基于北斗的农机作业大数据系统构建

针对全国范围农机作业动态监测和量化统计的应用需求,该研究通过在农业机械上安装北斗终端,制订数据传输规范,完成了基于北斗的农机作业大数据系统建设。该系统由农业机械及北斗终端、农机制造企业物联网平台和农机作业大数据管理服务平台3部分组成。系统共接入农机290153辆。经数据清洗、轨迹分割和参数提取3个数据处理步骤,可获得农机的工作时长、行驶里程和作业面积等基本统计量。以2021年夏小麦机械化收割为例,利用该系统进行数据获取、处理和统计分析,输出收割机分布热力图和作业重心转移图,进行了收割时长、收割效率与收割面积等统计,分析了小麦主产区对跨区作业的依赖程度。麦收期间在线收割机累计35243辆,日均18568辆,收割时长中位数均值为8.3 h/d,收割面积中位数均值为5.5 hm^(2)/d,约75%的小麦收割机进行了跨区作业,跨区距离中位数约为597 km。应用结果表明,农机作业大数据系统可准确开展数据处理和作业统计,可以向农业农村部门、农机制造企业、农机合作社和农机手提供作业动态监测和数据分析服务。

机耕道自动驾驶农机局部路径规划

针对机耕道场景下自动驾驶农机行驶的安全性、平稳性与规划实时性的实际需求,该研究提出了一种基于二次规划的局部路径规划方法。首先基于有限状态机构建农机机耕道行驶模式,其次采用横纵向解耦的方法,通过改进状态栅格法分别对农机速度行为和轨迹行为进行决策,随后利用二次规划方法生成满足多目标、多约束条件的农机轨迹和速度,得到最优路径,最后在多种行驶环境中进行仿真和实车试验,行驶参考速度为2 m/s。实车试验结果表明,在绕行静态障碍物场景中,规划轨迹的平均绝对曲率为0.021 m^(-1),最大绝对曲率为0.056 m^(-1),平均绝对横向误差为3.23 cm,最大绝对横向误差为8.69 cm,农机与障碍物外轮廓的距离大于0.76 m;在规避相向行驶、同向行驶和横穿机耕道的动态障碍物场景中,规划速度的平均绝对速度误差为0.08~0.12 m/s,绝对速度误差小于0.38 m/s,加速度变化范围为-0.38~0.44 m/s^(2)。在规划周期为200 ms的仿真试验中,该文算法平均耗时48 ms,最大耗时75 ms,相比采用静态状态栅格法平均耗时减少38 ms,算法效率提升44%。研究结果可为机耕道场景下的农机局部路径规划提供技术支持。

基于遥感多参数和CNN-Transformer的冬小麦单产估测

为了提高冬小麦单产估测精度,改善估产模型存在的高产低估和低产高估等现象,以陕西省关中平原为研究区域,选取旬尺度条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)为遥感特征参数,结合卷积神经网络(CNN)局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力,构建CNN-Transformer深度学习模型,用于估测关中平原冬小麦产量。与Transformer模型(R^(2)为0.64,RMSE为465.40 kg/hm^(2),MAPE为8.04%)相比,CNN-Transformer模型具有更高的冬小麦单产估测精度(R^(2)为0.70,RMSE为420.39 kg/hm^(2),MAPE为7.65%),能够从遥感多参数中提取更多与产量相关的信息,且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外,基于CNN-Transformer模型捕获冬小麦生长过程的累积效应,分析逐步累积旬尺度输入参数对产量估测的影响,评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明,模型能有效捕捉冬小麦生长的关键时期,3月下旬至5月上旬是冬小麦生长的关键时期。

基于遥感多参数和IPSO-WNN的冬小麦单产估测

冬小麦是我国的主要粮食作物之一。为进一步准确地估测冬小麦产量,以陕西省关中平原为研究区域,选取冬小麦主要生育期与水分胁迫和光合作用等密切相关的条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)作为遥感特征参数,采用改进的粒子群算法优化小波神经网络(IPSO-WNN)以改善梯度下降方法易陷入局部最优的缺陷,并构建冬小麦产量估测模型。结果表明,IPSO-WNN模型的决定系数R2为0.66,平均绝对百分比误差(MAPE)为7.59%,相比于BPNN(R2=0.46,MAPE为11.80%)与WNN(R2=0.52,MAPE为9.80%),IPSO-WNN能够进一步提高模型的精度、增强模型的鲁棒性。采用灵敏度分析的方法探究对冬小麦产量影响较大的输入参数,结果发现,抽穗-灌浆期的FPAR对冬小麦产量影响最大,其次拔节期的VTCI、抽穗-灌浆期和乳熟期的LAI以及返青期和拔节期的FPAR对冬小麦产量的影响较大。通过IPSO-WNN输出获取冬小麦综合监测指数I,构建I与统计单产之间的估产模型以估测关中平原冬小麦单产,结果显示,估测单产与统计单产之间的R2为0.63,均方根误差(RMSE)为505.50 kg/hm^(2),相比于前人的研究较好地解决了估产模型存在的“低产高估”的问题,因此,本文基于IPSO-WNN构建的估产模型能够较准确地估测关中平原冬小麦产量。

基于DEM的无人驾驶拖拉机前馈稳速控制

针对农田坡度变化影响无人驾驶农机行驶速度稳定性,进而降低播种均匀性和肥药施用精度等问题,该研究设计了一种基于农田数字高程模型(digital elevation model,DEM)和前馈控制策略的拖拉机稳速控制方法。首先建立坡地干扰补偿模型,基于拖拉机实时位置从农田DEM中提取前方作业路径的坡度信息,计算拖拉机前方目标速度补偿量,实现拖拉机行驶的稳速控制。以DF1204无级变速拖拉机为试验平台,在中国农业大学烟台研究院开展3组不同目标速度的上坡、平地和下坡行驶对比试验。试验结果表明,拖拉机以目标速度4、6和8 km/h行驶时,上坡行驶的实测速度均值分别为4.03、5.94和7.85 km/h,平地行驶的实测速度均值分别为4.04、6.02和8.03 km/h,下坡行驶的实测速度均值分别为4.00、6.10和8.19 km/h,与对照组相比,在上坡、平地和下坡行驶时的速度均方根误差平均分别降低了46.63%、21.92%和37.15%,试验组上坡和下坡行驶的实测速度均值更接近目标速度。所提方法可有效提高无人驾驶拖拉机在起伏农田的稳速控制精度,有助于提高农机作业质量。

基于遥感多参数和VMD-GRU的冬小麦单产估测

为充分挖掘时间序列遥感参数的时序信息和趋势信息,并进一步提升冬小麦估产精度,以陕西省关中平原为研究区域,选取与冬小麦长势密切相关的生育时期尺度的条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)作为遥感参数,构建耦合变分模态分解(VMD)与门控循环单元(GRU)神经网络的估产模型。应用VMD算法将各个时间序列遥感参数分解为多组平稳的本征模态函数(IMF)分量,选取与原始时间序列遥感参数高度相关的IMF分量进行特征重构,并将重构特征作为GRU网络的输入,以构建冬小麦组合估产模型。结果表明,VMD-GRU组合估产模型决定系数为0.63,均方根误差为448.80 kg/hm^(2),平均相对误差为8.14%,相关性达到极显著水平(P<0.01),其精度优于单一估产模型精度,表明该组合估产模型能够提取非平稳时间序列数据的多尺度、多层次特征,并充分挖掘冬小麦各生育时期遥感参数间的内在联系,获得准确单产估测结果的同时提升了估产模型的可解释性。

北斗实时百皮秒级单差时频同步方法

高精度时频传递与时间同步服务已成为全球导航卫星系统应用领域的研究热点,国内外学者围绕GNSS高精度时频同步模型算法及相关应用等方面开展了诸多研究。本文提出基于载波相位的差分高精度时间传递模型,实现基于北斗卫星导航系统的实时百皮秒级单差时频同步。以中国计量科学研究院的光纤链路为参考,北斗时间同步精度优于时频同步系统的实时秒脉冲时间同步精度优于100 ps;在7 d的测试时段内,链路的时间稳定度优于70 ps;链路频率万秒稳定度可达10-15量级,频率长期稳定度可达10-16量级。利用BDS进行单差时频同步的频率稳定度与GPS相当,对开展BDS在时频领域的下一步推广应用提供重要的参考意义。

基于DF2204无级变速拖拉机的农机无人驾驶系统研制

针对农机无人化作业需求,该研究基于DF2204无级变速拖拉机和机器人操作系统(Robot Operating System,ROS),研发了一种适于田间作业的农机无人驾驶自主作业系统。系统由控制、规划、安全和总线通信等模块组成。对DF2204无级变速拖拉机进行硬件改造与集成,设计满足农机无人驾驶要求的控制器局域网(Controller Area Network,CAN)总线协议和ROS与CAN总线通信的消息结构,包括5类控制帧和2类状态帧;设计了基于比例-积分-微分(Proportion Integration Differentiation,PID)控制器的横向跟踪与纵向速度控制算法。在北京密云试验田开展田间小麦播种实际作业试验。试验结果表明,消息结构满足50 Hz通信负载,横向跟踪平均绝对误差为2.96 cm,纵向速度平均绝对误差0.68 m/s。研究结果可为无级变速拖拉机的无人化升级改造提供参考,提高农机智能化水平和作业效率。

面向无人驾驶农机的高精度农田地图构建

农业劳动力短缺与成本高涨问题日益凸显,研发农机无人驾驶技术势在必行。该研究针对无人驾驶农机对高精度农田地图的需要,提出一种高精度农田地图构建方法。将地图分为地块信息层、障碍物层、作业信息层和动态感知层,并定义前两层的地图模型。针对地块信息管理,采用地块边界层为数据管理单元,定义了边界层的拓扑关系与限制信息。针对障碍物管理,并定义了不同几何属性的障碍物,分别表达形状、类型及语义等信息。同时提出了一种基于多旋翼无人机和Autoware的地图数据采集、标注与发布方法。在北京市密云区开展了地图构建试验,布设了12个检验点用于地图精度评价。结果表明,本研究制作的高精度地图的绝对定位精度优于0.1 m,平面误差的标准差小于2 cm,因建图产生的地图拉伸与压缩误差在厘米级以内。所提出的农田高精度地图架构可满足无人驾驶农机作业对地图精度的需求,可为农机作业路径规划和障碍物感知提供先验信息,降低无人驾驶应用对单机智能化的要求。

基于U-Net和特征金字塔网络的秸秆覆盖率计算方法

针对田间秸秆覆盖分散、秸秆形态多样,细碎秸秆识别困难,传统图像识别方法易受光照、阴影等因素干扰等问题,本文以黑龙江省齐齐哈尔市龙江县为研究地点,构建田间秸秆图像数据集;对图像进行裁剪、标注后,构建了以U-Net为基础网络的秸秆检测模型。将编码阶段的网络结构换成ResNet34的前4层作为特征提取器,增加模型的复杂度,增强秸秆特征的提取;为增强秸秆边缘识别,在最高语义信息层对深层特征图使用多分支非对称空洞卷积块(Multibranch asymmetric dilated convolutional block, MADC Block)提取多尺度的图像特征;为增加细碎秸秆的检测能力,在跳跃连接阶段使用密集特征图金字塔网络(Dense feature pyramid networks, DFPN)进行低层特征图和高层特征图的信息融合,利用特征图对应秸秆图像中感受野的不同,解决秸秆形态多样的问题;为避免秸秆特征图在上采样时的无效计算,解码阶段使用快速上卷积块(Fast up-convolution block, FUC Block)进行上采样,避免秸秆特征图在上采样时的无效计算。试验表明,本文算法在车载相机采集到的秸秆图像数据集上平均交并比为84.78%,相比U-Net提高2.59个百分点,该网络对于640像素×480像素的图像平均处理时间低于3 ms,符合作业检测时的时间复杂度要求,算法在一定程度上改善了阴影区域秸秆的识别问题,提高了细碎秸秆的识别能力。

基于机器学习的小麦收获机掉头轨迹识别

识别小麦收获机运行轨迹是分析农业机械活动、提高作业效率的重要手段。本文针对小麦收获机田内作业场景,提出一种基于机器学习的收获机掉头轨迹识别算法。首先通过两步K-means聚类与三步修正识别出X形掉头轨迹点、作业异常轨迹点与作业轨迹点;为进一步从作业轨迹中分类出U形掉头轨迹点,构建了基于支持向量机模型(Support vector machine, SVM)的U形掉头轨迹识别算法,并对初步识别结果进行三步修正;最终识别出小麦收获机的田内X形掉头、作业异常、U形掉头与作业轨迹点,识别结果的F1值为94%,时间间隔为1~5 s的数据的F1值在90%以上,实现田内轨迹的细致划分。基于去除掉头轨迹与异常轨迹后获得的有效作业轨迹,可通过距离算法计算获得农田面积,结果相比使用原始轨迹的计算误差可降低12.76%。该研究可为基于海量农机轨迹的作业精细化管理提供参考。

基于LightGBM的冬小麦产量估测与可解释性研究

机器学习模型在作物长势监测和产量估测过程中,复杂模型的内部机制难以理解,为了在准确估测作物产量的同时给出合理解释,本文选取条件植被温度指数(VTCI)以及冬小麦产量数据,基于轻量级梯度提升机(LightGBM)开展关中平原冬小麦的产量估测研究,并将局部可解释性模型无关方法(LIME)、部分依赖图(PDP)和个体条件期望图(ICE)等全局和局部可解释性方法用于对模型估测结果的进一步解释。结果表明,与其他机器学习方法相比,经过网格搜索优化的LightGBM能够准确地估测冬小麦产量,估测单产与实测单产的决定系数R^(2)达到0.32,均方根误差(RMSE)为809.10 kg/hm^(2),平均相对误差(MRE)为16.55%,达到极显著水平(P<0.01),表明该模型有较高的预测精度和泛化能力。进一步可解释性实验表明,网格搜索优化的LightGBM能够准确提取数据蕴含的信息,从全局角度来看,冬小麦4个生育期中拔节期VTCI对产量形成最为重要,抽穗-灌浆期和乳熟期次之,返青期则影响最小,这与先验知识相符合;从局部角度来看,局部可解释性方法基于冬小麦产量西高东低的空间特征能够进一步提供不同县(区)产量存在差异的原因,为关中平原的田间管理提供参考,对冬小麦的稳产增产具有应用价值。

无级变速拖拉机跃度最优化调速控制

针对无人驾驶拖拉机加减速导致的作业平稳性低和燃油经济性差等问题,该研究基于CVT(constantly variable transmission,无级变速传动)拖拉机,设计了一种基于贝尔曼最优性原理的最小跃度多项式局部速度规划算法。基于贝尔曼最优性原理和最优控制思想设计全局规划目标、局部规划目标及约束,提出基于最小跃度多项式的局部速度规划算法并开发速度跟随控制系统。田间试验表明,相对于无最优化调速技术的对照组,U型掉头的速度误差平均值和均方根分别降低42.31%和50.75%,加速度平均值与方差分别降低8.26%和16.36%,跃度平均值与方差分别降低7.65%和14.23%,发动机转速方差降低63.36%,发动机扭矩百分比方差降低60.26%,瞬时油耗方差降低71.25%,总油耗降低2.37%。直线行驶调速效果呈现相同趋势,与对照组相比,速度误差平均值和均方根分别降低9.45%和11.14%,加速度平均值与方差分别降低6.03%和13.68%。跃度平均值和均方根分别降低1.55%和3.59%。发动机转速方差降低31.78%,发动机扭矩百分比方差降低25.13%,瞬时油耗方差降低31.82%,总油耗降低2.48%。所提方法满足无级变速拖拉机无人驾驶速度平稳切换需要,并提高了燃油经济性。

基于双变量同化和交叉小波变换的冬小麦单产估测

为进一步提高陕西省关中平原冬小麦产量估测的精度,利用集合卡尔曼滤波算法(EnKF)将CERES Wheat模型模拟的0~20 cm土壤含水率和叶面积指数(LAI)与遥感观测的条件植被温度指数(VTCI)和LAI进行同化,同时利用交叉小波变换分析冬小麦各生育时期同化VTCI和LAI与产量之间的共振周期,通过计算小波互相关度获得各生育时期同化VTCI和LAI的权重,进而构建基于加权VTCI和LAI的冬小麦单产估测模型。结果表明,在样点尺度,经过EnKF同化的VTCI和LAI能够综合表达模型模拟值和遥感观测值的变化趋势;在区域尺度,无论是否同化,经过交叉小波变换的各生育时期VTCI和LAI分别与产量之间存在特定的共振周期,同时发现,同化有助于对关键生育时期的特征提取;相较于未同化构建的估产模型,经过同化构建的估产模型的归一化均方根误差为13.23%,决定系数为0.50,平均相对误差为10.58%,精度略有提升,且估测产量的分布与统计产量的分布更为一致,因此认为将同化与交叉小波相结合构建的双变量单产估测模型精度更高,可为进一步实现高精度的区域产量估测提供研究基础。

拖拉机自动导航变曲度路径跟踪控制

针对当前拖拉机自动导航曲线跟踪控制精度不能满足生产需要的问题,该研究提出一种基于前轮转角前馈补偿策略的变曲度路径跟踪控制方法。综合考虑农机作业速度和目标路径曲度对前视距离的影响,通过调整前视区域和计算预瞄点,动态调整前视距离和前轮转角前馈量,在追踪预瞄点的过程中,利用农机与目标路径偏差设计变曲度路径跟踪模糊控制器,通过实时调整拖拉机前轮转角补偿量减小稳态误差。以DF2204无级变速拖拉机为试验平台,设计并研发了自动导航系统,开展21组变曲度路径跟踪控制试验。试验结果表明,拖拉机以1.0、1.5、2.0和3.0 m/s速度行驶时的平均绝对误差的平均值分别为2.7、2.7、3.3和4.0 cm,均方根误差的平均值分别为3.4、3.7、4.6和5.0 cm,满足农业生产需求。所提方法可有效提高农机曲线路径跟踪精度,减少漏耕,提高农田利用率。

农机轨迹田路分类的局部方向中心性度量聚类算法

利用海量轨迹数据中蕴藏的时空信息分析农机的行为模式,将轨迹点分割成一系列田间路段和道路路段,并分配相应的语义标签,是后续有关农业机械轨迹研究的重要前置任务。已有基于密度的聚类算法难以有效分离弱连接簇,在聚类时易将弱连接的不同簇识别为同一簇。为克服上述缺陷,设计了一种面向农机轨迹田路分类的局部方向中心性度量和空间距离特征的聚类算法。该算法采用一种基于局部方向中心性度量的分簇机制,用于分离弱连接簇;为进一步提高算法的准确率,提出一种基于空间距离特征的簇边界重置策略,其根据元素点间的空间距离和邻域内其他点的数量分布情况对簇边界处的点进行重置,从而提高算法在簇边界处的识别性能。为验证所提方法的有效性,在农业农村部农机作业监测与大数据应用重点实验室提供的470条真实农机轨迹样本上展开了实验。结果表明所提方法的F1-score比已有聚类算法在田路分类中应用的SOTA方法在玉米、小麦、水稻收割机轨迹数据集上的F1-score分别平均提高了12.82、24.09、14.38个百分点。

基于多元振荡黏菌算法的田路分割模型参数优化方法

田路分割是农机轨迹语义分割模型的重要任务之一,其目的是将轨迹自动分割为田间作业轨迹和道路行驶轨迹。田路分割模型的参数是影响其分割准确性及精度的关键因素,传统的参数选择方法效率较低且难以获得较好的方案,限制了模型的分割性能。因此,该研究选用基于方向分布的田路分割模型(Field-Road Trajectory Segmentation Based on Direction Distribution,BDFRTS),尝试从参数优化的角度研究模型的性能提升,提出的方法主要包括两个方面,首先建立了一种基于元启发式算法(Metaheuristic Algorithms,MA)的田路分割模型参数优化解决方案;其次,在黏菌算法(Slime Mould Algorithm,SMA)的基础上提出了一种改进的多元振荡黏菌算法(Multiplex Oscillation Slime Mould Algorithm,MOSMA)求解参数优化方案以更好地提高模型的分割性能。MOSMA分别提出一种动态引导策略与多元振荡策略强化了黏菌的振荡收缩反应及细胞质的流动过程,进而增强了算法的优化能力。为验证所提参数优化方法的有效性,将博创联动提供的中国农机在2021年9月底—10月中下旬进行水稻收割的作业轨迹作为数据集开展试验。试验结果表明,该研究所提方法有效地提升了田路分割模型的准确性和性能。MOSMA-BDFRTS分割模型在10组高密度轨迹中的平均准确率相比网格搜索田路分割模型、粒子群田路分割模型分别提高了25和28个百分点;在10组低密度轨迹中分割的平均准确率分别提高了17和14个百分点。该研究可为田路分割技术提供合理的性能优化方案,也为农业机械运动轨迹分割技术的效率研究提供参考依据。