[發(fā)明專利]一種聯(lián)合收獲機喂入量在線預測裝置及方法

在審

• 申請?zhí)枺?/td>: 202011008723.8
• 申請日: 2020-09-23
• 公開（公告）號: CN112237089A
• 公開（公告）日: 2021-01-19
• 發(fā)明（設計）人: 陳進;王志文;陳海文;徐海洋
• 申請（專利權(quán)）人: 江蘇大學
• 主分類號: A01D41/127
• 分類號: A01D41/127
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種聯(lián)合收獲機喂入量在線預測裝置，其特征在于，包括主控制器、速度采集模塊、圖像采集模塊、留茬及作物高度采集模塊，速度采集模塊、圖像采集模塊、留茬及作物高度采集模塊與主控制器相連接；

所述速度采集模塊設置在聯(lián)合收獲機驅(qū)動輪內(nèi)側(cè)，采集的信號傳輸給主控制器，獲取聯(lián)合收獲機實時的作業(yè)速度；所述圖像采集模塊通過支架(2)固定在收獲機頂棚上，實時獲取前方作物的圖片，并傳輸給主控制器，獲取作物的穗頭個數(shù)；所述留茬及作物高度采集模塊包括兩個激光測距傳感器(4)，一個激光測距傳感器(4)固定在分禾器的最前端，另一個激光測距傳感器(4)固定在支架(2)上，激光測距傳感器(4)采集的信號傳輸給主控制器，分別得到留茬高度及作物高度。

2.根據(jù)權(quán)利要求1所述的聯(lián)合收獲機喂入量在線預測裝置，其特征在于，還包括與控制器相連接的電源穩(wěn)壓模塊、人機交互模塊和CAN通信模塊。

3.根據(jù)權(quán)利要求1所述的聯(lián)合收獲機喂入量在線預測裝置，其特征在于，所述速度采集模塊為霍爾傳感器，霍爾傳感器包括霍爾傳感器探頭(602)和磁鋼(601)，磁鋼(601)粘貼在聯(lián)合收獲機驅(qū)動輪(6)內(nèi)側(cè)的轉(zhuǎn)軸上，霍爾傳感器探頭(602)每經(jīng)過一個磁鋼(601)，產(chǎn)生一次脈沖信號，通過信號輸出端(603)將脈沖信號傳輸給主控制器。

4.根據(jù)權(quán)利要求1所述的聯(lián)合收獲機喂入量在線預測裝置，其特征在于，所述支架(2)包括角鐵(202)、長桿(205)、短桿和亞克力板，角鐵(202)固定在收獲機頂棚上，角鐵(202)還固定長桿(205)一端，長桿(205)另一段與短桿一端垂直連接，短桿另一端固定亞克力板，亞克力板上固定圖像采集模塊和一個激光測距傳感器(4)。

5.根據(jù)權(quán)利要求4所述的聯(lián)合收獲機喂入量在線預測裝置，其特征在于，所述長桿(205)和短桿均設置在卡槽(204)中，長桿(205)、短桿和卡槽(204)上均設有圓孔，通過圓孔的配合，長桿(205)和短桿能夠在卡槽(204)中伸縮。

6.一種根據(jù)權(quán)利要求1-5任一項所述的聯(lián)合收獲機喂入量在線預測裝置的在線預測方法，其特征在于：

霍爾傳感器將脈沖信號傳輸給主控制器，主控制器計算出聯(lián)合收獲機實時的作業(yè)速度；

主控制器通過激光測距傳感器(4)發(fā)射激光的往返時間，分別計算出留茬高度及作物高度；

圖像采集模塊實時獲取前方作物的圖片，并傳輸給主控制器，得到作物的穗頭個數(shù)；

粒子群算法得到的最優(yōu)個體賦值給BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值，完成BP神經(jīng)網(wǎng)絡的訓練，得到喂入量預測模型；作物的穗頭個數(shù)、收獲機的實時作業(yè)速度、留茬及作物高度作為喂入量預測模型的輸入，輸出為喂入量的預測值。

7.根據(jù)權(quán)利要求6所述的聯(lián)合收獲機喂入量在線預測裝置的在線預測方法，其特征在于：所述作物的穗頭個數(shù)獲取過程為：對前方作物的圖片依次進行灰度化處理、中值濾波處理、OTSU閾值分割去除土壤背景部分、填平圖像被分割后的空洞，再通過檢測區(qū)域的個數(shù)和角點數(shù)計算整個區(qū)域的穗頭個數(shù)。

8.根據(jù)權(quán)利要求6所述的聯(lián)合收獲機喂入量在線預測裝置的在線預測方法，其特征在于：所述粒子群算法得到最優(yōu)個體的過程為：

①粒子群的初始化：整個空間的維數(shù)為該網(wǎng)絡中所有權(quán)值和閾值之和；

②粒子適應度值：計算出期望輸出和預測輸出，并將它們各自誤差的絕對值之和作為個體適應度通過每個粒子初始位置結(jié)合個體適應度公式，計算出粒子的適應度值F_it[i]，其中n₂表示輸出的節(jié)點數(shù)，y_i為神經(jīng)網(wǎng)絡網(wǎng)絡中第i個點的期望輸出，o_i為第i個點的預測輸出，abs()為誤差絕對的運算符，k′表示該式的系數(shù)；

③個體極值的更新：整個空間中第i個粒子搜尋到的最優(yōu)位置作為個體極值P_best＝[p_i1,p_i2,...,p_id]^T,i＝1,2,...,n₂，將每一個粒子的適應度值F_it[i]與個體極值P_best(i)進行大小比較，如果F_it[i]P_best(i)，則個體極值選用F_it[i]，反之則選用P_best(i)；

④群體極值的更新：整個過程中粒子群搜索到的最優(yōu)位置的值被稱為該群體的極值G_best＝[P_g1，P_g2，...P_gd]^T，g＝1，2，...，n₂，將每一個粒子的適應度值F_it[i]與群體極值G_best(i)進行大小比較，如果F_it[i]G_best(i)，則群體極值用F_it[i]，反之則用G_best(i)；

⑤粒子速度和位置的更新：在每一次粒子迭代的過程中，粒子采用個體極值和群體極值，結(jié)合和更新自身的速度和位置，其中w代表慣性權(quán)重；d＝1,2,...,D；k為系統(tǒng)的迭代次數(shù)；v_id表示粒子的速度，X_id表示粒子的位置；c₁和c₂是加速度因子，通常情況下為非負常數(shù)；r₁和r₂是[0，1]之間的隨機數(shù)。