennungsmodul 254 wendet ferner Filterung 291 an, um eine Schätzung von Gewichtsprozentsätzen für Materialklassen auszugeben.
  • Das Erntegut- und Sortenerfassungsmodul 256 analysiert Werte, die einem oder mehreren Merkmalen der verarbeiteten Bilder vom Überlappungs- und Füllungserfassungsmodul 254 zugeordnet sind, um die Art des bestimmten Ernteguts und möglicherweise die bestimmte Sorte des gegenwärtig geernteten Ernteguts zu identifizieren. Die bestimmte oder identifizierte Erntegutart und Sorte werden als Signale 264 zum Aufzeichnen ausgegeben, wobei die jeweiligen zugeordneten georeferenzierten Positionen vom Mähdrescher 20 durchquert werden. In einer Implementierung können die identifizierte Erntegutart und Sorte auf der Anzeige 241 (in 6) angesehen werden. So kann beispielsweise ein Feld mit mehreren Getreidearten oder mehreren Sorten geplant werden. Das Erntegut- und Sortenerfassungsmodul 256 erfasst Änderungen der Erntegutart und Sorte, wenn die Erntemaschine das Feld überquert. Das Erntegut- und Sortenerfassungsmodul 256 zeichnet solche Änderungen in Bezug auf verschiedene georeferenzierte Positionen im Feld auf. In einer Implementierung können die Kornqualitätsergebnisse gespeichert und in dem Speicher 234 der bestimmten identifizierten Erntegutsorte und -art sowie den bestimmten georeferenzierten Positionen in dem Feld zugeordnet sein. In einer Implementierung wird die erfasste Erntegutart an die Steuerung 102 ausgegeben, wodurch es der Steuerung 102 möglich ist, ihre Steuerstrategie auf Grundlage der erfassten Erntegutart zu ändern.
  • Das Erntegut- und Sortenerfassungsmodul 256 kann in dem Kornqualitätserfassungssystem 202 fehlen oder manuell überschrieben werden, wenn der Bediener dem CNN-Modul 239 die Erntegutart angibt. In der Implementierung, in der das Erntegut- und Sortenerfassungsmodul 256 fehlt, verwendet das CNN-Modul 239 allgemeine Parameter, um Merkmalswerte mit Klassifizierungswahrscheinlichkeiten zu verknüpfen, bei denen eine eindeutige Nachschlagetabelle, mathematische Beziehung oder Formel einer bestimmten Klasse von Kornmaterial, wie etwa den hierin aufgeführten, zugewiesen und verwendet wird.
  • In einer weiteren Implementierung vergleicht das Erntegut- und Sortenerfassungsmodul 256 die vom CNN-Modul 239 empfangenen Werte für ein oder mehrere Merkmale der Kornüberkehr mit normalen, typischen oder Standardwerten oder Wertebereichen und bestimmt einen Grad, ein Niveau oder ein Maß der Zuverlässigkeit, dass die bestimmten Merkmalswerte, die vom Erntegut- und Sortenerfassungsmodul 256 empfangen werden, tatsächlich für das Erntegut sind, das geerntet wird. In einer solchen Implementierung gibt das Erntegut- und Sortenerfassungsmodul 256 Signale aus, die eine Angabe, die Konfidenzniveauangabe 266, darstellen. Die Steuerung 102 kann die Konfidenzniveauanzeige 266 verwenden, um die Anzeige der Klassifizierungssignale 268 zu ändern. Beispielsweise kann die Angabe von Klassifizierungssignalen 268 geändert werden, um die Qualität der Kornüberkehr darzustellen. Die Konfidenzniveauanzeige 266 kann dem Bediener über die Anzeige 241 präsentiert werden. Wenn sich die Werte für Merkmale, die vom CNN-Modul 239 empfangen werden, drastisch von typischen oder erwarteten Merkmalswerten für das Erntegut, das geerntet wird, unterscheiden, kann das Erntegut- und Sortendetektormodul 256 Signale ausgeben, die ein extrem niedriges Konfidenzniveau anzeigen. In einer Implementierung kann eine visuelle oder akustische Warnung erfolgen, wenn die Differenz zwischen den empfangenen Merkmalswerten und den erwarteten Merkmalswerten einen vordefinierten Schwellenwert überschreitet. Ein solcher Unterschied kann verschiedene Probleme anzeigen und zu einem niedrigen Konfidenzniveau führen, das durch den Bediener zum Beispiel durch Eingabe der falschen Erntegutart verursacht werden oder daraus resultieren kann, dass die Erntemaschine vorübergehend einen anormalen Bereich eines Feldes durchquert, das einen anormalen Pflanzenbereich enthält. Die Klassifizierungssignale 268 und die Konfidenzniveauanzeige 266 können von der Steuerung 102 verwendet werden, um die Betriebsparameter des Mähdreschers 20 einzustellen und die Kornqualität zu verbessern.
  • In einer Implementierung weist das CNN-Modul 239 den Prozessor 232 an, die Wahrscheinlichkeit für unterschiedliche Kornmaterialklassifizierungen an einer bestimmten Probenahmestelle zu bestimmen. Zum Beispiel kann das CNN-Modul 239 einer bestimmten Abtaststelle eine Wahrscheinlichkeit für jede einer Anzahl von unterschiedlichen Klassifizierungen zuordnen. Als ein konkretes Beispiel kann das CNN-Modul 239 dem jeweiligen Abtastort eine Wahrscheinlichkeit von x % zuordnen, dass die Bildprobe eine erste Klassifizierung eines Kornmaterials darstellt, und eine Wahrscheinlichkeit von z %, dass der Abtastort eine zweite Klassifizierung des Kornmaterials darstellt usw., wobei die Summe der Wahrscheinlichkeiten 100 % nicht übersteigt. In einer Implementierung weist das CNN-Modul 239 den Prozessor 232 an, eine Wahrscheinlichkeit für das Vorhandensein einer ersten Materialklassifizierung, wie etwa gebrochenes Korn, am Ort der Kamera 132 sowie eine Wahrscheinlichkeit für das Vorhandensein einer zweiten unterschiedlichen Materialklassifizierung, wie etwa schweres oder leichtes MOG, am Ort der Kamera 132 zu bestimmen.
  • In einer Implementierung verwendet das CNN-Modul 239 unterschiedliche Filtergewichte und passt diese gemäß einem Merkmalssatz oder Merkmalssätzen und unterschiedlichen Wahrscheinlichkeiten für unterschiedliche Klassifizierungen von Materialien an, die den unterschiedlichen Werten für unterschiedliche Kombinationen von Merkmalen entsprechen. In einer Implementierung werden Wahrscheinlichkeitseinträge erzeugt, indem mehrere Kornproben entnommen werden, ein Bild jeder der mehreren Kornproben erfasst wird und Experten oder geschulte menschliche Bediener verschiedene Teile des Bildes etikettieren, um das Etikettenmodul 272 zu bilden. In einer weiteren Implementierung beschriftet geschultes Personal manuell verschiedene Teile des Bildes (z. B. rein, schweres MOG, leichtes MOG, zerbrochen oder ungedroschen, pro Erntegut). Beispielsweise können menschliche Bediener eine Kultur als Weizen, Mais, Soja und Raps kennzeichnen. Die beschrifteten Bilder werden digital eingegeben und können im DS-Modul 237 des Speichers 234 zur Verwendung durch das Schulungsmodul 270 gespeichert werden.
  • Gemäß verschiedenen Implementierungen kann die Angabe der Klassifizierung an den Bediener auf eine benutzerfreundliche Weise erfolgen, wie etwa in den Bildern der 12A und 12B gezeigt. 12A zeigt ein Bild von Kornüberkehr, die mithilfe des CNN-Algorithmus verarbeitet wurde. Jedes Korn wird nicht absichtlich segmentiert, wie dies mit den bekannten Kornqualitätskontrolltechniken geschieht. Vielmehr sind klassifizierte Körner hervorgehobene Bereiche, siehe 336. 12B zeigt ein Bild von Körnern, die zusätzlich zur Instanzsegmentierung einer CNN-Verarbeitung unterzogen wurden. Hierdurch können Overlays oder Anmerkungsbilder erstellt werden, die bestimmte Teile von Kornmaterial auswählen, siehe 338.
  • Das Schulungsmodul 270 kann einen oder mehrere Prozessoren und zugehörige Programmlogik beinhalten, die die Erzeugung einer Nachschlagetabelle oder mathematischen Beziehung durch maschinelles Lernen unter Verwendung einer großen Liste von Merkmalsvektoren und Etikettenpaaren steuern. Das Schulungsmodul 270 verwendet die Etiketten, um die gewünschten Wahrscheinlichkeiten des Kornmaterials der Kornüberkehr zu bestimmen, und sendet diese gewünschten Wahrscheinlichkeiten an das CNN-Modul 239.
  • In einer Implementierung, wie in 8 gezeigt, ist das CNN-Modul 239 in einem von verschiedenen Modi betreibbar (z. B. durch den Bediener auswählbar), in denen das Kornqualitätserfassungssystem 202 die Kornüberkehr auf unterschiedliche Klassifizierungen von Kornmaterial analysiert. Beispiele für verschiedene Klassifizierungen von Material, für das das CNN-Modul 239 eine Vorhersage trifft, sind oben aufgeführt und können leere Räume beinhalten. In einigen Implementierungen kann das CNN-Modul 239 andere Klassifizierungen von Material in Abhängigkeit von einer bestimmten Getreideart und der bestimmten Pflanze, von der das Getreide geerntet wird, vorhersagen. Die Wahrscheinlichkeiten für solche anderen Klassifizierungen können in Nachschlagetabellen oder mathematischen Beziehungen bereitgestellt werden, die für das Etikettenmodul 272 und das Schulungsmodul 270 erzeugt werden.
  • Das Umwandlungs- und Filtermodul 260 reagiert auf die Ausgabe des CNN-Moduls 239 sowie ein zusätzliches Klassifizierungssignal 259 und wandelt die Wahrscheinlichkeiten der Bildprobenklassifizierung über alle Kornüberkehrprobenbilder des CNN-Moduls 158 und des zusätzlichen Klassifizierungssignals 259 in eine Ausgabe nach Gewichtsprozenten für verschiedene Klassifizierungen von Materialien (einschließlich zusätzlicher Klassifizierungen) in der Kornüberkehr um oder bildet sie ab. Das Umwandlungs- und Filtermodul 260 übernimmt die Bestimmung und Ausgabe der Klassifizierungssignale 268, die die Qualität des Korns für die Probenbilder angeben, auf Grundlage eines Aggregats der Wahrscheinlichkeiten für die bestimmte Materialklassifizierung der verschiedenen Bildproben, die die Probenbilder bilden. In dem veranschaulichten Beispiel gibt das Umwandlungs- und Filtermodul 260 Kornqualitätsinformationen an die Anzeige 241 aus, wie etwa Prozent nach Masse/Gewicht rein, Prozent nach Masse/Gewicht gebrochen, Prozent nach Masse/Gewicht anderes Material als Korn leicht, Prozent nach Masse/Gewicht anderes Material als Korn schwer, Prozent nach Masse/Gewicht ungedroschen und so weiter. In einer Implementierung berechnet das Umwandlungs- und Filtermodul 260 ferner Statistiken in Bezug auf solche Kornqualitätsergebnisse, bei denen momentane, gefilterte und die Unsicherheit in den Messungen für das Anzeige-, Maschinensteuerungs- und Speichermodul(e) des Mähdreschers 20 berechnet werden.
  • Im veranschaulichten Beispiel wendet das Umwandlungs- und Filtermodul 260 eine Kalibrierungsfunktion auf eine Statistik an, die aus einem Aggregat der verschiedenen Klassifizierungswahrscheinlichkeiten der verschiedenen Bildabtastwerte abgeleitet wird. In einer Implementierung wandelt das Umwandlungs- und Filtermodul 260 Bildproben-Klassifizierungswahrscheinlichkeiten über ein Bild in einen Massen-/Gewichtsprozentsatz für eine Klassifizierung von Material für das Bild um, indem es eine Kalibrierungsfunktion in Form einer linearen Kurve anwendet, die die durchschnittliche Klassifizierungswahrscheinlichkeit über das Kornüberkehrbild auf einen Grundwahrheitsprozentsatz nach Gewicht oder Massenprozentsatz für die Klassifizierung von Kornmaterial abbildet.
  • Unter Bezugnahme auf FIG.. 10 und 11 beinhaltet ein entferntes Konnektivitätssystem 300 für den Mähdrescher 20 ein entferntes System 310, das sich an einem entfernten Standort 302 befindet. Ferner sind in dem entfernten Konnektivitätssystem 300 ein entferntes System 304 und ein Datenspeichermodul enthalten. Der Mähdrescher 20 kommuniziert mit Elementen im Server am entfernten Standort 302. In einer Implementierung können die entfernten Systeme 304, 310 jeweils Rechen-, Software-, Datenzugriffs- und Speicherdienste bereitstellen, die keine Kenntnisse des Endbenutzers über den physischen Standort oder die Konfiguration erfordern, die die Dienste bereitstellt. Die entfernten Systeme 304, 310 können einen oder mehrere webbasierte oder nicht-webbasierte Server beinhalten und die Dienste über ein Weitverkehrsnetzwerk, wie etwa das Internet, unter Verwendung geeigneter Protokolle bereitstellen und über einen Webbrowser oder eine andere Computerkomponente darauf zugreifen. Software oder Komponenten, die in 6-9 gezeigt sind, sowie die zugehörigen Daten können auf Servern an einem entfernten Ort gespeichert werden. Die Computerressourcen in einer entfernten Serverumgebung können an einem entfernten Standort des Rechenzentrums konsolidiert oder verteilt werden. Entfernte Server-Infrastrukturen können Dienste über gemeinsam genutzte Rechenzentren bereitstellen, obwohl sie für den Benutzer als ein einziger Zugangspunkt erscheinen. Somit können die hierin beschriebenen Komponenten und Funktionen von einem entfernten Server an einem entfernten Ort über eine entfernte Server-Architektur bereitgestellt werden. Alternativ können sie von einem herkömmlichen Server bereitgestellt werden oder direkt oder auf andere Weise auf Clientgeräten installiert werden.
  • Die Architektur von 10 sieht vor, dass einige Elemente von 1 an den entfernten Standorten 302 angeordnet sind, während andere dies nicht sind. Beispielsweise können der Datenspeicher 306 und die entfernten Systeme 304, 310 an einem vom Standort des Mähdreschers 20 getrennten Standort angeordnet sein und es kann über Remote-Server darauf zugegriffen werden. Unabhängig davon, wo sie sich befinden, kann direkt auf vom Mähdrescher 20 aus über ein Netzwerk auf sie zugegriffen werden. Die entfernten Systeme 304, 310 können an einem entfernten Standort von einem Dienst gehostet werden, oder sie können als Dienst bereitgestellt oder von einem Verbindungsdienst abgerufen werden, der sich an einem entfernten Standort befindet. Der Datenspeicher 306 kann relativ zu dem entfernten System 310 und/oder dem entfernten System 304 lokal oder entfernt angeordnet sein. Der Datenspeicher 306 kann von den entfernten Systemen 304, 310 geteilt werden.
  • Das entfernte Konnektivitätssystem 300 kann ein Kornqualitätsanalysesystem 354 und eine Aktualisierungssteuerung 356 umfassen. In einer Implementierung ist das Kornqualitätsanalysesystem 354 ein entfernt angeordnetes zentrales System und das Kornqualitätsanalysesystem 354 und die Aktualisierungssteuerung 356 sind in Bezug auf den Mähdrescher 20 entfernt angeordnet. In einer Ausführungsform überträgt der Mähdrescher 20 verarbeitete oder nicht verarbeitete Bilder zu Diagnose- oder Systemaktualisierungszwecken über den Kanal 328 an das Kornqualitätsanalysesystem 354. Ein Softwaremodul 326 des Kornqualitätsanalysesystems 354 kann Softwareaktualisierungen oder Diagnoseinformationen über den Kanal 330 an den Mähdrescher 20 zurücksenden. So kann beispielsweise der Bediener des Mähdreschers 20 ein geringes Vertrauen in die Kornqualität der Kornüberkehr haben. Der Mähdrescher 20 überträgt Bilder der scheinbar beeinträchtigten Kornüberkehr zur Potenzialdiagnose an das Kornqualitätsanalysesystem 354. Alternativ können Software- oder Prozessaktualisierungen des Mähdreschers 20 durch das Kornqualitätsanalysesystem 354 initialisiert und über einen dedizierten Kanal oder einen Kanal, der dem Kanal 330 gemeinsam ist, durch die Aktualisierungssteuerung 356 übertragen werden. In einer Implementierung sammelt das Kornqualitätsanalysesystem 354 Bilder, bei denen der Verdacht auf eine geringere Qualität besteht, und sendet auf Grundlage seiner Diagnose Software- oder Produktlinienaktualisierungen über die Aktualisierungssteuerung 356 an den Mähdrescher 20, um die Kornqualitätsanalyse zu verbessern. Alternativ sammelt das Kornqualitätsanalysesystem 354 Informationen von landwirtschaftlichen Maschinen von mehr als einem landwirtschaftlichen Betrieb und erkennt bei der Analyse der Informationen Probleme, die einzigartig für das Erntegut eines bestimmten landwirtschaftlichen Betriebs relativ zu Erntegut anderer landwirtschaftlicher Betriebe oder relativ zu einem Standard oder einer Erwartung sind, und das Kornqualitätsanalysesystem 354 sendet Diagnose- oder Aktualisierungsinformationen an den landwirtschaftlichen Betrieb mit dem erkannten gestörten Erntegut zur Unterstützung. In einer anderen Implementierung hält das Kornqualitätsanalysesystem 354 Softwareversionen für verschiedene Betriebe aktuell, indem Softwareupdates entweder direkt oder über die Aktualisierungssteuerung 356 an die landwirtschaftlichen Maschinen verschiedener Betriebe gesendet werden.
  • In einer Implementierung ist die Aktualisierungssteuerung 356 kommunikativ an mehr als einen Mähdrescher gekoppelt, um die Ausrüstung von mehr als einem Betrieb zu aktualisieren oder zu diagnostizieren. Alternativ kann jeder Betrieb über eine separate Steuerung oder eine gemeinsame Steuerung, wie etwa die Aktualisierungssteuerung 356, ferngesteuert mit einer zentralen Stelle, wie etwa dem Kornqualitätsanalysesystem 354, kommunizieren.
  • In einer Implementierung sind die Kanäle 328 und 330 ein Kommunikationskanal. Sie können durch Mobilfunkkanäle, WLAN, JDLINK oder ein beliebiges anderes geeignetes Mittel der drahtlosen Kommunikation implementiert werden. Die Aktualisierungssteuerung 356 kann mit dem Mähdrescher 20 und/oder dem Kornqualitätsanalysesystem 354 über ein ähnliches drahtloses Kommunikationsprotokoll kommunizieren. In einer Implementierung ist die Aktualisierungssteuerung 356 Teil des Kornqualitätsanalysesystems 354.
  • Das Kornqualitätsanalysesystem 354 kann gegebenenfalls die Klassifizierung des Klassifizierungsalgorithmus aus der Ferne aktualisieren oder den Klassifizierungsalgorithmus des Mähdreschers 20 ersetzen oder aktualisieren. Dementsprechend ermöglicht das Kornqualitätsanalysesystem 354 weitere Flexibilität bei der Klassifizierung, Diagnose und Aktualisierung von landwirtschaftlichen Maschinen, wie etwa dem Mähdrescher 20.
  • Die Fernübertragung von Bilddaten durch den Mähdrescher 20 an das Kornqualitätsanalysesystem 354 kann zu Verbesserungen des Konfidenzniveaus der Kornqualität führen und/oder Merkmale in dem Bild identifizieren, die in dem aktuellen Bilddatensatz nicht vorhanden sind und möglicherweise unerwartet sind. Sie kann ferner ermöglichen, dass landwirtschaftliche Maschinen in einem Zustand oder mit einem Erntegut arbeiten, der/das derzeit nicht unterstützt wird, und/oder es einem Bediener einer Maschine ermöglichen, ein Problem anzuzeigen und zu melden.
  • Der Fernzugriff auf Bilddaten vom Mähdrescher 20 zum Kornqualitätsanalysesystem 354 und vom Kornqualitätsanalysesystem 354 zum Mähdrescher 20 kann die Kundenbetreuung verbessern, was eine Analyse der Systemleistung, eine Verbesserung der Systemleistung und/oder eine schnellere Entwicklung von Softwareupdates ermöglicht, die über normale Verteilungsprozesse oder direkt an die landwirtschaftliche(n) Maschine(n) eines landwirtschaftlichen Betriebs verteilt werden. Die schnelle Softwareentwicklung kann auf der Grundlage der von den Landmaschinen des Betriebs gesammelten eindeutigen Bilddaten den spezifischen Bedürfnissen eines Betriebs weiter gerecht werden.
  • Der CNN-Algorithmus führt bei Ausführung durch den Prozessor 232 effektiv eine semantische Segmentierung des Probenbilds auf Pixelbasis durch, um Klassifizierungsausgaben bereitzustellen. Alternativ oder ergänzend kann der CNN-Algorithmus oder die separate Abbildungslogik eine Instanzsegmentierung durchführen, um die Korngröße von Kornüberkehr des Überkehrelevators 70 des Mähdreschers 20 zu messen, was für die Maschinenautomatisierung nützlich sein kann.
  • Obwohl die vorliegende Offenbarung unter Bezugnahme auf beispielhafte Ausführungsformen beschrieben wurde, werden Fachleute erkennen, dass Änderungen in Form und Detail vorgenommen werden können, ohne vom Geist und Umfang des beanspruchten Gegenstands abzuweichen. Obwohl beispielsweise verschiedene beispielhafte Ausführungsformen als ein oder mehrere Merkmale beinhaltend beschrieben worden sein können, die einen oder mehrere Vorteile bilden, ist vorgesehen, dass die beschriebenen Merkmale miteinander ausgetauscht oder alternativ in den beschriebenen beispielhaften Ausführungsformen oder in anderen alternativen Ausführungsformen kombiniert werden können. Da die Technologie der vorliegenden Offenbarung relativ komplex ist, sind nicht alle Änderungen in der Technologie vorhersehbar. Die vorliegende Offenbarung, die unter Bezugnahme auf die beispielhaften Ausführungsformen beschrieben und in den folgenden Ansprüchen dargelegt ist, soll offensichtlich so breit wie möglich sein. Sofern nicht ausdrücklich etwas anderes angegeben ist, umfassen die Ansprüche, die ein einzelnes bestimmtes Element angeben, zum Beispiel auch eine Vielzahl dieses bestimmten Elements.
  • Nach Einschätzung eines Fachmanns können bestimmte Aspekte des offenbarten Gegenstands als Verfahren, System (z. B. ein in einem Arbeitsfahrzeug enthaltenes Arbeitsfahrzeugsteuerungssystem) oder Computerprogrammprodukt ausgeführt werden. Dementsprechend können bestimmte Ausführungsformen vollständig als Hardware, vollständig als Software (einschließlich Firmware, residenter Software, Mikrocode usw.) oder als Kombination von Soft- und Hardware (und anderen) Merkmalen implementiert werden. Darüber hinaus können bestimmte Ausführungsformen in Form eines Computerprogramms auf einem computertauglichen Speichermedium mit einem computertauglichen Programmcode im Medium ausgeführt werden.
  • Es kann jedes geeignete computertaugliche oder computerlesbare Medium verwendet werden. Das computertaugliche Medium kann ein computerlesbares Signalmedium oder ein computerlesbares Speichermedium sein. Ein computerverwendbares oder computerlesbares Speichermedium (einschließlich einer Speichervorrichtung, die einem Computersystem oder einer elektronischen Client-Vorrichtung zugeordnet ist) kann beispielsweise ein elektronisches, magnetisches, optisches, elektromagnetisches, Infrarot- oder Halbleitersystem, Apparat, Vorrichtung oder eine geeignete Kombination der vorgenannten sein, ist jedoch nicht darauf beschränkt. Konkretere Beispiele (eine nicht vollständige Liste) des computerlesbaren Mediums sind: eine elektrische Verbindung in Form eines oder mehrerer Kabel, eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM oder Flash-Speicher), ein optischer Speicher, ein tragbarer Nur-Lese-Speicher für CDs (CD-ROM), eine optische Speichervorrichtung. Im Zusammenhang mit diesem Dokument kann ein computerverwendbares oder computerlesbares Speichermedium jedes physische Medium sein, das ein Programm zur Verwendung durch oder in Verbindung mit dem Befehlsausführungssystem, der Vorrichtung oder des Geräts enthalten oder speichern kann.
  • Ein computerlesbares Signalmedium kann ein sich verbreitendes Datensignal mit einem darin enthaltenen computerlesbaren Programmcode beinhalten, beispielsweise im Basisband oder als Teil einer Trägerwelle. Ein solches sich ausbreitendes Signal kann eine Vielzahl von Formen annehmen, einschließlich, aber nicht beschränkt auf, elektromagnetische, optische oder eine geeignete Kombination davon. Ein computerlesbares Signalmedium kann nicht-transitorisch sein und kann jedes computerlesbare Medium sein, das kein computerlesbares Speichermedium ist und das ein Programm zur Verwendung durch oder in Verbindung mit einem Befehlsausführungssystem, einer Vorrichtung oder einem Gerät kommunizieren, verbreiten oder transportieren kann.
  • Aspekte bestimmter Ausführungsformen, die hierin beschrieben sind, können mit Bezug auf Flussdiagrammdarstellungen und/oder Blockdiagramme von Verfahren, Geräten (Systemen) und Computerprogrammen entsprechend den Ausführungsformen der Erfindung beschrieben werden. Es wird vorausgesetzt, dass jeder Block von solchen Flussdiagrammdarstellungen und/oder Blockdiagrammen und Kombinationen von Blöcken in solchen Flussdiagrammdarstellungen und/oder Blockdiagrammen durch Computerprogrammanweisungen implementiert werden kann. Diese Computerprogrammanweisungen können einem Prozessor eines Universalcomputers, eines speziellen Computers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung zur Herstellung einer Maschine zur Verfügung gestellt werden, so dass die Anweisungen, die über den Prozessor des Computers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführt werden, eine Einrichtung zur Ausführung der im Flussdiagramm und/oder Blockdiagrammblock oder in Blockdiagrammblöcken angegebenen Funktionen/Akten erstellen.
  • Diese Computerprogrammanweisungen können auch in einem computerlesbaren Speicher gespeichert werden, der einen Computer oder eine andere programmierbare Datenverarbeitungsvorrichtung anweisen kann, auf eine bestimmte Weise zu funktionieren, so dass die im computerlesbaren Speicher gespeicherten Anweisungen einen Fertigungsgegenstand erzeugen, einschließlich Anweisungen, welche die im Flussdiagramm und/oder Blockdiagramm oder in Blocks spezifizierte Funktion/Handlung implementieren.
  • Die Computerprogrammanweisungen können auch in einen Computer oder eine andere programmierbare Datenverarbeitungsvorrichtung geladen werden, um eine Reihe von Betriebsschritten zu veranlassen, die auf dem Computer oder einer anderen programmierbaren Vorrichtung ausgeführt werden, um einen computerimplementierten Prozess zu erzeugen, so dass die Anweisungen, die auf dem Computer oder einer anderen programmierbaren Vorrichtung ausgeführt werden, Schritte zur Implementierung der im Flussdiagramm und/oder Blockdiagrammblock oder den -blöcken angegebenen Funktionen/Handlungen bereitstellen.
  • Jedes Flussdiagramm und Blockdiagramm in den Abbildungen oder einer ähnlichen vorherigen Erläuterung kann die Architektur, Funktionalität und Funktionsweise möglicher Implementierungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Offenbarung veranschaulichen. In diesem Zusammenhang kann jeder Block im Flussdiagramm oder in den Blockdiagrammen ein Modul, Segment oder einen Teil des Codes darstellen, der eine oder mehrere ausführbare Anweisungen zur Implementierung der angegebenen logischen Funktionen umfasst. Es ist auch zu beachten, dass in einigen alternativen Implementierungen die im Block (oder anderweitig hierin beschrieben) angegebenen Funktionen in der in den Abbildungen angegebenen Reihenfolge erscheinen können. So können beispielsweise zwei aufeinanderfolgende Blöcke (oder zwei aufeinanderfolgende Operationen) im Grunde genommen gleichzeitig ausgeführt werden, oder die Blöcke (oder Operationen) können manchmal in umgekehrter Reihenfolge ausgeführt werden, wobei dies von der jeweiligen Funktionalität abhängt. Außerdem wird darauf hingewiesen, dass jeder Block eines Blockdiagramms und/oder einer Flussdiagrammdarstellung und Kombinationen von Blöcken in einem Blockdiagramm und/oder einer Flussdiagrammdarstellung durch auf Hardware basierende Spezialsysteme implementiert werden kann, welche die spezifizierten Funktionen oder Handlungen ausführen, oder durch Kombinationen von Hardware und Computeranweisungen für spezielle Zwecke.
  • Die hierin verwendete Terminologie dient ausschließlich der Beschreibung bestimmter exemplarischer Ausführungsformen und soll in keiner Weise einschränkend sein. Wie in diesem Dokument verwendet, sollen die Singularformen „ein“, „eine“ und „die/der/das“ auch die Pluralformen beinhalten, sofern der Kontext nichts anderes besagt. Des Weiteren wird davon ausgegangen, dass jede Verwendung der Begriffe „umfasst“ und/oder „umfassen“ in dieser Spezifikation das Vorhandensein von angegebenen Merkmalen, Ganzzahlen, Schritten, Operationen, Elementen und/oder Komponenten spezifiziert, jedoch das Vorhandensein oder Hinzufügen eines oder mehrerer anderer Merkmale, Ganzzahlen, Schritte, Operationen, Elemente, Komponenten und/oder Gruppen davon nicht ausschließt.
  • Die Beschreibung der vorliegenden Offenbarung wurde zur Veranschaulichung und Beschreibung vorgelegt, soll aber nicht vollständig oder auf die Offenbarung in der offenbarten Form beschränkt sein. Viele Modifikationen und Variationen sind für Fachleute offensichtlich, ohne vom Umfang und Sinn der Offenbarung abzuweichen. Die hierin ausdrücklich genannten Ausführungsformen wurden ausgewählt und beschrieben, um die Prinzipien der Offenbarung und ihre praktische Anwendung am besten zu erklären und es anderen Durchschnittsfachleuten auf diesem Gebiet ermöglichen, die Offenbarung zu verstehen und viele Alternativen, Änderungen und Abweichungen von den beschriebenen Beispielen zu erkennen.

Claims (16)

  1. Kornüberkehrelevator (70) für einen Mähdrescher (20), umfassend: ein Elevatorgehäuse (76) mit einem Innenraum, der eine Förderanordnung (82) enthält, die konfiguriert ist, um Kornüberkehr durch das Elevatorgehäuse (76) zu einem Abgabeauslass (84) zu transportieren, wobei das Elevatorgehäuse (76) eine Seitenwand (138) mit einem Fenster (140) zu dem Innenraum des Elevatorgehäuses (76) aufweist; und eine Kamera (132) mit einem Kameragehäuse (136), das einen Bildsensor (134) enthält, wobei das Kameragehäuse (136) an der Seitenwand (138) des Elevatorgehäuses (76) über dem Fenster (140) angebracht ist, wobei der Bildsensor (134) mit dem Fenster (140) ausgerichtet ist; wobei der Bildsensor (134) derart an der Förderanordnung (82) ausgerichtet und konfiguriert ist, um die Kornüberkehr abzubilden, die durch die Förderanordnung (82) durch das Elevatorgehäuse (76) transportiert wird, wobei die Förderanordnung (82) eine Vielzahl von Flügeln (80) beinhaltet, die mit einem flexiblen Element gekoppelt und entlang einer Länge des Elevatorgehäuses (76) beabstandet sind; und wobei jeder Flügel (80) eine Vorderkante (86) und eine Hinterkante (88) aufweist, wobei die Vorderkante (86) näher an der Seitenwand (138) des Elevatorgehäuses (76) ist als die Hinterkante (88), dadurch gekennzeichnet, dass ein Sensor (160) konfiguriert ist, um die Flügel (80) zu erfassen, wenn sie das Elevatorgehäuse (76) durchqueren und der Sensor (160) funktionsfähig an die Kamera (132) gekoppelt ist, um den Bildsensor (134) nach dem Erfassen eines der mehreren Flügel (80) zu aktivieren.
  2. Überkehrelevator (70) nach Anspruch 1, wobei die Kamera (132) an der Seitenwand (138) des Elevatorgehäuses (76) innerhalb eines Abstands (D) von einem unteren Ende (146) des Elevatorgehäuses (76) von einem Viertel einer Länge des Elevatorgehäuses (76) angebracht ist.
  3. Überkehrelevator (70) nach Anspruch 1, wobei die Breite des Fensters (140) der Breite der Seitenwand (138) entspricht.
  4. Überkehrelevator (70) nach Anspruch 1, wobei die Kamera (132) derart auf die Förderanordnung (82) ausgerichtet ist, dass der Bildsensor (134) die Kornüberkehr, die von einem oberen Abschnitt des Flügels (80) zwischen der Vorderkante (86) und der Hinterkante (88) jedes Flügels (80) getragen wird, abbildet, wenn die Flügel (80) die Kornüberkehr durch das Elevatorgehäuse (76) zu dem Abgabeauslass (84) bewegen.
  5. Überkehrelevator (70) nach Anspruch 4, wobei die Kamera (132) in einem Winkel in Bezug auf die Seitenwand (138) des Elevatorgehäuses (76) angebracht ist, sodass die gesamte Länge der Vorder- und Hinterkanten (86, 88) jedes Flügels (80) in ein Sichtfeld des Bildsensors (134) fällt, wenn sich die Förderanordnung (82) über die Flügel (80) durch das Elevatorgehäuse (76) bewegt.
  6. Überkehrelevator (70) nach Anspruch 1, wobei die Kamera (13) derart auf die Förderanordnung (82) ausgerichtet ist, dass der Bildsensor (134) die Kornüberkehr in Schwebe innerhalb des Elevatorgehäuses (76) abbildet, wenn die Flügel (80) die Kornüberkehr durch das Elevatorgehäuse (76) zum Abgabeauslass (84) bewegen.
  7. Überkehrelevator (70) nach Anspruch 1, wobei der Sensor (160) innerhalb des Kameragehäuses (136) oder daran angrenzend angeordnet ist; und wobei der Sensor (160) jeden der Flügel durch das Fenster (140) in der Seitenwand (138) des Elevatorgehäuses (76) erfasst.
  8. Landwirtschaftlicher Mähdrescher (20), umfassend: einen Reinkornelevator (58); und einen Überkehrelevator (70) nach einen der vorhergehenden Ansprüche.
  9. Verfahren zur Kontrolle der Qualität geernteter Körner, umfassend: Erfassung eines oder mehrerer Bilder von Kornüberkehr an einer Abtaststelle eines Kornüberkehrelevators (70) eines Mähdreschers (20), wobei die erfassten Bilder durch einen Satz von Bildpixeln definiert sind, die durch Bilddaten dargestellt werden, und ein Klassifizierungsmerkmal aufweisen, das ein Kornmaterial der Kornüberkehr anzeigt; Auswahl mindestens eines Probenbildes aus den erfassten Bildern, wobei das ausgewählte Probenbild durch einen Teilsatz von Bildpixeln des Satzes von Bildpixeln definiert ist, die durch Bilddaten dargestellt werden; Anwendung eines Convolutional Neural Network (CNN)-Algorithmus auf die Bilddaten des Teilsatzes von Bildpixeln des ausgewählten Probenbildes, um das Klassifizierungsmerkmal der Kornüberkehr des ausgewählten Probenbildes zu bestimmen; und Bestimmung des Klassifizierungsmerkmals der Kornüberkehr des ausgewählten Probenbildes, dadurch gekennzeichnet, dass der Auswahlschritt einen Bildauswahlalgorithmus verwendet, der auf der Identifizierung des jeweiligen Elevatorflügels (80), auf dem das Korn transportiert wird, basiert.
  10. Verfahren nach Anspruch 9, wobei das bestimmte Klassifizierungsmerkmal zum Einstellen von Betriebsparametern des Mähdreschers (20) verwendet wird.
  11. Verfahren nach Anspruch 9, wobei das Klassifizierungsmerkmal eine oder mehrere Klassifizierungen von Kornmaterial der Kornüberkehr beinhaltet.
  12. Verfahren nach Anspruch 9, ferner umfassend das Erzeugen eines Konfidenzmaßes, das eine Wahrscheinlichkeit der Klassifizierungen des Kornmaterials der Kornüberkehr anzeigt.
  13. Verfahren nach Anspruch 9, wobei ein mit den Klassifizierungen von Kornmaterial der teilweise gedroschenen Kornüberkehr verbundenes Konfidenzmaß generiert wird.
  14. Verfahren nach Anspruch 9, wobei das bestimmte Klassifizierungsmerkmal einen leeren Raum beinhaltet, der Räume zwischen der Kornüberkehr mit fehlender Kornüberkehr identifiziert, wobei die identifizierten leeren Räume eine fehlerhafte Klassifizierung des Kornmaterials der Kornüberkehr verhindern.
  15. Verfahren nach Anspruch 9, ferner beinhaltend lokales Speichern der Bilddaten des Teilsatzes von Bildpixeln oder Übertragen der Bilddaten des Teilsatzes von Bildpixeln an ein entferntes System.
  16. Verfahren nach Anspruch 9, ferner umfassend die Auswahl einer N Anzahl der ausgewählten Bilder, wobei die N Anzahl der ausgewählten Bilder durch eine N Anzahl von Teilmengen des Satzes von Bildpixeln definiert ist; und die Wiederholung der Bestimmungs- und Anwendungsschritte für jedes der N Anzahl von ausgewählten Bildern, wobei N ein ganzzahliger Wert ist.
DE102019214038.6A 2018-09-18 2019-09-16 Kornqualitätskontrollsystem und -verfahren Active DE102019214038B4 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862732779P 2018-09-18 2018-09-18
US62/732,779 2018-09-18
US16/540,553 US11197417B2 (en) 2018-09-18 2019-08-14 Grain quality control system and method
US16/540,553 2019-08-14

Publications (2)

Publication Number Publication Date
DE102019214038A1 DE102019214038A1 (de) 2020-03-19
DE102019214038B4 true DE102019214038B4 (de) 2023-09-07

Family

ID=69647215

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019214038.6A Active DE102019214038B4 (de) 2018-09-18 2019-09-16 Kornqualitätskontrollsystem und -verfahren

Country Status (2)

Country Link
US (1) US11197417B2 (de)
DE (1) DE102019214038B4 (de)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
PL3942465T3 (pl) * 2019-03-19 2023-08-21 Bühler AG Uprzemysłowiony system i sposób rozpoznawania ziarn ryżu
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
DE102020117071A1 (de) * 2020-06-29 2021-12-30 Claas Selbstfahrende Erntemaschinen Gmbh Landwirtschaftliche Erntemaschine
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
JP2022077447A (ja) * 2020-11-11 2022-05-23 株式会社サタケ 被選別物の識別方法、選別方法及び選別装置
US20220232770A1 (en) * 2021-01-22 2022-07-28 Deere & Company Agricultural header control
CN113239715A (zh) * 2021-02-04 2021-08-10 南京大学 基于图像处理的油菜收获喂入量检测方法及装置
JP2022173858A (ja) * 2021-05-10 2022-11-22 株式会社クボタ コンバイン
DE102021116118A1 (de) * 2021-06-22 2022-12-22 Claas Selbstfahrende Erntemaschinen Gmbh Verfahren zur Bestimmung eines Indikators für eine Aufbereitungsqualität eines landwirtschaftlichen Ernteguts
WO2023003669A1 (en) * 2021-07-20 2023-01-26 Sortera Alloys, Inc. Material classification system
WO2023003670A1 (en) * 2021-07-20 2023-01-26 Sortera Alloys, Inc. Material handling system
ES2956395A1 (es) * 2022-05-11 2023-12-20 Univ Sevilla Dispositivo y procedimiento de monitorizacion de rendimiento para cosechadora en olivar superintensivo
CN116384817B (zh) * 2023-03-30 2024-01-09 沧州市农林科学院 一种用于评价植物抗逆性的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570968A2 (de) 2011-09-19 2013-03-20 Deere & Company Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine
US9779330B2 (en) 2014-12-26 2017-10-03 Deere & Company Grain quality monitoring

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001060718A2 (en) 2000-02-17 2001-08-23 Bintech. Lllp Bulk materials management apparatus and method
US20040141641A1 (en) * 2003-01-21 2004-07-22 Mcdonald Miller Baird Seed image analyzer
DE10306726A1 (de) * 2003-02-17 2004-09-30 Claas Selbstfahrende Erntemaschinen Gmbh Methode zur Optimierung von einstellbaren Parametern
GB0416766D0 (en) * 2004-07-28 2004-09-01 Cnh Belgium Nv Apparatus and method for analysing the composition of crop in a crop-conveying machine
ATE527619T1 (de) * 2005-01-27 2011-10-15 Cambridge Res & Instrumentation Inc Klassifizierung der bildeigenschaften
DE102005043991A1 (de) * 2005-09-14 2007-08-09 Claas Selbstfahrende Erntemaschinen Gmbh Verfahren zur Einstellung eines Arbeitsaggregats einer Erntemaschine
DE102007053662A1 (de) * 2007-11-10 2009-05-14 Claas Selbstfahrende Erntemaschinen Gmbh Verfahren zur Qualitätsüberwachung von Erntegut
EP2123144B1 (de) * 2008-05-22 2012-02-29 CNH Belgium N.V. Vorrichtung zur Analyse der Zusammensetzung von Saatgut in einem Getreideband
EP2131184B1 (de) * 2008-06-02 2015-07-29 CNH Industrial Belgium nv Verfahren und Vorrichtung zur Unterscheidung von Saatpartikeln
DE102008056557A1 (de) * 2008-11-10 2010-05-12 Claas Selbstfahrende Erntemaschinen Gmbh Erstellung von Bilddatenbanken für Bildauswertung
DE102010017688A1 (de) 2010-07-01 2012-01-05 Claas Selbstfahrende Erntemaschinen Gmbh Vorrichtung zur Erfassung und Bestimmung der Zusammensetzung von Schüttgut
WO2013012080A1 (ja) 2011-07-20 2013-01-24 ヤンマー株式会社 コンバイン
DE102013106131A1 (de) * 2012-07-16 2014-06-12 Claas Selbstfahrende Erntemaschinen Gmbh Fahrerassistenzsystem für landwirtschaftliche Arbeitsmaschine
DE102013107169A1 (de) * 2013-07-08 2015-01-08 Claas Selbstfahrende Erntemaschinen Gmbh Landwirtschaftliche Erntemaschine
US10426087B2 (en) * 2014-04-11 2019-10-01 Deere & Company User interface performance graph for operation of a mobile machine
US20150370935A1 (en) 2014-06-24 2015-12-24 360 Yield Center, Llc Agronomic systems, methods and apparatuses
US10085379B2 (en) 2014-09-12 2018-10-02 Appareo Systems, Llc Grain quality sensor
US9901031B2 (en) 2014-09-24 2018-02-27 Deere & Company Automatic tuning of an intelligent combine
US9516817B2 (en) 2015-03-26 2016-12-13 Deere & Company Grain-moving arrangement for an agricultural combine
US9807932B2 (en) 2015-10-02 2017-11-07 Deere & Company Probabilistic control of an agricultural machine
US10188036B2 (en) 2015-10-23 2019-01-29 Carnegie Mellon University System for evaluating agricultural material
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10234368B2 (en) 2016-10-13 2019-03-19 Deere & Company System and method for load evaluation
US10740893B2 (en) 2017-09-05 2020-08-11 Vibe Imaging Analytics Ltd. System and method for automated grain inspection and analysis of results
US10909368B2 (en) * 2018-01-23 2021-02-02 X Development Llc Crop type classification in images
US11818982B2 (en) * 2018-09-18 2023-11-21 Deere & Company Grain quality control system and method
US10713542B2 (en) * 2018-10-24 2020-07-14 The Climate Corporation Detection of plant diseases with multi-stage, multi-scale deep learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570968A2 (de) 2011-09-19 2013-03-20 Deere & Company Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine
US9779330B2 (en) 2014-12-26 2017-10-03 Deere & Company Grain quality monitoring

Also Published As

Publication number Publication date
US11197417B2 (en) 2021-12-14
US20200084966A1 (en) 2020-03-19
DE102019214038A1 (de) 2020-03-19

Similar Documents

Publication Publication Date Title
DE102019214038B4 (de) Kornqualitätskontrollsystem und -verfahren
US11818982B2 (en) Grain quality control system and method
EP2570968B1 (de) Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine
EP2183954B1 (de) Erstellung von Bilddatenbanken für Bildauswertung
EP2057882B2 (de) Verfahren zur Qualitätsüberwachung von Erntegut
DE102014204603B3 (de) Verfahren zur selbsttätigen Einstellung von Dreschparametern eines Mähdreschers während der Ernte unter Verwendunq einer Anordnung zur Erkennung von Strohqualität
DE102011085380A1 (de) Anordnung und Verfahren zur vorausschauenden Untersuchung von mit einer Erntemaschine aufzunehmenden Pflanzen
DE102020123938A1 (de) Systeme und verfahren zur überwachung des kornverlusts
DE102021126421A1 (de) Kornüberwachungssysteme auf kernebene für mähdrescher
DE102021200028A1 (de) Landwirtschaftliche erntemaschine mit vorauflauf-unkrauterkennungs- und -eindämmungssystem
DE102018127846A1 (de) Verfahren zur Regelung des Betriebs einer Maschine zum Ernten von Hackfrüchten
DE102018127844A1 (de) Verfahren zur Regelung des Betriebs einer Maschine zum Ernten von Hackfrüchten
DE102022100749A1 (de) Steuerung des landwirtschaftlichen erntevorsatzes
DE102021106067A1 (de) Echtzeit-erkennung von riemenausfällen
DE102020001120A1 (de) Verbesserung der dimensionsübergreifenden leistung in der maschinensteuerung
DE102022123724A1 (de) Erntegutgutbestandteilerfassung
DE102019206817A1 (de) Selbstlernendes steuersyste m für eine mobile maschine
DE102020120877A1 (de) Überwachungs- und verbesserungssystem für die maschinensteuerung
EP4108063A1 (de) Verfahren zur bestimmung eines indikators für eine aufbereitungsqualität eines landwirtschaftlichen ernteguts
DE102021117470A1 (de) Verfahren und Anordnung zur Kontrolle eines Betriebsparameters eines Feldhäckslers
EP4198917A1 (de) Anordnung und verfahren zur optischen beurteilung von erntegut in einer erntemaschine
EP3932174B1 (de) Landwirtschaftliche erntemaschine
EP4102952A1 (de) Verfahren zum betrieb einer maschine zum ernten und/oder trennen von hackfrüchten, zugehörige maschine und zugehöriges computerprogrammprodukt
DE102021105274A1 (de) Verfahren zur Erkennung von Längen eines Partikels
DE102020130058A1 (de) Echtzeitnahe signalkorrektur an einer erntemaschine

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: A01F0012440000

Ipc: A01D0041127000

R016 Response to examination communication
R018 Grant decision by examination section/examining division