機(jī)械化收獲是現(xiàn)代化農(nóng)業(yè)生產(chǎn)的重要基礎(chǔ)，及時(shí)、準(zhǔn)確獲取產(chǎn)量數(shù)據(jù)是了解土壤特性，開展水、肥、種變量投放的前提。發(fā)展收獲機(jī)谷物測(cè)產(chǎn)系統(tǒng)，可以實(shí)現(xiàn)對(duì)作物產(chǎn)量的實(shí)時(shí)、準(zhǔn)確監(jiān)測(cè)，提高農(nóng)業(yè)生產(chǎn)效率和智慧農(nóng)業(yè)發(fā)展的水平與質(zhì)量。

一、收獲機(jī)谷物測(cè)產(chǎn)技術(shù)發(fā)展歷程

1991年， Reitz等人在拖拉機(jī)上安裝了一個(gè)測(cè)產(chǎn)裝置的原型，是最早的機(jī)械化農(nóng)業(yè)收獲過程中實(shí)現(xiàn)自動(dòng)監(jiān)測(cè)與記錄產(chǎn)量數(shù)據(jù)的嘗試。1994年，Konaka等人建立了一個(gè)利用機(jī)械參數(shù)估計(jì)產(chǎn)量的統(tǒng)計(jì)模型。上世紀(jì)90年代后期，更多研究開始集中在傳感器類型選擇、最佳布置位置以及數(shù)據(jù)過濾與處理方法上，例如Takigawa等人研究了利用收獲機(jī)轉(zhuǎn)速信號(hào)計(jì)算產(chǎn)量的方法。Grift等人開展了利用衛(wèi)星定位技術(shù)提高測(cè)產(chǎn)數(shù)據(jù)準(zhǔn)確性的研究。

二、谷物收獲測(cè)產(chǎn)傳感器研究現(xiàn)狀

（一）光學(xué)傳感器

光學(xué)傳感器分為成像式和非成像式。非成像式主要通過檢測(cè)升運(yùn)器刮板上的糧食厚度，產(chǎn)生不同寬度的脈沖信號(hào)進(jìn)行產(chǎn)量檢測(cè)?？死故斋@機(jī)的Quantimeter II、RDS Technology的Ceres 8000i、拓普康的YM-3等采用這一原理商業(yè)化應(yīng)用。

成像式傳感器檢測(cè)收獲機(jī)前端的圖像或影像信息，利用圖像處理算法提取作物特征參數(shù)，建立數(shù)學(xué)模型實(shí)現(xiàn)產(chǎn)量定量計(jì)算。上世紀(jì)90年代，Marchant等在小麥?zhǔn)斋@機(jī)上安裝視頻攝像頭進(jìn)行收獲圖像采集，開展基于視覺的谷物測(cè)產(chǎn)研究。21世紀(jì)，有學(xué)者利用雙攝像頭立體視覺進(jìn)行大豆收獲測(cè)產(chǎn)研究。中國農(nóng)業(yè)大學(xué)團(tuán)隊(duì)利用深度學(xué)習(xí)算法處理小麥?zhǔn)斋@圖像，實(shí)現(xiàn)了對(duì)穗粒的高精度識(shí)別。另有一些學(xué)者嘗試了用無人機(jī)搭載視覺設(shè)備減少遮擋對(duì)測(cè)量結(jié)果的影響。

使用光電傳感器測(cè)產(chǎn)技術(shù)需提升信號(hào)采集、處理與分析能力，以適應(yīng)農(nóng)業(yè)生產(chǎn)環(huán)境，實(shí)現(xiàn)產(chǎn)量準(zhǔn)確自動(dòng)監(jiān)測(cè)。

（二）雷達(dá)傳感器

雷達(dá)傳感器安裝在提升器組件上，通過發(fā)射電磁波并接收目標(biāo)反射信號(hào)實(shí)時(shí)監(jiān)測(cè)谷物的體積和流動(dòng)變化，設(shè)計(jì)算法模型實(shí)現(xiàn)精確計(jì)算谷物產(chǎn)量。

上世紀(jì)90年代，美德兩國的研究團(tuán)隊(duì)利用X波段和Ka波段雷達(dá)進(jìn)行小麥?zhǔn)斋@產(chǎn)量監(jiān)測(cè)研究。21世紀(jì)后，有學(xué)者采用毫米波Ka頻段脈沖多普勒雷達(dá)進(jìn)行研究。融合多個(gè)毫米波雷達(dá)監(jiān)測(cè)數(shù)據(jù)、多傳感器互補(bǔ)的研究進(jìn)一步提高了測(cè)產(chǎn)系統(tǒng)的精確度。

雷達(dá)技術(shù)能透視式探測(cè)谷物，不受遮擋。但需考慮谷物密度和流速變化對(duì)信號(hào)的影響。雷達(dá)傳感器應(yīng)用廣泛，但設(shè)備成本高。未來需優(yōu)化雷達(dá)性能，研發(fā)精確、智能的處理算法提升產(chǎn)量監(jiān)測(cè)的精確度和可靠性。

（三）力學(xué)特征傳感器

力學(xué)特性傳感器通過檢測(cè)物體的力或變形實(shí)現(xiàn)參數(shù)測(cè)量，常見的力學(xué)特性傳感器包括壓力傳感器、壓電傳感器等，產(chǎn)品形式以沖量傳感器和稱重傳感器為主。

沖量傳感器利用流體沖擊梯度產(chǎn)生的壓力波來判斷物體質(zhì)量。上世紀(jì)90年代，國外學(xué)者開始在收獲機(jī)的傳送部件上安裝壓力或力傳感器進(jìn)行產(chǎn)量計(jì)算。21世紀(jì)以后，伴隨MEMS技術(shù)的進(jìn)步， 沖量式壓力傳感器實(shí)現(xiàn)微型化，方便集成于收獲機(jī)傳送裝置中。采用應(yīng)變沖量式陣列傳感器或壓電薄膜傳感陣列布置在斗提升器表面，成本低廉，且環(huán)境適應(yīng)性強(qiáng)。

稱重傳感器通過測(cè)量物體受壓力變化來計(jì)算物體的質(zhì)量，包括電阻應(yīng)變片傳感器、壓電傳感器等。

20世紀(jì)90年代，美國和英國的農(nóng)業(yè)工程學(xué)者通過安裝小型電子秤，進(jìn)行谷物重量的離散抽樣式測(cè)定。21世紀(jì)以后， 一些研究提出在谷物收獲機(jī)傳送部件上安裝高精度稱重傳感器，實(shí)現(xiàn)持續(xù)實(shí)時(shí)的重量監(jiān)測(cè)，以判斷谷物的流量和產(chǎn)量。開發(fā)穩(wěn)定的微型傳感器，組成傳感器陣列進(jìn)行多點(diǎn)檢測(cè)，并與機(jī)載計(jì)算設(shè)備進(jìn)行數(shù)據(jù)融合，進(jìn)一步提高測(cè)量精度是目前研究的重點(diǎn)。

力學(xué)特性傳感器成本低、實(shí)現(xiàn)簡單，但使用范圍有限。當(dāng)前研究熱點(diǎn)是采用新型壓力陣列傳感器，并結(jié)合車身姿態(tài)，融合多傳感器數(shù)據(jù)，提高測(cè)量精確度。

三、谷物收獲測(cè)產(chǎn)算法的研究現(xiàn)狀

谷物收獲測(cè)產(chǎn)算法是實(shí)現(xiàn)收獲機(jī)產(chǎn)量監(jiān)測(cè)與計(jì)算的核心技術(shù)，分為基于機(jī)械模型的算法、基于傳感回歸的算法和基于深度學(xué)習(xí)的算法。

（一）機(jī)械模型算法

基于機(jī)械模型的算法依據(jù)對(duì)收獲機(jī)械運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)原理的建模，通過機(jī)械參數(shù)設(shè)計(jì)出確定性的數(shù)學(xué)模型，實(shí)現(xiàn)對(duì)產(chǎn)量的計(jì)算。20世紀(jì)90年代，國外學(xué)者提出了以傳送部件的轉(zhuǎn)速來計(jì)算谷物流量的模型。還有學(xué)者提出了基于谷物輸送角度的測(cè)產(chǎn)模型。這類模型考慮了更多參數(shù)，但對(duì)谷物堆積形態(tài)的假定過于理想化。還有基于谷物能量守恒的動(dòng)力學(xué)模型，理論基礎(chǔ)較好，但需要準(zhǔn)確獲得諸多動(dòng)力學(xué)系數(shù)。

（二）經(jīng)驗(yàn)回歸模型算法

經(jīng)驗(yàn)回歸模型是基于數(shù)據(jù)統(tǒng)計(jì)分析建立的產(chǎn)量計(jì)算模型，充分利用各種傳感器信號(hào)，通過回歸方法建立產(chǎn)量與傳感信息的數(shù)學(xué)映射，實(shí)現(xiàn)產(chǎn)量檢測(cè)。早期常見的是簡單的線性回歸模型，但線性模型對(duì)農(nóng)田環(huán)境適應(yīng)性較差。于是研究者采用了非線性回歸算法，例如支持向量機(jī)、基于樹的集成學(xué)習(xí)算法以及基于AdaBoost和GBDT的提升方法等。這類集成非線性回歸方法目前是主流的經(jīng)驗(yàn)建模方式。最近的研究開始應(yīng)用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端的回歸模型構(gòu)建，如卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等進(jìn)行時(shí)序信號(hào)的深度矢量表示，以實(shí)現(xiàn)更強(qiáng)大的產(chǎn)量映射模型。

（三）多源數(shù)據(jù)融合算法

多源數(shù)據(jù)融合算法是當(dāng)前收獲機(jī)測(cè)產(chǎn)系統(tǒng)的重要研究方向，通過整合不同傳感器的數(shù)據(jù)構(gòu)建綜合判決模型提高測(cè)產(chǎn)穩(wěn)定性與精確度。早期的算法簡單特征級(jí)聯(lián)，無法充分挖掘信息關(guān)聯(lián)，因此出現(xiàn)了基于概率論的方法，如貝葉斯估計(jì)框架，將多源數(shù)據(jù)按概率實(shí)現(xiàn)更科學(xué)的信息組合。隨著深度學(xué)習(xí)的發(fā)展，可以學(xué)習(xí)不同數(shù)據(jù)間的復(fù)雜關(guān)聯(lián)，進(jìn)行更高級(jí)的模式分析，目前研究主要基于卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行多源時(shí)序信號(hào)建模。一些半監(jiān)督和無監(jiān)督的深度學(xué)習(xí)算法用于異構(gòu)數(shù)據(jù)融合表示，通過構(gòu)建深層感知網(wǎng)絡(luò)實(shí)現(xiàn)多源數(shù)據(jù)融合。

圖像、聲學(xué)、光譜、壓力等傳感器廣泛用于收獲機(jī)測(cè)產(chǎn)系統(tǒng)，性能不斷提高，分辨率和靈敏度增強(qiáng)，多傳感器陣列實(shí)現(xiàn)多點(diǎn)檢測(cè)。未來，微型化和一體化的傳感器將降低體積和成本。

算法從簡單機(jī)械模型到數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜經(jīng)驗(yàn)回歸模型，發(fā)展到機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，特別是邊緣計(jì)算成本降低后，端到端的深度學(xué)習(xí)框架將成為主流，多源異構(gòu)數(shù)據(jù)深度融合是關(guān)鍵方向。強(qiáng)化學(xué)習(xí)等算法將探索閉環(huán)學(xué)習(xí)與優(yōu)化。

總體而言，收獲機(jī)測(cè)產(chǎn)系統(tǒng)正朝著智能化方向發(fā)展，以適應(yīng)農(nóng)業(yè)環(huán)境，實(shí)現(xiàn)精確可靠的產(chǎn)量監(jiān)測(cè)，以低成本、集成化方式布置于收獲機(jī)上。

參考文獻(xiàn)：

［1］Reitz P，Kutzbach H D .Investigations on a particular yield mapping system for combine harvesters［J］.Computers and Electronics in Agriculture，1996，14（2-3）：137-150.

［2］Zhou C，Liang D，Yang X，et al.Wheat Ears Counting in Field Conditions Based on Multi-Feature Optimization and TWSVM［J］.Frontiers in Plant Science，2018，9.

［3］Radeef Z S.Structural Dynamics Effect on Voltage Generation from Dual Coupled Cantilever Based Piezoelectric Vibration Energy Harvester System［J］.Measurement，2017，107：41-52.

［4］Demmel M，Steinmayr T，Auernhammer H，et al.Evaluation of local yield detection on a trailed one-row offset lifting bunker-hopper potato harvester.［C］//IEEE/IPSJ International Symposium on Applications amp; the Internet.IEEE Computer Society， 1999.

［5］Xu C，Chongyou W，Min Z，et al.Design and research of grain combine harvester yield measurement system［J］.Journal of Chinese Agricultural Mechanization， 2019.

［6］周銀章.淺談谷物聯(lián)合收獲機(jī)的在線測(cè)產(chǎn)技術(shù)［J］.南方農(nóng)機(jī)，2022，53（06）：62-64+76.

［7］張澤鑫.向日葵聯(lián)合收獲機(jī)測(cè)產(chǎn)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.內(nèi)蒙古農(nóng)業(yè)大學(xué)，2021.

［8］譚德蕾.壓力式谷物產(chǎn)量監(jiān)測(cè)系統(tǒng)開發(fā)研究［D］.山東理工大學(xué)，2021.

［9］周永華，易志祥，羅長海等.小麥聯(lián)合收獲機(jī)測(cè)產(chǎn)誤差動(dòng)態(tài)自校準(zhǔn)方法設(shè)計(jì)與試驗(yàn)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（S2）：147-153.

（作者單位：濰柴雷沃智慧農(nóng)業(yè)科技股份有限公司）