一种块茎类农作物收割机的智能控制方法

本发明涉及块茎类农作物收割机领域，具体的说是一种块茎类农作物收割机的智能控制方法。

背景技术：

1、当前在农作物收割机的智能控制方法虽然在提高农业生产效率和减少人力成本方面取得了显著进展，但仍存在一些不足和弊端，这些问题主要集中在系统的复杂性、成本、适应性、数据依赖性、技术整合难度以及环境影响等方面。首先，系统的复杂性是一个主要问题。智能控制系统通常需要集成多种传感器、先进的数据处理软件和复杂的算法，这不仅增加了系统的设计和维护难度，而且也提高了操作员的技术要求。对于许多小型农场或发展中地区的农民来说，这种高技术要求可能难以达到，因此限制了智能控制技术的普及和应用。此外，系统复杂性的增加往往伴随着更高的故障率，这可能会导致收割机在关键时期出现操作失败，从而影响整个农作物的收成。其次，成本问题也是制约智能控制技术广泛应用的一个重要因素。智能收割机的研发、生产和维护成本都相对较高，特别是先进的传感器和计算硬件的成本，这使得这些设备对于许多中小型农场而言成本过高。高额的初期投资和可能的维护成本可能超出了他们的财务能力，这限制了这些技术的市场接受度和普及率。

2、再者，尽管智能控制系统设计有良好的适应性，能够调整机械行为以适应不同的作物和环境条件，但它们在实际应用中仍面临适应性的挑战。例如，收割机的智能系统可能在特定的作物类型、成熟度或土壤条件下表现良好，但在遇到非典型条件或极端气候时，其性能可能会大幅下降。这种适应性不足可能导致作业效率低下、作物损失或增加操作难度。

技术实现思路

1、本发明的目的是提供一种块茎类农作物收割机的智能控制方法，从而解决背景技术中所指出的部分弊端和不足。

2、本发明解决其上述的技术问题所采用以下的技术方案：包括通过高分辨率相机收集块茎作物图像数据，并使用深度学习框架训练智能图像识别算法识别和定位土中块茎作物；

3、利用收割机上安装的多种传感器，包括光学传感器、雷达和地面穿透雷达gpr，通过设计的数据融合算法结合不同传感器数据，提高对作物位置和土壤条件的整体感知能力；

4、结合作物分布和地形特征，采用路径优化算法规划收割路径，并通过自适应控制策略调整行进速度和收割深度，以减少重复行驶和遗漏收割的区域；

5、最后使用机器学习算法根据收集到的图像和传感器数据评估作物健康状况，并集成决策支持系统为农民提供基于作物健康状况的实时收割和管理建议。

6、进一步地，所述识别和定位土中块茎作物的方法：

7、s1、首先采用装备在收割机上的多个高分辨率相机，从包括俯视、侧视和斜视的不同角度捕获作物和土壤的图像，通过多角度成像方法提供全面视图，辅以自定义的图像处理函数：

8、

9、其中g(t,x,y,θ)代表从角度θ获得的图像数据的像素值，σ是控制图像平滑的参数，用于计算图像中作物与土壤的相对位置；

10、s2、采用针对块茎类作物的图像特征进行优化的卷积神经网络模型，在多层次上分析图像数据，采用定义的神经元激活函数：

11、

12、其中α是模型训练中优化的参数，用于从基本的形状和颜色到复杂的纹理和深度信息的分析；

13、s3、利用实际农田环境中收集的大量数据，通过定义的数据适应性函数：

14、

15、其中d代表数据点，β和s是调整因子，用于模型的训练和测试，确保模型处理各种土壤类型、光照条件和作物成熟度的变化。

16、进一步地，所述的数据融合算法采用图卷积网络gcn设计来处理和整合来自不同传感器类型的异构数据，学习不同数据源的特征表示，并执行端到端的学习以优化作物和土壤条件的感知；

17、然后采用实时反馈机制，根据收集到的数据不断调整和优化数据融合算法的参数，通过持续在线学习算法提高对变化环境的适应性；

18、接着融合后的数据被输入到决策支持系统，基于包括强化学习，自动学习和提升其决策质量的算法，提供关于作物收割最佳时机、路径规划和土壤管理的优化建议。

19、进一步地，所述的图卷积网络gcn在数据图上进行学习，所述数据图由节点构成，节点代表不同传感器的数据点，边表示数据点之间的空间或功能关联，使用公式：

20、

21、其中xi,xj为节点数据，φk是由gcn学习的函数，wk是权重参数，λ是衰减因子，用于计算节点间的关联性；

22、其次，gcn通过深度特征学习进行端到端训练，直接从输入数据到输出预测，模型采用自定义学习公式：

23、

24、其中yi是目标变量，hij是从gcn的第j层学到的隐藏特征，uj是该层的学习参数，γi是样本的自适应学习率，σ是非线性激活函数，允许模型优化作物和土壤条件的感知。

25、进一步地，所述的实时反馈机制构建方法：

26、s1、首先使用光学传感器、雷达和地面穿透雷达gpr实时收集关于作物和土壤的数据，通过数据预处理公式：

27、

28、其中d代表传感器探测距离，θ为传播角度，φ为探测角度，用于优化传感器数据的信噪比和准确性；

29、s2、然后利用在线自适应学习算法调整模型参数，采用权重更新公式：

30、

31、其中w表示权重参数，xi为输入特征，η是动态调整的学习率，ρ是期望输出，提高模型对新环境的适应性；

32、s3、最后采用实时反馈机制，根据收集到的数据和预测的作物位置与实际作物位置之间的误差，应用参数调整公式：

33、

34、其中θ为模型参数，γ是学习调整因子，pactual和ppred分别表示实际位置和预测位置，以实时优化作物收割路径。

35、进一步地，所述融合后的数据输入到基于强化学习和自动学习的决策支持系统，采用自适应学习策略公式：

36、

37、其中s和s′表示当前和下一状态，a和a′表示在这些状态下采取的行动，r是即时奖励，α是学习率，γ是折扣因子，用于更新决策模型，以优化作物收割的时机、路径规划和土壤管理；

38、然后根据实时反馈自动调整决策参数，应用公式：

39、

40、其中θnew和θold分别为更新前后的参数，δ是调整因子，λ是衰减系数，ypred和yactual分别表示预测和实际收割位置，用于实时优化作物收割路径和提高操作效率。

41、进一步地，所述的路径优化算法实现步骤包括：

42、s1、首先利用地理信息系统gis映射作物分布和地形特征，通过整合卫星图像和地面数据，采用数据处理公式：

43、

44、来识别地形障碍和作物密度，其中x,y代表地理坐标，z(x,y)为地形高度函数；

45、s2、接着应用路径优化算法，包括基于改进的遗传算法，利用公式：

46、

47、来动态规划最优收割路径，其中n为路径节点数量，λi为路径权重系数，di为节点至节点的距离；

48、s3、最后通过自适应控制策略调整行进速度和收割深度，采用控制公式：

49、vadj(s,α)＝v0e-κscos(α)

50、其中v0是基准速度，κ是地形适应性调整因子，s是作物密度指标，α是坡度角度。

51、进一步地，所述的评估作物健康状况采用的方法包括：

52、首先使用多种传感器包括高分辨率光学传感器以及湿度和温度传感器来收集作物的图像和环境数据，利用公式：

53、

54、其中x,y表示图像数据维度，z表示环境数据，以分析和预处理数据；

55、然后应用深度学习算法，包括卷积神经网络cnn，通过公式：

56、f(i,p)＝log(∑ei·p)

57、来评估作物的健康状况，其中i代表输入的图像数据，p代表卷积层的参数；

58、最后，集成决策支持系统，基于处理后的数据输出，采用自动化学习反馈公式：

59、

60、其中c是当前作物健康状态，t是目标健康状态，k是调整速率，来为农民提供包括最佳收割时间、施肥或灌溉指导的实时农业管理建议。

61、本发明的有益效果：

62、1.提高收割效率：通过实时数据分析和智能路径规划，能够优化收割路径，减少机器在田间的空驶和重复覆盖区域，从而提高作业效率和减少能源消耗。

63、2.增强作物损伤防护：智能控制系统能够根据作物和土壤的实时数据调整收割机的操作参数(如收割深度和速度)，这有助于减少作物受损和土壤结构破坏，保护作物质量。

64、3.适应性强：该系统可以自动适应不同的土壤类型、作物成熟度和光照条件，通过在线学习算法不断优化控制策略，以应对不断变化的环境条件。

65、4.减少人工干预：系统的自动化和智能化设计减少了对人工操作的依赖，使得农业生产更加现代化和自动化，减轻了农民的劳动强度。

66、5.数据驱动的决策支持：集成的决策支持系统能够提供基于数据的实时决策帮助，如最佳收割时机、施肥和灌溉指导，帮助农民科学管理农场，提升管理效率和决策质量。