DE102020204464A1 - Maschinensteuerung unter verwendung eines echtzeitmodells - Google Patents
Maschinensteuerung unter verwendung eines echtzeitmodells Download PDFInfo
- Publication number
- DE102020204464A1 DE102020204464A1 DE102020204464.3A DE102020204464A DE102020204464A1 DE 102020204464 A1 DE102020204464 A1 DE 102020204464A1 DE 102020204464 A DE102020204464 A DE 102020204464A DE 102020204464 A1 DE102020204464 A1 DE 102020204464A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- data
- predictive
- machine
- quality metric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013442 quality metrics Methods 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims description 55
- 230000007246 mechanism Effects 0.000 claims description 36
- 238000003306 harvesting Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 230000000414 obstructive effect Effects 0.000 claims description 4
- 235000013339 cereals Nutrition 0.000 description 34
- 238000003860 storage Methods 0.000 description 17
- 238000004140 cleaning Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 239000002689 soil Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 239000002028 Biomass Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 240000008042 Zea mays Species 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001124569 Lycaenidae Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013340 harvest operation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 108010073032 Grain Proteins Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/044—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D75/00—Accessories for harvesters or mowers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0414—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means using force sensing means to determine a position
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Soil Sciences (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
[00187] im Voraus gewonnene georeferenzierte Vegetationsindex-Daten werden für einen Arbeitsort zusammen mit Felddaten erhalten, die durch einen Sensor an einer Arbeitsmaschine gesammelt werden, die eine Operation an dem Arbeitsort ausführt. Während die Maschine die Operation ausführt, wird ein prädiktives Modell anhand der georeferenzierten Vegetationsindex-Daten und der Felddaten generiert. Für das prädiktive Modell wird eine Modellqualitätsmessgröße generiert und wird verwendet, um zu bestimmen, ob es sich bei dem prädiktiven Modell um ein qualifiziertes prädiktives Modell handelt. Wenn ja, so steuert ein Steuerungssystem ein Teilsystem der Arbeitsmaschine unter Verwendung des qualifizierten prädiktiven Modells und einer Position der Arbeitsmaschine, um die Operation auszuführen.
Description
- GEBIET DER BESCHREIBUNG
- Die vorliegende Beschreibung betrifft Arbeitsmaschinen. Genauer gesagt, betrifft die vorliegende Beschreibung ein Steuerungssystem, das dynamisch während der Laufzeit Daten erfasst und ein prädiktives Modell generiert und qualifiziert und die Arbeitsmaschine unter Verwendung dieses Modells steuert.
- HINTERGRUND
- Es gibt eine Vielzahl verschiedener Arten von Arbeitsmaschinen. Solche Maschinen können Baumaschinen, Rasenpflegemaschinen, Forstmaschinen, Landwirtschaftsmaschinen usw. sein.
- Einige derzeitige Systeme versuchen, im Voraus gewonnene Daten zu verwenden, um ein prädiktives Modell zu generieren, das zur Steuerung der Arbeitsmaschine verwendet werden kann. Landwirtschaftliche Erntemaschinen können unter anderem beispielsweise Mähdrescher, Futtererntemaschinen und Baumwollerntemaschinen sein. Einige derzeitige Systeme versuchen, im Voraus gewonnene Daten (zum Beispiel Luftbilder eines Feldes) zu verwenden, um eine prädiktive Ertragskarte zu erstellen. Die prädiktive Ertragskarte prognostiziert Erträge an verschiedenen geografischen Standorten auf dem abzuerntenden Feld. Die derzeitigen Systeme versuchen, diese prädiktive Ertragskarte für die Steuerung der Erntemaschine zu verwenden.
- Die obige Besprechung dient lediglich der allgemeinen Hintergrundinformation und soll keine Ausführungen darstellen, die bei der Bestimmung des Schutzumfangs des beanspruchten Gegenstandes zu berücksichtigen wären.
- KURZDARSTELLUNG
- im Voraus gewonnene georeferenzierte Vegetationsindex-Daten werden für einen Arbeitsort zusammen mit Felddaten erhalten, die durch einen Sensor an einer Arbeitsmaschine gesammelt werden, die eine Operation an dem Arbeitsort ausführt. Während die Maschine die Operation ausführt, wird ein prädiktives Modell anhand der georeferenzierten Vegetationsindex-Daten und der Felddaten generiert. Für das prädiktive Modell wird eine Modellqualitätsmessgröße generiert und wird verwendet, um zu bestimmen, ob es sich bei dem prädiktiven Modell um ein qualifiziertes prädiktives Modell handelt. Wenn ja, so steuert ein Steuerungssystem ein Teilsystem der Arbeitsmaschine unter Verwendung des qualifizierten prädiktiven Modells und einer Position der Arbeitsmaschine, um die Operation auszuführen.
- Diese Kurzdarstellung dient dazu, eine Auswahl von Konzepten in vereinfachter Form vorzustellen, die unten in der Detaillierten Beschreibung eingehender ausgeführt werden. Diese Kurzdarstellung ist weder dafür gedacht, Hauptmerkmale oder wesentliche Merkmale des beanspruchten Gegenstandes herauszustellen, noch soll sie dafür herangezogen werden, den Schutzumfang des beanspruchten Gegenstandes zu bestimmen. Der beanspruchte Gegenstand ist nicht auf Implementierungen beschränkt, die einige oder alle Nachteile beseitigen, die im Abschnitt „Hintergrund“ angesprochen wurden.
- Figurenliste
-
-
1 ist eine teilweise schematische, teilweise bildliche Darstellung eines Mähdreschers. -
2A ist ein Blockdiagramm, das ein Beispiel für eine Computersystemarchitektur zeigt, die den in1 gezeigten Mähdrescher enthält. -
2B ist ein Blockdiagramm, das einen beispielhaften Satz von georeferenzierten im Voraus gewonnenen Daten zeigt. -
3A-3C (hier gemeinsam als3 bezeichnet) zeigen ein Flussdiagramm, das ein Beispiel für den Betrieb der in2 gezeigten Computersystemarchitektur veranschaulicht. -
4A ist ein Diagramm, das ein Beispielfeld zeigt. -
4B ist ein Diagramm, das einen beispielhaften Satz von im Voraus gewonnenen georeferenzierten Daten für das in4A gezeigte Feld zeigt. -
4C ist ein Diagramm, das ein Beispiel für ein Satz Regeln zeigt, das durch ein Modellevaluierungssystem verwendet wird. -
5 ist ein Flussdiagramm, das ein anderes Beispiel für die Funktionsweise der in2 gezeigten Architektur veranschaulicht, die aktuatorspezifische oder teilsystemspezifische Steuerungsmodelle dynamisch generiert. -
6 ist ein Blockdiagramm, das ein Beispiel für die in2A gezeigte Architektur zeigt, die in einer Femserverarchitektur verwendet wird. -
7-9 zeigen Beispiele für mobile Vorrichtungen, die in den in den vorherigen Figuren gezeigten Architekturen verwendet werden können. -
10 ist ein Blockdiagramm, das ein Beispiel für eine Computerumgebung zeigt, die in den in den vorherigen Figuren gezeigten Architekturen verwendet werden kann. - DETAILLIERTE BESCHREIBUNG
- Wie oben besprochen, versuchen einige derzeitige Systeme, im Voraus gewonnene Daten (zum Beispiel Luftbilder) zu verwenden, um eine prädiktive Karte zu erstellen, die zur Steuerung einer Arbeitsmaschine verwendet werden kann. Zum Beispiel wurde mit großem Aufwand versucht, eine prädiktive Ertragskarte für ein Feld zu erstellen, die auf Vegetationsindexwerten aus Luftbildern basiert. Solche prädiktiven Ertragskarten versuchen, einen Ertrag an verschiedenen Stellen innerhalb des Feldes vorherzusagen. Die Systeme versuchen, einen Mähdrescher (oder eine andere Erntemaschine) auf der Grundlage des vorhergesagten Ertrages zu steuern.
- Außerdem versuchen einige Systeme, vorausschauende Wahrnehmungssysteme zu verwenden, die das Erhalten optischer Bilder des Feldes vor einer Erntemaschine in Fahrtrichtung enthalten können. Auf der Grundlage dieser Bilder kann ein Ertrag für die Fläche unmittelbar vor der Erntemaschine vorhergesagt werden. Dies ist eine weitere Quelle von im Voraus gewonnenen Daten, die verwendet werden können, um eine Form von prädiktiver Ertragskarte zu generieren.
- Alle diese Arten von Systemen können Schwierigkeiten bereiten.
- So stellt beispielsweise keines der Modelle, die auf im Voraus gewonnenen Daten basieren, echte Referenzdaten dar. Zum Beispiel stellen sie nur prädiktive Erträge dar und nicht tatsächliche, vor Ort verifizierte Ertragswerte. Daher haben einige Systeme versucht, mehrere verschiedene Modelle zu generieren und ihnen dann eine Qualitätswertung auf der Grundlage der früheren Ertragsleistung zuzuweisen. Zum Beispiel kann eine Fernserverumgebung im Voraus gewonnene Luftbilddaten erhalten und eine prädiktive Ertragskarte erstellen. Die Fernserverumgebung kann dann tatsächliche Ertragsdaten empfangen, die bei der Ernte des betreffenden Feldes generiert wurden. Sie kann die Qualität oder Richtigkeit des Modells auf der Grundlage der tatsächlichen Ertragsdaten bestimmen. Das prädiktive Ertragsmodell oder der Algorithmus, mit dessen Hilfe das Modell erstellt wurde, kann dann modifiziert werden, um es zu verbessern.
- Dies hilft jedoch nicht bei der Steuerung der Erntemaschine während der Ernteoperation. Statt dessen werden die tatsächlichen Ertragsdaten nach Abschluss der Ernteoperation an die Fernserverumgebung übermittelt, so dass das Modell für die nächste Erntesaison für dieses Feld verbessert werden kann.
- Im Gegensatz dazu beschreibt die folgende Beschreibung ein System und ein Verfahren zum Erstellen eines prädiktiven Modells, das nicht nur auf im Voraus gewonnenen Daten basiert, sondern auch auf vor Ort gewonnenen Felddaten basiert, die tatsächliche Werte repräsentieren, die modelliert werden. Wenn es sich bei der prädiktiven Karte beispielsweise um eine prädiktive Ertragskarte handelt, so wird das Modell, mit dessen Hilfe diese Karte erstellt wird, dynamisch auf der Grundlage von im Voraus gewonnenen Daten (zum Beispiel Luftbilddaten) und vor Ort gewonnenen Daten, wie beispielsweise tatsächlichen Ertragsdaten, die während der Ernteoperation in der Erntemaschine erfasst wurden, generiert. Sobald die prädiktive Ertragskarte erstellt wurde, wird das Modell (zum Beispiel die prädiktive Karte), mit dessen Hilfe sie erstellt wurde, evaluiert, um seine Richtigkeit (oder Qualität) zu bestimmen. Wenn die Qualität des Modells ausreichend ist, so wird es zur Steuerung des Mähdreschers während der Ernteoperation verwendet und wird dynamisch und iterativ anhand von vor Ort gewonnenen Daten evaluiert, die während der Ernteoperation aus dem Mähdrescher erfasst wurden. Wenn das Modell keine ausreichende Qualität hat, so kann das System dynamisch zu einem alternativen Modell wechseln, oder es kann auf manuellen Betrieb oder voreingestellte Werte zurückkehren, oder es kann andere alternative Modelle generieren und evaluieren.
-
1 ist eine teilweise bildliche, teilweise schematische Darstellung einer Landwirtschaftsmaschine100 in einem Beispiel, in dem die Maschine100 ein Mähdrescher (oder eine Vollerntemaschine) ist. In1 ist zu sehen, dass der Mähdrescher100 zur Veranschaulichung ein Fahrerkabine101 enthält, die eine Vielzahl verschiedener Bedienerschnittstellenmechanismen aufweisen kann, um den Mähdrescher100 zu steuern, wie unten noch ausführlicher besprochen wird. Der Mähdrescher100 kann ein Frontanbaugerät enthalten, das eine Haspel102 und ein Schneidwerk, das allgemein mit 104 bezeichnet ist, enthalten kann. Es kann außerdem einen Schrägförderer106 , einen Einzug108 und eine Dreschvorrichtung enthalten, die allgemein bei 110 gezeigt ist. Die Dreschvorrichtung110 enthält zur Veranschaulichung einen Dreschrotor112 und einen Dreschkorb114 . Darüber hinaus kann der Mähdrescher100 einen Separator116 enthalten, der einen Separatorrotor enthält. Der Mähdrescher100 kann ein Reinigungs-Teilsystem (oder eine Reinigung) 118 enthalten, das selbst wiederum ein Reinigungsgebläse120 , ein Obersieb122 und ein Untersieb124 enthalten kann. Das Materialverarbeitungs-Teilsystem in dem Mähdrescher100 kann (zusätzlich zu einem Schrägförderer106 und einem Einzug108 ) eine Entladewalze126 , einen Überkehrelevator128 , einen Reinkornelevator130 (der das reine Korn in den Korntank132 befördert), sowie eine Abladeschnecke134 und ein Abtankrohr136 enthalten. Der Mähdrescher100 kann des Weiteren ein Rückstands-Teilsystem138 enthalten, das einen Strohhäcksler140 und den Verteiler142 enthalten kann. Der Mähdrescher100 kann außerdem ein Fahrtantriebs-Teilsystem aufweisen, das einen Motor (oder eine andere Energiequelle) enthält, der auf dem Boden aufliegende Räder144 oder Gleisketten usw. antreibt. Es ist anzumerken, dass der Mähdrescher100 auch mehr als eines der oben genannten Teilsysteme aufweisen kann (zum Beispiel linke und rechte Reinigungen, Separatoren usw.). - Während des Betriebes, und der Übersicht halber, bewegt sich der Mähdrescher
100 zur Veranschaulichung durch ein Feld in der durch den Pfeil146 angedeuteten Richtung. Während sie sich bewegt, erfasst die Haspel102 das Erntegut und lenkt es zum Schneidwerk104 . Nachdem es geschnitten wurde, wird es durch ein Förderband in dem Schrägförderer106 in Richtung des Einzugs108 bewegt, der das Erntegut in die Dreschvorrichtung110 einzieht. Das Erntegut wird durch den Rotor112 gedroschen, der das Erntegut gegen den Dreschkorb114 dreht. Das gedroschene Erntegut wird durch einen Separatorrotor in dem Separator116 bewegt, wobei ein Teil der Rückstände durch die Entladewalze126 in Richtung des Rückstands-Teilsystems138 bewegt wird. Es kann mit dem Strohhäcksler140 zerkleinert und mit dem Verteiler142 auf dem Feld verteilt werden. In anderen Implementierungen werden die Rückstände einfach als Schwad abgeworfen, anstatt zerkleinert und verteilt zu werden. - Das Korn fällt auf die Reinigung (oder das Reinigungs-Teilsystem) 118. Das Obersieb
122 trennt einen Teil des größeren Materials vom Korn, und das Untersieb124 trennt einen Teil des feineren Materials vom sauberen Korn. Sauberes Korn fällt auf eine Schnecke in dem Reinkornelevator130 , der das saubere Korn nach oben bewegt und im Korntank132 ablagert. Die Rückstände können mittels eines durch das Reinigungsgebläse120 erzeugten Luftstroms aus der Reinigung118 entfernt werden. Diese Rückstände können auch in dem Mähdrescher100 nach hinten in Richtung des Rückstandsmanagement-Teilsystems138 bewegt werden. - Die Überkehr kann durch den Überkehrelevator
128 zurück zu der Dreschvorrichtung110 bewegt werden, wo sie nachgedroschen werden kann. Alternativ kann die Überkehr auch einem separaten Nachdreschmechanismus zugeführt werden (ebenfalls mit Hilfe eines Überkehrelevators oder eines anderen Transportmechanismus), wo sie ebenfalls nachgedroschen werden kann. -
1 zeigt auch, dass der Mähdrescher100 in einem Beispiel einen Bodengeschwindigkeitssensor147 , einen oder mehrere Separatorverlustsensoren148 , eine Reinkornkamera150 und einen oder mehrere Reinigungsverlustsensoren152 enthalten kann. Der Bodengeschwindigkeitssensor147 erfasst zur Veranschaulichung die Fahrtgeschwindigkeit des Mähdreschers100 über dem Boden. Dies kann durch Erfassen der Drehzahl der Räder, der Antriebswelle, der Achse oder anderer Komponenten erfolgen. Die Fahrtgeschwindigkeit und die Position des Mähdreschers100 können auch durch ein Positionsbestimmungssystem157 erfasst werden, wie beispielsweise ein Global Positioning System (GPS), ein Koppelnavigationssystem, ein LORAN-System, oder eine breite Vielzahl anderer Systeme oder Sensoren, die eine Anzeige der Fahrtgeschwindigkeit erbringen. - Die Reinigungsverlustsensoren
152 geben zur Veranschaulichung ein Ausgangssignal aus, das die Menge des Kornverlustes sowohl auf der rechten als auch auf der linken Seite der Reinigung118 anzeigt. In einem Beispiel sind die Sensoren152 Anschlagsensoren (oder Aufprallsensoren), die die Kornanschläge pro Zeiteinheit (oder pro Einheit an zurückgelegter Entfernung) zählen, um einen Hinweis auf den Kornverlust der Reinigung zu geben. Die Anschlagsensoren für die rechte und linke Seite der Reinigung können einzelne Signale oder ein kombiniertes oder aggregiertes Signal ausgeben. Es ist anzumerken, dass die Sensoren152 auch nur einen einzigen Sensor anstelle separater Sensoren für jede Reinigung zu umfassen brauchen. - Der Separatorverlustsensor
148 gibt ein Signal aus, das den Kornverlust im linken und rechten Separator anzeigt. Die Sensoren, die dem linken und rechten Separator zugeordnet sind, können separate Kornverlustsignale oder ein kombiniertes oder aggregiertes Signal ausgeben. Dies kann auch mit einer Vielzahl verschiedener Arten von Sensoren erfolgen. Es ist anzumerken, dass die Separatorverlustsensoren148 auch nur einen einzigen Sensor anstelle separater linker und rechter Sensoren zu umfassen brauchen. - Es versteht sich außerdem, dass Sensor- und Messmechanismen (zusätzlich zu den bereits beschriebenen Sensoren) auch andere Sensoren am Mähdrescher
100 enthalten können. Sie können beispielsweise einen Rückstandseinstellsensor enthalten, der dafür konfiguriert ist zu erfassen, ob die Maschine100 dafür konfiguriert ist, die Rückstände zu häckseln, einen Schwad abzuwerfen usw. Sie können Sensoren für die Reinigungsgebläsedrehzahl enthalten, die in der Nähe des Gebläses120 konfiguriert werden können, um die Drehzahl des Gebläses zu erfassen. Sie können einen Dreschspaltsensor enthalten, der den Abstand zwischen dem Rotor112 und den Dreschkorb114 erfasst. Sie enthalten einen Dreschrotordrehzahlsensor, der eine Rotordrehzahl des Rotors112 erfasst. Sie können einen Obersiebspaltsensor enthalten, der die Größe der Öffnungen in dem Obersieb122 erfasst. Sie können einen Untersiebspaltsensor enthalten, der die Größe der Öffnungen in dem Untersieb124 erfasst. Sie können einen Feuchtigkeitssensor für anderes Material als Korn (Material other than Grain, MOG) enthalten, der dafür konfiguriert sein kann, den Feuchtigkeitsgehalt des anderen Materials als Korn, das den Mähdrescher100 passiert, zu erfassen. Sie können Maschineneinstellsensoren enthalten, die dafür konfiguriert sind, die verschiedenen konfigurierbaren Einstellungen am Mähdrescher100 zu erfassen. Sie können auch einen Maschinenorientierungssensor enthalten, der einer aus einer breiten Vielzahl verschiedener Arten von Sensoren sein kann, die die Orientierung oder Lage des Mähdreschers100 erfassen. Die Ernteeigenschaften-Sensoren können eine Vielzahl verschiedener Arten von Ernteguteigenschaften erfassen, wie zum Beispiel die Art des Erntegutes, die Feuchtigkeit des Erntegutes und andere Eigenschaften des Erntegutes. Sie können auch dafür konfiguriert sein, Eigenschaften des Erntegutes zu erfassen, während es durch den Mähdrescher100 verarbeitet wird. Sie können beispielsweise die Kornfördermenge erfassen, während sich das Korn durch den Reinkornelevator130 bewegt. Sie können den Ertrag als Massenflussrate des Korns durch den Elevator130 erfassen, mit einer Position korreliert, von der aus es geerntet wurde, wie durch den Positionssensor157 angezeigt, oder können andere Ausgangssignale ausgeben, die andere erfasste Variablen anzeigen. Im Folgenden werden einige weitere Beispiele für die verwendbaren Sensortypen beschrieben. -
2A ist ein Blockdiagramm, das ein Beispiel für eine Computersystemarchitektur180 zeigt, die eine Arbeitsmaschine100 , Vorausdatenerfassungssysteme182 , Alternativdatenerfassungssysteme184 und einen Vorausdatenspeicher186 enthält, der über ein Netzwerk188 mit der Arbeitsmaschine100 verbunden ist. Einige der in2A gezeigten Elemente ähneln denen in1 , und sie sind ähnlich nummeriert. - Das Netzwerk
188 kann eines aus einer breiten Vielzahl verschiedener Arten von Netzwerken sein. Es kann beispielsweise ein Fernbereichsnetz, ein Nahbereichsnetz, ein Nahfeldkommunikationsnetz, ein Mobilfunknetz oder eines aus einer breiten Vielzahl anderer Netze oder Kombinationen von Netzen sein. - Die Vorausdatenerfassungssysteme
182 erfassen zur Veranschaulichung im Voraus gewonnene Daten, die durch die Arbeitsmaschine100 verwendet werden können, um ein Modell (zum Beispiel eine prädiktive Karte) zu generieren, das zur Steuerung der Arbeitsmaschine100 verwendet werden kann. So können die Systeme182 in einem Beispiel einen Normalized Difference Vegetation Index-Bildgeber190 , einen Wärmebildgeber192 , einen Radar-/Mikrowellenbildgeber194 , Erntemodelldaten196 , Bodenmodelldaten198 und eine breite Vielzahl anderer Komponenten200 enthalten. Der NDVI-Bildgeber190 kann Komponenten wie zum Beispiel Luftbildsysteme (zum Beispiel Satellitensysteme, Bildgabesysteme für bemannte oder unbemannte Luftfahrzeuge usw.) enthalten, mit denen Bilder aufgenommen werden können, aus denen NDVI-Werte generiert werden können. Der Wärmebildsensor192 enthält zur Veranschaulichung einen oder mehrere Wärmebildsensoren, die thermische Daten generieren. Der Radar-/Mikrowellenbildgeber194 generiert zur Veranschaulichung Radar- oder Mikrowellenbilder. Ein Erntemodell196 kann verwendet werden, um Daten zu generieren, die bestimmte Eigenschaften des Erntegutes, wie Ertrag, Feuchtigkeit usw., vorhersagen. Das Bodenmodell198 ist zur Veranschaulichung ein prädiktives Modell, das Eigenschaften des Bodens an verschiedenen Stellen in einem Feld generiert. Zu diesen Eigenschaften können Bodenfeuchtigkeit, Bodenverdichtung, Bodenqualität oder -gehalt usw. gehören. Die Zielertragsmanagementkarte199 ist zur Veranschaulichung eine Karte, die vom Betreiber232 oder einem anderen Manager des Feldes erstellt wird und die die gewünschten Ertragswerte über ein Feld hinweg anzeigt, was auf frühere Informationen gestützt werden kann. - Alle diese Systeme
182 können verwendet werden, um Daten zu generieren, die direkt Messgrößenwerte anzeigen oder aus denen Messgrößenwerte abgeleitet werden können, und die zur Steuerung der Arbeitsmaschine100 verwendet werden. Sie können in Fernerkundungssystemen wie zum Beispiel unbemannten Luftfahrzeugen, bemannten Flugzeugen, Satelliten usw. verwendet werden. Die durch die Systeme182 generierten Daten können auch eine breite Vielzahl anderer Dinge enthalten, wie zum Beispiel Wetterdaten, Bodentypdaten, topografische Daten, vom Menschen generierte Karten auf der Grundlage historischer Informationen, und eine breite Vielzahl anderer Systeme zum Generieren von Daten, die dem Einsatzort entsprechen, an dem die Arbeitsmaschine100 gerade eingesetzt wird. - Alternativdatenerfassungssysteme
184 können den Systemen182 ähneln oder können anders sein. Wenn sie gleich oder ähnlich sind, so können sie die gleichen Arten von Daten, jedoch zu unterschiedlichen Zeiten während der Vegetationsperiode erfassen. Zum Beispiel können einige Luftbilder, die während einer ersten Zeit in der Vegetationsperiode erstellt wurden, hilfreicher sein als andere Luftbilder, die später in der Vegetationsperiode aufgenommen wurden. Dies ist nur ein Beispiel. - Alternativdatenerfassungssysteme
184 können auch verschiedene Erfassungssysteme enthalten, die verschiedene Arten von Daten über das Feld hinweg generieren, auf dem die Arbeitsmaschine100 verwendet wird. Darüber hinaus können Alternativdatenerfassungssysteme184 den Systemen182 ähneln, aber sie können dafür konfiguriert sein, Daten mit einer anderen Auflösung (zum Beispiel mit einer höheren Auflösung, einer niedrigeren Auflösung usw.) zu erfassen. Sie können auch dafür konfiguriert sein, die gleiche Art von Daten mit Hilfe eines anderen Aufnahmemechanismus oder Datenerfassungsmechanismus zu erfassen, der unter anderen Kriterien genauer oder weniger genau sein kann. - Der Vorausdatenspeicher
186 enthält somit georeferenzierte im Voraus gewonnenen Daten202 sowie alternative georeferenzierte im Voraus gewonnenen Daten204 . Er kann auch andere Elemente206 enthalten. Die Daten202 können beispielsweise Vegetationsindex-Daten sein, die Vegetationsindexwerte enthalten, die auf das abzuerntende Feld georeferenziert sind. Neben einer breiten Vielzahl anderer Daten, von denen einige in2B gezeigt sind, können die Vegetationsindex-Daten Dinge enthalten wie: NDVI-Daten, Blattflächenindex-Daten, Soil Adjusted Vegetation Index (SAVI)-Daten, modifizierte oder optimierte SAVI-Daten, einfache oder modifizierte einfache Verhältnisdaten, Renormalized Difference Vegetation Index-Daten, Chlorophyll/Pigment-bezogene Indizes (CARI), modifizierte oder transformierte CARI, Dreiecks-Vegetationsindex-Daten, strukturell unempfindliche Pigmentindex-Daten, normalisierte Pigment/Chlorophyllindex-Daten, photochemische Reflexionsindex-Daten, Rotrandindizes, und Derivatanalyseindizes. In einem anderen Beispiel enthalten die im Voraus gewonnene Daten202 eine georeferenzierte Vorhersage. -
2B ist ein Blockdiagramm, das einen beispielhaften Satz georeferenzierter vorhergesagter oder im Voraus gewonnener Daten202 zeigt. Zur Veranschaulichung enthalten die im Voraus gewonnene Daten202 Datentypen2002 und Datenattribute2024 und können auch andere Elemente enthalten, wie durch Block2060 angegeben. Die Datentypen2002 können beispielsweise eines oder mehrere von Folgendem sein: pflanzliche Biomasse2004 , Getreideertrag2006 , anderes Material als Korn (MOG)2008 , und Kornattribute2010 , und können auch andere Elemente enthalten, wie durch - Block
2022 angedeutet. - Die pflanzliche Biomasse
2004 kann ein Indikator für die vorhergesagte Menge an Biomasse in dem betreffenden Abschnitt des Feldes sein. Zum Beispiel kann Biomasse als Masseneinheit (kg) über eine Flächeneinheit (m2) angegeben werden. Der Getreideertrag2006 kann ein Indikator für die vorhergesagte Ernteertragsmenge in dem betreffenden Abschnitt des Feldes sein. Zum Beispiel kann der Getreideertrag als Ertragseinheit (bushel) über einer Flächeneinheit (acre) angegeben werden. - Die Kornattribute
2010 können eine Vielzahl verschiedener Attribute enthalten. Wie durch Block2012 angedeutet, kann die Kornfeuchtigkeit geschätzt werden. Wie durch Block2014 angedeutet, kann das Kornprotein geschätzt werden. Wie durch Block2016 angedeutet, kann die Kornstärke vorhergesagt werden. Wie durch Block2018 angedeutet, kann das Kornöl vorhergesagt werden. Natürlich handelt es sich hierbei nur um Beispiele, und andere Erntegutattribute können ebenfalls erfasst, geschätzt oder vorhergesagt werden, wie durch Block2020 angedeutet. - Die Datenattribute
2024 können eine Vielzahl verschiedener Attribute enthalten, von denen einige für einen bestimmten Satz im Voraus gewonnener Daten und keinen anderen gelten. Zum Beispiel braucht die EM-Frequenz2038 nur zu gelten, wenn die Daten durch einen Sensor erfasst wurden, der eine Eigenschaft im Zusammenhang mit Elektromagnetismus erfasst. Das Attribut Datenquelle2025 gibt die Datenquelle zum Treffen der Vorhersage an. Zum Beispiel gibt die Datenquelle2025 eines oder mehrere der Vorausdatenerfassungssysteme182 an. Das Attribut Erfassungsdatum2026 gibt das Datum an, an dem die Daten erfasst wurden. Das Attribut Zeitliche Auflösung2028 gibt die Zeitspanne an, in der die Daten erfasst wurden (zum Beispiel hätte ein einzelnes Bild die kleinste zeitliche Auflösung). Das Attribut Räumliche Auflösung2030 zeigt die erfasste räumliche Auflösung, das heißt die kleinste Flächeneinheit, die der jeweilige Sensor genau erfassen kann. Die georäumliche Lage2032 zeigt die erfasste Lage an. Die georäumliche Präzision2034 zeigt die Präzision oder statistische Variation des georäumlichen Sensors an. Die georäumliche Richtigkeit2036 zeigt die Messrichtigkeit oder statistische Variation des georäumlichen Sensors an. Die Frequenz2038 zeigt die Frequenz des EM-Sensors an. Die EM-Auflösung2040 zeigt die Auflösung eines EM-Sensors an. Der Identifikator2042 zeigt einen Namen oder eine Nummer des Erntemodells an, der bzw. die als Identifikator für das Erntemodell verwendet werden kann. Die Wetterdaten2044 zeigen das Wetter zum Zeitpunkt der Messung an. Die Richtigkeit der Wetterdaten2046 zeigt die Richtigkeit der betreffenden Wetterdaten an. Der Ernteguttyp2048 zeigt die Art des erfassten Erntegutes an. Die Phänotypvariation2050 zeigt die Phänotypvariation für den Genotyp des jeweiligen Erntegutes an. Die Qualitätswertung2052 wird durch den Modellqualitätsmessgrößengenerator248 generiert und zeigt die geschätzte Qualität der Vorhersage an. Die Datenattribute2024 können auch andere Elemente enthalten, wie durch Block2054 angedeutet. -
2A zeigt auch, dass die Arbeitsmaschine100 einen oder mehrere verschiedene Prozessoren208 , ein Kommunikationssystem210 , Sensoren212 (die Ertragssensoren211 , Positions-/Routensensoren157 , Geschwindigkeitssensoren147 und eine breite Vielzahl anderer Sensoren214 (die die oben in Bezug auf1 beschriebenen oder andere Sensoren sein können) enthalten können), ein Vor-Ort-Datenerfassungssystem216 , ein Modellgeneratorsystem218 , ein Modellevaluierungssystem220 , einen Datenspeicher222 , ein Steuerungssystem224 , steuerbare Teilsysteme226 , Bedienerschnittstellenmechanismen228 und eine breite Vielzahl anderer Elemente230 enthalten kann. -
2A zeigt, dass der Bediener232 mit den Bedienerschnittstellenmechanismen228 interagieren kann, um die Maschine100 zu steuern und zu manipulieren. So können die Bedienerschnittstellenmechanismen228 Dinge wie zum Beispiel Lenkrad, Pedale, Hebel, Joysticks, Knöpfe, Rundmessinstrumente, Gestänge usw. enthalten. Darüber hinaus können sie eine Anzeigevorrichtung enthalten, die benutzerbetätigte Elemente wie zum Beispiel Symbole, Verknüpfungen, Schaltflächen usw. anzeigt. Wenn das Display ein berührungsempfindliches Display ist, so können diese benutzerbetätigten Elemente durch Berührungsgesten betätigt werden. Wenn die Mechanismen228 Sprachverarbeitungsmechanismen enthalten, so kann der Bediener232 gleichermaßen Eingaben über ein Mikrofon vornehmen bzw. Ausgaben über einen Lautsprecher empfangen. Die Bedienerschnittstellenmechanismen228 können eine breite Vielzahl anderer akustischer, visueller oder haptischer Mechanismen enthalten. - Das Vor-Ort-Datenerfassungssystem
216 enthält zur Veranschaulichung eine Datenaggregationslogik234 und eine Datenmesslogik236 und kann weitere Elemente238 enthalten. Das Modellgeneratorsystem218 enthält zur Veranschaulichung einen Satz verschiedener Modellgenerierungsmechanismen240-242 , die verschiedene Regimes verwenden können, um prädiktive Modelle zu generieren, die zur Steuerung der Maschine100 verwendet werden können. Zum Beispiel können sie prädiktive Modelle erstellen, die mit einer linearen Funktion oder anderen Funktionen, wie zum Beispiel einer Kurve, arbeiten, oder sie können verwendet werden, um andere Arten von prädiktiven Modellen zu generieren, wie zum Beispiel ein neuronales Netzwerk, ein Bayessches Modell, usw. Das System218 kann auch andere Elemente244 enthalten. - Das Modellevaluierungssystem
220 empfängt zur Veranschaulichung ein oder mehrere prädiktive Modelle, die durch das Modellgeneratorsystem218 generiert werden, und evaluiert die Richtigkeit dieses Modells. So enthält es den Modellevaluierungsauslöser246 , den Modellqualitätsmessgrößengenerator248 , die Modellevaluierungslogik250 (die ihrerseits eine Schwellenlogik252 , die Sortierlogik254 und andere Elemente256 enthält) und die Modellauswahllogik258 , und kann weitere Elemente260 enthalten. - Die Evaluierungsauslöselogik
246 detektiert einen Evaluierungsauslöser, der anzeigt, dass das Modellevaluierungssystem220 die Richtigkeit eines oder mehrerer prädiktiver Modelle evaluieren soll. Diese Modelle können derzeit zur Steuerung der Arbeitsmaschine100 in Nutzung sein, oder es können andere Modelle sein, die als alternative Modelle generiert werden, um an die Stelle des momentanen Modells zu treten, wenn das alternative Modell genauer ist. Nach seiner Auslösung generiert der Modellqualitätsmessgrößengenerator248 zur Veranschaulichung eine Modellqualitätsmessgröße für ein zu analysierendes Modell. Ein Beispiel kann hilfreich sein. - Nehmen wir an, dass das durch das System
218 generierte prädiktive Modell ein prädiktives Ertragsmodell ist, das einen Ertrag an verschiedenen Stellen auf dem abzuerntenden Feld voraussagt. Die Evaluierungsauslöselogik246 wird auf der Grundlage eines aus einer Vielzahl verschiedener Arten von Kriterien ausgelöst (von denen einige im Folgenden beschrieben werden), so dass das Modellevaluierungssystem220 iterativ und dynamisch die Richtigkeit des prädiktiven Ertragsmodells während der Ernteoperation evaluiert. In diesem Fall erhält der Modellqualitätsmessgrößengenerator248 tatsächliche Ertragsdaten von den Ertragssensoren211 und bestimmt die Richtigkeit des prädiktiven Ertragsmodells, das er evaluiert. Auf der Grundlage dieser Richtigkeit generiert er eine Richtigkeitswertung oder eine Qualitätswertung. Dies kann für ein oder mehrere verschiedene Modelle geschehen. - Die Modellevaluierungslogik
250 bestimmt dann, ob das Modell für die Verwendung zur Steuerung der Maschine100 geeignet ist. Dies kann auf verschiedene Weise geschehen. Die Schwellenlogik252 kann die durch den Generator248 generierte Modellqualitätsmessgröße mit einer Schwelle vergleichen, um zu bestimmen, ob das Modell eine adäquate Leistung erbringt (oder erbringen wird). Wenn mehrere Modelle gleichzeitig evaluiert werden, so kann die Sortierlogik254 diese Modelle auf der Grundlage der für jedes von ihnen generierten Modellqualitätsmessgröße sortieren. Sie kann das leistungsstärkste Modell finden (für das die Modellqualitätsmessgröße am höchsten ist), und die Schwellenlogik252 kann dann bestimmen, ob die Modellqualitätsmessgröße für dieses Modell den Schwellenwert erfüllt. - Die Modellauswahllogik
258 wählt dann auf der Grundlage der Modellqualitätsmessgröße und deren Evaluierung ein Modell aus, das eine adäquate Leistung erbringt (oder erbringen wird). Sie übermittelt das ausgewählte prädiktive Modell an das Steuerungssystem224 , das dieses Modell verwendet, um eines oder mehrere der verschiedenen steuerbaren Teilsysteme226 zu steuern. - So kann das Steuerungssystem
224 eine Vorschubratensteuerungslogik262 , eine Einstellungssteuerungslogik264 , eine Routensteuerungslogik266 , eine Leistungssteuerungslogik268 und weitere Elemente270 enthalten. Die steuerbaren Teilsysteme226 können ein Fahrtantriebs-Teilsystem272 , ein Lenkungs-Teilsystem274 , einen oder mehrere verschiedene Aktuatoren276 , die zum Ändern von Maschineneinstellungen, Maschinenkonfiguration usw. verwendet werden können, ein Leistungsnutzungs-Teilsystem278 und eine breite Vielzahl anderer Systeme280 enthalten, von denen einige oben in Bezug auf1 beschrieben wurden. - Die Vorschubratensteuerungslogik
262 steuert zur Veranschaulichung das Fahrtantriebssystem272 und/oder andere steuerbare Teilsysteme226 , um eine relativ konstante Vorschubgeschwindigkeit aufrechtzuerhalten, auf der Grundlage des Ertrags für den geografischen Standort, den die Erntemaschine100 wird bewältigen müssen, oder einer anderen Eigenschaft, die durch das prädiktiven Modell vorhergesagt wird. Wenn beispielsweise das prädiktive Modell anzeigt, dass der vorhergesagte Ertrag vor dem Mähdrescher (in Fahrtrichtung) weniger werden wird, so kann die Vorschubratensteuerungslogik262 das Fahrtantriebssystem272 veranlassen, die Vorwärtsfahrtgeschwindigkeit der Arbeitsmaschine100 zu erhöhen, um die Vorschubgeschwindigkeit relativ konstant zu halten. Wenn das prädiktive Modell hingegen anzeigt, dass der Ertrag vor der Arbeitsmaschine100 relativ hoch sein wird, dann kann die Vorschubratensteuerungslogik262 das Fahrtantriebssystem272 veranlassen, langsamer zu werden, um die Vorschubgeschwindigkeit wieder auf einem relativ konstanten Niveau zu halten. - Ebenso kann die Einstellungssteuerungslogik
264 auf der Grundlage der vorhergesagten Charakteristik des abzuerntenden Feldes (zum Beispiel auf der Grundlage des vorhergesagten Ertrags oder einer anderen vorhergesagten Charakteristik) Aktuatoren226 steuern, um Maschineneinstellungen zu ändern. Zum Beispiel kann die Einstellungssteuerungslogik264 Aktuatoren276 , die den Dreschkorbspalt in einem Mähdrescher ändern, auf der Grundlage des vorhergesagten Ertrags oder der Biomasse, auf die der Mähdrescher treffen wird, betätigen. - Die Routensteuerungslogik
266 kann das Lenkungs-Teilsystem274 steuern, auch auf der Grundlage des prädiktiven Modells. Zum Beispiel kann der Bediener232 bemerkt haben, dass sich ein Unwetter nähert, und über die Bedienerschnittstellenmechanismen228 eine Eingabe vorgenommen haben, die anzeigt, dass der Bediener232 wünscht, das Feld in kürzester Zeit abzuernten. In diesem Fall kann das prädiktive Ertragsmodell Flächen mit relativ hohem Ertrag identifizieren, und die Routensteuerungslogik266 kann das Steuerungs-Teilsystem274 veranlassen, diese Flächen bevorzugt zuerst abzuernten, so dass ein Großteil des Ertrags vor Beginn des Unwetters von dem Feld geborgen werden kann. Dies ist nur ein Beispiel. In einem anderen Beispiel kann es sein, dass das prädiktive Modell eine Bodeneigenschaft (zum Beispiel Bodenfeuchtigkeit, das Vorhandensein von Schlamm usw.) vorhersagt, die die Traktion beeinträchtigen kann. Die Routensteuerungslogik266 kann die Lenk-Teilsysteme274 veranlassen, die Route oder Richtung der Arbeitsmaschine100 auf der Grundlage der vorhergesagten Traktion auf verschiedenen Routen durch das Feld zu ändern. - Die Leistungssteuerungslogik
268 kann Steuersignale generieren, um das Leistungsnutzungs-Teilsystem278 ebenfalls auf der Grundlage des vorhergesagten Wertes zu steuern. Zum Beispiel kann sie auf der Grundlage des prädiktiven Modells Leistung auf verschiedene Teilsysteme verteilen, allgemein die Leistungsnutzung erhöhen oder verringern, usw. Dies sind nur Beispiele, und eine breite Vielzahl anderer Steuersignale können verwendet werden, um auch andere steuerbare Teilsysteme auf unterschiedliche Weise zu steuern. -
3A-3C (hier gemeinsam als3 bezeichnet) veranschaulichen ein Flussdiagramm, das ein Beispiel für die Funktionsweise der Architektur180 zeigt, wie in2 gezeigt. Es wird zunächst angenommen, dass die Arbeitsmaschine100 bereit ist, einen Arbeitsvorgang an einem Arbeitsort durchzuführen. Dies wird durch Block290 in dem Flussdiagramm von3 angezeigt. Die Maschine kann mit anfänglichen Maschineneinstellungen konfiguriert werden, die durch den Bediener vorgegeben werden können oder die Standardeinstellungen für den Maschinenbetrieb sein können. Dies wird durch Block292 angezeigt. Ein prädiktives Modell, das zur Steuerung der Arbeitsmaschine100 verwendet werden kann, kann ebenfalls initialisiert werden. In diesem Fall können die Modellparameter auf Anfangswerte oder Standardwerte eingestellt werden, die empirisch bestimmt oder auf andere Weise bestimmt werden. Die Initialisierung des prädiktiven Modells wird durch Block294 angezeigt. - In einem anderen Beispiel kann ein prädiktives Modell während des anfänglichen Betriebes der Arbeitsmaschine
100 auf dem Feld auf der Grundlage der früheren Nutzung verwendet werden. Beispielsweise kann es sein, dass das letzte Mal, als dieses Feldes mit dieser Art von Erntegut abgeerntet wurde, ein prädiktives Modell verwendet und gespeichert wurde. Dieses Modell kann abgerufen und als anfängliches prädiktives Modell zur Steuerung der Arbeitsmaschine100 verwendet werden. Dies wird durch Block296 angezeigt. Die Arbeitsmaschine kann auch auf vielfältige andere Weise konfiguriert und initialisiert werden, was durch Block298 angezeigt wird. Zum Beispiel kann der Arbeitsort das Feld530 in4A sein, was im Folgenden näher besprochen wird. - Das Kommunikationssystem
210 ist zur Veranschaulichung eine Art von System, das verwendet werden kann, um im Voraus gewonnene Daten über das Netzwerk188 aus dem Vorausdatenspeicher186 zu erhalten. Auf diese Weise erhält es im Voraus gewonnene Daten, die zur Veranschaulichung georeferenzierte Vegetationsindex-Daten für das Feld sind, das abgeerntet wird (oder das abgeerntet werden soll). Das Erhalten der im Voraus gewonnenen Daten wird durch Block300 angezeigt. Die im Voraus gewonnenen Daten, wie oben in Bezug auf2 besprochen, können aus einer breiten Vielzahl verschiedener Arten von Datenquellen generiert werden, wie beispielsweise aus Luftbildern302 , Wärmebildern304 , der Temperatur von einem Sensor an einem Seed Firmer, der zum Besäen des Feldes verwendet wurde, wie durch Block306 angedeutet, oder einer breiten Vielzahl anderer Datenquellen308 . Zum Beispiel können im Voraus gewonnene Daten die in4B gezeigten Beispieldaten sein, die im Folgenden näher besprochen werden. - Sobald die im Voraus gewonnenen Daten vorliegen, werden sie in das Modellgeneratorsystem
218 eingespeist, und die Arbeitsmaschine100 beginnt (oder fährt fort), die Operation (zum Beispiel die Ernteoperation) durchzuführen. Dies wird durch Block310 angezeigt. Auch hier kann das Steuerungssystem224 beginnen, steuerbare Teilsysteme226 mit einem Standardsatz von Steuerungsparametern312 im manuellen Betrieb314 unter Verwendung eines anfänglichen prädiktiven Modells (wie oben besprochen) 316 oder auf andere Weise, wie durch Block318 angedeutet, zu steuern. - Während die Maschine
100 die Operation (zum Beispiel die Ernteoperation) ausführt, generieren die Sensoren212 zur Veranschaulichung während des Betriebes vor Ort gewonnene Daten (oder Felddaten), die für die verschiedenen erfassten Variablen stehen. Das Erhalten von vor Ort gewonnenen Daten (oder Felddaten) von Sensoren an der Arbeitsmaschine100 während des Betriebs wird durch Block320 in dem Flussdiagramm von3 angezeigt. In dem im vorliegenden Text besprochenen Beispiel können die vor Ort gewonnenen Daten tatsächliche Ertragsdaten322 sein, die von den Ertragssensoren211 generiert wurden. Die Ertragssensoren211 , wie oben besprochen, können Massenflusssensoren sein, die den Massenfluss von Korn erfassen, das in den Korntank der Maschine100 gelangt. Dieser Massenfluss kann dann mit einer geografischen Position auf dem Feld, von dem er abgeerntet wurde, korreliert werden, um einen tatsächlichen Ertragswert für diese geografische Position zu erhalten. Natürlich können die vor Ort gewonnenen Daten (oder Felddaten) in Abhängigkeit von der Art des zu generierenden prädiktiven Modells auch aus einer breiten Vielzahl anderer Arten von Daten324 bestehen. - Bevor das Modellgenerierungssystem
218 dynamisch ein prädiktives Modell (zum Beispiel eine Karte) generieren kann, oder bevor das Modellevaluierungssystem220 die Richtigkeit eines prädiktiven Modells adäquat evaluieren kann, müssen die Sensoren212 genügend vor Ort gewonnene Felddaten generieren, um die Modellgenerierung und/oder - evaluierung aussagekräftig zu machen. Daher enthält das Vor-Ort-Datenerfassungssystem216 in einem Beispiel die Datenaggregationslogik234 , die die vor Ort gewonnenen Daten aggregiert, die durch die Ausgangssignale der Sensoren212 , oder auf deren Grundlage, generiert werden. Die Datenmesslogik236 kann diese Daten anhand verschiedener Kriterien verfolgen, um zu bestimmen, wann die Menge der vor Ort gewonnenen Daten ausreichend ist. Dies wird durch Block326 in dem Flussdiagramm von3 angezeigt. Bis das geschieht, kehrt die Verarbeitung zu Block320 zurück, wo die Maschine100 ihren Betrieb fortsetzt, und die Datenaggregationslogik234 fährt fort, vor Ort gewonnene Daten (Felddaten) auf der Grundlage der Ausgangssignale der Sensoren212 (und eventuell auch anderer Informationen) zu aggregieren. In einem Beispiel generiert die Datenmesslogik236 eine Datenerfassungsmessung, die einen Betrag an vor Ort gewonnenen Daten angeben kann, die erfasst wurden. Dies wird durch Block328 angezeigt. Zum Beispiel kann die konkrete Art des prädiktiven Modells, das generiert oder evaluiert wird, am besten generiert oder evaluiert werden, nachdem eine bestimmte Datenmenge generiert wurde. Dies kann durch die Datenerfassungsmessung328 angezeigt werden. - Die Datenmesslogik
236 kann die Distanz messen, die die Maschine100 während der Ausführung der Operation auf dem Feld zurückgelegt hat. Dies kann verwendet werden, um zu bestimmen, ob ausreichend vor Ort gewonnene Daten (Felddaten) aggregiert wurden, und wird durch Block330 angezeigt. - Die Datenmesslogik
236 kann die Zeitspanne messen, die die Maschine100 die Operation ausführt, und dies kann einen Hinweis darauf geben, ob ausreichend vor Ort gewonnene Daten erhalten wurden. Dies wird durch Block332 angezeigt. Die Datenmesslogik236 kann die Anzahl der Datenpunkte quantifizieren, die durch die Datenaggregationslogik234 aggregiert wurden, um zu bestimmen, ob sie ausreichen. Dies wird durch Block334 in dem Flussdiagramm von3 angezeigt. Das Bestimmen, ob ausreichend vor Ort gewonnene Daten erfasst wurden, kann auch auf vielfältige andere Weise erfolgen, was durch Block336 angezeigt wird. - Sobald ausreichend vor Ort gewonnene Daten erfasst wurden, werden sie in das Modellgeneratorsystem
218 eingespeist (das auch die im Voraus gewonnenen Daten erhalten hat). Das System218 verwendet mindestens einen der Modellgenerierungsmechanismen240-242 , um ein prädiktives Modell unter Verwendung der im Voraus gewonnenen Daten und der vor Ort gewonnenen Daten zu generieren. Dies wird durch Block338 in dem Flussdiagramm von3 angezeigt. Es ist außerdem anzumerken, dass, wie unten besprochen, selbst nachdem ein prädiktives Modells generiert wurde und zur Steuerung der Arbeitsmaschine100 verwendet wird, es auf der Grundlage des weiteren Empfangs von vor Ort gewonnenen Daten iterativ evaluiert und aktualisiert (oder präzisiert) werden kann. So kann bei Block338 , wo bereits ein prädiktives Modell generiert wurde, dieses dynamisch und iterativ aktualisiert und verbessert werden. - In einem Beispiel wird das prädiktive Modell durch Aufteilen der vor Ort gewonnene Daten in Trainingsdaten- und Validierungsdatensätze generiert. Dies wird durch Block
340 angezeigt. Die Trainingsdaten können zusammen mit den im Voraus gewonnenen Daten in einen Modellgenerierungsmechanismus (zum Beispiel Mechanismus240 ) eingespeist werden, um das prädiktive Modell zu generieren. Dies wird durch Block342 angezeigt. Es ist anzumerken, dass zusätzliche Modellgenerierungsmechanismen242 verwendet werden können, um alternative prädiktive Modelle zu generieren. Ebenso kann sogar derselbe Modellgenerierungsmechanismus240 , der das zu analysierende prädiktive Modell generiert hat, verwendet werden, um alternative prädiktive Modelle unter Verwendung eines anderen Satzes von im Voraus gewonnenen Daten zu generieren. Die Verwendung eines alternativen Satzes von im Voraus gewonnenen Daten oder eines alternativen Modellgenerierungsmechanismus zum Generieren alternativer Modelle wird durch Block344 angezeigt. - Die Modellgenerierungsmechanismen
240-242 können eine breite Vielzahl verschiedener Arten von Mechanismen enthalten, wie beispielsweise ein lineares Modell, ein polynomes Kurvenmodell, ein neuronales Netzwerk, ein Bayessches Modell oder andere Modelle. Dies wird durch Block346 angezeigt. Das prädiktive Modell kann auch auf vielfältige andere Weise generiert und/oder dynamisch aktualisiert werden, was durch Block348 angezeigt wird. - Sobald ein prädiktives Modell generiert oder aktualisiert wurde, evaluiert das Modellevaluierungssystem
220 dieses Modell, indem es eine Modellqualitätsmessgröße für das prädiktive Modell generiert. Dies wird durch Block350 in dem Flussdiagramm von3 angezeigt. Zum Beispiel kann die Evaluierungsauslöserlogik246 einen Evaluierungsauslöser detektieren, der anzeigt, dass ein Modell evaluiert werden soll. Dies wird durch Block352 angezeigt. Zum Beispiel kann das Evaluierungssystem220 einfach dadurch ausgelöst werden, dass es vom Modellgeneratorsystem218 ein prädiktives Modell zur Evaluierung übermittelt bekommt. In einem anderen Beispiel kann ein prädiktives Modell bereits zur Steuerung der Arbeitsmaschine100 verwendet werden, aber es soll intermittierend oder periodisch evaluiert werden. In diesem Fall kann, wenn das Intervall für die Evaluierung verstrichen ist, dies die Auslöselogik246 auslösen. In einem weiteren Beispiel kann es sein, dass gerade ein prädiktives Modell zur Steuerung der Arbeitsmaschine100 verwendet wird, aber auch eine Reihe anderer alternativer Modelle generiert wurden und nun zur Evaluierung zur Verfügung stehen. In diesem Fall können die alternativen Modelle evaluiert werden, um zu bestimmen, ob sie bessere Ergebnisse erbringen würden als das momentan verwendete prädiktive Modell. Dies kann auch ein Auslöser für die Evaluierungsauslöselogik246 sein. Die Modellevaluierung kann auch während des Betriebes kontinuierlich erfolgen. - In einem anderen Beispiel kann auf der Grundlage des Eintretens eines aperiodischen Ereignisses der Evaluierungsauslöser detektiert werden, der angibt, dass ein prädiktives Modell zu evaluieren ist. Es kann zum Beispiel sein, dass der Bediener
232 eine Eingabe vornimmt, die angibt, dass der Bediener ein alternatives Modell evaluieren lassen möchte. Ebenso kann es sein, dass das Modellgeneratorsystem218 neue im Voraus gewonnene Daten oder einen neuen Modellgenerationsmechanismus empfängt. Alle diese oder andere Ereignisse können das Modellevaluierungssystem220 auslösen, ein prädiktives Modell zu evaluieren. Gleichermaßen kann, auch wenn das momentane prädiktive Modell seinen Zweck hinreichend erfüllt, ein alternatives Modellintervall eingestellt werden, in dem verfügbare alternative Modelle evaluiert werden, um sicherzustellen, dass das aktuell verwendete Modell das beste für die Steuerung der Maschine100 ist. Wenn also das alternative Modellevaluierungsintervall läuft, so kann dies die Modellevaluierungslogik auslösen, auch ein neues Modell zu evaluieren. - Um eine Modellqualitätsmessgröße für das zu analysierende prädiktive Modell zu berechnen, wendet der Modellqualitätsmessgrößengenerator
248 zur Veranschaulichung den Satz vor Ort gewonnener Validierungsdaten auf das analysierte Modell an. Dies wird durch Block354 angezeigt. Anschließend generiert er zur Veranschaulichung eine Fehlermessgröße, die den Fehler des Modells misst. Dies wird durch Block356 angezeigt. In einem Beispiel ist die Fehlermessgröße die r2-Fehlermessgröße, die das Quadrat des Fehlers des Modells misst. Die Modellqualitätsmessgröße für das analysierte prädiktive Modell kann auch unter Verwendung einer breiten Vielzahl von Qualitätsmessgrößenmechanismen generiert werden. Dies wird durch Block358 angezeigt. Zum Beispiel können die Regeln in4C zur Bestimmung der Qualitätswertung herangezogen werden.4C wird unten näher besprochen. - Nachdem die Modellqualitätsmessgröße für das analysierte prädiktive Modell generiert wurde, bestimmt die Modellevaluierungslogik, ob dieses Modell zur Steuerung der Maschine
100 verwendet werden soll. Dies wird durch Block360 angezeigt. Zum Beispiel kann die Schwellenlogik252 bestimmen, ob die Modellqualitätsmessgröße einen Schwelle erfüllt. Dies wird durch Block362 angezeigt. Der Schwellenwert kann auf der Grundlage von Faktoren wie zum Beispiel der konkreten Anwendung, in der die Maschine100 verwendet wird, früheren Erfahrungen usw. festgelegt werden. In einem Beispiel, in dem der r2-Wert als die Qualitätsmessgröße verwendet wird, kann eine Schwelle von 0,7 oder höher verwendet werden. Dies ist nur ein Beispiel, und die Schwelle kann auch kleiner oder größer als 0,7 sein. - Wenn mehrere verschiedene prädiktive Modelle generiert wurden, so kann die Sortierlogik
254 die Modelle auf der Grundlage der Qualitätsmessgröße sortieren. Eine Entscheidung, ob das analysierte Modell verwendet werden soll, kann anhand seines Rangs in der sortierten Liste der Modelle getroffen werden. Dies wird durch Block364 angezeigt. Die Modellevaluierungslogik250 kann bestimmen, ob das analysierte Modell auch anderweitig verwendet werden soll, und dies wird durch Block366 angezeigt. - Wenn bei Block
360 bestimmt wird, dass das analysierte Modell verwendet werden soll, so wählt die Modellauswahllogik258 dieses Modell aus und übermittelt es an das Steuerungssystem224 zur Verwendung bei der Steuerung der Maschine100 . Das Steuerungssystem224 generiert dann unter Verwendung des qualifizierten Modells Steuersignale, um ein oder mehrere steuerbare Teilsysteme226 zu steuern. Dies wird durch Block368 (3B) in dem Flussdiagramm von3 angezeigt. Als Beispiel kann das prädiktive Modell verwendet werden, um den Ertrag oder die Biomasse oder andere Eigenschaften vorherzusagen, die durch die Arbeitsmaschine100 zu erwarten sind. Dies wird durch Block370 angezeigt. Die verschiedenen Arten von Logik in dem Steuerungssystem224 können Steuersignale generieren, die auf der Vorhersage durch das prädiktive Modell basieren. Dies wird durch Block372 angezeigt. Das qualifizierte Modell kann auch dafür verwendet werden, Steuersignale auf vielfältige andere Weise zu generierten, was durch Block374 angezeigt wird. - Die Steuersignale werden dann auf eines oder mehrere der steuerbaren Teilsysteme angewendet, um die Maschine
100 zu steuern. Dies wird durch Block376 in dem Flussdiagramm von3 angezeigt. Wie oben besprochen, kann beispielsweise die Vorschubratensteuerungslogik262 Steuersignale generieren und sie auf das Fahrtantriebssystem272 anwenden, um die Geschwindigkeit der Maschine100 so zu steuern, dass eine Vorschubrate aufrecht erhalten wird. Dies wird durch Block378 angezeigt. Die Einstellungssteuerungslogik264 kann Steuersignale generieren, um die Einstellungsaktuatoren276 zu veranlassen, die Maschineneinstellungen oder -konfiguration zu justieren. Dies wird durch Block380 angezeigt. Die Routensteuerungslogik266 kann Steuersignale generieren und sie auf das Steuerungs-Teilsystem274 zur Steuerung der Lenkung der Maschine100 anwenden. Dies wird durch Block382 angezeigt. Die Leistungssteuerungslogik268 kann Steuersignale generieren und sie auf das Leistungsnutzungs-Teilsystem278 anwenden, um die Leistungsnutzung der Maschine100 zu steuern. Dies wird durch Block384 angezeigt. Es können auch eine breite Vielzahl anderer Steuersignale generiert und auf eine breite Vielzahl anderer steuerbarer Teilsysteme angewendet werden, um die Maschine100 zu steuern. Dies wird durch Block386 angezeigt. - Sofern nicht die Operation vollendet ist, wie durch Block
388 angedeutet, setzt das Vor-Ort-Datenerfassungssystem zur Veranschaulichung die durch die Datenmesslogik236 generierte Vor-Ort-Datenerfassungsmessung zurück, so dass bestimmt werden kann, ob eine ausreichende Menge an vor Ort gewonnenen Daten erfasst wurde, um das momentane Modell (oder ein anderes Modell) neu zu evaluieren. Das Zurücksetzen der Vor-Ort-Datenerfassungsmessung wird durch Block390 in dem Flussdiagramm von3 angezeigt. Wie oben besprochen, wird selbst dann, wenn ein momentanes Modell evaluiert wurde und ausreichend genau ist, um die Arbeitsmaschine100 zu steuern, dieses Modell iterativ evaluiert und präzisiert, je mehr vor Ort gewonnene Daten (Felddaten) erhalten werden. Da sich die Feldbedingungen ändern, kann es sein, dass das Modell nicht mehr so genau ist, wie es ursprünglich war. Auf diese Weise wird es iterativ und dynamisch evaluiert, während die Maschine100 die Operation ausführt, um sicherzustellen, dass es genau genug ist, um für die Steuerung der Maschine100 verwendet zu werden. Nachdem also die Vor-Ort-Datenerfassungsmessung bei Block390 zurückgesetzt wurde, kehrt die Verarbeitung zu Block320 zurück, wo die Datenaggregationslogik234 weiterhin vor Ort gewonnene Daten aggregiert, bis genügend aggregiert wurden, um einen weiteren Evaluierungs- oder Modellierungsschritt durchzuführen. - Wir kehren noch einmal zu Block
360 in3 zurück. Wenn das Modellevaluierungssystem220 bestimmt, dass das analysierte prädiktive Modell nicht von ausreichend hoher Qualität ist, um durch das Steuerungssystem224 zur Steuerung der Maschine100 verwendet zu werden, dann löst dies die Evaluierungsauslöselogik246 aus zu bestimmen, ob es alternative Modelle gibt, die generiert oder evaluiert werden können, um zu bestimmen, ob sie anstelle des gerade evaluierten Modells verwendet werden sollten. Die Bestimmung, ob es weitere Modelle gibt, wird durch Block392 (3C ) in dem Flussdiagramm von3 angezeigt. Auch hier kann ein alternatives Modell generiert werden oder verfügbar sein, weil verschiedene im Voraus gewonnenen Daten (zum Beispiel alternative im Voraus gewonnenen Daten204 ) empfangen wurden, so dass ein alternatives Modell generiert werden kann oder bereits generiert wurde. Dies wird durch Block392 angezeigt. Darüber hinaus kann es sein, dass ein anderer Modellgenerierungsmechanismus240-242 ¬ verwendet werden kann (auch an denselben im Voraus gewonnenen Daten, die zuvor verwendet wurden), um ein alternatives Modell zu generieren, das evaluiert werden kann. Dies wird durch Block394 angezeigt. - In einem anderen Beispiel kann es sein, dass sowohl ein neuer Modellgenerierungsmechanismus als auch neue im Voraus gewonnene Daten empfangen wurden, so dass ein alternatives Modell unter Verwendung des neuen Mechanismus und neuer im Voraus gewonnener Daten generiert werden kann (oder bereits generiert wurde). Dies wird durch Block
396 in dem Flussdiagramm von3 angezeigt. Das Bestimmen, ob alternative Modelle zu generieren oder zu evaluieren sind, kann ebenfalls auf verschiedenste andere Weise erfolgen, was durch Block398 angezeigt wird. - Wenn bei Block
392 bestimmt wird, dass es keine alternativen Modelle zum Generieren oder Evaluieren gibt, so zeigt die Modellevaluierungslogik220 dies den Bedienerschnittstellenmechanismen228 an, und dem Bediener232 wird eine Meldung angezeigt, die besagt, dass die Steuerung der Maschine100 auf manuelle oder voreingestellte Steuerung zurückkehrt. In diesem Fall empfängt das Steuerungssystem224 Steuereingaben von dem Bediener232 über die Bedienerschnittstellenmechanismen228 , oder es kann voreingestellte Eingaben empfangen, oder es kann zur Steuerung unter Verwendung eines Standardmodells zurückkehren. All dies wird durch Block400 in dem Flussdiagramm von3 angezeigt. - Wenn jedoch bei Block
392 bestimmt wird, dass es alternative Modelle gibt, die generiert werden können oder die generiert wurden und zur Evaluierung bereit stehen, so wird die Verarbeitung bei Block402 fortgesetzt, wo eines oder mehrere der alternativen Modelle generiert und/oder evaluiert werden, um zu bestimmen, ob es von ausreichender Qualität sind, um in der Arbeitsmaschine100 verwendet werden zu können. Die Evaluierung kann so erfolgen, wie es oben in Bezug auf die338-360 in dem Flussdiagramm von3 beschrieben wurde. - Die Modellauswahllogik
258 bestimmt dann, ob eines der evaluierten Modelle eine qualitativ hochwertige Messgröße hat, die zur Steuerung der Maschine100 verwendet werden kann. Dies wird durch Block404 angezeigt. Andernfalls kehrt die Verarbeitung zu Block400 zurück. Es ist außerdem anzumerken, dass in einem Beispiel mehrere alternative Modelle im Wesentlichen alle gleichzeitig evaluiert werden. In diesem Fall kann die Modellauswahllogik258 das beste alternative Modell (vorausgesetzt, dass seine Qualität gut genug ist) zur Steuerung der Maschine100 wählen. In einem anderen Beispiel wird jeweils immer nur nur ein einziges alternatives Modell evaluiert. - Wenn die Modellevaluierungslogik
250 bei Block404 ein Modell identifiziert, das eine ausreichend hohe Qualitätsmessgröße zur Steuerung der Maschine100 aufweist, so wählt die Modellauswahllogik258 in beiden Beispielen dieses Modell zur Steuerung auf der Grundlage der Auswahlkriterien aus. Dies wird durch Block406 angezeigt. Auch hier kann, wenn mehrerer Modelle evaluiert werden, die Modellauswahllogik258 einfach das erste Modell auswählen, das eine Qualitätswertung oberhalb einer Schwelle aufweist. Dies wird durch Block408 angezeigt. In einem anderen Beispiel kann die Sortierlogik254 alle evaluierten Modelle auf der Grundlage ihrer Qualitätsmessgröße sortieren, und die Modellauswahllogik258 kann das Modell mit dem besten Qualitätsmessgrößenwert auswählen. Dies wird durch Block410 angezeigt. Das Modell kann auch auf andere Weise ausgewählt werden, was durch Block412 angezeigt wird. Sobald das Modell ausgewählt ist, wird die Verarbeitung bei Block368 fortgesetzt, wo dieses Modell verwendet wird, um Steuersignale für die Steuerung der Maschine100 zu generieren. - Bisher wurde in der Beschreibung davon ausgegangen, dass ein prädiktives Modell durch das Steuerungssystem
224 zur Steuerung der steuerbaren Teilsysteme226 verwendet wird. Es kann jedoch sein, dass durch das Steuerungssystem224 verschiedene prädiktive Modelle verwendet werden, um verschiedene steuerbare Teilsysteme zu steuern. Darüber hinaus kann es sein, dass die Ergebnisse mehrerer verschiedener prädiktiver Modelle verwendet werden, um mehrere verschiedene steuerbare Teilsysteme zu steuern. Ebenso kann es sein, dass die Modelle für einen bestimmten Aktuator oder einen Satz Aktuatoren spezifisch sind. In diesem Beispiel kann ein prädiktives Modell verwendet werden, um Steuersignale zum Steuern eines einzelnen Aktuators oder eines Satzes von Aktuatoren zu generieren. -
4A ist ein Schaubild, das ein beispielhaftes Feld540 zeigt, auf dem eine Ernteoperation durch eine Maschine, wie zum Beispiel der oben besprochenen Maschine100 , durchgeführt wird. Wie gezeigt, enthält das Feld540 eine bewässerte Sektion542 und eine nicht-bewässerte Sektion544 . In diesem Beispiel wird angenommen, dass die Niederschläge während des Vegetationsstadiums12 (V12) für ungeerntetes Erntegut, in diesem Fall Mais, ausreichend waren, so dass keine Bewässerung erforderlich war. Während der Komfüllung wurde es sehr trocken, was den Ertrag reduzierte und staubige Bedingungen verursachte, wenn der Wind546 zur Erntezeit eine hohe Geschwindigkeit hatte. - Das Feld
540 enthält den Abschnitt531 , der vollständig innerhalb der bewässerten Sektion542 liegt; den Abschnitt533 , der vollständig innerhalb der nicht-bewässerten Sektion544 liegt; und den Abschnitt532 , der sich teilweise in der bewässerten Sektion542 und teilweise in dem nicht-bewässerten Sektion544 befindet. Die Breite der Abschnitte531 ,532 und533 ist ungefähr gleich der Breite der Haspel102 der mobilen Maschine100 . - Die Abschnitte
531 ,532 und533 haben benachbarte Abschnitte551 ,552 und553 , die zuvor durch die mobile Maschine100 abgeerntet wurden. - Für die Abschnitte
531 ,532 und533 liegen georeferenzierte Vorhersagen (in4B gezeigt) 511a-d, 512a-d bzw. 533a-d vor. Diese georeferenzierten Vorhersagen können zum Beispiel in dem Datenspeicher186 vorliegen. Die verschiedenen georeferenzierten Vorhersagen in4B werden nun besprochen. - Die georeferenzierten Vorhersagen
511a ,512a und513a werden auf der Grundlage von NDVI-Bildern getroffen. In einem Beispiel haben die NDVI-Bilder die folgenden Attribute. Die zeitliche Position des NDVI-Bildes ist der 15. Juli 2020, als sich die Ernte im WachstumsstadiumV12 befand. Die Auflösung der NDVI-Bilder beträgt 2 cm2 Pixel, 5 cm Pixelpositionsrichtigkeit 1 cm Pixelpositionspräzision. - Es besteht eine Korrelation zwischen einem NDVI-Bild, das während V12 aufgenommen wurde, und dem Ernteertrag. Während die räumliche Auflösung gut ist, ist die Zeit zwischen dem Moment, an dem das NDVI-Bild aufgenommen wurde (vor der Trockenheit), und dem Moment, an dem es zur Schätzung des Ertrags (Ernte nach der Dürre) verwendet wurde, schlecht. Die NDVI-Daten, die zur Vornahme der Ertragsschätzung verwendet wurden, wurden vor dem Feuchtigkeitsstress (Dürre) erfasst, so dass der vorhergesagte Ertrag für die drei Abschnitte
531 ,532 und533 ähnlich ist. Daher werden in diesem Beispiel die Dürrebedingungen, die den Ertrag der nicht-bewässerten Feldfrucht in der nicht-bewässerten Sektion544 beeinflussen, in dem NDVI-Bild nicht widergespiegelt, da es so früh aufgenommen wurde. - Die georeferenzierten Vorhersagen
511b ,512b und513b werden auf der Grundlage von Signalen getroffen, die durch für jede einzelne Pflanze vorhandene Sensoren für den Maisstängeldurchmesser an der Mähdrescherhaspel102 generiert werden. In einem Beispiel haben die Maisstängeldurchmessersensoren die folgenden Attribute. Die zeitliche Position ist der 15. Oktober 2020 (zum Beispiel Echtzeit während der Ernte). Die Durchmessergenauigkeit und Durchmesserpräzision des Sensors beträgt 2 mm bzw. 1 mm. - Es besteht eine Korrelation zwischen Stängeldurchmesser und Ertrag. Die Genauigkeit dieses Ansatzes kann auf verunkrauteten Flächen leiden, wenn Unkraut die Identifizierung und Messung der Stängel beeinträchtigen kann. Er kann auch weniger genau sein, wenn der Ertrag im reproduktiven Stadium im Vergleich zum vegetativen Stadium begrenzt ist.
- Die georeferenzierten Vorhersagen
511c ,512c und513c werden auf der Grundlage des Ertrags aus einem benachbarten Arbeitsgang des Mähdreschers100 vorhergesagt. In einem Beispiel hat der Ertrag aus einem benachbarten Arbeitsgang eines Mähdreschers die folgenden Attribute. Die zeitliche Position ist der 15. Oktober 2020 (zum Beispiel Echtzeit während der Ernte). Die georäumliche Genauigkeit, die Lagegenauigkeit und die Lagepräzision betragen 3m, 10 cm bzw. 1 cm. - Die georeferenzierten Vorhersagen
511d ,512d und513d werden auf der Grundlage einer nach vom gerichteten Kamera an dem Mähdrescher100 vorhergesagt. In einem Beispiel hat die nach vorn gerichtete Kamera die folgenden Attribute. Die zeitliche Position ist der 15. Oktober 2020 (zum Beispiel Echtzeit während der Ernte). Die Pixelfläche, die Positionsgenauigkeit und die Positionspräzision betragen 5 cm2, 4 cm bzw. 1 cm. - Eine beispielhafte Analyse, die durch den Modellqualitätsgenerator
248 und/oder die Modellauswahllogik258 durchgeführt wird, wird unten für jeden der Abschnitte531 ,532 und533 dargelegt. Die folgenden Beispiele werden in Bezug auf die beispielhaften Qualitätsregeln in4C beschrieben. Es ist zu beachten, dass die Qualitätsregeln in4C nur Beispiele sind und auch andere Regeln angewendet werden können. - Vorhersagen über den Abschnitt
531 in4A sind in4B als Vorhersagen511a ,511b ,511c und511d gezeigt. Für die NDVI-basierte Vorhersage511a gelten keine der Regeln in4C , weil Abschnitt531 vollständig bewässert wurde. Daher bestimmt der Modellqualitätsgenerator248 , dass diese Qualitätswertung hoch ist. Für die Stängeldurchmesservorhersage511b gelten keine der Regeln in4C , weil der Abschnitt531 kein Unkraut enthält (wie zum Beispiel durch ein Luftbild und/oder eine Feldbegehung bestimmt). Daher bestimmt der Modellqualitätsgenerator248 , dass diese Vorhersagequalität hoch ist. Für die Vorhersage511c des benachbarten Arbeitsganges gelten keine der Regeln in4C , weil der Abschnitt531 vollständig bewässert ist und der benachbarte Abschnitt551 ebenfalls vollständig bewässert ist, so dass die Ähnlichkeit der Erträge für alle Vorhersagen hoch sein sollte. Dementsprechend bestimmt der Modellqualitätsgenerator248 die Qualitätswertung als hoch. Für die Vorausschau-Vorhersage511d gelten keine der Regeln in4C , weil eine gute Bodenfeuchtigkeit (zum Beispiel durch bekannte Bewässerung oder Niederschläge und/oder dank des Erfassens der Feuchtigkeit) vorliegt, was bedeutet, dass wenig bis gar kein Staub in der Luft liegt. Daher bestimmt der Modellqualitätsgenerator248 diese Qualitätswertung als hoch. In einigen Beispielen wird auch ein Sichtbehinderungssensor verwendet, um zu überprüfen, ob Staub in der Luft liegt oder ein anderes sichtbehinderndes Element vorhanden ist. - Angesichts der obigen Analyse werden alle Qualitätswertungen von Vorhersagen für Abschnitt
531 durch den Modellqualitätsgenerator248 gemäß Regel1 von4C auf hoch gesetzt. Gemäß Regel2 von4C sollte die Modellauswahllogik258 die Vorhersagen mit hohen Qualitätswertungen mitteln, um den zu verwendenden Wert zu erhalten (zum Beispiel 200+205+200+190)/4 = 199 bu/acre als der verwendete Vorhersagewert). Diese Vorhersage wird an das Steuerungssystem224 weitergeleitet, das die Komponenten der Maschine100 so einstellt, dass sie eine Feldfruchtmenge mit einem Ertrag von 199 bu/acre optimal verarbeitet, wenn die Maschine100 durch den Abschnitt531 fährt. - Vorhersagen über den Abschnitt
532 in4A sind in4B als Vorhersagen512a ,512b ,512c und512d gezeigt. Für die NDVI-basierte Vorhersage512a wendet die Modellauswahllogik258 Regel6 von4C an, weil der Abschnitt532 nur teilweise bewässert wurde, seit das NDVI-Bild von V12 aufgenommen wurde, und es zu einem gewissen Ertragsverlust aufgrund von Wasserstress gekommen ist. Dementsprechend gibt die Modellauswahllogik258 dieser Vorhersage eine mittlere Wertung. Für die stängelbasierte Vorhersage512b wendet die Modellauswahllogik258 Regel7 von4C an, weil die Feldbegehung gezeigt hat, dass dieser Teil etwas verunkrautet ist. Dementsprechend bestimmt die Modellauswahllogik258 , dass dies von mittlerer Qualität sein sollte. Für die Vorhersage512c eines benachbarten Arbeitsgangs wendet die Modellauswahllogik258 Regel9 von4C an, weil der Abschnitt532 teilweise bewässert wurde und der benachbarte Abschnitt552 vollständig bewässert ist. Daher bestimmt der Modellqualitätsmessgrößengenerator248 , dass die Vorhersage512c eine Qualitätsmessgröße von mittel hat. Für die Vorausschau-Vorhersage512d gelten keine der Regeln in4C , weil eine gute Bodenfeuchtigkeit (zum Beispiel durch bekannte Bewässerung oder Niederschläge und/oder dank des Erfassens der Feuchtigkeit) vorliegt, was bedeutet, dass wenig bis gar kein Staub in der Luft liegt. Daher bestimmt der Modellqualitätsgenerator248 diese Qualitätswertung als hoch. - Da es nur eine einzige georeferenzierte Vorhersage für den Abschnitt
532 mit einer hohen Qualitätswertung gibt, ist die Vorausschau-Ertragsvorhersage512d von 175 bu/acre die durch die Modellauswahllogik258 ausgewählte Vorhersage und wird an das Steuerungssystem224 weitergeleitet. Diese Vorhersage wird an das Steuerungssystem224 weitergeleitet, das die Komponenten der Maschine100 so einstellt, dass sie eine Feldfruchtmenge mit einem Ertrag von 175 bu/acre optimal verarbeitet, wenn die Maschine100 durch den Abschnitt531 fährt. - Vorhersagen über den Abschnitt
533 in4A sind in4B als Vorhersagen513a ,513b ,513c und513d gezeigt. Für die NDVI-basierte Vorhersage513a werden die Modellauswahllogik258 Regel5 von4C an, weil der Abschnitt533 vollständig in der nicht-bewässerten Sektion544 liegt. Seit der Erstellung der NDVI-Ertragsvorhersage für V12 gab es einen signifikanten Ertragsverlust durch Feuchtigkeitsstress. Dementsprechend gibt die Modellauswahllogik258 dieser Vorhersage eine niedrige Wertung. Für die stängelbasierte Vorhersage512b wendet die Modellauswahllogik258 Regel11 von4C an, weil der Abschnitt während der Vegetationsperioden genügend Feuchtigkeit hatte. Der Stängeldurchmesser wurde nicht durch eine spätere Trockenheit während der Komfüllung, was der Ertrag reduzierte, beeinflusst. Dementsprechend bestimmt die Modellauswahllogik258 , dass diese Qualität niedrig sein sollte. Für die Vorhersage512c eines benachbarten Arbeitsgangs wendet die Modellauswahllogik258 Regel9 von4C an, weil der Abschnitt533 gänzlich unbewässert ist und der benachbarte Abschnitt553 teilweise bewässert ist. Daher bestimmt der Modellqualitätsmessgrößengenerator248 , dass die Vorhersage513c eine Qualitätsmessgröße von mittel hat. Für die Vorausschau-Vorhersage513d wendet die Modellauswahllogik258 Regel9 von4C an, weil der Abschnitt533 nicht bewässert wurde, der Boden staubig ist und der Wind546 Staub aufwirbeln kann, der die Sicht der nach vorn gerichteten Kamera verdeckt. Dementsprechend bestimmt der Modellqualitätsmessgrößengenerator248 , dass die Vorhersage513d eine Qualitätsmessgröße von niedrig hat. - Da die höchste georeferenzierte Vorhersage für den Abschnitt
533 die Vorhersage513c mit einer mittleren Qualitätswertung ist, ist die Vorhersage513c eines benachbarten Arbeitsgangs von 150 bu/acre die Vorhersage, die durch die Modellauswahllogik258 ausgewählt wird. Diese Vorhersage wird an das Steuerungssystem224 weitergeleitet, das die Komponenten der Maschine100 so einstellt, dass sie eine Feldfruchtmenge mit einem Ertrag von 150 bu/acre optimal verarbeitet, wenn die Maschine100 durch den Abschnitt533 fährt. -
5 ist ein Flussdiagramm, das ein Beispiel für die Funktionsweise der Architektur180 in einem Beispiel veranschaulicht, in dem mehrere verschiedene prädiktive Modelle zur Steuerung verschiedener steuerbarer Teilsysteme verwendet werden. Es wird daher zunächst davon ausgegangen, dass das Modellgeneratorsystem218 identifiziert, dass ein Satz spezifischer prädiktiver Modelle zur Steuerung der Maschine100 anstelle eines einzelnen prädiktiven Modells verwendet werden soll. Dies wird durch Block420 in dem Flussdiagramm von5 angezeigt. Die prädiktiven Modelle können teilsystemspezifische Modelle sein, so dass ein anderes prädiktives Modell verwendet wird, um jedes der verschiedenen steuerbaren Teilsysteme226 zu steuern. Dies wird durch Block422 in dem Flussdiagramm von5 angezeigt. Es können aktuatorspezifische Modelle sein, so dass ein anderes prädiktives Modell durch das Steuerungssystem224 verwendet wird, um einen anderen Aktuator oder einen anderen Satz Aktuatoren zu steuern. Dies wird durch Block424 angezeigt. Die Modelle können auf andere Weise konfiguriert werden, dergestalt, dass beispielsweise die Ausgabe mehrerer verschiedener Modelle zum Steuern eines einzelnen Teilsystems verwendet wird, oder dergestalt, dass ein einzelnes Modell zum Steuern einer Teilmenge der steuerbaren Teilsysteme verwendet wird, während ein anderes Modell zum Steuern der verbleibenden steuerbaren Teilsysteme oder einer anderen Teilmenge dieser Teilsysteme verwendet wird. Das Identifizieren des Satzes spezifischer prädiktiver Modelle auf andere Weise wird durch Block426 in dem Flussdiagramm von5 angedeutet. - In diesem Beispiel generiert das Modellgeneratorsystem
218 dann einen Satz spezifischer prädiktiver Modelle, die evaluiert werden sollen, und das Modellevaluierungssystem220 evaluiert diese spezifischen prädiktiven Modelle. Das Modellevaluierungssystem220 identifiziert zur Veranschaulichung ein qualifiziertes Modell, das jedem Teilsystem/Aktuator (oder jeder Teilmenge der Teilsysteme/Aktuatoren) an der Arbeitsmaschine100 entspricht. Dies wird durch Block428 in dem Flussdiagramm von5 angezeigt. - Die Modellauswahllogik
258 wählt für jedes der Systeme/Aktuatoren ein Modell aus und speist es in das Steuerungssystem224 ein. Das Steuerungssystem224 verwendet die qualifizierten Modelle, um Signale für die entsprechenden Teilsysteme/Aktuatoren (oder die entsprechende Teilmenge von Teilsystemen/Aktuatoren) zu generieren. Dies wird durch Block430 in dem Flussdiagramm von5 angezeigt. - Beispielsweise kann es sein, dass die Traktion auf dem Feld durch ein prädiktives Modell modelliert wird. Die Ausgabe dieses Modells kann durch das Steuerungssystem
224 verwendet werden, um das Lenkungs-Teilsystem274 zu veranlassen, um schlammige oder nasse Flächen herum zu lenken, in denen die Traktion als unzureichend vorhergesagt wird. Die vor Ort gewonnenen Daten können in diesem Fall Bodenfeuchtigkeitsdaten sein, die durch einen Bodenfeuchtigkeitssensor an der Maschine100 erfasst und als die tatsächlichen vor Ort gewonnenen Felddaten für das prädiktive Traktionsmodell bereitgestellt werden. In einem anderen Beispiel kann der Haspelhubaktuator durch ein separates prädiktives Modell gesteuert werden, das die Topographie vorhersagt. Die vor Ort gewonnenen Daten können die tatsächliche Topographie anzeigen, über die die Maschine100 fährt. Natürlich gibt es eine breite Vielzahl anderer Arten von prädiktiven Modellen, die durch das Steuerungssystem224 verwendet werden können, um einzelne Aktuatoren, Aktuatorsätze, einzelne Teilsysteme, Sätze von Teilsystemen usw. zu steuern. - Wie bei dem oben in Bezug auf
3 besprochenen Einzelmodellbeispiel wird jedes der mehreren verschiedenen prädiktiven Modelle zur Veranschaulichung dynamisch und iterativ evaluiert. Gleichermaßen können sie jeweils durch ein alternatives Modell ersetzt werden, wenn während des Evaluierungsprozesses festgestellt wird, dass ein alternatives Modell bessere Ergebnisse. So werden in einem solchen Beispiel mehrere prädiktive Modelle kontinuierlich, dynamisch und iterativ aktualisiert, verbessert und im Vergleich zu alternativen Modellen evaluiert. Die zur Steuerung verwendeten Modelle können gegen alternative Modelle, auf der Grundlage der Evaluierungsergebnisse, in nahezu Echtzeit während des Betriebs der Arbeitsmaschine auf dem Feld ausgetauscht werden. Die Fortsetzung der Laufzeitevaluierung auf diese Weise wird durch Block432 in dem Flussdiagramm von5 angezeigt. - In der vorliegenden Besprechung wurden Prozessoren und Server erwähnt. In einer Ausführungsform enthalten die Prozessoren und Server Computerprozessoren mit zugehörigem Speicher und Zeitsteuerungsschaltungen, die nicht separat gezeigt sind. Sie sind Funktionsteile der Systeme oder Vorrichtungen, zu denen sie gehören und durch die sie aktiviert werden, und ermöglichen die Funktionalität der anderen Komponenten oder Elemente in diesen Systemen.
- Es ist anzumerken, dass die obige Besprechung eine Vielzahl unterschiedlicher Systeme, Komponenten und/oder Logiken beschrieben hat. Es ist anzumerken, dass solche Systeme, Komponenten und/oder Logik aus Hardwareelementen (wie zum Beispiel Prozessoren und zugehörigem Speicher oder anderen Verarbeitungskomponenten, von denen einige unten beschrieben werden) bestehen können, die die mit diesen Systemen, Komponenten und/oder Logik verbundenen Funktionen ausführen. Darüber hinaus können die Systeme, Komponenten und/oder die Logik aus Software bestehen, die in einen Speicher geladen und anschließend durch einen Prozessor oder Server oder eine andere Computerkomponente ausgeführt wird, wie unten beschrieben. Die Systeme, Komponenten und/oder die Logik können auch aus verschiedenen Kombinationen von Hardware, Software, Firmware usw. bestehen, von denen einige Beispiele unten beschrieben werden. Dies sind nur einige Beispiele für verschiedene Strukturen, die zur Bildung der oben beschriebenen Systeme, Komponenten und/oder Logik verwendet werden können. Es können auch andere Strukturen verwendet werden.
- Außerdem wurden eine Reihe von Benutzerschnittstellenanzeigen besprochen. Sie können eine breite Vielzahl verschiedener Formen annehmen und können mit einer breiten Vielzahl verschiedener benutzerbetätigter Eingabemechanismen verbunden sein. Zum Beispiel können die benutzerbetätigten Eingabemechanismen Textfelder, Kontrollkästchen, Symbole, Links, Dropdown-Menüs, Suchfelder usw. sein. Sie können auch auf unterschiedlichste Weise betätigt werden. Sie können beispielsweise mit einem Zeige- und Klickgerät (zum Beispiel Trackball oder Maus) betätigt werden. Sie können über Hardwaretasten, Schalter, einen Joystick oder eine Tastatur, Daumenschalter oder Daumenpads usw. betätigt werden. Sie können auch über eine virtuelle Tastatur oder andere virtuelle Aktuatoren bedient werden. Wenn der Bildschirm, auf dem sie angezeigt werden, ein berührungsempfindlicher Bildschirm ist, so können sie außerdem mit Berührungsgesten bedient werden. Wenn die Vorrichtung, die sie anzeigt, über Spracherkennungskomponenten verfügt, so können sie auch über Sprachbefehle gesteuert werden.
- Eine Anzahl von Datenspeichern wurde ebenfalls besprochen. Es ist anzumerken, dass sie jeweils in mehrere Datenspeicher unterteilt werden können. Alle können sich lokal in den auf sie zugreifenden Systemen befinden, alle können räumlich abgesetzt sein, oder einige können lokal sein, während andere räumlich abgesetzt sind. Alle diese Konfigurationen werden im vorliegenden Text in Betracht gezogen.
- Außerdem zeigen die Figuren eine Anzahl von Blöcken mit Funktionen, die jedem Block zugeordnet sind. Es ist anzumerken, dass weniger Blöcke verwendet werden können, so dass die Funktionalität von weniger Komponenten übernommen wird. Außerdem können mehr Blöcke verwendet werden, wobei die Funktionalität auf mehr Komponenten verteilt wird.
-
6 ist ein Blockdiagramm der in2 gezeigten Erntemaschine100 , mit dem Unterschied, dass sie mit Elementen in einer Femserverarchitektur500 kommuniziert. In einem Beispiel kann die Femserverarchitektur500 Rechen-, Software-, Datenzugriffs- und Speicherdienste bereitstellen, die keine Kenntnisse seitens des Endnutzers über den physischen Standort oder die Konfiguration des Systems erfordern, das die Dienste bereitstellt. In verschiedenen Beispielen können Fernserver die Dienste über ein Fernbereichsnetz, wie beispielsweise das Internet, unter Verwendung geeigneter Protokolle bereitstellen. Zum Beispiel können Fernserver Anwendungen über ein Fernbereichsnetz bereitstellen, und auf sie kann über einen Webbrowser oder eine andere Computerkomponente zugegriffen werden. Software oder Komponenten, die in2 gezeigt sind, sowie die entsprechenden Daten können auf Servern an einem räumlich abgesetzten Ort gespeichert werden. Die Computerressourcen in einer Fernserverumgebung können an einem räumlich abgesetzten Datenzentrumstandort konsolidiert werden, oder sie können dezentralisiert werden. Fernserver-Infrastrukturen können Dienste über gemeinsam genutzte Rechenzentren bereitstellen, auch wenn sie für den Benutzer als ein einziger Zugangspunkt erscheinen. Somit können die im vorliegenden Text beschriebenen Komponenten und Funktionen von einem Fernserver an einem räumlich abgesetzten Ort unter Verwendung einer FernserverArchitektur bereitgestellt werden. Alternativ können sie von einem herkömmlichen Server aus bereitgestellt werden, oder sie können direkt auf Client-Vorrichtungen oder auf andere Weise installiert werden. - In dem in
6 gezeigten Beispiel sind einige Elemente den in2 gezeigten ähnlich, und sie sind ähnlich nummeriert.6 zeigt insbesondere, dass sich das Modellgenerierungssystem218 , das Modellevaluierungssystem220 und der Vorausdatenspeicher186 an einem Fernserverstandort502 befinden können. Daher greift die Erntemaschine100 über den Fernserverstandort502 auf diese Systeme zu. -
6 zeigt ebenfalls ein weiteres Beispiel für eine Fernserverarchitektur.6 zeigt, dass auch in Betracht gezogen wird, dass einige Elemente von2 am Fernserverstandort502 angeordnet sind, während andere es nicht sind. Zum Beispiel kann der Datenspeicher186 an einem vom Standort502 getrennten Standort angeordnet sein, und es kann über den Fernserver am Standort502 auf ihn zugegriffen werden. Unabhängig davon, wo sie sich befinden, kann die Erntemaschine100 über ein Netzwerk (entweder ein Fernbereichsnetz oder ein Nahbereichsnetz) direkt auf sie zugreifen; sie können an einem räumlich abgesetzten Standort durch einen Dienst gehostet werden, oder sie können als ein Dienst bereitgestellt werden, oder ein Verbindungsdienst kann auf die zugreifen, der sich an einem räumlich abgesetzten Standort befindet. Außerdem können die Daten an im Wesentlichen jedem Ort gespeichert werden, und interessierte Parteien können intermittierend auf sie zugreifen, oder sie können an interessierte Parteien weitergeleitet werden. So können beispielsweise physische Träger anstelle von, oder zusätzlich zu, elektromagnetischen Wellenträgern verwendet werden. In einem solchen Beispiel, in dem die Zellenversorgung schlecht oder nicht vorhanden ist, kann eine andere mobile Maschine (zum Beispiel ein Tankwagen) über ein automatisiertes Informationserfassungssystem verfügen. Wenn sich die Erntemaschine dem Tankwagen zum Betanken nähert, so erfasst das System automatisch die Informationen von der Erntemaschine oder überträgt Informationen über eine beliebige Art von gerade verfügbarer drahtloser Verbindung an die Erntemaschine. Die erfassten Informationen können dann an das Hauptnetz weitergeleitet werden, wenn der Tankwagen einen Ort erreicht, an dem eine Mobilfunkversorgung (oder eine andere drahtlose Versorgung) besteht. Zum Beispiel kann der Tankwagen in ein mobilfunkversorgtes Territorium einfahren, wenn er zum Betanken anderer Maschinen fährt oder wenn er sich an einem Hauptkraftstoffdepot befindet. Alle diese Architekturen werden im vorliegenden Text in Betracht gezogen. Darüber hinaus können die Informationen in der Erntemaschine gespeichert werden, bis die Erntemaschine ein mobilfunkversorgtes Territorium erreicht. Der Erntemaschine selbst kann dann die Informationen zu und von dem Hauptnetz senden bzw. empfangen. - Es ist außerdem anzumerken, dass die Elemente von
2 oder Abschnitte davon auf einer breiten Vielzahl verschiedener Vorrichtungen angeordnet werden können. Beispiele dieser Vorrichtungen sind Server, Desktop-Computer, Laptops, Tablet-Computer oder andere mobile Vorrichtungen, wie zum Beispiel Palm Top-Computer, Mobiltelefone, Smartphones, Multimedia-Player, persönliche digitale Assistenten, usw. -
7 ist ein vereinfachtes Blockdiagramm eines veranschaulichenden Beispiels einer handgehaltenen oder mobilen Computervorrichtung, die als handgehaltene Vorrichtung16 eines Benutzers oder Kunden verwendet werden kann, in der das hier besprochene System (oder Teile davon) implementiert werden kann. Zum Beispiel kann eine mobile Vorrichtung in der Fahrerkabine der Erntemaschine100 zur Verwendung beim Generieren, Verarbeiten oder Anzeigen der Wurzelstockbreiten- und Positionsdaten verwendet werden.8-9 sind Beispiele für handgehaltene oder mobile Vorrichtungen. -
7 stellt ein allgemeines Blockdiagramm der Komponenten einer Client-Vorrichtung16 dar, die einige der in2 gezeigten Komponenten ausführen kann, die mit ihnen interagiert, oder beides. In der Vorrichtung16 ist eine Kommunikationsverbindung13 vorhanden, die sie der handgehaltenen Vorrichtung ermöglicht, mit anderen Computervorrichtungen zu kommunizieren, und in einigen Ausführungsformen einen Kanal zum automatischen Empfangen von Informationen, beispielsweise durch Scannen, bereitstellt. Beispiele für Kommunikationsverbindungen13 enthalten das Zulassen einer Kommunikation über ein oder mehrere Kommunikationsprotokolle, wie beispielsweise drahtlose Dienste, die verwendet werden, um einen Mobilfunkzugang zu einem Netz zu ermöglichen, sowie Protokolle, die lokale drahtlose Verbindungen zu Netzen bereitstellen. - In anderen Beispielen können Anwendungen auf einer herausnehmbaren Secure Digital (SD)-Karte empfangen werden, die mit einer Schnittstelle
15 verbunden ist. Die Schnittstelle15 und die Kommunikationsverbindungen13 kommunizieren mit einem Prozessor17 (der auch Prozessoren oder Server aus früheren FIGUREN verkörpern kann) über einen Bus19 , der ebenfalls mit dem Speicher21 und den Eingabe-/Ausgabe (E/A)-Komponenten 23 sowie einer Uhr25 und dem Positionsbestimmungssystem27 verbunden ist. - In einem Beispiel sind E/A-Komponenten 23 vorhanden, um Ein- und Ausgabeoperationen zu ermöglichen. Die E/A-Komponenten 23 für verschiedene Ausführungsformen der Vorrichtung
16 können Eingabekomponenten wie Tasten, Berührungssensoren, optische Sensoren, Mikrofone, Berührungsbildschirme, Näherungssensoren, Beschleunigungsmesser, Orientierungssensoren und Ausgabekomponenten wie eine Anzeigevorrichtung, einen Lautsprecher und/oder einen Druckeranschluss enthalten. Es können auch andere E/A-Komponenten 23 verwendet werden. - Die Uhr
25 umfasst zur Veranschaulichung eine Echtzeituhrkomponente, die eine Uhrzeit und ein Datum ausgibt. Sie kann zur Veranschaulichung auch Zeitsteuerungsfunktionen für den Prozessor17 bereitstellen. - Das Positionsbestimmungssystem
27 enthält zur Veranschaulichung eine Komponente, die eine momentane geografische Position der Vorrichtung16 ausgibt. Dies kann zum Beispiel ein GPS (Global Positioning System)-Empfänger, ein LORAN-System, ein Koppelnavigationssystem, ein mobilfunkgestütztes Triangulationssystem oder ein sonstiges Positionsbestimmungssystem sein. Dazu kann beispielsweise auch eine Kartensoftware oder eine Navigationssoftware gehören, die gewünschte Karten, Navigationsrouten und andere geografische Funktionen generiert. - Der Speicher
21 speichert ein Betriebssystem29 , Netzwerkeinstellungen31 , Anwendungen33 , Anwendungskonfigurationseinstellungen35 , Datenspeicher37 , Kommunikationstreiber39 und Kommunikationskonfigurationseinstellungen41 . Der Speicher21 kann alle Arten von greifbaren flüchtigen und nicht-flüchtigen computerlesbaren Speichervorrichtungen enthalten. Er kann auch Computerspeichermedien enthalten (siehe unten). Der Speicher21 speichert computerlesbare Anweisungen, die, wenn sie durch den Prozessor17 ausgeführt werden, den Prozessor veranlassen, computerimplementierte Schritte oder Funktionen gemäß den Anweisungen auszuführen. Der Prozessor17 kann auch durch andere Komponenten aktiviert werden, um deren Funktionalität zu ermöglichen. -
8 zeigt ein Beispiel, in dem die Vorrichtung16 ein Tablet-Computer600 ist. In8 ist ein Computer600 mit dem Benutzerschnittstellenbildschirm602 gezeigt. Der Bildschirm602 kann ein Berührungsbildschirm oder eine stiftfähige Schnittstelle sein, die Eingaben durch einen Stift oder Stylus empfängt. Er kann auch eine virtuelle Bildschirmtastatur verwenden. Natürlich könnte er auch über einen geeigneten Verbindungsmechanismus, wie zum Beispiel eine drahtlose Verbindung oder einen USB-Anschluss, mit einer Tastatur oder einer anderen Benutzereingabevorrichtung verbunden werden. Der Computer600 kann zur Veranschaulichung auch Spracheingaben empfangen. -
9 zeigt, dass die Vorrichtung ein Smartphone71 sein kann. Das Smartphone71 verfügt über ein berührungsempfindliches Display73 , das Symbole oder Kacheln oder andere Benutzereingabemechanismen75 anzeigt. Die Mechanismen75 können durch einen Benutzer verwendet werden, um Anwendungen auszuführen, Anrufe zu tätigen, Datenübertragungsoperationen durchzuführen usw. Allgemein basiert das Smartphone71 auf einem Mobilfunkbetriebssystem und bietet eine höhere Rechenleistung und Konnektivität als ein Feature-Phone. - Es ist zu beachten, dass auch andere Formen der Vorrichtungen
16 möglich sind. -
10 ist ein Beispiel für eine Computerumgebung, in der Elemente von2 , oder Teile davon, (zum Beispiel) implementiert werden können. Wie in10 zu sehen, enthält ein beispielhaftes System zum Implementieren einiger Ausführungsformen eine Computervorrichtung in Form eines Computers810 . Zu den Komponenten des Computers810 können beispielsweise eine Verarbeitungseinheit820 (die Prozessoren oder Server aus früheren FIGUREN umfassen kann), einen Systemspeicher830 und einen Systembus821 enthalten, der verschiedene Systemkomponenten, einschließlich des Systemspeichers, mit der Verarbeitungseinheit820 koppelt. Der Systembus821 kann eine von mehreren Arten von Busstrukturen sein, einschließlich eines Speicherbusses oder eines Speicher-Controllers, eines Peripheriebusses und eines lokalen Busses, der eine aus einer Vielzahl von Busarchitekturen verwendet. Speicher und Programme, die in Bezug auf2 beschrieben sind, können in entsprechenden Abschnitten von10 verwendet werden. - Der Computer
810 enthält typischerweise eine Vielzahl computerlesbarer Medien. Computerlesbare Medien können alle verfügbaren Medien sein, auf die der Computer810 zugreifen kann, und enthalten sowohl flüchtige als auch nicht-flüchtige Medien, Wechselmedien und nicht-wechselfähige Medien. Als nicht-einschränkende Beispiele können computerlesbare Medien Computerspeichermedien und Kommunikationsmedien umfassen. Computerspeichermedien unterscheiden sich von einem modulierten Datensignal oder einer modulierten Trägerwelle und enthalten diese nicht. Dazu gehören Hardware-Speichermedien, einschließlich sowohl flüchtiger als auch nicht-flüchtiger, wechselfähiger und nichtwechselfähiger Medien, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen wie zum Beispiel computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen oder anderen Daten implementiert sind. Zu Computerspeichermedien gehören beispielsweise RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologien, CD-ROM, Digital Versatile Disks (DVD) oder andere optische Diskspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder jedes andere Medium, das zum Speichern der gewünschten Informationen verwendet werden kann und auf das der Computer810 zugreifen kann. Kommunikationsmedien können computerlesbare Anweisungen, Datenstrukturen, Programmmodule oder andere Daten in einem Transportmechanismus verkörpern und enthalten alle Informationsübermittlungsmedien. Der Begriff „moduliertes Datensignal“ meint ein Signal, bei dem eine oder mehrere seiner Eigenschaften in einer solchen Weise eingestellt oder geändert werden, dass Informationen in dem Signal codiert werden. - Der Systemspeicher
830 enthält Computerspeichermedien in Form von flüchtigem und/oder nicht-flüchtigem Speicher, wie zum Beispiel Nurlesespeicher (ROM)831 und Direktzugriffsspeicher (RAM)832 . Ein Basic Input/Output System833 (BIOS), das die grundlegenden Routinen enthält, die helfen, Informationen zwischen Elementen innerhalb des Computers810 zu übertragen, zum Beispiel während des Hochfahrens, wird in der Regel in dem ROM831 gespeichert. Der RAM832 enthält in der Regel Daten und/oder Programmmodule, auf die die Verarbeitungseinheit820 sofort zugreifen kann und/oder die durch die Verarbeitungseinheit820 gerade verarbeitet werden.10 veranschaulicht als Beispiel ein Betriebssystem834 , Anwendungsprogramme835 , weitere Programmmodule836 und Programmdaten837 . - Das Computersystem
810 kann noch andere Wechsel-/Nichtwechsel- oder flüchtige/nicht-flüchtige Computerspeichermedien enthalten. Lediglich als Beispiel veranschaulicht10 ein Festplattenlaufwerk841 , das nicht-wechselfähige/nicht-flüchtige magnetische Medien liest oder beschreibt, ein optisches Disklaufwerk855 und eine nicht-flüchtige optische Disk856 . Das Festplattenlaufwerk841 ist in der Regel mit dem Systembus821 durch eine Schnittstelle für nicht-wechselfähigen Speicher verbunden, wie zum Beispiel eine Schnittstelle840 , und das optische Disklaufwerk855 ist in der Regel mit dem Systembus821 durch eine Schnittstelle für wechselfähigen Speicher verbunden, wie zum Beispiel die Schnittstelle850 . - Alternativ oder zusätzlich kann die im vorliegenden Text beschriebene Funktionalität mindestens teilweise durch eine oder mehrere Hardware-Logikkomponenten ausgeführt werden. Zum Beispiel gehören zu veranschaulichenden Arten von Hardware-Logikkomponenten, die verwendet werden können, Feldprogrammierbare Gate-Arrays (FPGAs), Anwendungsspezifische Integrierte Schaltkreises (zum Beispiel ASICs), Anwendungsspezifische Standardprodukte (zum Beispiel ASSPs), System-on-Chip-Systeme (SOCs), Komplexe Programmierbare Logikvorrichtungen (CPLDs), usw.
- Die Laufwerke und ihre zugehörigen Computerspeichermedien, die oben besprochen wurden und in
10 gezeigt sind, erlauben die Speicherung von computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und anderen Daten für den Computer810 . In10 ist beispielsweise das Festplattenlaufwerk841 so veranschaulicht, dass es das Betriebssystem844 , Anwendungsprogramme845 , andere Programmmodule846 und Programmdaten847 speichert. Es ist zu beachten, dass diese Komponenten entweder die gleichen sein können wie, oder andere sein können als, das Betriebssystem834 , die Anwendungsprogramme835 , andere Programmmodule836 und Programmdaten837 . - Ein Benutzer kann über Eingabevorrichtungen wie zum Beispiel eine Tastatur
862 , ein Mikrofon863 und eine Zeigevorrichtung861 , wie eine Maus, ein Trackball oder ein Touchpad, Befehle und Informationen in den Computer810 eingeben. Andere Eingabevorrichtungen (nicht gezeigt) können ein Joystick, ein Gamepad, eine Satellitenschüssel, ein Scanner oder dergleichen sein. Diese und andere Eingabevorrichtungen sind oft mit der Verarbeitungseinheit820 über eine Benutzereingabeschnittstelle860 verbunden, die mit dem Systembus gekoppelt ist, aber auch über andere Schnittstellen- und Busstrukturen verbunden sein kann. Eine visuelle Anzeige891 oder eine andere Art von Anzeigevorrichtung ist ebenfalls über eine Schnittstelle, wie beispielsweise eine Videoschnittstelle890 , mit dem Systembus821 verbunden. Zusätzlich zu dem Monitor können Computer auch andere periphere Ausgabevorrichtungen wie zum Beispiel Lautsprecher897 und Drucker896 enthalten, die über eine Ausgabeperipherieschnittstelle895 verbunden sein können. - Der Computer
810 wird in einer vernetzten Umgebung unter Verwendung logischer Verbindungen (zum Beispiel ein Nahbereichsnetz - LAN, oder Fernbereichsnetz - WAN oder ein Controller Area Network - CAN) zu einem oder mehreren räumlich abgesetzten Computern, wie zum Beispiel einem räumlich abgesetzten Computer880 , betrieben. - Bei Verwendung in einer LAN-Netzwerkumgebung ist der Computer
810 über eine Netzwerkschnittstelle oder einen Adapter870 mit dem LAN871 verbunden. Bei Verwendung in einer WAN-Netzwerkumgebung enthält der Computer810 in der Regel ein Modem872 oder andere Mittel zum Herstellen einer Kommunikation über das WAN873 , wie beispielsweise das Internet. In einer vernetzten Umgebung können Programmmodule in einer externen Speichervorrichtung gespeichert werden.10 veranschaulicht beispielsweise, dass sich Fernanwendungsprogramme885 auf dem räumlich abgesetzten Computer880 befinden können. - Es ist außerdem anzumerken, dass die verschiedenen im vorliegenden Text beschriebenen Beispiele auf verschiedene Weise kombiniert werden können. Das heißt, Teile eines oder mehrerer Beispiele können mit Teilen eines oder mehrerer anderer Beispiele kombiniert werden. All dies wird im vorliegenden Text in Betracht gezogen.
- Beispiel 1 ist ein Verfahren zum Steuern einer Maschine an einem Arbeitsort, um eine Operation durchzuführen, das Folgendes umfasst:
- Identifizieren von georeferenzierten Daten für den Arbeitsort, die generiert wurden, bevor die Maschine die Operation an dem Arbeitsort ausführt;
- Erfassen von Felddaten, mit einem Sensor an der Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen;
- Generieren eines ersten prädiktiven Modells auf der Grundlage der georeferenzierten Daten und eines zweiten prädiktiven Modells auf der Grundlage der Felddaten;
- Berechnen einer ersten Modellqualitätsmessgröße für das erste prädiktive Modell, die die Modellgenauigkeit anzeigt;
- Berechnen einer zweiten Modellqualitätsmessgröße für das zweite prädiktive Modell, die die Modellgenauigkeit anzeigt;
- Auswählen eines des ersten Modells und des zweiten Modells als ein ausgewähltes Modell auf der Grundlage der berechneten ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und
- Steuern eines Teilsystems der Maschine unter Verwendung des ausgewählten Modells, um die Operation auszuführen.
- Beispiel 2 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Auswählen des ausgewählten Modells Folgendes umfasst:
- Bestimmen, ob die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße eine Modellqualitätsschwelle erfüllen.
- Beispiel 3 ist das Verfahren eines oder aller der vorangegangenen Beispiele, wobei das Auswählen des ausgewählten Modells Folgendes umfasst:
- Vergleichen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und
- Auswählen des ersten Modells oder des zweiten Modells auf der Grundlage des Vergleich zwischen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße.
- Beispiel 4 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Identifizieren von georeferenzierten Daten Folgendes umfasst:
- Erhalten von im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten von einem Fernsystem, das dem Arbeitsort entspricht.
- Beispiel 5 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Erfassen von Felddaten Folgendes umfasst:
- Erhalten von Stängeldurchmesserdaten, die einem Abschnitt des Arbeitsortes entsprechen, mit einem Stängeldurchmessersensor an der Maschine, während die Maschine eine Ernteoperation an dem Arbeitsort ausführt.
- Beispiel 6 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei die Maschine mehrere verschiedene Teilsysteme aufweist und wobei das Steuern eines Teilsystems Folgendes umfasst:
- Steuern der mehreren verschiedenen Teilsysteme an der Maschine.
- Beispiel 7 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Generieren der ersten Modellqualitätsmessgröße Folgendes umfasst:
- Abrufen von Wetterdaten; und
- Generieren der ersten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Wetterdaten.
- Beispiel 8 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Berechnen der zweiten Modellqualitätsmessgröße Folgendes umfasst:
- Erfassen von Daten über sichtbehindernde Feldbedingungen mit einem Sichtbehinderungssensor; und
- Generieren der zweiten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Daten über sichtbehindernde Feldbedingungen.
- Beispiel 9 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, das des Weiteren Folgendes umfasst:
- wenn die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße beide die Modellqualitätsschwelle erfüllen, dann Steuern jedes der verschiedenen Teilsysteme der Arbeitsmaschine an dem Arbeitsort unter Verwendung eines anderen der mehreren verschiedenen prädiktiven Modelle.
- Beispiel 10 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, wobei das Berechnen der Modellqualitätsmessgröße Folgendes umfasst:
- Berechnen eines Fehlerwertes, der einen Modellfehler anzeigt, auf der Grundlage eines Vergleichs von Modellwerten aus dem generierten prädiktiven Modell mit Feldwerten in den erfassten Felddaten.
- Beispiel 11 ist das Verfahren beliebiger oder aller der vorangegangenen Beispiele, das des Weiteren Folgendes umfasst:
- iteratives Wiederholen von Schritten zum Erfassen von Felddaten, Aktualisieren des prädiktiven Modells auf der Grundlage der Felddaten, Berechnen einer Modellqualitätsmessgröße für das aktualisierte prädiktive Modell, und Bestimmen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, während die Maschine die Operation ausführt.
- Beispiel 12 ist ein Computersystem auf einer Arbeitsmaschine, das Folgendes umfasst:
- ein Kommunikationssystem, das dafür konfiguriert ist, im Voraus gewonnene, georeferenzierte Vegetationsindex-Daten für einen Arbeitsort zu identifizieren;
- ein Vor-Ort-Datenerfassungssystem, das Felddaten mit einem Sensor an einer Maschine erfasst, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen;
- ein Modellgeneratorsystem, das dafür konfiguriert ist, die im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und Felddaten zu empfangen und ein erstes prädiktives Modell auf der Grundlage der im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und ein zweites prädiktives Modell auf der Grundlage der Felddaten zu generieren; und
- ein Modellevaluierungssystem, das dafür konfiguriert ist, eine erste Modellqualitätsmessgröße für das erste prädiktive Modell und eine zweite Modellqualitätsmessgröße für das zweite prädiktive Modell zu berechnen und zu bestimmen, ob das erste und das zweite prädiktive Modell qualifizierte prädiktive Modelle sind; und
- ein Steuerungssystem, das, wenn eines des ersten und des zweiten prädiktiven Modells ein qualifiziertes prädiktives Modell ist, ein Teilsystem der Maschine unter Verwendung des qualifizierten prädiktiven Modells steuert.
- Beispiel 13 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellevaluierungssystem Folgendes umfasst:
- einen Modellqualitätsmessgrößengenerator, der dafür konfiguriert ist, die Modellqualitätsmessgröße für das prädiktive Modell auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen.
- Beispiel 14 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellevaluierungssystem Folgendes umfasst:
- eine Evaluierungsauslöselogik, die dafür konfiguriert ist, einen Evaluierungsauslöser zu detektieren und in Reaktion darauf ein Auslösungsausgangssignal für das Modellevaluierungssystem zu generieren, ein alternatives prädiktives Modell zu evaluieren.
- Beispiel 15 ist das Computersystem beliebiger oder aller vorhergehenden Beispiele, wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung alternativer im Voraus gewonnener Daten für den Arbeitsort zu generieren.
- Beispiel 16 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung eines alternativen Modellgenerierungsmechanismus zu generieren.
- Beispiel 17 ist das Computersystem beliebiger oder aller der vorangegangenen Beispiele, wobei das Modellgeneratorsystem dafür konfiguriert ist, das erste prädiktive Modell und das zweite prädiktive Modell in Entsprechung zu einem bestimmten steuerbaren Teilsystem zu generieren, und wobei das Steuerungssystem jedes der prädiktiven Modelle verwendet, um das entsprechende bestimmte steuerbare Teilsystem zu steuern.
- Beispiel 18 ist das Computersystem beliebiger oder aller vorhergehenden Beispiele, wobei der Modellqualitätsmessgrößengenerator dafür konfiguriert ist, die Modellqualitätsmessgröße durch Berechnen eines Fehlervektors auf der Grundlage von Werten, die durch das prädiktive Modell generiert wurden, und Ist-Werten in den erfassten Felddaten zu berechnen.
- Beispiel 19 ist eine Arbeitsmaschine, die Folgendes umfasst:
- ein Kommunikationssystem, das dafür konfiguriert ist, georeferenzierte Daten für einen Arbeitsort zu empfangen;
- ein Vor-Ort-Datenerfassungssystem, das dafür konfiguriert ist, Felddaten mit einem Sensor an einer Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, für einen Abschnitt des Arbeitsortes zu erfassen;
- mehrere steuerbare Teilsysteme;
- ein Modellgeneratorsystem, das dafür konfiguriert ist, mehrere verschiedene prädiktive Modelle auf der Grundlage der georeferenzierten Daten und der Felddaten zu generieren, die jeweils einem anderen steuerbaren Teilsystem der mehreren steuerbaren Teilsysteme der Arbeitsmaschine entsprechen;
- ein Modellevaluierungssystem, das dafür konfiguriert ist, eine Modellqualitätsmessgröße für jedes der prädiktiven Modelle auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen und auf der Grundlage der Modellqualitätsmessgrößen zu bestimmen, ob jedes der prädiktiven Modelle ein qualifiziertes prädiktives Modell ist; und
- ein Steuerungssystem, das Steuersignale generiert, um jedes der steuerbaren Teilsysteme unter Verwendung eines entsprechenden qualifizierten prädiktiven Modells zu steuern.
- Beispiel 20 ist die Arbeitsmaschine beliebiger oder aller der vorangegangenen Beispiele, wobei die steuerbaren Teilsysteme steuerbare Erntemaschinen-Teilsysteme umfassen.
- Obgleich der Gegenstand in Formulierungen beschrieben wurde, die für strukturelle Merkmale und/oder methodologische Aktionen spezifisch sind, versteht es sich, dass der in den beiliegenden Ansprüchen definierte Gegenstand nicht unbedingt auf die oben beschriebenen spezifischen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die oben beschriebenen Merkmale und Aktionen als beispielhafte Formen der Implementierung der Ansprüche offenbart.
Claims (20)
- Verfahren zum Steuern einer Maschine an einem Arbeitsort, um eine Operation durchzuführen, das Folgendes umfasst: Identifizieren von georeferenzierten Daten für den Arbeitsort, die generiert wurden, bevor die Maschine die Operation an dem Arbeitsort ausführt; Erfassen von Felddaten, mit einem Sensor an der Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen; Generieren eines ersten prädiktiven Modells auf der Grundlage der georeferenzierten Daten und eines zweiten prädiktiven Modells auf der Grundlage der Felddaten; Berechnen einer ersten Modellqualitätsmessgröße für das erste prädiktive Modell, die die Modellgenauigkeit anzeigt; Berechnen einer zweiten Modellqualitätsmessgröße für das zweite prädiktive Modell, die die Modellgenauigkeit anzeigt; Auswählen eines des ersten Modells und des zweiten Modells als ein ausgewähltes Modell auf der Grundlage der berechneten ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und Steuern eines Teilsystems der Maschine unter Verwendung des ausgewählten Modells, um die Operation auszuführen.
- Verfahren nach
Anspruch 1 , wobei das Auswählen des ausgewählten Modells Folgendes umfasst: Bestimmen, ob die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße eine Modellqualitätsschwelle erfüllen. - Verfahren nach
Anspruch 1 , wobei das Auswählen des ausgewählten Modells Folgendes umfasst: Vergleichen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße; und Auswählen des ersten Modells oder des zweiten Modells auf der Grundlage des Vergleich zwischen der ersten Qualitätsmessgröße und der zweiten Qualitätsmessgröße. - Verfahren nach
Anspruch 1 , wobei das Identifizieren von georeferenzierten Daten Folgendes umfasst: Erhalten von im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten von einem Fernsystem, das dem Arbeitsort entspricht. - Verfahren nach
Anspruch 1 , wobei das Erfassen von Felddaten Folgendes umfasst: Erhalten von Stängeldurchmesserdaten, die einem Abschnitt des Arbeitsortes entsprechen, mit einem Stängeldurchmessersensor an der Maschine, während die Maschine eine Ernteoperation an dem Arbeitsort ausführt. - Verfahren nach
Anspruch 1 , wobei die Maschine mehrere verschiedene Teilsysteme aufweist, und wobei das Steuern eines Teilsystems Folgendes umfasst: Steuern der mehreren verschiedenen Teilsysteme an der Maschine. - Verfahren nach
Anspruch 1 , wobei das Generieren der ersten Modellqualitätsmessgröße Folgendes umfasst: Abrufen von Wetterdaten; und Generieren der ersten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Wetterdaten. - Verfahren nach
Anspruch 1 , wobei das Berechnen der zweiten Modellqualitätsmessgröße Folgendes umfasst: Erfassen von Daten über sichtbehindernde Feldbedingungen mit einem Sichtbehinderungssensor; und Generieren der zweiten Modellqualitätsmessgröße mindestens teilweise auf der Grundlage der Daten über sichtbehindernde Feldbedingungen. - Verfahren nach
Anspruch 2 , das des Weiteren Folgendes umfasst: wenn die erste Modellqualitätsmessgröße und die zweite Modellqualitätsmessgröße beide die Modellqualitätsschwelle erfüllen, dann Steuern jedes der verschiedenen Teilsysteme der Arbeitsmaschine an dem Arbeitsort unter Verwendung eines anderen der mehreren verschiedenen prädiktiven Modelle. - Verfahren nach
Anspruch 1 , wobei das Berechnen der Modellqualitätsmessgröße Folgendes umfasst: Berechnen eines Fehlerwertes, der einen Modellfehler anzeigt, auf der Grundlage eines Vergleichs von Modellwerten aus dem generierten prädiktiven Modell mit Feldwerten in den erfassten Felddaten. - Verfahren nach
Anspruch 1 , das des Weiteren Folgendes umfasst: iteratives Wiederholen von Schritten zum Erfassen von Felddaten, Aktualisieren des prädiktiven Modells auf der Grundlage der Felddaten, Berechnen einer Modellqualitätsmessgröße für das aktualisierte prädiktive Modell, und Bestimmen, ob das prädiktive Modell ein qualifiziertes prädiktives Modell ist, während die Maschine die Operation ausführt. - Computersystem auf einer Arbeitsmaschine, das Folgendes umfasst: ein Kommunikationssystem, das dafür konfiguriert ist, im Voraus gewonnene, georeferenzierte Vegetationsindex-Daten für einen Arbeitsort zu identifizieren; ein Vor-Ort-Datenerfassungssystem, das Felddaten mit einem Sensor an einer Maschine erfasst, während die Maschine eine Operation an dem Arbeitsort ausführt, wobei die Felddaten einem Abschnitt des Arbeitsortes entsprechen; ein Modellgeneratorsystem, das dafür konfiguriert ist, die im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und Felddaten zu empfangen und ein erstes prädiktives Modell auf der Grundlage der im Voraus gewonnenen georeferenzierten Vegetationsindex-Daten und ein zweites prädiktives Modell auf der Grundlage der Felddaten zu generieren; und ein Modellevaluierungssystem, das dafür konfiguriert ist, eine erste Modellqualitätsmessgröße für das erste prädiktive Modell und eine zweite Modellqualitätsmessgröße für das zweite prädiktive Modell zu berechnen und zu bestimmen, ob das erste und das zweite prädiktive Modell qualifizierte prädiktive Modelle sind; und ein Steuerungssystem, das, wenn eines des ersten und des zweiten prädiktiven Modells ein qualifiziertes prädiktives Modell ist, ein Teilsystem der Maschine unter Verwendung des qualifizierten prädiktiven Modells steuert.
- Computersystem nach
Anspruch 12 , wobei das Modellevaluierungssystem Folgendes umfasst: einen Modellqualitätsmessgrößengenerator, der dafür konfiguriert ist, die Modellqualitätsmessgröße für das prädiktive Modell auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen. - Computersystem nach
Anspruch 13 , wobei das Modellevaluierungssystem Folgendes umfasst: eine Evaluierungsauslöselogik, die dafür konfiguriert ist, einen Evaluierungsauslöser zu detektieren und in Reaktion darauf ein Auslösungsausgangssignal für das Modellevaluierungssystem zu generieren, ein alternatives prädiktives Modell zu evaluieren. - Computersystem nach
Anspruch 14 , wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung alternativer im Voraus gewonnener Daten für den Arbeitsort zu generieren. - Computersystem nach
Anspruch 14 , wobei das Modellgenerierungssystem dafür konfiguriert ist, in Reaktion auf das Auslösungsausgangssignal das alternative prädiktive Modell unter Verwendung eines alternativen Modellgenerierungsmechanismus zu generieren. - Computersystem nach
Anspruch 12 , wobei das Modellgeneratorsystem dafür konfiguriert ist, das erste prädiktive Modell und das zweite prädiktive Modell in Entsprechung zu einem bestimmten steuerbaren Teilsystem zu generieren, und wobei das Steuerungssystem jedes der prädiktiven Modelle verwendet, um das entsprechende bestimmte steuerbare Teilsystem zu steuern. - Computersystem nach
Anspruch 13 , wobei der Modellqualitätsmessgrößengenerator dafür konfiguriert ist, die Modellqualitätsmessgröße durch Berechnen eines Fehlervektors auf der Grundlage von Werten, die durch das prädiktive Modell generiert wurden, und Ist-Werten in den erfassten Felddaten zu berechnen. - Arbeitsmaschine, die Folgendes umfasst: ein Kommunikationssystem, das dafür konfiguriert ist, georeferenzierte Daten für einen Arbeitsort zu empfangen; ein Vor-Ort-Datenerfassungssystem, das dafür konfiguriert ist, Felddaten mit einem Sensor an einer Maschine, während die Maschine eine Operation an dem Arbeitsort ausführt, für einen Abschnitt des Arbeitsortes zu erfassen; mehrere steuerbare Teilsysteme; ein Modellgeneratorsystem, das dafür konfiguriert ist, mehrere verschiedene prädiktive Modelle auf der Grundlage der georeferenzierten Daten und der Felddaten zu generieren, die jeweils einem anderen steuerbaren Teilsystem der mehreren steuerbaren Teilsysteme der Arbeitsmaschine entsprechen; ein Modellevaluierungssystem, das dafür konfiguriert ist, eine Modellqualitätsmessgröße für jedes der prädiktiven Modelle auf der Grundlage eines Satzes Modellqualitätsregeln zu berechnen und auf der Grundlage der Modellqualitätsmessgrößen zu bestimmen, ob jedes der prädiktiven Modelle ein qualifiziertes prädiktives Modell ist; und ein Steuerungssystem, das Steuersignale generiert, um jedes der steuerbaren Teilsysteme unter Verwendung eines entsprechenden qualifizierten prädiktiven Modells zu steuern.
- Arbeitsmaschine nach
Anspruch 19 , wobei die steuerbaren Teilsysteme steuerbare Erntemaschinen-Teilsysteme umfassen.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/380,564 US11778945B2 (en) | 2019-04-10 | 2019-04-10 | Machine control using real-time model |
US16/380,564 | 2019-04-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020204464A1 true DE102020204464A1 (de) | 2020-10-15 |
Family
ID=72613118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020204464.3A Pending DE102020204464A1 (de) | 2019-04-10 | 2020-04-07 | Maschinensteuerung unter verwendung eines echtzeitmodells |
Country Status (4)
Country | Link |
---|---|
US (2) | US11778945B2 (de) |
CN (1) | CN111802060B (de) |
BR (1) | BR102019027999A2 (de) |
DE (1) | DE102020204464A1 (de) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and 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 |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
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 |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11937527B2 (en) * | 2019-07-31 | 2024-03-26 | Cnh Industrial America Llc | System and method for determining residue coverage within a field following a harvesting operation |
US11758847B2 (en) | 2019-09-19 | 2023-09-19 | Deere & Company | Residue quality assessment and performance system for a harvester |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
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 |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
CN113348851B (zh) * | 2021-06-03 | 2022-08-16 | 合肥学院 | 一种联合收割机清选系统控制方法及装置 |
US20230320271A1 (en) * | 2022-04-08 | 2023-10-12 | Deere & Company | Systems and methods for predictive power requirements and control |
US20240122111A1 (en) * | 2022-10-13 | 2024-04-18 | Deere & Company | Systems and methods for automated deck plate control based on feedback and prediction |
Family Cites Families (889)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE441597C (de) | 1927-03-05 | Paul Frenzel | Vorrichtung fuer Grasmaehmaschinen, um diese zum Maehen des Kartoffelkrautes geeignet zu machen | |
DE504035C (de) | 1930-07-31 | Hermann Lindstaedt | Kartoffelerntemaschine mit an das Schar anschliessendem Foerderwerk und hinter diesem angeordnetem Ablegerost | |
FI5533A (fi) | 1913-11-06 | Williamstown Glass Company | Anordningar vid glasbearbetningsmaskiner och sätt att tillverka buteljer med sådana | |
DE152380C (de) | 1897-07-11 | 1904-06-09 | Bauer & Co | Verfahren zur Darstellung von Casein- und anderen Eiweisspräparaten |
GB901081A (en) | 1958-07-31 | 1962-07-11 | Dunn Engineering Associates In | Improvements in apparatus for punching jacquard cards |
US3568157A (en) | 1963-12-31 | 1971-03-02 | Bell Telephone Labor Inc | Program controlled data processing system |
US3599543A (en) | 1964-12-02 | 1971-08-17 | Stothert & Pitt Ltd | Vibratory machines |
FR1451480A (fr) | 1965-07-20 | 1966-01-07 | France Etat | Procédé et appareil de mesure du tassement du sol sous les remblais et ouvrages d'art |
US3580257A (en) | 1969-12-24 | 1971-05-25 | Earl E Teague | Weed seed collector for a thresher combine |
DE2018219C3 (de) | 1970-04-16 | 1979-02-22 | Losenhausen Maschinenbau Ag, 4000 Duesseldorf | Vorrichtung zur Erzeugung eines Anzeige- oder Steuersignals für den Fahrantrieb eines dynamischen Bodenverdichters |
CH569747A5 (de) | 1972-08-25 | 1975-11-28 | Ciba Geigy Ag | |
DE2354828A1 (de) | 1973-11-02 | 1975-05-15 | Held & Francke Bau Ag | Verfahren zum verdichten des bodens und vorrichtung zur durchfuehrung dieses verfahrens |
CH618682A5 (de) | 1975-11-07 | 1980-08-15 | Ciba Geigy Ag | |
DE2646143A1 (de) | 1976-10-13 | 1978-04-20 | Bayer Ag | 4,5-dichlor-imidazol-1-carbonsaeure- arylester, verfahren zu ihrer herstellung sowie ihre verwendung als pflanzenschutzmittel |
US4166735A (en) | 1977-01-21 | 1979-09-04 | Shell Oil Company | Cycloalkanecarboxanilide derivative herbicides |
EP0000351A1 (de) | 1977-07-07 | 1979-01-24 | Ciba-Geigy Ag | Phenoxy-phenylthio-alkancarbonsäurederivate, Verfahren zu deren Herstellung und deren Verwendung als Herbizide und als Pflanzenwachstumsregulierungsmittel |
SU834514A1 (ru) | 1978-11-04 | 1981-05-30 | Smolyanitskij Leonid A | Способ контрол качества уплотнени гРуНТА |
SU887717A1 (ru) | 1979-09-18 | 1981-12-07 | Новосибирский филиал Всесоюзного научно-исследовательского института транспортного строительства | Устройство дл контрол качества уплотнени грунта |
US4360677A (en) | 1979-09-20 | 1982-11-23 | Uniroyal, Inc. | Herbicidal 2-(alpha-chloromethylsulfonyl) pyridine-1-oxides |
US4268679A (en) | 1980-02-19 | 1981-05-19 | Ppg Industries, Inc. | 3-[5- or 3-Substituted-5- or 3-isoxazolyl]-1-allyl or alkyl-4-substituted-5-substituted or unsubstituted-2-imidazolidinones |
EP0042245B1 (de) | 1980-06-14 | 1984-11-28 | Claydon Yield-O-Meter Limited | Körnermesseinrichtung für Mähdrescher |
SU1052940A1 (ru) | 1980-09-02 | 1983-11-07 | Войсковая часть 70170 | Способ измерени фильтрационных характеристик несв занных грунтов |
AU544099B2 (en) | 1980-12-15 | 1985-05-16 | Sumitomo Chemical Company, Limited | Triazolylpentenols |
DOP1981004033A (es) | 1980-12-23 | 1990-12-29 | Ciba Geigy Ag | Procedimiento para proteger plantas de cultivo de la accion fitotoxica de herbicidas. |
FR2509135A1 (fr) | 1981-07-10 | 1983-01-14 | Ugine Kuhlmann | Compositions herbicides a base de derives d'amino-4 chloro-6 alkylthio-5 pyrimidine et de derives de la dinitro-2,6 aniline et procede de traitement des cultures a l'aide desdites compositions |
US4566901A (en) | 1982-05-06 | 1986-01-28 | Ciba-Geigy Corporation | Novel oxime ethers, the preparation thereof, compositions containing them and the use thereof |
US4527241A (en) | 1982-08-30 | 1985-07-02 | Sperry Corporation | Automatic combine harvester adjustment system |
EP0126713B1 (de) | 1983-05-18 | 1989-01-18 | Ciba-Geigy Ag | Cyclohexandion-carbonsäurederivate mit herbizider und das Pflanzenwachstum regulierender Wirkung |
SU1134669A1 (ru) | 1983-09-30 | 1985-01-15 | Всесоюзный научно-исследовательский институт транспортного строительства | Устройство дл непрерывного контрол степени уплотнени грунта |
US4687505A (en) | 1983-11-02 | 1987-08-18 | Sylling Truman V | Method for desalination and rehabilitation of irrigated soil |
ATE62104T1 (de) | 1984-04-11 | 1991-04-15 | Ciba Geigy Ag | Verfahren zur selektiven unkrautbekaempfung in nutzpflanzenkulturen. |
JPH0243845B2 (ja) | 1984-05-30 | 1990-10-01 | Shimizu Construction Co Ltd | Tsuchinogenbamitsudosokuteihohooyobisonosochi |
CS248318B1 (en) | 1984-12-21 | 1987-02-12 | Josef Hula | Device for soil compactness measuring |
CS247426B1 (cs) | 1984-12-21 | 1986-12-18 | Josef Hula | Zařízení pro mdření ulehlosti půdy |
GB2178934A (en) | 1985-03-22 | 1987-02-25 | Massey Ferguson Mfg | Agricultural husbandry |
US5250690A (en) | 1985-05-02 | 1993-10-05 | Dowelanco | Haloalkoxy anilide derivatives of 2-4(-heterocyclic oxyphenoxy)alkanoic or alkenoic acids and their use as herbicides |
US4857101A (en) | 1985-12-06 | 1989-08-15 | Rohm And Haas Company | Method of selectively controlling weeds in crops of cereals |
US5246915A (en) | 1986-06-20 | 1993-09-21 | Janssen Pharmaceutica N.V. | Method for controlling weeds |
SU1526588A1 (ru) | 1987-05-29 | 1989-12-07 | Всесоюзный научно-исследовательский институт по применению полимерных материалов в мелиорации и водном хозяйстве | Устройство дл измерени степени уплотнени почв |
JP2523324B2 (ja) | 1987-06-09 | 1996-08-07 | 建設省土木研究所長 | 地盤の締固め程度の測定方法 |
SU1540053A1 (ru) | 1987-06-16 | 1991-01-15 | Головное специализированное конструкторское бюро по комплексам зерноуборочных машин Производственного объединения "Ростсельмаш" | Способ управлени технологическим процессом уборочной машины |
DE3728669A1 (de) | 1987-08-27 | 1989-03-16 | Arcus Elektrotech | Messsonde zur messung der bodenverdichtung |
BR6800140U (pt) | 1988-01-22 | 1989-09-12 | Adalberto Wilke | Aplicador de herbicida com protetores para culturas em fase inicial de desenvolvimento |
EP0355049A3 (de) | 1988-08-18 | 1990-06-13 | Zeneca Limited | Heterozyklische Verbindungen |
JP2671143B2 (ja) | 1989-01-25 | 1997-10-29 | 株式会社光電製作所 | 土の締固め測定装置 |
JP2767266B2 (ja) | 1989-02-15 | 1998-06-18 | ヤンマー農機株式会社 | 収穫機 |
US5089043A (en) | 1989-11-09 | 1992-02-18 | Shionogi & Co., Ltd. | Heterocyclic oxy-phenoxyacetic acid derivatives and their use as herbicides |
SU1761864A1 (ru) | 1990-03-27 | 1992-09-15 | Московский Автомобильно-Дорожный Институт | Способ контрол степени уплотнени грунтов |
RU1791767C (ru) | 1990-06-12 | 1993-01-30 | Усть-Каменогорский Строительно-Дорожный Институт | Прибор дл определени физико-механических свойств грунтов при уплотнении |
US5059154A (en) | 1990-10-19 | 1991-10-22 | The Board Of Trustees Of The University Of Arkansas | Grain cleaner and destructor of foreign matter in harvesting crops |
GB9108199D0 (en) | 1991-04-17 | 1991-06-05 | Rhone Poulenc Agriculture | New compositions of matter |
EP0532146B1 (de) | 1991-09-11 | 1998-08-19 | E.I. Du Pont De Nemours And Company | Herbizide substituierte bicyclische Triazole |
US5246164A (en) | 1991-12-16 | 1993-09-21 | Mccann Ian R | Method and apparatus for variable application of irrigation water and chemicals |
US5477459A (en) | 1992-03-06 | 1995-12-19 | Clegg; Philip M. | Real time three-dimensional machine locating system |
PT639050E (pt) | 1992-05-06 | 2001-06-29 | Novartis Ag | Composicao sinergistica e processo para controlo selectivo de ervas daninhas |
US5300477A (en) | 1992-07-17 | 1994-04-05 | Rohm And Haas Company | 2-arylpyrimidines and herbicidal use thereof |
US5296702A (en) | 1992-07-28 | 1994-03-22 | Patchen California | Structure and method for differentiating one object from another object |
US5585626A (en) | 1992-07-28 | 1996-12-17 | Patchen, Inc. | Apparatus and method for determining a distance to an object in a field for the controlled release of chemicals on plants, weeds, trees or soil and/or guidance of farm vehicles |
AU658066B2 (en) | 1992-09-10 | 1995-03-30 | Deere & Company | Neural network based control system |
EP0779201A2 (de) | 1993-06-28 | 1997-06-18 | New Holland Belgium N.V. | Arbeitsfahrzeug |
JP3359702B2 (ja) | 1993-06-28 | 2002-12-24 | 株式会社前川製作所 | 異種植物検出方法と該検出方法を用いた雑草駆除方法 |
US5592606A (en) | 1993-07-30 | 1997-01-07 | Myers; Allen | Method and apparatus for storage and display of hierarchally organized data |
CA2179648C (en) | 1993-12-22 | 2005-03-22 | Clyde James Barnes, Iii | Herbicidal diphenyl ether and nitrogen solution compositions and method |
US5995859A (en) | 1994-02-14 | 1999-11-30 | Nihon Kohden Corporation | Method and apparatus for accurately measuring the saturated oxygen in arterial blood by substantially eliminating noise from the measurement signal |
US5767373A (en) | 1994-06-16 | 1998-06-16 | Novartis Finance Corporation | Manipulation of protoporphyrinogen oxidase enzyme activity in eukaryotic organisms |
US5606821A (en) | 1994-07-25 | 1997-03-04 | Loral Corporation | Smart weed recognition/classification system |
DE4431824C1 (de) | 1994-09-07 | 1996-05-02 | Claas Ohg | Mähdrescherbetrieb mit Betriebsdatenkataster |
DE69609362T2 (de) | 1995-01-25 | 2000-12-07 | Agco Ltd | Erntemaschine |
GB9504345D0 (en) | 1995-03-03 | 1995-04-19 | Compaction Tech Soil Ltd | Method and apparatus for monitoring soil compaction |
DE19509496C2 (de) | 1995-03-16 | 1998-07-09 | Claas Ohg | Selbstfahrender Mähdrescher |
DE19514223B4 (de) | 1995-04-15 | 2005-06-23 | Claas Kgaa Mbh | Verfahren zur Einsatzoptimierung von Landmaschinen |
DE19528663A1 (de) | 1995-08-04 | 1997-02-06 | Univ Hohenheim | Verfahren zur Einstellung einer mobilen Arbeitsmaschine |
CN1198713A (zh) | 1995-09-29 | 1998-11-11 | 英格索尔-兰德公司 | 一种土壤压实机及其牵引控制系统 |
US5991694A (en) | 1995-11-13 | 1999-11-23 | Caterpillar Inc. | Method and apparatus for determining the location of seedlings during agricultural production |
US5721679A (en) | 1995-12-18 | 1998-02-24 | Ag-Chem Equipment Co., Inc. | Heads-up display apparatus for computer-controlled agricultural product application equipment |
EP0877921B1 (de) | 1996-02-01 | 2005-06-15 | BBNT Solutions LLC | Schermodulmessung von Böden |
PL178299B1 (pl) | 1996-02-13 | 2000-04-28 | Jan Liszkowski | Sposób renowacji wałów przeciwpowodziowych |
ES2116215B1 (es) | 1996-02-22 | 1999-02-16 | Zuniga Escobar Orlando | Electrosonda para medir el contenido de humedad del suelo y la compactacion del mismo, metodo de medida correspondiente y utilizacion de dicha electrosonda. |
US7032689B2 (en) | 1996-03-25 | 2006-04-25 | Halliburton Energy Services, Inc. | Method and system for predicting performance of a drilling system of a given formation |
DE29607846U1 (de) | 1996-04-30 | 1996-07-25 | Neuhaus Neotec Maschinen Und A | Vorrichtung zum Dosieren von Mahlkaffee in Kaffeeverpackungen |
DE19629618A1 (de) | 1996-07-23 | 1998-01-29 | Claas Ohg | Routenplanungssystem für landwirtschaftliche Arbeitsfahrzeuge |
US5771169A (en) | 1996-08-29 | 1998-06-23 | Case Corporation | Site-specific harvest statistics analyzer |
DE59702110D1 (de) | 1996-10-21 | 2000-09-07 | Ammann Verdichtung Ag Langenth | Verfahren zur messung mechanischer daten eines bodens sowie zu dessen verdichtung und mess- bzw. bodenverdichtungsvorrichtung |
US5789741A (en) | 1996-10-31 | 1998-08-04 | Patchen, Inc. | Detecting plants in a field by detecting a change in slope in a reflectance characteristic |
DE19647523A1 (de) | 1996-11-16 | 1998-05-20 | Claas Ohg | Landwirtschaftliches Nutzfahrzeug mit einem in seiner Lage und/oder Ausrichtung gegenüber dem Fahrzeug verstellbar angeordneten Bearbeitungsgerät |
US5902343A (en) | 1996-11-22 | 1999-05-11 | Case Corporation | Automatic scaling of GPS field maps |
US5978723A (en) | 1996-11-22 | 1999-11-02 | Case Corporation | Automatic identification of field boundaries in a site-specific farming system |
US6029106A (en) | 1996-11-22 | 2000-02-22 | Case Corporation | Global position correction for the electronic display of field maps |
US5974348A (en) | 1996-12-13 | 1999-10-26 | Rocks; James K. | System and method for performing mobile robotic work operations |
JPH10191762A (ja) | 1997-01-13 | 1998-07-28 | Yanmar Agricult Equip Co Ltd | コンバインの動力制御装置 |
US5841282A (en) | 1997-02-10 | 1998-11-24 | Christy; Colin | Device for measuring soil conductivity |
DE19705842A1 (de) | 1997-02-15 | 1998-08-20 | Same Deutz Fahr Spa | Ernteverfahren |
DE19706614A1 (de) | 1997-02-20 | 1998-08-27 | Claas Ohg | Situationsbezogene programmgesteuerte elektronische Kartenbilddarstellung in einem Kraftfahrzeug |
US5809440A (en) | 1997-02-27 | 1998-09-15 | Patchen, Inc. | Agricultural implement having multiple agents for mapping fields |
US5995894A (en) | 1997-05-27 | 1999-11-30 | Case Corporation | System for analyzing spatially-variable harvest data by pass |
JP3013036B2 (ja) | 1997-06-04 | 2000-02-28 | ヤンマー農機株式会社 | コンバイン |
US5991687A (en) | 1997-07-02 | 1999-11-23 | Case Corporation | System and method for communicating information related to a geographical area |
US5899950A (en) | 1997-07-07 | 1999-05-04 | Case Corporation | Sequential command repeater system for off-road vehicles |
US5878821A (en) | 1997-07-08 | 1999-03-09 | Flenker; Kevin P. | Tillage implement with on-the-go angle and depth controlled discs |
US5995895A (en) | 1997-07-15 | 1999-11-30 | Case Corporation | Control of vehicular systems in response to anticipated conditions predicted using predetermined geo-referenced maps |
GB9716251D0 (en) | 1997-08-01 | 1997-10-08 | Philips Electronics Nv | Attribute interpolation in 3d graphics |
PT1005593E (pt) | 1997-08-20 | 2004-12-31 | Roxbury Ltd | Tratamento do solo |
DE19740346A1 (de) | 1997-09-13 | 1999-03-18 | Claas Selbstfahr Erntemasch | Selbstfahrende Arbeitsmaschine |
US6178253B1 (en) | 1997-10-10 | 2001-01-23 | Case Corporation | Method of determining and treating the health of a crop |
DE19800238C1 (de) | 1998-01-07 | 1999-08-26 | Claas Selbstfahr Erntemasch | System zur Einstellung einer selbstfahrenden Erntemaschine |
US6041582A (en) | 1998-02-20 | 2000-03-28 | Case Corporation | System for recording soil conditions |
GB9811177D0 (en) | 1998-05-26 | 1998-07-22 | Ford New Holland Nv | Methods for generating field maps |
DE19828355C2 (de) | 1998-06-25 | 2000-09-07 | Lausitzer Und Mitteldeutsche B | Pneumatisch-Dynamische-Sonde und Verfahren zur Erkundung und Beurteilung kollabiler, nichtbindiger Böden |
US6199000B1 (en) | 1998-07-15 | 2001-03-06 | Trimble Navigation Limited | Methods and apparatus for precision agriculture operations utilizing real time kinematic global positioning system systems |
US6141614A (en) | 1998-07-16 | 2000-10-31 | Caterpillar Inc. | Computer-aided farming system and method |
US6016713A (en) | 1998-07-29 | 2000-01-25 | Case Corporation | Soil sampling "on the fly" |
DE19836659A1 (de) | 1998-08-13 | 2000-02-17 | Hoechst Schering Agrevo Gmbh | Herbizide Mittel für tolerante oder resistente Baumwollkulturen |
US6327569B1 (en) | 1998-10-15 | 2001-12-04 | Milestone Technology, Inc. | System and methods for real time linkage between harvest environment and marketplace |
US6272819B1 (en) | 1998-11-17 | 2001-08-14 | Case Corporation | Sugar cane yield monitor |
US6216071B1 (en) | 1998-12-16 | 2001-04-10 | Caterpillar Inc. | Apparatus and method for monitoring and coordinating the harvesting and transporting operations of an agricultural crop by multiple agricultural machines on a field |
US6380745B1 (en) | 1999-03-17 | 2002-04-30 | Dennis M. Anderson | Electrical geophysical apparatus for determining the density of porous materials and establishing geo-electric constants of porous material |
US6205381B1 (en) | 1999-03-26 | 2001-03-20 | Caterpillar Inc. | Method and apparatus for providing autoguidance for multiple agricultural machines |
US6119442A (en) | 1999-05-14 | 2000-09-19 | Case Corporation | Combine setting autoadjust with machine vision |
GB2350275B (en) | 1999-05-25 | 2003-12-24 | Agco Ltd | Improvements in yield mapping |
US6374173B1 (en) | 1999-05-28 | 2002-04-16 | Freightliner Llc | Terrain adaptive cruise control |
US6188942B1 (en) | 1999-06-04 | 2001-02-13 | Caterpillar Inc. | Method and apparatus for determining the performance of a compaction machine based on energy transfer |
JP3460224B2 (ja) | 1999-06-09 | 2003-10-27 | 株式会社大林組 | 盛土転圧管理システム |
US6236924B1 (en) | 1999-06-21 | 2001-05-22 | Caterpillar Inc. | System and method for planning the operations of an agricultural machine in a field |
US6119531A (en) | 1999-08-03 | 2000-09-19 | Case Corporation | Crop sampling system |
JP2001057809A (ja) | 1999-08-20 | 2001-03-06 | Yanmar Agricult Equip Co Ltd | 農作業機におけるエラー信号の記憶制御装置 |
US6505146B1 (en) | 1999-09-24 | 2003-01-07 | Monsanto Company | Method and system for spatial evaluation of field and crop performance |
CA2283767C (en) | 1999-09-27 | 2007-06-19 | Monsanto Company | Method and system for spatial evaluation of field crop perfomance |
DK1369039T3 (da) | 1999-10-14 | 2005-03-29 | Basf Ag | Synergistiske herbicide fremgangsmåder |
AU2001227586A1 (en) | 2000-01-14 | 2001-07-24 | Ag-Chem Equipment Company, Inc. | Application report and method for creating the same |
CA2330979A1 (en) | 2000-02-10 | 2001-08-10 | L. Gregory Alster | Method and apparatus for controlling harvesting of trees |
DE10023443A1 (de) | 2000-05-12 | 2001-11-15 | Deere & Co | Fördervorrichtung |
FI114171B (fi) | 2000-05-12 | 2004-08-31 | Antti Paakkinen | Menetelmä ja laite maamassojen ja muiden niiden kaltaisten massojen tiivistysominaisuuksien mittaamiseksi |
GT200100103A (es) | 2000-06-09 | 2002-02-21 | Nuevos herbicidas | |
US6460008B1 (en) | 2000-07-19 | 2002-10-01 | Ivan E. Hardt | Yield monitoring system for grain harvesting combine |
US6735568B1 (en) | 2000-08-10 | 2004-05-11 | Eharmony.Com | Method and system for identifying people who are likely to have a successful relationship |
US6522948B1 (en) | 2000-08-14 | 2003-02-18 | Flexi-Coil Ltd. | Agricultural product application tracking and control |
SE520299C2 (sv) | 2000-08-23 | 2003-06-24 | Bengt Soervik | Förfarande och system för hantering av virkesbitar |
US6539102B1 (en) | 2000-09-01 | 2003-03-25 | Large Scale Proteomics | Reference database |
US6591145B1 (en) | 2000-09-21 | 2003-07-08 | Bechtel Bwxt Idaho, Llc | Systems and methods for autonomously controlling agricultural machinery |
DE10050224A1 (de) | 2000-10-11 | 2002-04-25 | Volkswagen Ag | Verfahren und Einrichtung zum Überwachen und/oder Steuern von beweglichen Objekten |
DE10053446B4 (de) | 2000-10-27 | 2006-03-02 | Wacker Construction Equipment Ag | Lenkbare Vibrationsplatte und fahrbares Vibrationsplattensystem |
CN2451633Y (zh) | 2000-11-23 | 2001-10-03 | 鹤壁市公路管理总段第二工程处 | 公路灰土基层压实度测定取样机 |
FR2817344B1 (fr) | 2000-11-28 | 2003-05-09 | Sol Solution | Penetrometre dynamique a energie variable |
JP2002186348A (ja) | 2000-12-20 | 2002-07-02 | Yanmar Agricult Equip Co Ltd | 穀物貯蔵施設への穀物運搬システム |
US6682416B2 (en) | 2000-12-23 | 2004-01-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Automatic adjustment of a transfer device on an agricultural harvesting machine |
DE10064861A1 (de) | 2000-12-23 | 2002-06-27 | Claas Selbstfahr Erntemasch | Vorrichtung und Verfahren zur automatischen Steuerung einer Überladeeinrichtung an landwirtschaftlichen Erntemaschinen |
DE10064862A1 (de) | 2000-12-23 | 2002-07-11 | Claas Selbstfahr Erntemasch | Vorrichtung und Verfahren zur Koordination und Einstellung von landwirtschaftlichen Fahrzeugen |
GB2372105B (en) | 2001-02-13 | 2004-10-27 | Agco Ltd | Improvements in Mapping Techniques |
DE10120173B4 (de) | 2001-04-24 | 2006-02-23 | Gebr. Pöttinger GmbH | Verfahren und Vorrichtung zum Betreiben von Landmaschinen |
DE10129133A1 (de) | 2001-06-16 | 2002-12-19 | Deere & Co | Einrichtung zur selbsttätigen Lenkung eines landwirtschaftlichen Arbeitsfahrzeugs |
DE10129135B4 (de) | 2001-06-16 | 2013-10-24 | Deere & Company | Einrichtung zur Positionsbestimmung eines landwirtschaftlichen Arbeitsfahrzeugs sowie ein landwirtschaftliches Arbeitsfahrzeug mit dieser |
US6549849B2 (en) | 2001-06-25 | 2003-04-15 | Trimble Navigation Ltd. | Guidance pattern allowing for access paths |
DE10130665A1 (de) | 2001-06-28 | 2003-01-23 | Deere & Co | Vorrichtung zur Messung der Menge von auf einem Feld stehenden Pflanzen |
DE10133191A1 (de) | 2001-07-07 | 2003-01-16 | Deere & Co | Landwirtschaftliche Bestellkombination |
DE10134141A1 (de) | 2001-07-13 | 2003-02-06 | Deere & Co | Verteilvorrichtung für aus einer Erntemaschine austretendes Häckselgut |
US6553300B2 (en) | 2001-07-16 | 2003-04-22 | Deere & Company | Harvester with intelligent hybrid control system |
US6591591B2 (en) | 2001-07-30 | 2003-07-15 | Deere & Company | Harvester speed control with header position input |
US6834550B2 (en) | 2001-09-10 | 2004-12-28 | The Regents Of The University Of California | Soil profile force measurement using an instrumented tine |
US6592453B2 (en) | 2001-09-27 | 2003-07-15 | Deere & Company | Harvester feedrate control with tilt compensation |
US6741921B2 (en) | 2001-10-05 | 2004-05-25 | Caterpillar Inc | Multi-stage truck assignment system and method |
US6655351B2 (en) | 2001-10-24 | 2003-12-02 | Deere & Company | Vehicle engine control |
US7034666B2 (en) | 2002-02-20 | 2006-04-25 | Scott William Knutson | Device used to aid in the loading and unloading of vehicles and implements |
US6943824B2 (en) | 2002-03-13 | 2005-09-13 | Deere & Company | Image processing spout control system |
US7761334B2 (en) | 2002-03-20 | 2010-07-20 | Deere & Company | Method and system for automated tracing of an agricultural product |
US6726559B2 (en) | 2002-05-14 | 2004-04-27 | Deere & Company | Harvester with control system considering operator feedback |
NL1020804C2 (nl) | 2002-06-06 | 2003-12-09 | Lely Entpr Ag | Werkwijze en systeem voor het uitvoeren van ten minste twee landbouwbewerkingen op een landbouwperceel. |
NL1020792C2 (nl) | 2002-06-06 | 2003-12-09 | Lely Entpr Ag | Landbouwmachine voor het uitvoeren van een landbouwbewerking. |
US7062368B2 (en) | 2002-06-11 | 2006-06-13 | Cnh America Llc | Combine having a system estimator to automatically estimate and dynamically change a target control parameter in a control algorithm |
DE10230474A1 (de) | 2002-07-06 | 2004-01-15 | Deere & Company, Moline | Einrichtung zur Dokumentierung des Betriebs eines Zusatzgeräts für eine Arbeitsmaschine |
US6681551B1 (en) | 2002-07-11 | 2004-01-27 | Deere & Co. | Programmable function control for combine |
GB0217297D0 (en) | 2002-07-26 | 2002-09-04 | Cnh Belgium Nv | Methods of optimising stochastic processing parameters in crop harvesting machines |
US7103451B2 (en) | 2002-08-19 | 2006-09-05 | Intime, Inc. | Method and system for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data |
DE10240219A1 (de) | 2002-08-28 | 2004-03-11 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung zur Steuerung einer Überladeeinrichtung |
US6687616B1 (en) | 2002-09-09 | 2004-02-03 | Pioneer Hi-Bred International, Inc. | Post-harvest non-containerized reporting system |
US20040073468A1 (en) | 2002-10-10 | 2004-04-15 | Caterpillar Inc. | System and method of managing a fleet of machines |
EP1410715A1 (de) | 2002-10-19 | 2004-04-21 | Bayer CropScience GmbH | Aryloxyphenoxypropionate und Safener enthaltende Mittel und deren Verwendung zur Erhöhung der Unkrautbekämpfung |
DE10303516A1 (de) | 2003-01-30 | 2004-08-12 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Vorrichtung zum Bearbeiten und/oder Bestellen von landwirtschaftlichen Flächen |
US7047133B1 (en) | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
US6999877B1 (en) | 2003-01-31 | 2006-02-14 | Deere & Company | Method and system of evaluating performance of a crop |
WO2004083531A2 (en) | 2003-03-13 | 2004-09-30 | Burton James D | Soil sampler apparatus and method |
DE10314573A1 (de) | 2003-03-31 | 2004-10-28 | Henkel Kgaa | Verfahren zum rechnergestützten Regeln einer Mehrzahl von in Serie miteinander gekoppelten Maschinen, Regelungseinrichtung und Maschinen-Anordnung |
US6907336B2 (en) | 2003-03-31 | 2005-06-14 | Deere & Company | Method and system for efficiently traversing an area with a work vehicle |
IL156478A0 (en) | 2003-06-17 | 2004-07-25 | Odf Optronics Ltd | Compact rotating observation assembly with a separate receiving and display unit |
WO2005012866A2 (en) | 2003-07-30 | 2005-02-10 | Bbnt Solutions Llc | Soil compaction measurement on moving platform |
DE10342922A1 (de) | 2003-09-15 | 2005-05-19 | Claas Selbstfahrende Erntemaschinen Gmbh | Häcksel- und Verteilvorrichtung |
EP1516961B1 (de) | 2003-09-19 | 2013-12-25 | Ammann Aufbereitung AG | Verfahren zur Ermittlung einer Bodensteifigkeit und Bodenverdichtungsvorrichtung |
US7408145B2 (en) | 2003-09-23 | 2008-08-05 | Kyle Holland | Light sensing instrument with modulated polychromatic source |
AU2004303492A1 (en) | 2003-12-19 | 2005-07-07 | Basf Aktiengesellschaft | Benzoyl-substituted phenylalanine amides |
US7191062B2 (en) | 2003-12-22 | 2007-03-13 | Caterpillar Inc | Method and system of forecasting compaction performance |
US8407157B2 (en) | 2003-12-22 | 2013-03-26 | Deere & Company | Locating harvested material within a work area |
US20050150202A1 (en) | 2004-01-08 | 2005-07-14 | Iowa State University Research Foundation, Inc. | Apparatus and method for monitoring and controlling an agricultural harvesting machine to enhance the economic harvesting performance thereof |
JP2005227233A (ja) | 2004-02-16 | 2005-08-25 | Taisei Corp | 地盤密度の測定システム |
DE102004011789A1 (de) | 2004-03-09 | 2005-09-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung zum Erfassen eines Ladewagens |
EA010185B1 (ru) | 2004-03-27 | 2008-06-30 | Байер Кропсайенс Гмбх | Применение сульфонилмочевин в качестве гербицидов |
DE102004025135B4 (de) | 2004-05-17 | 2006-04-20 | Pt-Poly-Tec Gmbh Vertrieb Und Herstellung Von Dichtsystemen | Verfahren und Anordnung zur Leckagevorwarnung und Bauteilpositionierungsanzeige bei Muffenverbindungen |
US20070199903A1 (en) | 2004-05-18 | 2007-08-30 | Denney Larry W | System For Removing Solids From Aqueous Solutions |
US20050283314A1 (en) | 2004-06-10 | 2005-12-22 | Pioneer Hi-Bred International, Inc. | Apparatus, method and system of information gathering and use |
US7261632B2 (en) | 2004-06-21 | 2007-08-28 | Deere & Company | Self-propelled harvesting machine |
DE102004031211A1 (de) | 2004-06-28 | 2006-02-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zur Steuerung einer landwirtschaftlichen Arbeitsmaschine |
DE102004034799A1 (de) | 2004-07-19 | 2006-03-16 | Claas Selbstfahrende Erntemaschinen Gmbh | Kommunikationssystem für mobile und stationäre Einrichtungen |
DE102004039460B3 (de) | 2004-08-14 | 2006-04-20 | Deere & Company, Moline | System zur Bestimmung der relativen Position eines zweiten landwirtschaftlichen Fahrzeugs in Bezug auf ein erstes landwirtschaftliches Fahrzeug |
US7703036B2 (en) | 2004-08-16 | 2010-04-20 | Microsoft Corporation | User interface for displaying selectable software functionality controls that are relevant to a selected object |
US7398137B2 (en) | 2004-08-25 | 2008-07-08 | Caterpillar Inc. | System and method for remotely controlling machine operations using mapping information |
DE102004043169A1 (de) | 2004-09-03 | 2006-03-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Elektronisches Datenaustauschsystem |
DE202004015141U1 (de) | 2004-09-27 | 2004-12-09 | Weber Maschinentechnik Gmbh | Bodenverdichter |
DE102004052298A1 (de) | 2004-10-06 | 2006-06-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Überladeassistenzsystem |
US7211994B1 (en) | 2004-10-12 | 2007-05-01 | Federal Network Systems Inc. | Lightning and electro-magnetic pulse location and detection for the discovery of land line location |
US7248968B2 (en) | 2004-10-29 | 2007-07-24 | Deere & Company | Obstacle detection using stereo vision |
DE102004061439A1 (de) | 2004-12-17 | 2006-07-13 | Claas Selbstfahrende Erntemaschinen Gmbh | Datengenerierungs- und -übertragungssystem in landwirtschaftlichen Arbeitsmaschinen |
JP2006166871A (ja) | 2004-12-20 | 2006-06-29 | Iseki & Co Ltd | 収穫作業機制御用のコンバイン制御装置 |
DE102004063104A1 (de) | 2004-12-22 | 2006-07-13 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
DE102005000771A1 (de) | 2005-01-05 | 2006-08-24 | Langlott, Jürgen | Verfahren zur Steuerung einer selbstfahrenden Erntemaschine |
DE102005000770B3 (de) | 2005-01-05 | 2006-07-20 | Langlott, Jürgen | Verfahren zur Steuerung der Arbeitsorgane und der Fahrgeschwindigkeit eines Mähdreschers |
US7194965B2 (en) | 2005-01-06 | 2007-03-27 | Deere & Company | Variety locator |
RU2005102554A (ru) | 2005-02-02 | 2006-07-10 | Дальневосточный научно-исследовательский и проектно-технологический институт механизации и электрификации сельского хоз йства (ГНУ ДальНИПТИМЭСХ) (RU) | Способ оценки уплотненности полей |
DE102005008105A1 (de) | 2005-02-21 | 2006-08-31 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Elektronisches Maschinen-Management-System |
US7167797B2 (en) | 2005-03-07 | 2007-01-23 | Deere & Company | Method of predicting suitability for a crop harvesting operation |
US20060200334A1 (en) | 2005-03-07 | 2006-09-07 | Deere & Company, A Delaware Corporation | Method of predicting suitability for a soil engaging operation |
US7167800B2 (en) | 2005-04-12 | 2007-01-23 | Deere & Company | Method of optimizing remote sensing operation timing |
HU3056U (en) | 2005-04-29 | 2006-03-28 | G & G Noevenyvedelmi Es Keresk | Construction for making weed map |
DE102005025318A1 (de) | 2005-06-02 | 2006-12-14 | Deere & Company, Moline | Landwirtschaftliche Erntemaschine mit einer Austrageinrichtung und einem Kollisionssensor |
BRPI0502658A (pt) | 2005-06-28 | 2007-02-13 | Unicamp | sistema e processo de monitoramento de peso em esteiras de transporte de produtos com taliscas |
DE102005031426A1 (de) * | 2005-07-04 | 2007-01-18 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zur Optimierung von Betriebsparametern einer landwirtschaftlichen Arbeitsmaschine |
US20070021948A1 (en) | 2005-07-21 | 2007-01-25 | Anderson Noel W | Variable rate prescription generation using heterogenous prescription sources with learned weighting factors |
DE102005038553A1 (de) | 2005-08-12 | 2007-02-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zum Überladen von Erntegut |
DE102005043991A1 (de) | 2005-09-14 | 2007-08-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Einstellung eines Arbeitsaggregats einer Erntemaschine |
CN100416590C (zh) | 2005-09-23 | 2008-09-03 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
US7302837B2 (en) | 2005-09-27 | 2007-12-04 | Cnh America Llc | Tire inflation system for use with an agricultural implement |
US7945364B2 (en) | 2005-09-30 | 2011-05-17 | Caterpillar Inc. | Service for improving haulage efficiency |
US7725233B2 (en) | 2005-10-25 | 2010-05-25 | Deere & Company | Crop attribute map input for vehicle guidance |
US7827042B2 (en) | 2005-11-30 | 2010-11-02 | The Invention Science Fund I, Inc | Methods and systems related to transmission of nutraceutical associated information |
DE102005059003A1 (de) | 2005-12-08 | 2008-03-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Routenplanungssystem für landwirtschaftliche Arbeitsmaschinen |
ES2311322B1 (es) | 2005-12-16 | 2009-11-30 | Consejo Superior Investigaciones Cientificas | Procedimiento para la discriminacion y mapeo de los rodales de malas hierbas gramineas en cultivos de cereales mediante teledeteccion. |
AU2006328589A1 (en) | 2005-12-22 | 2007-06-28 | Basf Se | Pestcidal compositions |
US7318010B2 (en) | 2006-02-07 | 2008-01-08 | Deere & Company | Method of regulating wireless sensor network energy use |
US20070185749A1 (en) | 2006-02-07 | 2007-08-09 | Anderson Noel W | Method for tracking hand-harvested orchard crops |
US20080276590A1 (en) | 2006-02-10 | 2008-11-13 | Agco Corporation | Flexible draper and cutter bar with tilt arm for cutterbar drive |
US20070208510A1 (en) | 2006-03-02 | 2007-09-06 | Deere & Company, A Delaware Corporation | Method of identifying and localizing drainage tile problems |
DE102006015204A1 (de) | 2006-03-30 | 2007-10-18 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Erstellung eines Routenplans für landwirtschaftliche Maschinensysteme |
DE102006015203A1 (de) | 2006-03-30 | 2007-11-15 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung von landwirtschaftlichen Maschinensystemen |
US20070239337A1 (en) | 2006-04-10 | 2007-10-11 | Deere & Company, A Delaware Corporation | System and method of optimizing ground engaging operations in multiple-fields |
US7347168B2 (en) | 2006-05-15 | 2008-03-25 | Freightliner Llc | Predictive auxiliary load management (PALM) control apparatus and method |
DE102006026572A1 (de) | 2006-06-06 | 2007-12-13 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zur Anzeige von Fahrzeugbewegungen |
US7313478B1 (en) | 2006-06-08 | 2007-12-25 | Deere & Company | Method for determining field readiness using soil moisture modeling |
DE102006028909A1 (de) | 2006-06-21 | 2007-12-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Kommunikationsnetz und Betriebsverfahren dafür |
MXGT06000012A (es) | 2006-08-01 | 2008-01-31 | Univ Guanajuato | Dispositivo para medir y mapear la compactacion del suelo, acoplable a tractor agricola. |
US20080030320A1 (en) | 2006-08-03 | 2008-02-07 | Deere & Company, A Delaware Corporation | Agricultural lift with data gathering capability |
DE102006045280A1 (de) | 2006-09-22 | 2008-04-03 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung und Verfahren zur Koordination eines Maschinenparks |
CZ17266U1 (cs) | 2006-11-09 | 2007-02-15 | Šarec@Ondrej | Zařízení pro měření utužení půdy - penetrometr |
US7628059B1 (en) | 2006-11-22 | 2009-12-08 | The Toro Company | Mobile turf instrument apparatus having driven, periodically insertable, ground penetrating probe assembly |
US20080140431A1 (en) * | 2006-12-07 | 2008-06-12 | Noel Wayne Anderson | Method of performing an agricultural work operation using real time prescription adjustment |
EP1938686A1 (de) | 2006-12-29 | 2008-07-02 | Bayer CropScience AG | Substituierte 1-(3-Pyridinyl)pyrazol-4-yl-essigsäuren, Verfahren zu deren Herstellung und deren Verwendung als Herbizide und Pflanzenwachstumsregulatoren |
US9615501B2 (en) | 2007-01-18 | 2017-04-11 | Deere & Company | Controlling the position of an agricultural implement coupled to an agricultural vehicle based upon three-dimensional topography data |
CN101236188B (zh) | 2007-01-31 | 2011-04-13 | 北京林业大学 | 土壤水分无线测量装置 |
DE102007016670A1 (de) | 2007-04-04 | 2008-10-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende landwirtschaftliche Erntemaschine mit steuerbarer Überladeeinrichtung |
WO2008124596A1 (en) | 2007-04-05 | 2008-10-16 | Iowa State University Research Foundation, Inc. | Combination residue spreader and collector for single pass harvesting systems |
DE102007018743A1 (de) | 2007-04-22 | 2008-10-23 | Bomag Gmbh | Verfahren und System zur Steuerung von Verdichtungsmaschinen |
US7487024B2 (en) | 2007-04-26 | 2009-02-03 | Cnh America Llc | Apparatus and method for automatically setting operating parameters for a remotely adjustable spreader of an agricultural harvesting machine |
EP1987718A1 (de) | 2007-04-30 | 2008-11-05 | Bayer CropScience AG | Verwendung von Pyridin-2-oxy-3-carbonamiden als Safener |
US8010261B2 (en) | 2007-05-23 | 2011-08-30 | Cnh America Llc | Automatic steering correction of an agricultural harvester using integration of harvester header row sensors and harvester auto guidance system |
TW200904330A (en) | 2007-06-15 | 2009-02-01 | Bayer Cropscience Sa | Pesticidal composition comprising a strigolactone derivative and a fungicide compound |
TW200904331A (en) | 2007-06-15 | 2009-02-01 | Bayer Cropscience Sa | Pesticidal composition comprising a strigolactone derivative and an insecticide compound |
FR2901291B1 (fr) | 2007-07-06 | 2020-10-09 | Soc Du Canal De Provence Et Damenagement De La Region Provencale | Dispositif pour mesurer le tassement du sol soutenant une construction |
DE102007032309A1 (de) | 2007-07-11 | 2009-01-15 | Deere & Company, Moline | Bedienvorrichtung |
EP2020174B1 (de) | 2007-08-03 | 2012-02-29 | AGROCOM GmbH & Co. Agrarsystem KG | Landwirtschaftliche Arbeitsmaschine |
EP2573074B1 (de) | 2007-08-13 | 2014-07-23 | Dow AgroSciences LLC | 2-(2-fluor-substituierte phenyl)-6-amino-5-chlor-4-pyrimidincarboxylate und ihre Verwendung als Herbizide |
US8073235B2 (en) | 2007-08-13 | 2011-12-06 | Pioneer Hi-Bred International, Inc. | Method and system for digital image analysis of ear traits |
GB0717986D0 (en) | 2007-09-14 | 2007-10-24 | Cnh Belgium Nv | A method and apparatus for detecting errors in electronically processed images |
ES2627674T3 (es) | 2007-09-26 | 2017-07-31 | Precision Planting Llc | Sistema y método para determinar una fuerza hacia abajo apropiada para una unidad de hilera de sembradora |
US8060283B2 (en) | 2007-10-15 | 2011-11-15 | Deere & Company | Method and system for controlling the loading of a container associated with a vehicle |
EP2052616A1 (de) | 2007-10-24 | 2009-04-29 | Bayer CropScience AG | Herbizid-Safener-Kombination |
EP2052604A1 (de) | 2007-10-24 | 2009-04-29 | Bayer CropScience AG | Salz des 2-lodo-N-[(4-methoxy-6-methyl-1,3,5-triazin-2-yl)carbamoyl] benzolsulfonamids,Verfahren zu deren Herstellung, sowie deren Verwendung als Herbizide und Pflanzenwachstumregulatoren |
DE102007053912A1 (de) | 2007-11-09 | 2009-05-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Überladeassistenzsystem |
US8024074B2 (en) | 2007-12-07 | 2011-09-20 | Deere & Company | System and method of managing substances in a plant root zone |
US8924030B2 (en) | 2008-01-24 | 2014-12-30 | Cnh Industrial America Llc | Method and apparatus for optimization of agricultural field operations using weather, product and environmental information |
US8190335B2 (en) | 2008-02-04 | 2012-05-29 | Caterpillar Inc. | Performance management system for multi-machine worksite |
AU2009214835B2 (en) | 2008-02-13 | 2014-04-10 | Grains Research And Development Corporation | Weed and volunteer crop seed destruction |
US20090216410A1 (en) | 2008-02-26 | 2009-08-27 | William Edward Allen | Automated machine management system with destination selection |
DE102008015277A1 (de) | 2008-03-20 | 2009-09-24 | Deere & Company, Moline | Verfahren und Vorrichtung zur Lenkung einer zweiten landwirtschaftlichen Maschine, die relativ zu einer ersten landwirtschaftlichen Maschine über ein Feld lenkbar ist |
US20090259483A1 (en) | 2008-04-11 | 2009-10-15 | Larry Lee Hendrickson | Method for making a land management decision based on processed elevational data |
US8060269B2 (en) | 2008-04-16 | 2011-11-15 | Cnh America Llc | Swath line creation including slope compensation for an automatic guidance system of a work vehicle |
DE102008020494A1 (de) | 2008-04-23 | 2009-10-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zum Koordinieren von fahrbaren landwirtschaftlichen Maschinen |
DE102008021557B4 (de) * | 2008-04-30 | 2011-07-28 | Globalfoundries Inc. | Verfahren zum Überwachen einer vorhergesagten Produktqualitätsverteilung |
DE102008021785A1 (de) | 2008-04-30 | 2009-11-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren und Vorrichtung zum Koordinieren eines Bearbeitungsvorgangs von landwirtschaftlicher Fläche |
CN201218789Y (zh) | 2008-05-09 | 2009-04-08 | 昆明理工大学 | 一种手持式定压土壤压实度测量装置 |
CA2629555A1 (en) | 2008-05-14 | 2009-11-14 | Gerard Voon | Related/overlapping innovations in health/energy/transport/farming and infrastructure |
DE102008002006A1 (de) | 2008-05-27 | 2009-12-03 | Deere & Company, Moline | Steueranordnung zur Kontrolle des Überladens landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
DE102008027282A1 (de) | 2008-06-06 | 2009-12-10 | Claas Industrietechnik Gmbh | Landwirtschaftliches Fahrzeug und Betriebsverfahren dafür |
US8175775B2 (en) | 2008-06-11 | 2012-05-08 | Cnh America Llc | System and method employing short range communications for establishing performance parameters of an exemplar agricultural machine among a plurality of like-purpose agricultural machines |
DE102008027906A1 (de) | 2008-06-12 | 2009-12-17 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Erntemaschine |
US8147176B2 (en) | 2008-06-17 | 2012-04-03 | Deere & Company | Work machine and unloading system for unloading an agricultural product from a work machine |
ES2332567B1 (es) | 2008-06-27 | 2011-02-10 | Consejo Superior Investigacion | Procedimiento automatico para seccionar imagenes remotas y caracterizar indicadores agronomicos y ambientales en las mismas |
US8032255B2 (en) | 2008-06-30 | 2011-10-04 | Deere & Company | Monitoring of bin level for an agricultural product |
CN101303338B (zh) | 2008-07-01 | 2011-10-05 | 中国农业大学 | 一种车载行进式土壤坚实度传感器 |
WO2010003421A1 (en) | 2008-07-08 | 2010-01-14 | Aarhus Universitet | Method for optimizing harvesting of crops |
DE102008032418A1 (de) | 2008-07-10 | 2010-01-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftlicher Maschinenverband |
BRPI0802384B1 (pt) | 2008-07-23 | 2019-04-30 | Roberto Shiniti Sako | Penetrômetro portátil para análise de compactação de solo |
KR100974892B1 (ko) | 2008-08-01 | 2010-08-11 | 한국철도기술연구원 | 지반의 다짐 품질 측정 방법 |
US9152938B2 (en) | 2008-08-11 | 2015-10-06 | Farmlink Llc | Agricultural machine and operator performance information systems and related methods |
US8280595B2 (en) | 2008-08-12 | 2012-10-02 | Cnh America Llc | System and method employing short range communications for communicating and exchanging operational and logistical status information among a plurality of agricultural machines |
US8224500B2 (en) | 2008-09-11 | 2012-07-17 | Deere & Company | Distributed knowledge base program for vehicular localization and work-site management |
US8195358B2 (en) | 2008-09-11 | 2012-06-05 | Deere & Company | Multi-vehicle high integrity perception |
US9235214B2 (en) | 2008-09-11 | 2016-01-12 | Deere & Company | Distributed knowledge base method for vehicular localization and work-site management |
US8195342B2 (en) | 2008-09-11 | 2012-06-05 | Deere & Company | Distributed knowledge base for vehicular localization and work-site management |
US8478493B2 (en) * | 2008-09-11 | 2013-07-02 | Deere & Company | High integrity perception program |
US8818567B2 (en) | 2008-09-11 | 2014-08-26 | Deere & Company | High integrity perception for machine localization and safeguarding |
US8145393B2 (en) | 2008-09-17 | 2012-03-27 | Cnh America Llc | System and method employing short range communications for interactively coordinating unloading operations between a harvester and a grain transport |
GB0817172D0 (en) | 2008-09-19 | 2008-10-29 | Cnh Belgium Nv | Control system for an agricultural harvesting machine |
CN101363833B (zh) | 2008-09-25 | 2012-02-22 | 中国科学院地质与地球物理研究所 | 一种土体击实排水模型试验装置 |
DE102008050460A1 (de) | 2008-10-08 | 2010-04-15 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Einsatzsteuerung von landwirtschaftlichen Maschinen |
US8639408B2 (en) | 2008-10-15 | 2014-01-28 | Deere & Company | High integrity coordination system for multiple off-road vehicles |
DE102008056557A1 (de) | 2008-11-10 | 2010-05-12 | Claas Selbstfahrende Erntemaschinen Gmbh | Erstellung von Bilddatenbanken für Bildauswertung |
DE102008061252A1 (de) | 2008-11-24 | 2010-05-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Unterstützung der Automatisierung landwirtschaftlicher Leistungen |
EP2191719A1 (de) | 2008-11-29 | 2010-06-02 | Bayer CropScience AG | Herbizid-Safener-Kombination |
KR101067576B1 (ko) | 2008-12-03 | 2011-09-27 | 한국수자원공사 | 성토재료의 다짐특성 실내 측정방법 및 장치 |
US8577537B2 (en) | 2008-12-16 | 2013-11-05 | Agco Corporation | Methods and systems for optimizing performance of vehicle guidance systems |
EP2210879A1 (de) | 2008-12-30 | 2010-07-28 | Bayer CropScience AG | Pyrimidinderivate und ihre Verwendung zur Bekämpfung unerwünschten Pflanzenwachstums |
DE102009009767A1 (de) | 2009-02-20 | 2010-08-26 | Claas Selbstfahrende Erntemaschinen Gmbh | Fahrerassistenzsystem für landwirtschaftliche Arbeitsmaschine |
DE102009009817A1 (de) | 2009-02-20 | 2010-08-26 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliches Arbeitsfahrzeug und Steuereinheit dafür |
CN101929166B (zh) | 2009-04-14 | 2012-08-08 | 洛阳路为电子科技有限公司 | 便携式土基密实度测量仪 |
US8321365B2 (en) | 2009-04-21 | 2012-11-27 | Deere & Company | Horticultural knowledge base for managing yards and gardens |
US9538714B2 (en) | 2009-04-21 | 2017-01-10 | Deere & Company | Managing resource prescriptions of botanical plants |
CN101546484A (zh) * | 2009-04-30 | 2009-09-30 | 南京航空航天大学 | 基于soa的航班延误波及分析与预测系统及其运作方法 |
US7993188B2 (en) | 2009-06-09 | 2011-08-09 | Deere & Company | Variable rate diverter for a crop residue collecting device carried by a combine harvester |
DE102009025438A1 (de) | 2009-06-16 | 2011-01-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Routenplanungsverfahren und -system |
US20100319941A1 (en) | 2009-06-22 | 2010-12-23 | Agco Corp. | Trenching Device And System |
DE102009027245A1 (de) | 2009-06-26 | 2010-12-30 | Deere & Company, Moline | Steueranordnung zur Kontrolle des Überladens landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
KR20110018582A (ko) | 2009-08-18 | 2011-02-24 | 진성기 | 약액형 및 분말형 고화제를 이용한 고화 흙벽돌 및 블록 제작 방법 |
PL2311307T3 (pl) | 2009-09-07 | 2012-09-28 | Claas E Systems Gmbh | Wskaźnik stopnia napełnienia, pojazd rolniczy zawierający taki wskaźnik oraz sposób kontroli napełniania obszaru docelowego |
DE102009041646A1 (de) | 2009-09-17 | 2011-03-24 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Maschine mit Autopilot |
US20110224873A1 (en) | 2009-09-17 | 2011-09-15 | Reeve David R | Vehicle assembly controller with automaton framework and control method |
AU2010224431A1 (en) | 2009-09-29 | 2011-04-14 | Riteway Holdings Australia Pty Ltd | An apparatus to be used in conjunction with a grain harvester for collecting weeds, weed seeds, chaff and so forth |
US9345194B2 (en) | 2009-09-30 | 2016-05-24 | Cnh Industrial America Llc | Automatic display of remote camera image |
CZ20252U1 (cs) | 2009-10-06 | 2009-11-16 | Šarec@Petr | Přístroj pro měření utužení půdy s laserovým snímáním hloubky - laserový penetrometr |
US8082809B2 (en) | 2009-10-08 | 2011-12-27 | Pioneer Hi-Bred International, Inc. | Combine harvester and associated method for selectively gathering grain test data |
US8344897B2 (en) | 2009-10-12 | 2013-01-01 | Agco Corporation | System and method for assisting in the refilling of agricultural vehicles |
KR101134075B1 (ko) | 2009-10-13 | 2012-04-13 | 한국건설기술연구원 | 지반다짐장비의 이동에 따른 지반의 연속 다짐정보 제공장치 및 이를 이용한 지반의 연속 다짐정보 제공방법 |
US8521372B2 (en) | 2010-05-28 | 2013-08-27 | Agjunction Llc | System and method for collecting and processing agricultural field data |
US8738238B2 (en) | 2009-11-12 | 2014-05-27 | Deere & Company | Coordination of vehicle movement in a field |
EP2503867B1 (de) | 2009-11-25 | 2018-04-25 | Aarhus Universitet | System zur verringerung der bodenverdichtung |
US8635903B2 (en) | 2009-12-22 | 2014-01-28 | Caterpillar Paving Products Inc. | Method and system for compaction measurement |
US20110160961A1 (en) | 2009-12-29 | 2011-06-30 | Agco Corporation | Guidance using a worked edge for wayline generation |
DE102010004648A1 (de) | 2010-01-13 | 2011-07-14 | CLAAS Selbstfahrende Erntemaschinen GmbH, 33428 | Erntemaschine, insbesondere Feldhäcksler |
CN102656531A (zh) | 2010-01-15 | 2012-09-05 | 莱卡地球系统公开股份有限公司 | 数据共享的系统和方法 |
CN102138383A (zh) | 2010-01-28 | 2011-08-03 | 中国农业机械化科学研究院 | 一种联合收割机谷物损失空间分布的测量方法及其装置 |
EP2353353A1 (de) | 2010-02-05 | 2011-08-10 | Flander's Mechatronics Technology Centre v.z.w. | Einsatzanpassung der Planung von Bodenverarbeitungsoperationen für mehrere Fahrzeuge |
RU2421744C1 (ru) | 2010-02-15 | 2011-06-20 | Открытое акционерное общество "Научно-исследовательский институт приборостроения имени В.В. Тихомирова" | Компактный полигон для измерения характеристик различных антенных систем |
US10537061B2 (en) | 2010-02-26 | 2020-01-21 | Cnh Industrial America Llc | System and method for controlling harvest operations |
JP5522785B2 (ja) | 2010-03-19 | 2014-06-18 | 株式会社日立ソリューションズ | 農作業車両運行管理システム |
JP2011205967A (ja) | 2010-03-30 | 2011-10-20 | Takayuki Nishida | 水田における雑草の発生防止用ロボット |
US20110257850A1 (en) | 2010-04-14 | 2011-10-20 | Reeve David R | Vehicle assembly control system and method for composing or decomposing a task |
US8527157B2 (en) | 2010-04-28 | 2013-09-03 | Deere & Company | Agricultural combine and draper header |
US8463510B2 (en) | 2010-04-30 | 2013-06-11 | Cnh America Llc | GPS controlled residue spread width |
CN101839906B (zh) | 2010-05-10 | 2013-10-09 | 吉林大学 | 一种具有耐磨几何结构表面的锥形触土部件 |
CA135611S (en) | 2010-05-19 | 2011-05-05 | Rhonda Genest | Weed removing and grooming garden hand tool |
US8380401B2 (en) | 2010-06-09 | 2013-02-19 | Cnh America Llc | Automatic grain transfer control system based on real time modeling of a fill level profile for regions of the receiving container |
DE102010017687A1 (de) * | 2010-07-01 | 2012-01-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Einstellung zumindest eines Arbeitsorganes einer selbstfahrenden Erntemaschine |
BE1019422A3 (nl) | 2010-07-14 | 2012-07-03 | Cnh Belgium Nv | Werkwijze en toestel voor voorspellende sturing van een landbouwvoertuigsysteem. |
DE102010038661B4 (de) | 2010-07-29 | 2020-07-02 | Deere & Company | Erntemaschine mit einem an einem Fluggerät befestigten Sensor |
US8544397B2 (en) | 2010-09-15 | 2013-10-01 | Dawn Equipment Company | Row unit for agricultural implement |
DE102010053331A1 (de) | 2010-09-28 | 2012-03-29 | Lacos Computerservice Gmbh | Verfahren und Navigationsvorrichtung zur Optimierung des Transportes landwirtschaftlicher Produkte |
US9043129B2 (en) * | 2010-10-05 | 2015-05-26 | Deere & Company | Method for governing a speed of an autonomous vehicle |
US9072227B2 (en) | 2010-10-08 | 2015-07-07 | Deere & Company | System and method for improvement of harvest with crop storage in grain bags |
US8789563B2 (en) | 2010-10-12 | 2014-07-29 | Deere & Company | Intelligent grain bag loader |
US8677724B2 (en) | 2010-10-25 | 2014-03-25 | Deere & Company | Round baler for baling crop residue |
US8596194B2 (en) | 2010-10-28 | 2013-12-03 | Deere & Company | Method and apparatus for determining fraction of hay at different moisture levels |
DE102010043854B4 (de) | 2010-11-12 | 2016-01-14 | Deere & Company | Steueranordnung zur Kontrolle des Überladens landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
DE102010052713A1 (de) | 2010-11-26 | 2012-05-31 | Bomag Gmbh | Verfahrbare Vorrichtung zur Verdichtung eines Bodenschichtaufbaus und Verfahren zur Ermittlung eines Schicht-E-Moduls einer obersten Schicht dieses Bodenschichtaufbaus |
GB2492954A (en) | 2010-12-06 | 2013-01-23 | Agco Corp | A system for automatic agricultural reporting |
RU2447640C1 (ru) | 2010-12-08 | 2012-04-20 | Василий Васильевич Ефанов | Способ управления технологическим процессом уборочной машины и система для его осуществления |
CN102080373B (zh) | 2010-12-09 | 2012-07-04 | 西安建筑科技大学 | 用ddc桩和桩基础联合处理黄土地基湿陷性的施工方法 |
AU2011353515B2 (en) | 2011-01-04 | 2015-11-05 | Climate Llc | Methods for generating soil maps and application prescriptions |
ITTO20110133A1 (it) | 2011-02-16 | 2012-08-17 | Cnh Italia Spa | Sistema di comunicazione senza fili per veicoli agricoli |
AU2011359328B2 (en) | 2011-02-18 | 2015-06-11 | Cnh Industrial America Llc | System and method for trajectory control of a transport vehicle used with a harvester |
WO2012110544A1 (en) | 2011-02-18 | 2012-08-23 | Cnh Belgium N.V. | Harvester spout control system and method |
US8463460B2 (en) | 2011-02-18 | 2013-06-11 | Caterpillar Inc. | Worksite management system implementing anticipatory machine control |
US8655505B2 (en) | 2011-02-18 | 2014-02-18 | Caterpillar Inc. | Worksite management system implementing remote machine reconfiguration |
US8606454B2 (en) | 2011-02-18 | 2013-12-10 | Cnh America Llc | System and method for synchronized control of a harvester and transport vehicle |
US9002591B2 (en) | 2011-02-18 | 2015-04-07 | Cnh Industrial America Llc | Harvester spout control system and method |
BRPI1100258A2 (pt) | 2011-02-28 | 2014-03-11 | Apagri Consultoria Agronomica Ltda | Processo para obtenção de mapas de aplicação em taxa variada de herbicidas pré-emergentes |
US8577561B2 (en) | 2011-03-08 | 2013-11-05 | Deere & Company | Control system and method of operating a product distribution machine |
US10318138B2 (en) | 2011-03-11 | 2019-06-11 | Intelligent Agricultural Solutions Llc | Harvesting machine capable of automatic adjustment |
DE102011005400B4 (de) | 2011-03-11 | 2015-05-28 | Deere & Company | Anordnung und Verfahren zur Abschätzung des Füllgrades beim Überladen landwirtschaftlichen Ernteguts von einer Erntemaschine auf ein Transportfahrzeug |
US9631964B2 (en) | 2011-03-11 | 2017-04-25 | Intelligent Agricultural Solutions, Llc | Acoustic material flow sensor |
US9629308B2 (en) | 2011-03-11 | 2017-04-25 | Intelligent Agricultural Solutions, Llc | Harvesting machine capable of automatic adjustment |
US9043096B2 (en) | 2011-03-31 | 2015-05-26 | Ag Leader Technology | Combine bin level monitoring system |
CN102150504A (zh) * | 2011-04-01 | 2011-08-17 | 江苏大学 | 切纵流联合收割机前进速度智能控制方法及控制装置 |
DE102011001858A1 (de) | 2011-04-07 | 2012-10-11 | Claas Selbstfahrende Erntemaschinen Gmbh | Vorrichtung und Verfahren zur Überwachung der Befahrbarkeit eines Bodens |
DE102011016743A1 (de) | 2011-04-12 | 2012-10-18 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliches Transportfahrzeug und Fahrzeugverbund |
DE102011002071A1 (de) | 2011-04-15 | 2012-10-18 | Claas Selbstfahrende Erntemaschinen Gmbh | System und Verfahren zur Steuerung der Erntegutüberladung |
DE102011007511A1 (de) | 2011-04-15 | 2012-10-18 | Deere & Company | Verfahren zur Einstellung einer Reinigungseinrichtung eines Mähdreschers und Reinigungseinrichtung |
CN102277867B (zh) | 2011-05-13 | 2013-10-09 | 西安建筑科技大学 | 一种湿陷性黄土地基的施工方法 |
CN202110103U (zh) | 2011-05-14 | 2012-01-11 | 长沙亚星数控技术有限公司 | 电液伺服车载式混填土压实度快速测定系统 |
DE102011050474A1 (de) | 2011-05-19 | 2012-11-22 | Amazonen-Werke H. Dreyer Gmbh & Co.Kg | Landwirtschaftliches Gerät |
DE102011050629A1 (de) | 2011-05-25 | 2012-11-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntevorrichtung |
EP2529610A1 (de) | 2011-05-30 | 2012-12-05 | Agri-Esprit SAS | Verfahren zur Ernteüberwachung |
CN202119772U (zh) | 2011-06-01 | 2012-01-18 | 王新勇 | 一种车载土基密实度在线测量仪 |
EP2718671B1 (de) | 2011-06-13 | 2018-02-21 | The Climate Corporation | Verfahren zur erzeugung von applikationskarten und parzellen |
US20130019580A1 (en) | 2011-07-20 | 2013-01-24 | Anderson Noel W | Bidirectional harvesting system |
US20130022430A1 (en) | 2011-07-20 | 2013-01-24 | Anderson Noel W | Material transfer system |
DE102011052688B4 (de) | 2011-08-12 | 2021-02-04 | Andreas Reichhardt | Verfahren und System zur Befüllung von Transportfahrzeugen mit Erntegut |
IN2014DN01632A (de) | 2011-08-12 | 2015-05-15 | Rhodia Operations | |
US9511633B2 (en) | 2011-08-17 | 2016-12-06 | Deere & Company | Soil compaction management and reporting |
US8843269B2 (en) | 2011-08-17 | 2014-09-23 | Deere & Company | Vehicle soil pressure management based on topography |
DE102011082052B4 (de) | 2011-09-02 | 2015-05-28 | Deere & Company | Anordnung und Verfahren zur selbsttätigen Überladung von Erntegut von einer Erntemaschine auf ein Transportfahrzeug |
DE102011082908A1 (de) | 2011-09-19 | 2013-03-21 | Deere & Company | Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine |
DE102011054630A1 (de) | 2011-10-20 | 2013-04-25 | Claas Agrosystems GmbH | Visualisierungseinrichtung |
WO2013059602A1 (en) | 2011-10-21 | 2013-04-25 | Pioneer Hi-Bred International, Inc. | Combine harvester and associated method for gathering grain |
EP2771860A4 (de) | 2011-10-24 | 2015-01-21 | Trimble Navigation Ltd | Landwirtschaftliche und bodenbewirtschaftung |
DE102011085380A1 (de) | 2011-10-28 | 2013-05-02 | Deere & Company | Anordnung und Verfahren zur vorausschauenden Untersuchung von mit einer Erntemaschine aufzunehmenden Pflanzen |
DE102011085977A1 (de) | 2011-11-09 | 2013-05-16 | Deere & Company | Sieb für eine Reinigungseinrichtung eines Mähdreschers |
US20130124239A1 (en) | 2011-11-15 | 2013-05-16 | Uriel Rosa | Crop yield per location measurer |
EP2782438B1 (de) * | 2011-11-22 | 2017-06-21 | The Climate Corporation | Halmsensorvorrichtung, systeme und verfahren |
CN202340435U (zh) | 2011-11-28 | 2012-07-25 | 南京工业职业技术学院 | 基于作业路径的玉米产量实时测量系统 |
DE102011120402A1 (de) | 2011-12-03 | 2013-06-06 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Koordinieren einer Transportlogistik sowie Transportlogistiksystem |
BR102012017584B1 (pt) | 2011-12-08 | 2019-03-26 | Agco Do Brasil Máquinas E Equipamentos Agrícolas Ltda. | Sistema e método de auxílio de correção de velocidade |
DE102011121414A1 (de) | 2011-12-17 | 2013-06-20 | Robert Bosch Gmbh | Verfahren und eine Vorrichtung zur Regelung einer Fahrt einer ersten selbstfahrenden Arbeitsmaschine in Bezug zu einer zweiten selbstfahrenden Arbeitsmaschine |
US8801512B2 (en) | 2011-12-19 | 2014-08-12 | Agco Corporation | Method for measuring air efficiency and efficacy in a combine harvester |
US8626406B2 (en) | 2011-12-22 | 2014-01-07 | Deere & Company | Method and system for transferring material between vehicles |
DE102012201333A1 (de) | 2012-01-31 | 2013-08-01 | Deere & Company | Landwirtschaftliche Maschine mit einem System zur selbsttätigen Einstellung eines Bearbeitungsparameters und zugehöriges Verfahren |
US9861040B2 (en) | 2012-02-10 | 2018-01-09 | Deere & Company | Method and stereo vision system for facilitating the unloading of agricultural material from a vehicle |
US9392746B2 (en) | 2012-02-10 | 2016-07-19 | Deere & Company | Artificial intelligence for detecting and filling void areas of agricultural commodity containers |
US8649940B2 (en) | 2012-02-10 | 2014-02-11 | Deere & Company | Method and stereo vision system for managing the unloading of an agricultural material from a vehicle |
DE112013000935T5 (de) | 2012-02-10 | 2015-03-12 | Darin E. Bartholomew | System und Verfahren zum Materialtransport mit einem oder mehreren Bildgebungsgeräten am übergebenden Fahrzeug und am übernehmenden Fahrzeug zur Steuerung der Materialverteilung im Transportanhänger des übernehmenden Fahrzeugs |
US8868304B2 (en) | 2012-02-10 | 2014-10-21 | Deere & Company | Method and stereo vision system for facilitating the unloading of agricultural material from a vehicle |
DE102012208554A1 (de) | 2012-05-22 | 2013-11-28 | Hamm Ag | Verfahren zur Planung und Durchführung von Bodenverdichtungsvorgängen, insbesondere zurAsphaltverdichtung |
US9288938B2 (en) | 2012-06-01 | 2016-03-22 | Rowbot Systems Llc | Robotic platform and method for performing multiple functions in agricultural systems |
US20130319941A1 (en) | 2012-06-05 | 2013-12-05 | American Water Works Company, Inc. | Simultaneous recovery of coagulant and acid |
US8930039B2 (en) | 2012-06-11 | 2015-01-06 | Cnh Industrial America Llc | Combine performance evaluation tool |
US9117790B2 (en) | 2012-06-25 | 2015-08-25 | Marvell World Trade Ltd. | Methods and arrangements relating to semiconductor packages including multi-memory dies |
DE102012211001A1 (de) | 2012-06-27 | 2014-01-02 | Deere & Company | Anordnung zur Kontrolle einer Austrageinrichtung einer Erntemaschine mit einer selbsttätigen Positionierung in einer Ruhestellung bei nicht möglichen bzw. stattfindendem Überladevorgang |
RU2502047C1 (ru) | 2012-07-13 | 2013-12-20 | Федеральное государственное бюджетное учреждение науки Институт геологии и минералогии им. В.С. Соболева Сибирского отделения Российской академии наук (Институт геологии и минералогии СО РАН, ИГМ СО РАН) | Способ оценки проходимости местности вне дорог |
DE102013106128A1 (de) | 2012-07-16 | 2014-06-12 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine mit zumindest einer Steuerungseinrichtung |
US20140067745A1 (en) | 2012-08-30 | 2014-03-06 | Pioneer Hi-Bred International, Inc. | Targeted agricultural recommendation system |
US9095090B2 (en) | 2012-08-31 | 2015-08-04 | Deere & Company | Pressure-based control system for an agricultural implement |
WO2014046685A1 (en) | 2012-09-24 | 2014-03-27 | Deere & Company | Bidirectional harvesting system |
KR102113297B1 (ko) | 2012-09-26 | 2020-05-21 | 가부시끼 가이샤 구보다 | 대지 작업 차량, 대지 작업 차량 관리 시스템, 대지 작업 정보 표시 방법 |
WO2014050524A1 (ja) | 2012-09-26 | 2014-04-03 | 株式会社クボタ | 農作管理システム及び農作物収穫機 |
DE202012103730U1 (de) | 2012-09-28 | 2012-10-16 | Agco International Gmbh | Erntemaschine mit einer Überladeeinrichtung |
US20140121882A1 (en) | 2012-10-31 | 2014-05-01 | Brian J. Gilmore | System for Coordinating the Relative Movements of an Agricultural Harvester and a Cart |
CN203053961U (zh) | 2012-11-02 | 2013-07-10 | 昆明理工大学 | 一种土壤压实数据监测装置 |
DE102012220109A1 (de) | 2012-11-05 | 2014-05-08 | Deere & Company | Einrichtung zur Erfassung des Betriebszustands einer Arbeitsmaschine |
DE102012021469A1 (de) | 2012-11-05 | 2014-05-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Assistenzsystem zur Optimierung des Fahrzeugbetriebes |
KR101447197B1 (ko) | 2012-11-07 | 2014-10-06 | 최준성 | 다짐 평가용 동적 관입 시험 장치 및 이를 이용한 다짐 평가 방법 |
DE102012220916A1 (de) | 2012-11-15 | 2014-05-15 | K&K Maschinenentwicklungs GmbH & Co. KG | Verfahren zum Neuherstellen, Sanieren oder Rückbauen einer Schienenfahrbahn |
US8880446B2 (en) * | 2012-11-15 | 2014-11-04 | Purepredictive, Inc. | Predictive analytics factory |
DE102012221344B3 (de) | 2012-11-22 | 2014-05-15 | Hamm Ag | Umkleidungsanordnung, Bodenbearbeitungswalze und Verfahren zum Anbringen einer Umkleidungsanordnung |
US10671926B2 (en) * | 2012-11-30 | 2020-06-02 | Servicenow, Inc. | Method and system for generating predictive models for scoring and prioritizing opportunities |
WO2014093814A1 (en) | 2012-12-14 | 2014-06-19 | Agco Corporation | Predictive load estimation through forward vision |
DE102012223434B4 (de) | 2012-12-17 | 2021-03-25 | Deere & Company | Verfahren und Anordnung zur Optimierung eines Betriebsparameters eines Mähdreschers |
US20140172222A1 (en) | 2012-12-19 | 2014-06-19 | Agco Corporation | Speed control in agricultural vehicle guidance systems |
DE102012223768B4 (de) | 2012-12-19 | 2014-07-03 | Deere & Company | Fremdkörpernachweiseinrichtung für eine landwirtschaftliche Erntemaschine |
US20140172225A1 (en) | 2012-12-19 | 2014-06-19 | Agco Corporation | Speed control in agricultural vehicle guidance systems |
US20140172224A1 (en) | 2012-12-19 | 2014-06-19 | Agco Corporation | Speed control in agricultural vehicle guidance systems |
JP6059027B2 (ja) | 2013-01-21 | 2017-01-11 | 株式会社クボタ | 農作業機と農作業管理プログラム |
US9497898B2 (en) | 2013-01-24 | 2016-11-22 | Tribine Industries, LLC | Agricultural harvester unloading assist system and method |
DE102013001157A1 (de) | 2013-01-24 | 2014-08-07 | Zind Systementwicklungs Gmbh | Fertigungsanlage zur Fertigung von Gefäßen aus Gefäßrohlingen und Fertigungsverfahren |
US8955402B2 (en) | 2013-01-25 | 2015-02-17 | Trimble Navigation Limited | Sugar cane yield mapping |
CN203206739U (zh) | 2013-01-25 | 2013-09-25 | 蒋行宇 | 打瓜联合收获机 |
CN104294810B (zh) | 2013-01-30 | 2016-05-11 | 青岛市勘察测绘研究院 | 一种强夯地基加固随夯诊断实时处理方法及强夯实时诊断装置 |
DE102013201996A1 (de) | 2013-02-07 | 2014-08-07 | Deere & Company | Verfahren zur Einstellung von Arbeitsparametern einer Erntemaschine |
WO2014137533A2 (en) | 2013-02-07 | 2014-09-12 | Brown Owen J Jr | Wireless monitor maintenance and control system |
US9326444B2 (en) | 2013-02-08 | 2016-05-03 | Deere & Company | Method and stereo vision system for facilitating the unloading of agricultural material from a vehicle |
GB2510629B (en) | 2013-02-11 | 2015-10-14 | Kverneland Group Les Landes Genusson | Strip tilling system |
GB2510630B (en) | 2013-02-11 | 2015-08-05 | Kverneland Group Les Landes Genusson | Strip tilling system |
ES2678843T3 (es) | 2013-02-19 | 2018-08-17 | Grains Research And Development Corporation | Disposición de desvitalización de semillas de maleza |
US9066465B2 (en) | 2013-02-20 | 2015-06-30 | Deere & Company | Soil compaction reduction system and method |
US9693503B2 (en) | 2013-02-20 | 2017-07-04 | Deere & Company | Crop sensing |
US9668420B2 (en) * | 2013-02-20 | 2017-06-06 | Deere & Company | Crop sensing display |
US10178828B2 (en) | 2013-02-20 | 2019-01-15 | Deere & Company | Per plant crop sensing resolution |
US20140257911A1 (en) | 2013-03-08 | 2014-09-11 | Deere & Company | Methods and apparatus to schedule refueling of a work machine |
CN103181263A (zh) | 2013-03-11 | 2013-07-03 | 西北农林科技大学 | 一种多机器协作的小麦收割系统 |
US9410840B2 (en) | 2013-03-15 | 2016-08-09 | Raven Industries, Inc. | Multi-variable yield monitor and methods for the same |
US20140277960A1 (en) | 2013-03-18 | 2014-09-18 | Deere & Company | Harvester with fuzzy control system for detecting steady crop processing state |
EP2978665A4 (de) | 2013-03-24 | 2017-04-26 | Bee Robotics Corporation | Landwirtschaftliches antennenrobotersystem für schädlingsbekämpfung, pflanzen, düngen und andere feldarbeiten |
EP2979537B1 (de) | 2013-03-27 | 2019-08-28 | Kubota Corporation | Mähdrescher |
AU2014201885B2 (en) | 2013-04-02 | 2018-03-01 | Carnegie Mellon University | Control arrangement and method for controlling a position of a transfer device of a harvesting machine |
US10129528B2 (en) | 2013-04-02 | 2018-11-13 | Deere & Company | Control arrangement and method for controlling a position of a transfer device of a harvesting machine |
US9992932B2 (en) | 2013-04-02 | 2018-06-12 | Deere & Company | Control arrangement and method for controlling a position of a transfer device of a harvesting machine |
DE102014105643A1 (de) | 2013-04-22 | 2014-10-23 | Carnegie Mellon University | Verfahren zur Verbesserung der Robostheit eines automatisierten Endladesystems |
CN203275401U (zh) | 2013-04-24 | 2013-11-06 | 陈金 | 一种新型公路土工击实快速测厚调节仪 |
CN203055121U (zh) | 2013-04-26 | 2013-07-10 | 昆明理工大学 | 一种基于Zigbee技术的土壤压实数据无线传输装置 |
EP2798928B1 (de) | 2013-04-29 | 2024-02-07 | CLAAS E-Systems GmbH | Betriebssystem für, und verfahren zum betrieb eines automatischen lenksystems eines landwirtschaftlichen fahrzeugs |
CA2814599A1 (en) | 2013-04-29 | 2014-10-29 | Fieldstone Land Management Inc. | Method and apparatus for tangible effect calculation and compensation |
DE102013209197A1 (de) | 2013-05-17 | 2014-11-20 | Deere & Company | Erntemaschine mit vorausschauender Vortriebsgeschwindigkeitsregelung |
USD721740S1 (en) | 2013-05-23 | 2015-01-27 | Deere & Company | Display interface or housing thereof |
BE1021150B1 (nl) | 2013-06-03 | 2016-01-13 | Cnh Industrial Belgium Nv | Werkwijze voor het verwerken van belastingssignaal van een balenpers |
DE102013105821A1 (de) | 2013-06-06 | 2014-12-11 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntemaschine zur Aufnahme von Erntegut |
RU2658981C2 (ru) * | 2013-06-18 | 2018-06-26 | Дир Энд Компани | Система выявления рабочего состояния для рабочей машины с объединением, учитывающим достоверность значений датчиков |
DE102013212151A1 (de) | 2013-06-26 | 2014-12-31 | Robert Bosch Gmbh | Baumaschine mit einer Vibrationseinheit |
DE102013107169A1 (de) | 2013-07-08 | 2015-01-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Erntemaschine |
US10180328B2 (en) | 2013-07-10 | 2019-01-15 | Agco Coporation | Automating distribution of work in a field |
DE102013012027A1 (de) | 2013-07-19 | 2015-01-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende Erntemaschine und Fahrzeugverbund |
GB2517049B (en) | 2013-07-28 | 2019-09-11 | Deere & Co | Artificial intelligence for detecting and filling void areas of agricultural commodity containers |
US9301466B2 (en) | 2013-07-29 | 2016-04-05 | Syngenta Participations Ag | Variety corn line HID3259 |
US9188518B2 (en) | 2013-08-19 | 2015-11-17 | Bridgestone Americas Tire Operations, Llc | Ground compaction images |
JP6134609B2 (ja) | 2013-08-28 | 2017-05-24 | ヤンマー株式会社 | 遠隔サーバ |
US9767521B2 (en) | 2013-08-30 | 2017-09-19 | The Climate Corporation | Agricultural spatial data processing systems and methods |
US20160360697A1 (en) | 2013-09-03 | 2016-12-15 | Agco Corporation | System and method for automatically changing machine control state |
WO2015038751A1 (en) | 2013-09-13 | 2015-03-19 | Agco Corporation | Method to automatically estimate and classify spatial data for use on real time maps |
US9234317B2 (en) | 2013-09-25 | 2016-01-12 | Caterpillar Inc. | Robust system and method for forecasting soil compaction performance |
WO2015048499A1 (en) | 2013-09-27 | 2015-04-02 | John Earl Acheson | Yield monitor calibration method and system |
US9804756B2 (en) | 2013-09-27 | 2017-10-31 | Iteris, Inc. | Comparative data analytics and visualization tool for analyzing traffic performance data in a traffic management system |
US9188986B2 (en) | 2013-10-01 | 2015-11-17 | Jaybridge Robotics, Inc. | Computer-implemented method and system for dynamically positioning a vehicle relative to another vehicle in motion for on-the-fly offloading operations |
WO2015051339A1 (en) | 2013-10-03 | 2015-04-09 | Farmers Business Network, Llc | Crop model and prediction analytics |
JP2015070812A (ja) | 2013-10-03 | 2015-04-16 | ヤンマー株式会社 | 農作物情報管理システム |
WO2015057638A1 (en) | 2013-10-14 | 2015-04-23 | Kinze Manufacturing, Inc. | Autonomous systems, methods, and apparatus for ag based operations |
US10362733B2 (en) | 2013-10-15 | 2019-07-30 | Deere & Company | Agricultural harvester configured to control a biomass harvesting rate based upon soil effects |
BE1021164B1 (nl) | 2013-10-28 | 2016-01-18 | Cnh Industrial Belgium Nv | Ontlaadsystemen |
BE1021108B1 (nl) | 2013-10-28 | 2016-01-18 | Cnh Industrial Belgium Nv | Ontlaadsystemen |
JP6087258B2 (ja) | 2013-10-28 | 2017-03-01 | ヤンマー株式会社 | 遠隔配車サーバ |
DE102013222122B4 (de) | 2013-10-30 | 2020-10-15 | Mts Maschinentechnik Schrode Ag | Verfahren zum Betreiben eines Bodenverdichtungs- oder Bodenprüfgeräts, sowie Bodenverdichtungs- oder Verdichtungsprüfgerät |
US10371561B2 (en) | 2013-11-01 | 2019-08-06 | Iowa State University Research Foundation, Inc. | Yield measurement and base cutter height control systems for a harvester |
DE102013019098B3 (de) | 2013-11-11 | 2015-01-08 | Hochschule für Technik und Wirtschaft Dresden | System zum Erfassen von Parametern der Umwelt und Umgebung |
CN203613525U (zh) | 2013-11-25 | 2014-05-28 | 杨振华 | 一种公路灰土基层压实度测定取样机 |
CN203658201U (zh) | 2013-12-09 | 2014-06-18 | 长安大学 | 一种用于测量路基土压实度的装置 |
US9714856B2 (en) | 2013-12-13 | 2017-07-25 | Ag Leader Technology, Inc. | Automatic compensation for the effect of grain properties on mass flow sensor calibration |
DE102014100136A1 (de) | 2014-01-08 | 2015-07-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntevorrichtung |
CN203741803U (zh) | 2014-01-10 | 2014-07-30 | 瑞和安惠项目管理集团有限公司 | 工程监理用路基压实度检测取土装置 |
DE102014201203A1 (de) | 2014-01-23 | 2015-07-23 | Deere & Company | Landwirtschaftliches Arbeitsfahrzeug mit einem Fluggerät und zugehöriger Stromversorgung |
US20150211199A1 (en) | 2014-01-24 | 2015-07-30 | Caterpillar Inc. | Device and process to measure ground stiffness from compactors |
EP3104676A4 (de) | 2014-02-10 | 2017-11-08 | The Climate Corporation | Verfahren und systeme zur erzeugung gemeinsamer kollaborativer karten |
JP6298313B2 (ja) | 2014-02-18 | 2018-03-20 | 鹿島建設株式会社 | 地盤剛性測定装置、締固め機械及び地盤剛性測定方法 |
DE102014203005B3 (de) | 2014-02-19 | 2015-05-13 | Deere & Company | Vibrationsdämpfende Ansteuerung eines Aktors einer landwirtschaftlichen Arbeitsmaschine |
US20150254800A1 (en) | 2014-03-06 | 2015-09-10 | F12 Solutions, Llc | Nitrogen status determination in growing crops |
DE102014205233A1 (de) | 2014-03-20 | 2015-09-24 | Deere & Company | Erntemaschine mit vorausschauender Vortriebsgeschwindigkeitsvorgabe |
NL2012485B1 (en) | 2014-03-20 | 2016-01-18 | Lely Patent Nv | Method and system for navigating an agricultural vehicle on a land area. |
US9529364B2 (en) | 2014-03-24 | 2016-12-27 | Cnh Industrial America Llc | System for coordinating agricultural vehicle control for loading a truck |
DE102014205503A1 (de) | 2014-03-25 | 2015-10-01 | Hamm Ag | Verfahren zur Korrektur eines Messwerteverlaufs durch das Eliminieren periodisch auftretender Messartefakte, insbesondere bei einem Bodenverdichter |
US9489576B2 (en) | 2014-03-26 | 2016-11-08 | F12 Solutions, LLC. | Crop stand analysis |
BR102014007178B1 (pt) | 2014-03-26 | 2020-12-22 | São Martinho S/A | processo de geração de mapas de aplicação de herbicida em função das espécies de plantas daninhas e teores de argila e matéria orgânica de solo |
CN103954738B (zh) | 2014-04-01 | 2015-11-04 | 中国科学院力学研究所 | 一种测量土体振动传播特性的室内试验装置 |
AU2015240770B2 (en) | 2014-04-01 | 2018-07-19 | Climate Llc | Agricultural implement and implement operator monitoring apparatus, systems, and methods |
DE102014104619A1 (de) | 2014-04-02 | 2015-10-08 | Claas Agrosystems Kgaa Mbh & Co. Kg | Planungssystem und Verfahren zur Planung einer Feldbearbeitung |
US9810679B2 (en) | 2014-04-02 | 2017-11-07 | Colorado School Of Mines | Intelligent pad foot soil compaction devices and methods of using same |
WO2015160837A2 (en) | 2014-04-15 | 2015-10-22 | Raven Industries, Inc. | Reaping based yield monitoring system and method for the same |
US9974226B2 (en) | 2014-04-21 | 2018-05-22 | The Climate Corporation | Generating an agriculture prescription |
US9405039B2 (en) | 2014-04-22 | 2016-08-02 | Deere & Company | Ground engaging member accumulation determination |
US9523180B2 (en) | 2014-04-28 | 2016-12-20 | Deere & Company | Semi-automatic material loading |
DE102014208068A1 (de) * | 2014-04-29 | 2015-10-29 | Deere & Company | Erntemaschine mit sensorbasierter Einstellung eines Arbeitsparameters |
DE102014208070A1 (de) | 2014-04-29 | 2015-12-17 | Deere & Company | Die Fahrzeugdynamik berücksichtigendes Kontrollsystem zur Positionssteuerung eines Geräts für ein landwirtschaftliches Arbeitsfahrzeug |
WO2015171954A2 (en) | 2014-05-09 | 2015-11-12 | Raven Industries, Inc. | Refined row guidance parameterization with hough transform |
US10114348B2 (en) * | 2014-05-12 | 2018-10-30 | Deere & Company | Communication system for closed loop control of a worksite |
FR3021114B1 (fr) | 2014-05-13 | 2017-08-11 | Sol Solution | Penetrometre dynamique, ensemble de mesure, systeme et methode de determination de la compacite et de la capacite portante d'un sol |
JP6410130B2 (ja) | 2014-05-15 | 2018-10-24 | 株式会社Jsol | 農作物の収穫予測装置、収穫予測システム及び収穫予測方法 |
US9578808B2 (en) | 2014-05-16 | 2017-02-28 | Deere & Company | Multi-sensor crop yield determination |
GB2541625A (en) * | 2014-05-23 | 2017-02-22 | Datarobot | Systems and techniques for predictive data analytics |
US10104836B2 (en) | 2014-06-11 | 2018-10-23 | John Paul Jamison | Systems and methods for forming graphical and/or textual elements on land for remote viewing |
BR102015013228B1 (pt) | 2014-06-13 | 2020-11-24 | Cnh Industrial America Llc | SISTEMA E METODO DE CONTROLE PARA UM VEfCULO AGRiCOLA |
DE102014009090B4 (de) | 2014-06-19 | 2017-04-06 | Technische Universität Dresden | Landwirtschaftliches Gerät zur konservierenden Bodenbearbeitung |
WO2015200489A1 (en) | 2014-06-24 | 2015-12-30 | 360 Yield Center, Llc | Agronomic system, methods and apparatuses |
CN204000818U (zh) | 2014-07-02 | 2014-12-10 | 四川农业大学 | 一种土壤坚实度测定装置 |
US10126153B2 (en) | 2014-07-22 | 2018-11-13 | Deere & Company | Particulate matter impact sensor |
US10034423B2 (en) | 2014-07-29 | 2018-07-31 | Deere & Company | Biomass sensing |
FR3024772B1 (fr) | 2014-08-07 | 2016-09-02 | Electricite De France | Procede et dispositif pour la determination de la profondeur de l'origine d'un tassement de sol |
US9717178B1 (en) | 2014-08-08 | 2017-08-01 | The Climate Corporation | Systems and method for monitoring, controlling, and displaying field operations |
WO2016025848A1 (en) * | 2014-08-15 | 2016-02-18 | Monsanto Technology Llc | Apparatus and methods for in-field data collection and sampling |
US9131644B2 (en) | 2014-08-19 | 2015-09-15 | Iteris, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
DE102014216593A1 (de) | 2014-08-21 | 2016-02-25 | Deere & Company | Bedienerassistenzsystem für eine landwirtschaftliche Arbeitsmaschine |
CN107148633B (zh) | 2014-08-22 | 2020-12-01 | 克莱米特公司 | 用于使用无人机系统进行农艺和农业监测的方法 |
BR112017003725A2 (pt) | 2014-08-27 | 2017-12-26 | Premier Crop Systems Llc | sistema operável para aplicar uma entrada agrícola e colher uma saída agrícola em uma zona de gestão e método para randomizar e replicar entradas agrícolas |
US9829364B2 (en) | 2014-08-28 | 2017-11-28 | Raven Industries, Inc. | Method of sensing volume of loose material |
US10109024B2 (en) | 2014-09-05 | 2018-10-23 | The Climate Corporation | Collecting data to generate an agricultural prescription |
DE102014113001A1 (de) | 2014-09-10 | 2016-03-10 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung eines Überladeprozesses |
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
US11113649B2 (en) | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US11080798B2 (en) | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US10085379B2 (en) | 2014-09-12 | 2018-10-02 | Appareo Systems, Llc | Grain quality sensor |
DE102014113335A1 (de) | 2014-09-16 | 2016-03-17 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine mit und Verfahren zur vorausschauenden Regelung einer Antriebsleistung und/oder eines Antriebsstranges |
US9903979B2 (en) | 2014-09-23 | 2018-02-27 | Deere & Company | Yield estimation |
US10126282B2 (en) * | 2014-09-23 | 2018-11-13 | Deere & Company | Yield estimation |
DE102014113874A1 (de) | 2014-09-25 | 2016-03-31 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zum Überladen bei Erntemaschinen |
DE102014113887A1 (de) | 2014-09-25 | 2016-03-31 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher mit einer Verteilvorrichtung |
DE102014113965A1 (de) | 2014-09-26 | 2016-03-31 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher mit Fahrerassistenzsystem |
JP2016071726A (ja) | 2014-09-30 | 2016-05-09 | 井関農機株式会社 | 作業情報記憶装置 |
US9807933B2 (en) | 2014-10-20 | 2017-11-07 | Cnh Industrial America Llc | Sensor equipped agricultural harvester |
KR102404044B1 (ko) | 2014-11-13 | 2022-05-30 | 얀마 파워 테크놀로지 가부시키가이샤 | 병주 작업 시스템 |
EP3218679A4 (de) | 2014-11-14 | 2018-12-19 | Bitsrata Systems Inc. | System und verfahren zur messung eines getreidewagengewichtes |
GB201421527D0 (en) | 2014-12-04 | 2015-01-21 | Agco Int Gmbh | Automated agriculture system |
WO2016090212A1 (en) | 2014-12-05 | 2016-06-09 | Board Of Trustees Of Michigan State University | Methods and systems for precision crop management |
DE102014226189B4 (de) | 2014-12-17 | 2017-08-24 | Continental Automotive Gmbh | Verfahren zur Ermittlung eines Unkrautanteils und Landtechnik-Steuereinrichtung |
US9563492B2 (en) | 2015-01-09 | 2017-02-07 | Deere & Company | Service diagnostic trouble code sequencer and method |
US9792557B2 (en) | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
CN204435344U (zh) | 2015-01-22 | 2015-07-01 | 中交四公局第二工程有限公司 | 一种用于测定土层压实度的可行走式取样机 |
US9009087B1 (en) | 2015-01-23 | 2015-04-14 | Iteris, Inc. | Modeling the impact of time-varying weather conditions on unit costs of post-harvest crop drying techniques using field-level analysis and forecasts of weather conditions, facility metadata, and observations and user input of grain drying data |
WO2016118686A1 (en) | 2015-01-23 | 2016-07-28 | Iteris, Inc. | Modeling of crop growth for desired moisture content of targeted livestock feedstuff for determination of harvest windows using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states |
WO2016118684A1 (en) * | 2015-01-23 | 2016-07-28 | Iteris, Inc. | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture |
US9140824B1 (en) * | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
WO2016127094A1 (en) | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
WO2016134341A1 (en) | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
JP2016160808A (ja) | 2015-02-27 | 2016-09-05 | 井関農機株式会社 | コンバインのエンジン制御システム |
US20160260021A1 (en) | 2015-03-06 | 2016-09-08 | William Marek | System and method for improved agricultural yield and efficiency using statistical analysis |
CN204475304U (zh) | 2015-03-17 | 2015-07-15 | 攀枝花天誉工程检测有限公司 | 土工压实度检测成孔器 |
EP3272205B1 (de) | 2015-03-18 | 2022-11-09 | Kubota Corporation | Mähdrescher und vorrichtung zur kornbeurteilungskontrolle für mähdrescher |
RO130713B1 (ro) | 2015-03-19 | 2023-05-30 | Universitatea De Ştiinţe Agronomice Şi Medicină Veterinară Din Bucureşti | Sistem automat gis pentru realizarea hărţilor cu distribuţia speciilor de buruieni |
US20180014452A1 (en) | 2015-03-25 | 2018-01-18 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
US10095200B2 (en) | 2015-03-30 | 2018-10-09 | Uop Llc | System and method for improving performance of a chemical plant with a furnace |
DE102015004174A1 (de) | 2015-04-02 | 2016-10-06 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
DE102015004344A1 (de) | 2015-04-02 | 2016-10-06 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
DE102015004343A1 (de) | 2015-04-02 | 2016-10-06 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
DE102015106302A1 (de) | 2015-04-24 | 2016-10-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntesystem mit einer selbstfahrenden Erntemaschine |
US20170270446A1 (en) | 2015-05-01 | 2017-09-21 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses for determining yield limits |
MX2017014004A (es) | 2015-05-01 | 2018-08-15 | Hyliion Inc | Accesorio de vehiculo motorizado para aumentar suministro de energia y reducir requisitos de combustible. |
US10209235B2 (en) | 2015-05-04 | 2019-02-19 | Deere & Company | Sensing and surfacing of crop loss data |
WO2016183182A1 (en) | 2015-05-14 | 2016-11-17 | Board Of Trustees Of Michigan State University | Methods and systems for crop land evaluation and crop growth management |
US9872433B2 (en) * | 2015-05-14 | 2018-01-23 | Raven Industries, Inc. | System and method for adjusting harvest characteristics |
US10039231B2 (en) * | 2015-05-19 | 2018-08-07 | Deere & Company | System for measuring plant attributes using a priori plant maps |
EP3095310B1 (de) | 2015-05-21 | 2018-05-16 | Robert Thomas Farms Ltd | Landwirtschaftliche vorrichtung |
DE102015006398B3 (de) | 2015-05-21 | 2016-05-04 | Helmut Uhrig Strassen- und Tiefbau GmbH | Bodenverdichtung mit einem Baggeranbauverdichter |
US20160342915A1 (en) | 2015-05-22 | 2016-11-24 | Caterpillar Inc. | Autonomous Fleet Size Management |
DE102015108374A1 (de) | 2015-05-27 | 2016-12-01 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Ansteuerung einer selbstfahrenden Erntemaschine |
EP3307047A4 (de) | 2015-06-05 | 2018-11-14 | The University of Sydney | Automatisches zielerkennungs- und verwaltungssystem |
BR112017026437B1 (pt) * | 2015-06-08 | 2022-01-18 | The Climate Corporation | Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos |
DE102015109799A1 (de) | 2015-06-18 | 2016-12-22 | Claas E-Systems Kgaa Mbh & Co Kg | Verfahren zur Synchronisation zweier unabhängiger, selbstfahrender landwirtschaftlicher Arbeitsmaschinen |
US10064331B2 (en) | 2015-06-18 | 2018-09-04 | Bail & Burnit Pty Ltd | Mechanical weed seed management system |
AU2016287397B2 (en) | 2015-06-30 | 2021-05-20 | Climate Llc | Systems and methods for image capture and analysis of agricultural fields |
US9968027B2 (en) | 2015-07-14 | 2018-05-15 | Clemson University | Automated control systems and methods for underground crop harvesters |
CA3101755C (en) | 2015-07-14 | 2023-03-28 | Dean Mayerle | Weed seed destruction with a discharge which combines with a straw spreader |
US10492369B2 (en) | 2015-07-14 | 2019-12-03 | Dean Mayerle | Weed seed destruction |
US9740208B2 (en) | 2015-07-30 | 2017-08-22 | Deere & Company | UAV-based sensing for worksite operations |
CN204989174U (zh) | 2015-08-05 | 2016-01-20 | 中国农业大学 | 一种用于测量土壤压实的试验平台 |
US10015928B2 (en) | 2015-08-10 | 2018-07-10 | Deere & Company | Method and stereo vision system for managing the unloading of an agricultural material from a vehicle |
US9642305B2 (en) | 2015-08-10 | 2017-05-09 | Deere & Company | Method and stereo vision system for managing the unloading of an agricultural material from a vehicle |
DE102015113527A1 (de) | 2015-08-17 | 2017-02-23 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Erntemaschine |
EP3341129B1 (de) | 2015-08-28 | 2024-04-03 | Tecfarm PTY Ltd | Vorrichtung und verfahren zur verarbeitung von nutzpflanzenresten |
DE102015217496A1 (de) | 2015-09-14 | 2017-03-16 | Deere & Company | Verfahren zum Ausbringen von Saatgutpartikeln oder Pflanzen auf ein Feld und eine entsprechende Maschine |
JP6502221B2 (ja) | 2015-09-14 | 2019-04-17 | 株式会社クボタ | 作業車支援システム |
US10183667B2 (en) | 2015-09-15 | 2019-01-22 | Deere & Company | Human presence detection on a mobile machine |
US9696162B2 (en) | 2015-09-17 | 2017-07-04 | Deere & Company | Mission and path planning using images of crop wind damage |
CN105205248B (zh) | 2015-09-17 | 2017-12-08 | 哈尔滨工业大学 | 一种基于ode物理引擎的车辆地形通过性仿真分析组件的设计方法 |
US10025983B2 (en) | 2015-09-21 | 2018-07-17 | The Climate Corporation | Ponding water detection on satellite imagery |
US10188037B2 (en) | 2015-09-24 | 2019-01-29 | Deere & Company | Yield estimation |
US9699967B2 (en) | 2015-09-25 | 2017-07-11 | Deere & Company | Crosswind compensation for residue processing |
JP6770300B2 (ja) | 2015-09-29 | 2020-10-14 | 株式会社ミツトヨ | 計測機器用の信号処理回路 |
US9807940B2 (en) | 2015-09-30 | 2017-11-07 | Deere & Company | System for prediction and control of drydown for windrowed agricultural products |
EP3150052B1 (de) | 2015-09-30 | 2018-06-13 | CLAAS E-Systems KGaA mbH & Co KG | Getreideerntemaschine |
US10856463B2 (en) | 2015-10-05 | 2020-12-08 | Basf Agro Trademarks Gmbh | Method for operating a harvesting machine with the aid of a plant growth model |
KR20170041377A (ko) | 2015-10-07 | 2017-04-17 | 안범주 | 후방에 설치된 토양 경도 측정 센서를 갖는 차량 |
US10342174B2 (en) | 2015-10-16 | 2019-07-09 | The Climate Corporation | Method for recommending seeding rate for corn seed using seed type and sowing row width |
US9681605B2 (en) | 2015-10-26 | 2017-06-20 | Deere & Company | Harvester feed rate control |
US10080325B2 (en) | 2015-10-27 | 2018-09-25 | Cnh Industrial America Llc | Predictive overlap control model |
US20170112061A1 (en) | 2015-10-27 | 2017-04-27 | Cnh Industrial America Llc | Graphical yield monitor static (previous) data display on in-cab display |
US20170115862A1 (en) | 2015-10-27 | 2017-04-27 | Cnh Industrial America Llc | Graphical yield monitor real-time data display |
US10586158B2 (en) | 2015-10-28 | 2020-03-10 | The Climate Corporation | Computer-implemented calculation of corn harvest recommendations |
DE102015118767A1 (de) | 2015-11-03 | 2017-05-04 | Claas Selbstfahrende Erntemaschinen Gmbh | Umfelddetektionseinrichtung für landwirtschaftliche Arbeitsmaschine |
US20180232674A1 (en) | 2015-11-05 | 2018-08-16 | Agco International Gmbh | Method and system for determining work trajectories for a fleet of working units in a harvest operation |
US20170127606A1 (en) | 2015-11-10 | 2017-05-11 | Digi-Star, Llc | Agricultural Drone for Use in Controlling the Direction of Tillage and Applying Matter to a Field |
DK178711B1 (en) | 2015-11-24 | 2016-11-28 | Green Agro And Transp Aps | Flexible wheel track system for in-field trailer |
US11062223B2 (en) | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
DE102015121210A1 (de) | 2015-12-07 | 2017-06-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
US9721181B2 (en) | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
WO2017096489A1 (en) | 2015-12-09 | 2017-06-15 | Scanimetrics Inc. | Measuring and monitoring a body of granular material |
US10091925B2 (en) | 2015-12-09 | 2018-10-09 | International Business Machines Corporation | Accurately determining crop yield at a farm level |
WO2017099570A1 (es) | 2015-12-11 | 2017-06-15 | Pacheco Sanchez José Antonio | Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados |
CN105432228A (zh) | 2015-12-16 | 2016-03-30 | 无锡同春新能源科技有限公司 | 一种无人玉米收获机 |
FR3045863A1 (fr) * | 2015-12-18 | 2017-06-23 | Predicsis | Procede et calculateur d'analyse predictive |
DE102015122269A1 (de) | 2015-12-18 | 2017-06-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren für den Betrieb eines Mähdreschers |
US9856612B2 (en) | 2015-12-21 | 2018-01-02 | Caterpillar Paving Products Inc. | Compaction measurement using nearby sensors |
EP3397042A1 (de) | 2015-12-29 | 2018-11-07 | Agco Corporation | Rutschkupplungssystem mit integriertem antriebsstrang für grosse quaderballenpresse |
BR102016024151B1 (pt) | 2016-01-06 | 2021-10-13 | Cnh Industrial America Llc | Meio legível por computador não transitório tangível, sistema e método para controlar pelo menos um veículo agrícola autônomo |
BR102016024930B1 (pt) | 2016-01-06 | 2021-08-24 | Cnh Industrial America Llc | Sistema de controle para um veículo de reboque e método para controlar um veículo agrícola |
US10019790B2 (en) | 2016-01-15 | 2018-07-10 | Deere & Company | Fill level indicator for an automated unloading system |
EP3195719B1 (de) | 2016-01-20 | 2018-10-24 | CLAAS E-Systems KGaA mbH & Co KG | Landwirtschaftliche maschine |
EP3195720A1 (de) | 2016-01-21 | 2017-07-26 | CLAAS E-Systems KGaA mbH & Co KG | Ernteguttanksystem |
US10529036B2 (en) | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
BE1023467B1 (nl) | 2016-02-01 | 2017-03-29 | Cnh Industrial Belgium Nv | Beheer van een restantensysteem van een maaidorser door veldgegevens te gebruiken |
JP6688542B2 (ja) | 2016-02-04 | 2020-04-28 | ヤンマー株式会社 | 追従型コンバイン |
US9891629B2 (en) | 2016-02-04 | 2018-02-13 | Deere & Company | Autonomous robotic agricultural machine and system thereof |
JP6567440B2 (ja) | 2016-02-05 | 2019-08-28 | 鹿島建設株式会社 | 地盤の締固め状態測定装置、締固め状態測定方法、及び締固め機械 |
US10588258B2 (en) | 2016-02-25 | 2020-03-17 | Deere & Company | Automatic determination of the control unit parameters of an arrangement to control an actuator for the adjustment of an adjustable element of an agricultural machine |
US9675008B1 (en) | 2016-02-29 | 2017-06-13 | Cnh Industrial America Llc | Unloading arrangement for agricultural harvesting vehicles |
US10201121B1 (en) | 2016-03-01 | 2019-02-12 | Ag Leader Technology | Prediction of amount of crop or product remaining for field |
US10028435B2 (en) | 2016-03-04 | 2018-07-24 | Deere & Company | Sensor calibration using field information |
KR101653750B1 (ko) | 2016-03-10 | 2016-09-02 | 한국건설기술연구원 | 식생매트 고정용 앵커핀의 인발 시험 장치 및 방법 |
BE1023982B1 (nl) | 2016-03-23 | 2017-10-03 | Cnh Industrial Belgium Nv | Geautomatiseerd lossysteem voor het lossen van gewas |
WO2017164097A1 (ja) | 2016-03-25 | 2017-09-28 | 日本電気株式会社 | 情報処理装置、情報処理装置の制御方法、および、情報処理装置の制御プログラムが記録された記録媒体 |
KR102394967B1 (ko) | 2016-03-29 | 2022-05-04 | 얀마 파워 테크놀로지 가부시키가이샤 | 콤바인 |
US9903077B2 (en) | 2016-04-04 | 2018-02-27 | Caterpillar Paving Products Inc. | System and method for performing a compaction operation |
RU164128U1 (ru) | 2016-04-05 | 2016-08-20 | Федеральное государственное автономное образовательное учреждение высшего образования "Крымский федеральный университет имени В.И. Вернадского" | Установка для испытания на изнашиваемость материалов для рабочих органов почвообрабатывающих машин |
CN105741180B (zh) | 2016-04-21 | 2021-06-18 | 江苏大学 | 一种联合收获机谷物产量图绘制系统 |
JP6755117B2 (ja) | 2016-04-26 | 2020-09-16 | ヤンマーパワーテクノロジー株式会社 | コンバイン |
US10275550B2 (en) | 2016-04-27 | 2019-04-30 | The Climate Corporation | Assimilating a soil sample into a digital nutrient model |
US10152891B2 (en) | 2016-05-02 | 2018-12-11 | Cnh Industrial America Llc | System for avoiding collisions between autonomous vehicles conducting agricultural operations |
DE102016118203A1 (de) | 2016-05-10 | 2017-11-16 | Claas Selbstfahrende Erntemaschinen Gmbh | Zugmaschinen-Geräte-Kombination mit Fahrerassistenzsystem |
JP2019520631A (ja) | 2016-05-12 | 2019-07-18 | ビーエーエスエフ ソシエタス・ヨーロピアBasf Se | 自然環境における雑草の認識 |
DE102016108902A1 (de) | 2016-05-13 | 2017-11-16 | Claas Saulgau Gmbh | Verfahren und Steuerungseinrichtung zum Betreiben eines landwirtschaftlichen Transportwagens sowie Transportwagen |
US10051787B2 (en) | 2016-05-17 | 2018-08-21 | Deere & Company | Harvesting head with yield monitor |
CN106053330B (zh) | 2016-05-23 | 2018-12-18 | 北京林业大学 | 土壤紧实度及水分复合测量方法及装置 |
WO2017205410A1 (en) | 2016-05-24 | 2017-11-30 | Cnh Industrial America Llc | Grain cart for continuous conveying agricultural product |
BR112018074180A2 (pt) | 2016-05-24 | 2019-03-06 | Cnh Industrial America Llc | carrinho de grãos autônomo dimensionado para se encaixar atrás de um cabeçote |
US9563852B1 (en) | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
DE102016111665A1 (de) | 2016-06-24 | 2017-12-28 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine und Verfahren zum Betrieb einer landwirtschaftlichen Arbeitsmaschine |
EP3262934A1 (de) | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
UY36763A (es) | 2016-07-01 | 2018-01-31 | Carlos Hartwich | Roturador y plantador en plataforma motorizada unitaria con navegador automático |
US9563848B1 (en) | 2016-07-06 | 2017-02-07 | Agrian, Inc. | Weighted multi-year yield analysis for prescription mapping in site-specific variable rate applications in precision agriculture |
US9928584B2 (en) | 2016-07-11 | 2018-03-27 | Harvest Moon Automation Inc. | Inspecting plants for contamination |
US10231371B2 (en) | 2016-07-18 | 2019-03-19 | Tribine Industries Llc | Soil compaction mitigation assembly and method |
US10795351B2 (en) | 2016-07-19 | 2020-10-06 | Raven Industries, Inc. | System and method for autonomous control of agricultural machinery and equipment |
CN106226470B (zh) | 2016-07-22 | 2019-06-11 | 孙红 | 一种通过测量装置测定槐树的稳固性能的方法 |
US20180022559A1 (en) | 2016-07-22 | 2018-01-25 | Scott William Knutson | Loader Positioning System |
CN106198877A (zh) | 2016-07-22 | 2016-12-07 | 陈显桥 | 通过测量设备检验杨树稳定性的方法 |
CN106198879B (zh) | 2016-07-22 | 2018-11-16 | 广东双木林科技有限公司 | 一种检测杉树抗风稳定性能的方法 |
CN106248873B (zh) | 2016-07-22 | 2019-04-12 | 黄哲敏 | 一种通过检测设备测定松树坚固程度的方法 |
DE102016009085A1 (de) | 2016-07-26 | 2018-02-01 | Bomag Gmbh | Bodenverdichtungswalze mit Sensoreinrichtung an der Walzbandage und Verfahren zur Ermittlung der Bodensteifigkeit |
US10351364B2 (en) | 2016-08-05 | 2019-07-16 | Deere & Company | Automatic vehicle and conveyor positioning |
DE102016214554A1 (de) | 2016-08-05 | 2018-02-08 | Deere & Company | Verfahren zur Optimierung eines Arbeitsparameters einer Maschine zur Ausbringung von landwirtschaftlichem Material auf ein Feld und entsprechende Maschine |
US10154624B2 (en) | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
EP3287007A1 (de) | 2016-08-24 | 2018-02-28 | Bayer CropScience AG | Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken |
US10410299B2 (en) | 2016-08-24 | 2019-09-10 | The Climate Corporation | Optimizing split fertilizer application |
US10609856B2 (en) | 2016-08-29 | 2020-04-07 | Troy Oliver | Agriculture system and method |
DE102016116043A1 (de) | 2016-08-29 | 2018-03-01 | Claas Selbstfahrende Erntemaschinen Gmbh | Transportfahrzeug |
CN106327349A (zh) | 2016-08-30 | 2017-01-11 | 张琦 | 一种基于云计算的园林绿化精细化管理装置 |
JP2018033407A (ja) | 2016-09-01 | 2018-03-08 | ヤンマー株式会社 | 配車システム |
DE102016116461A1 (de) | 2016-09-02 | 2018-03-08 | Claas Saulgau Gmbh | Verfahren und Steuerungseinrichtung zum Betreiben eines landwirtschaftlichen Transportwagens sowie Transportwagen |
PL3298873T3 (pl) | 2016-09-21 | 2020-08-24 | Exel Industries | Urządzenie sterujące do pojazdu, odpowiadający mu pojazd i sposób |
DE102016117757A1 (de) | 2016-09-21 | 2018-03-22 | Claas Selbstfahrende Erntemaschinen Gmbh | Feldhäcksler |
DE102016118297A1 (de) | 2016-09-28 | 2018-03-29 | Claas Tractor Sas | Verfahren und System zur Bestimmung eines Betriebspunktes |
DE102016118283A1 (de) | 2016-09-28 | 2018-03-29 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine |
US10078890B1 (en) * | 2016-09-29 | 2018-09-18 | CHS North LLC | Anomaly detection |
US10165725B2 (en) * | 2016-09-30 | 2019-01-01 | Deere & Company | Controlling ground engaging elements based on images |
CN106290800B (zh) | 2016-09-30 | 2018-10-12 | 长沙理工大学 | 一种土质边坡抗水流侵蚀能力模拟试验方法及装置 |
DE102016118651A1 (de) | 2016-09-30 | 2018-04-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende landwirtschaftliche Arbeitsmaschine |
US20180092301A1 (en) | 2016-10-01 | 2018-04-05 | Deere & Company | Residue spread control using crop deflector commands input by the operator and satnav combine bearing |
US20180092302A1 (en) | 2016-10-01 | 2018-04-05 | Deere & Company | Residue spread control using operator input of wind direction and combine bearing |
WO2018073060A1 (de) | 2016-10-18 | 2018-04-26 | Bayer Cropscience Aktiengesellschaft | PLANUNG UND AUSFÜHRUNG LANDWIRTSCHAFTLICHER MAßNAHMEN |
JP6832828B2 (ja) | 2016-10-26 | 2021-02-24 | 株式会社クボタ | 走行経路決定装置 |
EP3315005B1 (de) | 2016-10-28 | 2022-04-06 | Deere & Company | Stereosichtsystem zur verwaltung der entladung eines landwirtschaftlichen materials aus einem fahrzeug |
US11256999B2 (en) | 2016-10-28 | 2022-02-22 | Deere & Company | Methods and systems of forecasting the drying of an agricultural crop |
EP3533008A1 (de) | 2016-10-31 | 2019-09-04 | BASF Agro Trademarks GmbH | Verfahren zur abbildung von ernteerträgen |
US10408645B2 (en) | 2016-11-01 | 2019-09-10 | Deere & Company | Correcting bias in parameter monitoring |
US10832351B2 (en) | 2016-11-01 | 2020-11-10 | Deere & Company | Correcting bias in agricultural parameter monitoring |
US10901420B2 (en) | 2016-11-04 | 2021-01-26 | Intel Corporation | Unmanned aerial vehicle-based systems and methods for agricultural landscape modeling |
CA3142363C (en) | 2016-11-07 | 2024-03-05 | The Climate Corporation | Agricultural implements for soil and vegetation analysis |
CA3043200A1 (en) | 2016-11-07 | 2018-05-11 | The Climate Corporation | Work layer imaging and analysis for implement monitoring, control and operator feedback |
US10398096B2 (en) * | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
US10028451B2 (en) | 2016-11-16 | 2018-07-24 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
US20180146624A1 (en) | 2016-11-28 | 2018-05-31 | The Climate Corporation | Determining intra-field yield variation data based on soil characteristics data and satellite images |
US10178823B2 (en) | 2016-12-12 | 2019-01-15 | Cnh Industrial Canada, Ltd. | Agricultural implement with automatic shank depth control |
CN106644663B (zh) | 2016-12-12 | 2023-07-21 | 江苏省海洋水产研究所 | 一种紫菜孢子计数用过滤装置及计数方法 |
KR102532963B1 (ko) | 2016-12-19 | 2023-05-16 | 가부시끼 가이샤 구보다 | 작업차 자동 주행 시스템 |
JP6936356B2 (ja) | 2016-12-19 | 2021-09-15 | 株式会社クボタ | 作業車自動走行システム |
KR101873657B1 (ko) | 2016-12-22 | 2018-08-03 | 현대건설주식회사 | 탄성파 속도를 이용한 성토지반 다짐특성 측정장치와 이를 활용한 다짐관리 방법 |
JP6615085B2 (ja) | 2016-12-22 | 2019-12-04 | 株式会社クボタ | 収穫機 |
WO2018112615A1 (en) | 2016-12-22 | 2018-06-28 | Greentronics Ltd. | Systems and methods for automated tracking of harvested materials |
CN206330815U (zh) | 2017-01-06 | 2017-07-14 | 福建九邦环境检测科研有限公司 | 一种土壤检测用土壤快速压实器 |
US10255670B1 (en) * | 2017-01-08 | 2019-04-09 | Dolly Y. Wu PLLC | Image sensor and module for agricultural crop improvement |
US10775796B2 (en) | 2017-01-10 | 2020-09-15 | Cnh Industrial America Llc | Aerial vehicle systems and methods |
DE102017200336A1 (de) * | 2017-01-11 | 2018-07-12 | Deere & Company | Modellbasierte prädiktive Geschwindigkeitskontrolle einer Erntemaschine |
KR200485051Y1 (ko) | 2017-01-16 | 2017-11-22 | 서울특별시 | 다짐도 평가장치 |
US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
JP6767892B2 (ja) | 2017-02-03 | 2020-10-14 | ヤンマーパワーテクノロジー株式会社 | 収穫量管理システム |
DE102017104009A1 (de) | 2017-02-27 | 2018-08-30 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliches Erntesystem |
US10315655B2 (en) | 2017-03-07 | 2019-06-11 | Deere & Company | Vehicle control based on soil compaction |
CN206515119U (zh) | 2017-03-10 | 2017-09-22 | 南京宁曦土壤仪器有限公司 | 电动击实仪 |
CN206515118U (zh) | 2017-03-10 | 2017-09-22 | 南京宁曦土壤仪器有限公司 | 多功能电动击实仪 |
JP7075787B2 (ja) | 2017-03-14 | 2022-05-26 | 株式会社フジタ | トラフィカビリティ推定装置およびプログラム |
DE102017105490A1 (de) | 2017-03-15 | 2018-09-20 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Landwirtschaftliches Terminal |
DE102017105496A1 (de) | 2017-03-15 | 2018-09-20 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Landwirtschaftliches Terminal |
DE102017204511A1 (de) | 2017-03-17 | 2018-09-20 | Deere & Company | Landwirtschaftliche Erntemaschine zur Bearbeitung und Förderung von Erntegut mit einer Sensoranordnung zur Erkennung von unerwünschten Gefahr- und Inhaltsstoffen im Erntegut |
EP3582603A4 (de) | 2017-03-21 | 2021-01-06 | Blue River Technology Inc. | Mähdrescher mit maschinenrückkopplungssteuerung |
CN206616118U (zh) | 2017-03-21 | 2017-11-07 | 嵊州市晟祥盈净水设备有限公司 | 一种多层次深度净水设备 |
DE102017205293A1 (de) | 2017-03-29 | 2018-10-04 | Deere & Company | Verfahren und Vorrichtung zur Bekämpfung unerwünschter Lebewesen auf einem Feld |
US10152035B2 (en) | 2017-04-12 | 2018-12-11 | Bayer Ag | Value added pest control system with smart learning |
CN206906093U (zh) | 2017-04-21 | 2018-01-19 | 青岛科技大学 | 一种岩土试件压实过程可以测量重量的装置 |
RU2017114139A (ru) | 2017-04-24 | 2018-10-24 | Общество с ограниченной ответственностью "Завод инновационных продуктов "КТЗ" | Способ управления уборочным комбайном |
BR112019022503A2 (pt) | 2017-04-26 | 2020-05-12 | The Climate Corporation | Método para nivelar leituras de sensores através de um implemento |
US10952374B2 (en) | 2017-05-01 | 2021-03-23 | Cnh Industrial America Llc | System and method for monitoring residue output from a harvester |
EP3619530B1 (de) * | 2017-05-02 | 2023-02-22 | Centaur Analytics, Inc. | Systeme und verfahren zum erntegutqualitäts- und schädlingsmanagement nach der ernte |
US10548260B2 (en) | 2017-05-04 | 2020-02-04 | Dawn Equipment Company | System for automatically setting the set point of a planter automatic down pressure control system with a seed furrow sidewall compaction measurement device |
DE102017109849A1 (de) | 2017-05-08 | 2018-11-08 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Abarbeitung eines landwirtschaftlichen Ernteprozesses |
US10531603B2 (en) | 2017-05-09 | 2020-01-14 | Cnh Industrial America Llc | Agricultural system |
BE1024475B1 (nl) | 2017-05-09 | 2018-03-01 | Cnh Industrial Belgium Nv | Werkwijze voor het oogsten en oogsttoestel |
BE1024513B1 (nl) | 2017-05-09 | 2018-03-21 | Cnh Industrial Belgium Nv | Landbouwsysteem |
US10317272B2 (en) | 2017-05-17 | 2019-06-11 | Deere & Company | Automatic wireless wagon detection apparatus and method |
CN206696107U (zh) | 2017-05-18 | 2017-12-01 | 贵州省山地农业机械研究所 | 多用途土壤坚实度测量装置 |
DE102017208442A1 (de) | 2017-05-18 | 2018-11-22 | Deere & Company | Selbstlernende, Korrektureingaben berücksichtigende Anordnung zur selbsttätigen Kontrolle eines Arbeitsparameters einer Erntegutförder- und/oder -bearbeitungseinrichtung |
US10481142B2 (en) | 2017-05-25 | 2019-11-19 | Deere & Company | Sensor system for determining soil characteristics |
US10537062B2 (en) | 2017-05-26 | 2020-01-21 | Cnh Industrial America Llc | Aerial vehicle systems and methods |
CN207079558U (zh) | 2017-05-31 | 2018-03-09 | 中铁二十一局集团第六工程有限公司 | 高速铁路路基沉降监测元件保护装置 |
BE1025282B1 (nl) | 2017-06-02 | 2019-01-11 | Cnh Industrial Belgium Nv | Draagvermogen van de grond |
US9984455B1 (en) | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
SE542261C2 (en) | 2017-06-05 | 2020-03-31 | Scania Cv Ab | Method and control arrangement for loading |
CN206941558U (zh) | 2017-06-16 | 2018-01-30 | 中石化中原建设工程有限公司 | 一种公路灰土基层压实度测定取样机 |
US10437243B2 (en) | 2017-06-19 | 2019-10-08 | Deere & Company | Combine harvester control interface for operator and/or remote user |
US10310455B2 (en) | 2017-06-19 | 2019-06-04 | Deere & Company | Combine harvester control and communication system |
US10459447B2 (en) | 2017-06-19 | 2019-10-29 | Cnh Industrial America Llc | System and method for generating partitioned swaths |
US20180359917A1 (en) | 2017-06-19 | 2018-12-20 | Deere & Company | Remote control of settings on a combine harvester |
US11589507B2 (en) | 2017-06-19 | 2023-02-28 | Deere & Company | Combine harvester control interface for operator and/or remote user |
CN110582198B (zh) | 2017-06-23 | 2022-08-23 | 株式会社久保田 | 收割机 |
JP6887323B2 (ja) | 2017-06-23 | 2021-06-16 | 株式会社クボタ | コンバイン及び圃場営農マップ生成方法 |
JP6827373B2 (ja) | 2017-06-26 | 2021-02-10 | 株式会社クボタ | コンバイン |
DE102017006844B4 (de) | 2017-07-18 | 2019-04-11 | Bomag Gmbh | Bodenverdichter und Verfahren zur Bestimmung von Untergrundeigenschaften mittels eines Bodenverdichters |
US10757859B2 (en) | 2017-07-20 | 2020-09-01 | Deere & Company | System for optimizing platform settings based on crop state classification |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
DK179454B1 (en) | 2017-08-17 | 2018-10-19 | Agro Intelligence Aps | A system for controlling soil compaction caused by wheels, and use of such system |
US10438302B2 (en) | 2017-08-28 | 2019-10-08 | The Climate Corporation | Crop disease recognition and yield estimation |
CN107576674A (zh) | 2017-08-30 | 2018-01-12 | 曲阜师范大学 | 一种基于探地雷达测量土壤压实程度的方法 |
US11140807B2 (en) | 2017-09-07 | 2021-10-12 | Deere & Company | System for optimizing agricultural machine settings |
US11317562B2 (en) | 2017-09-11 | 2022-05-03 | Farmers Edge Inc. | Generating a yield map for an agricultural field using classification and regression methods |
US10883437B2 (en) | 2017-09-19 | 2021-01-05 | Doug Abolt | Horsepower on demand system |
DE102017121654A1 (de) | 2017-09-19 | 2019-03-21 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine |
CN107736088B (zh) | 2017-09-22 | 2020-06-26 | 江苏大学 | 一种用于精整地土壤密实度测量与自动调节系统 |
DE102017122300A1 (de) | 2017-09-26 | 2019-03-28 | Claas Selbstfahrende Erntemaschinen Gmbh | Arbeitsmaschine |
DE102017122710A1 (de) | 2017-09-29 | 2019-04-04 | Claas E-Systems Kgaa Mbh & Co. Kg | Verfahren für den Betrieb einer selbstfahrenden landwirtschaftlichen Arbeitsmaschine |
DE102017122711A1 (de) | 2017-09-29 | 2019-04-04 | Claas E-Systems Kgaa Mbh & Co. Kg | Verfahren für den Betrieb einer selbstfahrenden landwirtschaftlichen Arbeitsmaschine |
DE102017122712A1 (de) | 2017-09-29 | 2019-04-04 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren für den Betrieb einer selbstfahrenden landwirtschaftlichen Arbeitsmaschine |
CN107795095A (zh) | 2017-10-10 | 2018-03-13 | 上海科城建设工程有限公司 | 一种预制混凝土地坪的连接工艺 |
US10517215B2 (en) | 2017-10-12 | 2019-12-31 | Deere & Company | Roll center for attachment frame control arms |
WO2019079205A1 (en) | 2017-10-17 | 2019-04-25 | Precision Planting Llc | SOIL DETECTION SYSTEMS AND INSTRUMENTS FOR DETECTING DIFFERENT SOIL PARAMETERS |
CA3079773A1 (en) | 2017-10-24 | 2019-05-02 | Basf Agro Trademarks Gmbh | Generation of digital cultivation maps |
CN107957408B (zh) | 2017-10-30 | 2021-01-12 | 汕头大学 | 一种利用光反射理论测量土壤吸力的方法 |
CN108009542B (zh) | 2017-11-01 | 2021-06-15 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
DK179951B1 (en) | 2017-11-11 | 2019-10-24 | Agro Intelligence Aps | A system and a method for optimizing a harvesting operation |
US10521526B2 (en) | 2017-11-20 | 2019-12-31 | Nfl Players, Inc. | Hybrid method of assessing and predicting athletic performance |
DE102017221134A1 (de) | 2017-11-27 | 2019-05-29 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines mobilen Systems |
US10412889B2 (en) | 2017-12-05 | 2019-09-17 | Deere & Company | Combine harvester control information for a remote user with visual feed |
CN207567744U (zh) | 2017-12-08 | 2018-07-03 | 山西省交通科学研究院 | 公路灰土基层压实度测定取样机 |
CA3085012A1 (en) | 2017-12-08 | 2018-12-07 | Camso Inc. | Systems and methods for monitoring off-road vehicles |
US10660268B2 (en) | 2017-12-16 | 2020-05-26 | Deere & Company | Harvester with electromagnetic plane crop material flow sensor |
KR20200096496A (ko) | 2017-12-18 | 2020-08-12 | 가부시끼 가이샤 구보다 | 콤바인 제어 시스템, 콤바인 제어 프로그램, 콤바인 제어 프로그램을 기록한 기록 매체, 콤바인 제어 방법, 수확기 제어 시스템, 수확기 제어 프로그램, 수확기 제어 프로그램을 기록한 기록 매체, 수확기 제어 방법 |
WO2019124225A1 (ja) | 2017-12-18 | 2019-06-27 | 株式会社クボタ | 農作業車、作業車衝突警戒システム及び作業車 |
KR20200096497A (ko) | 2017-12-18 | 2020-08-12 | 가부시끼 가이샤 구보다 | 자동 주행 시스템, 자동 주행 관리 프로그램, 자동 주행 관리 프로그램을 기록한 기록 매체, 자동 주행 관리 방법, 영역 결정 시스템, 영역 결정 프로그램, 영역 결정 프로그램을 기록한 기록 매체, 영역 결정 방법, 콤바인 제어 시스템, 콤바인 제어 프로그램, 콤바인 제어 프로그램을 기록한 기록 매체, 콤바인 제어 방법 |
EP3498074A1 (de) | 2017-12-18 | 2019-06-19 | DINAMICA GENERALE S.p.A | Ernteanalysesystem zur verwendung in einer maschine |
KR20200096489A (ko) | 2017-12-20 | 2020-08-12 | 가부시끼 가이샤 구보다 | 작업차, 작업차를 위한 주행 경로 선택 시스템, 및 주행 경로 산출 시스템 |
CN208047351U (zh) | 2017-12-26 | 2018-11-06 | 南安市振邦家庭农场有限公司 | 一种高效率的玉米脱粒机 |
US10568261B2 (en) | 2017-12-28 | 2020-02-25 | Cnh Industrial America Llc | Dynamic combine fire risk index and display |
DK179878B1 (en) | 2017-12-29 | 2019-08-16 | Agro Intelligence Aps | Apparatus and method for improving the quality of grass and clover by tedding |
DK179771B1 (en) | 2017-12-29 | 2019-05-15 | Agro Intelligence Aps | Apparatus and method for improving the yield of grass and clover harvested from an agricultural field |
DK179768B1 (en) | 2017-12-29 | 2019-05-15 | Agro Intelligence Aps | Apparatus and method for improving the conditioning quality of grass and clover prior to the collecting thereof |
CN107941286A (zh) | 2018-01-09 | 2018-04-20 | 东北农业大学 | 一种便携式田间多参数测量装置 |
US10477756B1 (en) * | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
US10687466B2 (en) | 2018-01-29 | 2020-06-23 | Cnh Industrial America Llc | Predictive header height control system |
CN108304796A (zh) | 2018-01-29 | 2018-07-20 | 深圳春沐源控股有限公司 | 一种智能杂草警示方法及系统 |
JP7101488B2 (ja) | 2018-01-30 | 2022-07-15 | 株式会社クボタ | 作業車管理システム |
US11006577B2 (en) | 2018-02-26 | 2021-05-18 | Cnh Industrial America Llc | System and method for adjusting operating parameters of an agricultural harvester based on estimated crop volume |
JP2019146506A (ja) | 2018-02-26 | 2019-09-05 | 井関農機株式会社 | コンバインの自動走行制御装置 |
DE102018001551A1 (de) | 2018-02-28 | 2019-08-29 | Class Selbstfahrende Erntemaschinen Gmbh | Selbstfahrende Erntemaschine und Betriebsverfahren dafür |
CN208013131U (zh) | 2018-03-16 | 2018-10-26 | 云南群林科技有限公司 | 一种基于多传感器的农业信息采集系统 |
DE102018206507A1 (de) | 2018-04-26 | 2019-10-31 | Deere & Company | Schneidwerk mit selbsttätiger Einstellung der Haspelzinkenorientierung |
US11240959B2 (en) | 2018-04-30 | 2022-02-08 | Deere & Company | Adaptive forward-looking biomass conversion and machine control during crop harvesting operations |
EP3563654B1 (de) | 2018-05-02 | 2022-12-21 | AGCO Corporation | Simulation einer automatischen vorsatzgerätsteuerung |
DE102018111077A1 (de) | 2018-05-08 | 2019-11-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher sowie Verfahren zum Betreiben eines Mähdreschers |
CN108614089A (zh) | 2018-05-09 | 2018-10-02 | 重庆交通大学 | 压实土体冻融和风化环境模拟系统及其试验方法 |
US11641790B2 (en) | 2018-05-09 | 2023-05-09 | Deere & Company | Method of planning a path for a vehicle having a work tool and a vehicle path planning system |
DE102018111746A1 (de) | 2018-05-16 | 2019-11-21 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine |
JP7039026B2 (ja) | 2018-05-28 | 2022-03-22 | ヤンマーパワーテクノロジー株式会社 | 地図情報生成システム、および作業支援システム |
DE102018113327A1 (de) | 2018-06-05 | 2019-12-05 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung einer landwirtschaftlichen Erntekampagne |
CN108881825A (zh) | 2018-06-14 | 2018-11-23 | 华南农业大学 | 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法 |
US11419261B2 (en) | 2018-06-25 | 2022-08-23 | Deere & Company | Prescription cover crop seeding with combine |
CN108934416A (zh) * | 2018-07-06 | 2018-12-07 | 巢湖学院 | 一种基于bp神经网络联合收获机多参数作业控制系统及方法 |
DE102018116578A1 (de) | 2018-07-09 | 2020-01-09 | Claas Selbstfahrende Erntemaschinen Gmbh | Erntesystem |
DE102018116817A1 (de) | 2018-07-11 | 2020-01-16 | Claas Selbstfahrende Erntemaschinen Gmbh | Verfahren zur Steuerung einer Datenübertragung zwischen einer landwirtschaftlichen Arbeitsmaschine und einer externen Sende-/Empfangseinheit |
WO2020026578A1 (ja) | 2018-07-31 | 2020-02-06 | 株式会社クボタ | 走行経路生成システム、走行経路生成方法、走行経路生成プログラム、及び走行経路生成プログラムが記録されている記録媒体と、作業管理システム、作業管理方法、作業管理プログラム、及び作業管理プログラムが記録されている記録媒体と、収穫機、走行パターン作成システム、走行パターン作成プログラム、走行パターン作成プログラムが記録されている記録媒体、及び走行パターン作成方法 |
JP6958508B2 (ja) | 2018-08-02 | 2021-11-02 | 井関農機株式会社 | 収穫作業システム |
WO2020031473A1 (ja) | 2018-08-06 | 2020-02-13 | 株式会社クボタ | 外形形状算出システム、外形形状算出方法、外形形状算出プログラム、及び外形形状算出プログラムが記録されている記録媒体と、圃場マップ作成システム、圃場マップ作成プログラム、圃場マップ作成プログラムが記録されている記録媒体、及び圃場マップ作成方法 |
JP7034866B2 (ja) | 2018-08-20 | 2022-03-14 | 株式会社クボタ | 収穫機 |
WO2020039312A1 (en) | 2018-08-22 | 2020-02-27 | Precision Planting Llc | Implements and application units having sensors for sensing data to determine agricultural plant characteristics of agricultural fields |
DE102018120741A1 (de) | 2018-08-24 | 2020-02-27 | Claas Selbstfahrende Erntemaschinen Gmbh | Mähdrescher |
JP7121598B2 (ja) | 2018-08-31 | 2022-08-18 | 三菱マヒンドラ農機株式会社 | 収穫機 |
DE102018123478A1 (de) | 2018-09-24 | 2020-03-26 | Claas Tractor Sas | Landwirtschaftliche Arbeitsmaschine |
US10986778B2 (en) | 2018-10-31 | 2021-04-27 | Deere & Company | Weed seed devitalizer control |
CN109357804B (zh) | 2018-11-13 | 2023-09-19 | 西南交通大学 | 一种压实土水平应力测试装置及测试方法 |
CN112996378B (zh) | 2018-11-15 | 2023-04-18 | 株式会社久保田 | 收割机以及路径设定系统 |
CN111201879B (zh) | 2018-11-21 | 2023-10-03 | 金华中科艾特智能科技研究所有限公司 | 基于图像识别的粮食收割、运输一体化装载装置/方法 |
CN113079691B (zh) | 2018-11-26 | 2023-06-16 | 株式会社久保田 | 农作业机及其控制方法、农作业机控制程序及其记录介质 |
DE102018131142A1 (de) | 2018-12-06 | 2020-06-10 | Claas Selbstfahrende Erntemaschinen Gmbh | Landwirtschaftliche Arbeitsmaschine sowie Verfahren zum Betreiben einer landwirtschaftlichen Arbeitsmaschine |
JP7182471B2 (ja) | 2019-01-11 | 2022-12-02 | 株式会社クボタ | 作業管理システム及び作業機 |
CN109485353A (zh) | 2019-01-18 | 2019-03-19 | 安徽马钢嘉华新型建材有限公司 | 一种新型钢渣混合土道路基层材料及制备方法 |
DE102019200794A1 (de) | 2019-01-23 | 2020-07-23 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | System und Verfahren zur Identifizierung von Zeitfenstern und Flächenbereichen eines landwirtschaftlich genutzten Feldes mit günstigen Bedingungen für einen wirkungsvollen und umweltgerechten Einsatz und/oder die Befahrbarkeit von Landmaschinen |
CN109961024A (zh) | 2019-03-08 | 2019-07-02 | 武汉大学 | 基于深度学习的小麦田间杂草检测方法 |
CN109763476A (zh) | 2019-03-12 | 2019-05-17 | 上海兰德公路工程咨询设计有限公司 | 一种快速检测填土路基的压实度的装置及方法 |
JP7062610B2 (ja) | 2019-03-26 | 2022-05-06 | ヤンマーパワーテクノロジー株式会社 | 作業制御システム |
CN210585958U (zh) | 2019-03-28 | 2020-05-22 | 宁夏大学 | 霉变玉米识别与分拣的辅助装置 |
CN110232493B (zh) | 2019-04-09 | 2021-07-30 | 丰疆智能科技股份有限公司 | 收割机和物流车智能配合系统和方法 |
CN110232494A (zh) | 2019-04-09 | 2019-09-13 | 丰疆智能科技股份有限公司 | 物流车调度系统和方法 |
US11856882B2 (en) | 2019-04-10 | 2024-01-02 | Kansas Stte University Research Foundation | Autonomous robot system for steep terrain farming operations |
FR3095572B1 (fr) | 2019-05-02 | 2023-03-17 | Agreenculture | Procédé de gestion de flottes de véhicules agricoles autoguidés |
DE102019206734A1 (de) | 2019-05-09 | 2020-11-12 | Deere & Company | Sämaschine mit vorausschauender Ansteuerung |
DE102019206794B4 (de) | 2019-05-10 | 2021-03-04 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Unterwasserfahrzeug |
DE102019114872A1 (de) | 2019-06-03 | 2020-12-03 | Horsch Leeb Application Systems Gmbh | System und Verfahren zur Simulation und/oder Konfiguration eines mittels einer landwirtschaftlichen Arbeitsmaschine durchzuführenden Arbeitsprozesses und landwirtschaftliche Arbeitsmaschine |
CN110262287A (zh) | 2019-07-14 | 2019-09-20 | 南京林业大学 | 用于收获机械割台高度自动控制的冠层高度在线探测方法 |
JP2019216744A (ja) | 2019-09-03 | 2019-12-26 | ヤンマー株式会社 | コンバイン |
US11904871B2 (en) | 2019-10-30 | 2024-02-20 | Deere & Company | Predictive machine control |
CN110720302A (zh) | 2019-11-29 | 2020-01-24 | 河南瑞创通用机械制造有限公司 | 一种谷物收获机智能调节系统及其控制方法 |
US11540447B2 (en) | 2019-12-17 | 2023-01-03 | Deere & Company | Predictive crop characteristic mapping for product application |
US11800829B2 (en) | 2019-12-17 | 2023-10-31 | Deere & Company | Work machine zone generation and control system with geospatial constraints |
US11641801B2 (en) | 2020-04-21 | 2023-05-09 | Deere & Company | Agricultural harvesting machine control using machine learning for variable delays |
CN111406505A (zh) | 2020-04-30 | 2020-07-14 | 江苏大学 | 一种联合收获机粮箱剩余容量及剩余行走距离监测装置和方法 |
-
2019
- 2019-04-10 US US16/380,564 patent/US11778945B2/en active Active
- 2019-12-27 BR BR102019027999-0A patent/BR102019027999A2/pt unknown
-
2020
- 2020-02-28 CN CN202010133972.3A patent/CN111802060B/zh active Active
- 2020-04-07 DE DE102020204464.3A patent/DE102020204464A1/de active Pending
-
2023
- 2023-08-08 US US18/446,223 patent/US20230380346A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN111802060B (zh) | 2023-10-13 |
US20230380346A1 (en) | 2023-11-30 |
US20200323133A1 (en) | 2020-10-15 |
US11778945B2 (en) | 2023-10-10 |
BR102019027999A2 (pt) | 2020-10-20 |
CN111802060A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020204464A1 (de) | Maschinensteuerung unter verwendung eines echtzeitmodells | |
DE102020204478A1 (de) | Maschinensteuerung unter verwendung eines echtzeitmodells | |
US11641801B2 (en) | Agricultural harvesting machine control using machine learning for variable delays | |
DE102020204363A1 (de) | Bildauswahl für maschinensteuerung | |
DE102020204462A1 (de) | Zonale maschinensteuerung | |
DE102018209843A1 (de) | Mähdrescher-Steuerschnittstelle für einen Bediener und/oder einen abgesetzten Benutzer | |
DE102016215197A1 (de) | Einsatz- und Wegplanung unter Verwendung von Bildern von Erntegut-Windschäden | |
DE102016207568A1 (de) | Erfassen und Sichtbarmachen von Erntegutverlustdaten | |
DE102020206737A1 (de) | Arbeitsmaschinensteuerung basierend auf maschinenfähigkeiten in bezug auf arbeitsauftragskriterien | |
DE102021126413A1 (de) | Landwirtschaftliche merkmale, konfidenz und steuerung | |
DE102021200028A1 (de) | Landwirtschaftliche erntemaschine mit vorauflauf-unkrauterkennungs- und -eindämmungssystem | |
DE102021120069A1 (de) | Prädiktives geschwindigkeitskartenerzeugungs- und steuersystem | |
DE102022122389A1 (de) | Landmaschinensteuerung unter verwendung einer arbeitsqualität auf der grundlage einerin-situ-arbeitsablauferfassung | |
DE102020001120A1 (de) | Verbesserung der dimensionsübergreifenden leistung in der maschinensteuerung | |
DE102022123724A1 (de) | Erntegutgutbestandteilerfassung | |
DE102022100945A1 (de) | Maschinensteuerung mithilfe einer karte mit regimezonen | |
EP3944745A1 (de) | Landwirtschaftliche maschine mit verbesserter benutzerschnittstelle | |
DE102022124448A1 (de) | Prädiktives reaktionskarten-erzeugungs- und steuersystem | |
DE102021124364A1 (de) | Erntegutfeuchtigkeitskartenerzeugungs- und steuersystem | |
DE102021119856A1 (de) | Maschinensteuerung mithilfe einer prädiktiven geschwindigkeitskarte | |
DE102021124715A1 (de) | Erntegutbestandteilkartenerzeugungs- und steuersystem | |
DE102021101230A1 (de) | Erzeugung prädiktiver Maschineneigenschaftskarten und Steuersystem | |
DE102021119643A1 (de) | Erntegutzustandskarten-erzeugungs- und steuersystem | |
DE102020120877A1 (de) | Überwachungs- und verbesserungssystem für die maschinensteuerung | |
DE102021124015A1 (de) | Maschinensteuerung mithilfe einer prädiktiven karte |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R082 | Change of representative |
Representative=s name: REICHERT, CHRISTIAN, DIPL.-ING. DR.-ING., DE |