農田平整度測量裝置研究與預測分析*

王雷，汪凌，杜治千，汪叢，劉銘

(湖北工業大學湖北省農業機械工程研究設計院，武漢市，430068)

0 引言

我國南方氣候十分適合多種農作物的生長。對于農作物，耕作前對農田土地平整可以節約灌溉用水、利于耕地空氣流通性[1-2]，為后續耕作做好準備。所以土地平整度測量對農業發展具有重要的意義。

對于農田土地平整測量，國內外學者提出許多解決辦法，如邢雅周設計激光自動控制精平機實現裝置刮刀水平轉動完成平整作業；王瀧設計基于GPS的農田土地坡面平整系統對農田進行動態地勢測量及坡面平整作業。綜合來看平整度測量主要通過激光技術[3-4]、GNNS控制平地技術與GPS-RTK結合測量方法[5-9]。相比以前的土地平整測量方法，激光技術大幅度提高測量精度；GNNS控制平地技術適用地形廣，智能化與自動化程度高。但激光技術成本較高測量時易受外界環境變化影響，GNNS控制平地技術缺少作業指導等因素影響。

本文通過設計測量裝置，利用測量裝置上磁致伸縮位移傳感器、超聲波傳感器與姿態傳感器等[10-11]，得到相關測量數據點，同時儲存數據信息上傳至云端數據庫，再采用卡爾曼濾波算法消除數據中噪聲點進行兩組數據融合后，通過LSTM神經網絡模型對后續進行預測，預測農田平整度變化趨勢。

1 測量方案

1.1 裝置結構

本裝置主要由傳感器組件、金屬板材組件、彈簧組件與滑桿組件組成，如圖1所示。傳感器組件包括磁致伸縮位移傳感器、超聲波傳感器、姿態傳感器與陀螺儀，金屬板材組件包括機身、外套板、旋轉支撐板與支撐座，彈簧組件包括曲柄、壓縮塊與彈簧，滑桿組件包括滑桿與滑橇。旋轉支撐板通過軸承套在旋轉支撐軸上，同時通過外套板套入旋轉支撐軸來固定旋轉支撐板在軸上位置，旋轉支撐板能以旋轉支撐軸為圓心產生旋轉偏移，磁致伸縮位移傳感器的測量滑塊通過連接桿與滑桿平行安裝在旋轉支撐板上，測量滑塊與滑桿通過連接桿螺栓連接，磁致伸縮位移傳感器電子倉實時記錄測量滑塊位置，滑桿套在直線軸承座內圈，可以保障滑桿沿直線軸承座軸向運動，滑橇通過螺栓連接安裝在滑桿底部，在旋轉支撐板另一側安裝超聲波傳感器、陀螺儀與姿態傳感器，彈簧組件通過曲柄連接旋轉支撐板，當旋轉支撐板在旋轉支撐軸上產生旋轉偏移時，曲柄帶動壓縮塊壓縮彈簧給予偏移負反饋。在工作狀態下，測量裝置通過外套板直接安裝在拖拉機上，滑橇隨地勢起伏帶動滑桿在直線軸承座上軸向運動，同時滑桿帶動磁致伸縮位移傳感器測量滑塊在傳感器測量桿上運動。在未工作狀態下，測量裝置安裝在支撐座上放置。

(a) 主視圖

(b) 側視圖圖1 裝置結構圖Fig. 1 Device construction diagram1.滑桿 2.姿態傳感器 3.陀螺儀 4.超聲波傳感器 5.曲柄 6.滑橇7.磁致伸縮位移傳感器電子倉 8.磁致伸縮位移傳感器測量桿9.旋轉支撐板 10.壓縮塊 11.外套板 12.支撐座 13.旋轉支撐軸14.測量滑塊 15.連接桿 16.直線軸承座

1.2 工作原理

在工作狀態下，取下支撐座，使滑桿在直線軸承座上軸向滑動，同時滑桿通過帶動磁致伸縮位移傳感器的測量滑塊在測量桿上滑動，磁致伸縮位移傳感器電子倉通過感應相應測量滑塊的相對位置直接獲取深度信號，超聲波傳感器通過聲波信號測量深度信號。測量裝置行進過程中，因土地與滑橇摩擦會產生向后的作用力帶動測量裝置旋轉支撐板偏離豎直方向旋轉，此時旋轉支撐板便會推動曲柄及壓縮塊壓縮彈簧，彈簧組件受力壓縮對偏移旋轉產生負反饋，使測量裝置保持在偏移范圍內，測量裝置通過姿態傳感器與陀螺儀獲取測量裝置姿態角度輔助修正測量值。綜合磁致伸縮位移傳感器與超聲波傳感器的數據，以姿態傳感器與陀螺儀來輔助修正測量數據得到準確的平整度測量值。

1.3 誤差修正

誤差修正：在工作狀態下，滑橇會帶動旋轉支撐板角度偏移，雖然彈簧組件部分能給予一定負反饋修正，但仍然存在角度偏移，同時磁致伸縮位移傳感器與滑桿安裝上也存在一定角度誤差，分析其結構設計，繪制幾何關系圖，如圖3所示。實際誤差來源為測量位移CC′與導桿實際位移EE′存在差異，實際測量值GH為導桿位移EE′在豎直方向上的投影。抬起測量導桿到磁致伸縮位移傳感器初始位置時測量其角度γ，通過正弦定理得到AC、AE長度，在工作狀態下，傳感器測量位移CC′與AC之和得到AC′，再由正弦定理得到角度δ并求出AE′，通過偏移角度α、β得到E、E′在豎直方向投影的實際測量值GH距離。

圖2 部分結構Fig. 2 Partial structure

圖3 幾何關系Fig. 3 Geometric relationships

其方程

(1)

(2)

(3)

(4)

可得實際測量值

lGH=(lAE′-lAE)cos(α+β)

=(lCEcosδ+lCC′cosβ-lCEcosγ)cos(α+β)

(5)

工作狀態下，超聲波傳感器也會隨著測量裝置偏移產生偏移，則超聲波傳感器實際測量值

lC=lC′cosα

(6)

其中：A為豎直方向與磁致伸縮位移傳感器與導桿角度偏移的交點、AB為地面垂直方向、CD為磁致伸縮位移傳感器、EF為滑桿初始位置、E′I為滑桿測量位置、CE為連接桿初始位置、C′E′為連接桿測量位置、H、G對應豎直方向上的點為E′、E、α為旋轉支撐板與豎直方向上的角度偏移、β為滑桿與傳感器之間夾角、γ為連接桿與滑桿在傳感器初始位置之間夾角、δ為連接桿與滑桿在測量位置之間的夾角、lC為超聲波傳感器實際值、lC′為超聲波傳感器原始數值。

2 系統標定

2.1 傳感器選用

傳感器作為裝置重要組成部分，對測量精度起到至關重要的作用，高精度的MTF3-600mm磁致伸縮位移傳感器直接進行土壤深度信號測量與量程范圍廣的Ultrasonic RCWL-9600超聲波傳感器輔助間接測量土壤深度信號，通過WT61C姿態傳感器與ML726-3-C陀螺儀作為機身姿態實時監測輔助修正裝置測量誤差得到準確的測量信號[12]。測量裝置傳感器指標如表1所示。

表1 傳感器指標參數Tab. 1 Sensor indicator parameters

2.2 測量機構的自標定

Handyscan 3D激光掃描儀是非接觸式數據獲取工具能便攜、靈活、高效和高精度進行掃描[13-14]。測量裝置通過使用Handyscan 3D激光掃描儀獲取測量裝置點云數據。

測量裝置通過掃描儀獲取的裝置表面點云數據后，再由軟件Geomagic Studio對獲取數據進行處理，噪聲點消除、精簡數據、填補缺陷、建立相關坐標系。重構模型后，導入三維繪圖軟件中，得到測量裝置相關數據。通過掃描后測得滑桿與傳感器之間夾角β=0.58°、連接桿與滑桿在傳感器初始位置之間夾角γ=142.67°、連接桿長度CE=12.957 cm。

3 數據處理

3.1 卡爾曼濾波

在一系列存在測量噪聲的數據中，卡爾曼濾波對于已知測量方差情況下能夠估計動態系統狀態，因此在控制、通信與導航等多領域有較好的應用[15-16]。裝置通過磁致伸縮位移傳感器直接測量與超聲波傳感器間接測量農田地面，所以測量傳感器至地面的距離是測量系統的狀態量，其k時刻系統預測方程及其協方差矩陣預測方程

(7)

A——狀態轉移矩陣;

Pk-1——系統狀態協方差;

Q——過程噪聲誤差陣。

卡爾曼增益矩陣方程

(8)

系統狀態最優估計值

(9)

誤差協方差更新

(10)

式中：Kk——卡爾曼增益值;

H——系統觀測矩陣;

R——觀測噪聲方程;

zk——k時刻測量值;

I——單位矩陣。

在平整度測量前，預先平整農田，因此傳感器測量偏差及為傳感器誤差處理后測量值，通過傳感器數據來確定數據融合的加權因子

θ1=x2/(x2+y2)

θ2=y2/(x2+y2)

S=xθ1+yθ2

(11)

式中：x——超聲波傳感器最優估計值；

y——磁致伸縮位移傳感器最優估計值;

θ1——超聲波傳感器加權因子;

θ2——磁致伸縮位移傳感器加權因子;

S——測量融合值。

3.2 LSTM神經網絡

LSTM神經網絡通過增加記憶單元與控制門改進普通RNN神經網絡的隱藏單元結構，能有效解決梯度消失及梯度爆炸相關問題，在實際應用中有巨大作用[17-20]。將通過不同比例的卡爾曼濾波融合后數據作為輸入量，對數據進行預測分析。

圖4 LSTM神經網絡Fig. 4 LSTM neural network

LSTM神經網絡門控公式如式(12)～式(16)所示。

遺忘門

ft=σ(Wf·[ht-1,xt]+bf)

(12)

輸入門

it=σ(Wi·[ht-1,xt]+bi)

(13)

輸出門

Ot=σ(Wo·[ht-1,xt]+bo)

(14)

記憶單元函數模型

Ct=ft×Ct-1+it×tanh(Wc·[ht-1,xt]+bc)

(15)

輸出量

ht=Ot×tanh(Ct)

(16)

式中：xt——輸入量；

ht——輸出量；

Wf、Wi、Wo、Wc——對應的權重系數矩陣；

bf、bi、bo、bc——對應的偏置矩陣；

σ——sigmoid激活函數；

tanh——雙曲線正切激活函數。

4 田間試驗

因田間作業復雜，為研究測量裝置實際工作性能，本試驗于湖北省農業機械工程研究設計院科技示范園進行，選取試驗田長為20 m寬為3 m。試驗前，將超聲波傳感器、磁致伸縮位移傳感器、姿態傳感器與陀螺儀通過數據連接線連接到工業控制計算機上，通過直流穩定電源給工業控制計算機和傳感器供電，測量過程數據實時傳輸存儲到工業控制計算機內，同時工業控制計算機通過WIFI傳輸數據至農機裝備試驗云平臺和附近移動工作站上。對于農田平整度測量試驗，首先，對試驗田進行整平，標定起始點與終止點，以起始位置作為測量基準點，通過拖拉機帶動測量裝置行進至終止點停止，傳感器測量時每隔0.2 s記錄一次數據，保留此時間段傳感器各項數據。

圖5 田間試驗Fig. 5 Field trials

試驗后，測量平整度實際值，參考國家水田平地攪漿機現行標準(GB/T 24685—2009)。在測量時，沿作業前進方向測量22點，其基準面與水田田面的垂直距離平均值

(17)

(18)

式中：y——測定點處基準面與水田田面的垂直距離，cm；

S——田面平整度，cm。

4.1 試驗數據分析

當試驗完成后，得到超聲波傳感器與磁致伸縮位移傳感器采集的信號，需要進行兩組數據預處理、卡爾曼分布式融合數據、標準化數據、選取不同比例訓練集訓練LSTM神經網絡，最后通過參數微調得到最終模型來進行趨勢預測。

圖6 數據分析流程圖Fig. 6 Flow chart of data analysis

1) 將傳感器原始數據進行預處理分析，檢測傳感器在測量過程中是否出現故障。若故障需更換傳感器重新試驗，若無故障將原始數據修正因機身姿態產生的誤差。

2) 因測量裝置傳感器測量過程中存在植被遮擋而產生噪聲點與干擾，通過將預處理數據進行卡爾曼濾波加權融合來綜合估計系統的狀態。

3) 在測量裝置測量時，因地勢起伏整體機身姿態會產生傾斜，進而影響傳感器測量精度，通過進行LSTM神經網絡預測分析，觀察預測值變化趨勢，便與之后測量裝置姿態調節。

4.2 試驗結果

在進行田間試驗中，相隔每1 m進行一組平整度測量試驗，通過三組試驗(圖7、圖8、圖9)可知傳感器測量過程中存在波動，超聲波傳感器因間接測量與地面距離易被植被遮擋導致數據波動幅值較大，磁致伸縮位移傳感器通過滑桿直接接觸地面測量，干擾影響較小，較為準確反應平整度變化，實際測量值與Kalman濾波融合數據趨勢一致。

由表2與圖7、圖8、圖9可知，Kalman濾波融合數據值能有效過濾磁致伸縮位移傳感器和超聲波傳感器測量過程噪聲，使得測量數據平穩并得到最優估計值。

因田面平整度值即為測量數據標準差，第一組Kalman濾波融合數據所得田面平整度值為2.86，實際田面平整度值為2.26，第二組田面平整度數據也十分相近，第三組存在一定程度的波動，但圖9中對實際值數據反映良好，綜上所述，Kalman濾波融合數據值能夠有效貼合實際測量值，反映實際測量值變化。

通過LSTM神經網絡對Kalman濾波融合值進行預測，從表3可知LSTM神經網絡能準確的反應平整度測量值變化趨勢，在不同數量數據對LSTM神經網絡訓練中，通過前10 s數據預測后續5 s數據變化趨勢，其三組均方根誤差與平均絕對誤差分別為1.19和2.09、0.59和0.67、5.64和4.89，通過前10 s數據做訓練集能反映平整度數據短期時間變化趨勢。通過前20 s數據預測后續5 s數據變化趨勢，其三組均方根誤差與平均絕對誤差分別為0.29和0.43、0.40和0.52、2.37和6.84。

通過前30 s數據做訓練集的LSTM神經網絡預測后續5 s，其三組均方根誤差與平均絕對誤差分別為0.83和0.99、1.30和1.19、9.17和6.37，因第三組試驗測量值變化區間較大，所以其均方根誤差與平均絕對誤差計算結果較大，但從圖9可以看出預測曲線有較好的預測反饋，第二組與第三組中30 s預測值因Kalman濾波融合值波動范圍較大，所以均方根誤差與平均絕對誤差較大，但對比圖8、圖9的實際測量值樣條曲線與預測值可以看出能較好反應實際測量值，總體來看訓練樣本越多平整度變化趨勢反映越貼和實際。

圖7 0 m處測量值與預測值Fig. 7 Measured and predicted values at 0 m

圖8 1 m處測量值與預測值Fig. 8 Measured and predicted values at 1 m

前10 s、前20 s與前30 s數據做訓練集，其均方根誤差平均值為2.42，平均絕對誤差平均值為2.67，通過不同數量的數據做訓練集對預測時間段的平整度變化趨勢皆有良好反饋，通過表2可以看出，前10 s數據量做訓練集與前20 s數據量做訓練集都能較不錯反應數據趨勢，但前10 s數據量少反應準確度沒有前20 s數據量和前30 s數據量反應更好。綜合來看，不同數據量對平整度趨勢都可以有較好反應，數據量越多越能真實反應平整度變化趨勢，可以通過LSTM神經網絡預測平整度變化輔助測量裝置修正姿態。

圖9 2 m處測量值與預測值Fig. 9 Measured and predicted values at 2 m

表2 實際測量值與Kalman濾波融合值相關參數Tab. 2 Parameters related to the actual measured values and Kalman filter fusion values

表3 LSTM神經網絡預測結果Tab. 3 LSTM neural network prediction results

5 結論

測量裝置在試驗測量過程中，通過超聲波傳感器間接測量獲得距離信號與磁致伸縮位移傳感器直接接觸農田土壤獲得位移信號，結合姿態傳感器與陀螺儀輔助修正測量值，能有效測量農田平整度，再通過LSTM神經網絡對后續平整度預測，為平整度測量提供新思路。

1) 平整度測量數據中，超聲波傳感器會受到植被遮擋產生噪聲點，其數據均方差值較大，磁致伸縮位移傳感器因直接測量噪聲點干擾較少數據均方差值較小，對兩種數據進行卡爾曼濾波后數據標準差值可降至0.82，所以通過卡爾曼濾波進行數據融合能準確得到農田土壤平整度數據，有效濾除試驗測量時噪聲。

2) 試驗結果表明，前10 s數據量對后續5 s進行預測，其均方根誤差的均值可達到3以下，平均絕對誤差的均值可達到2.6以下；隨數據量增多對后續5 s預測，均方根誤差的最優值可達0.29，平均絕對誤差的最優值可達0.43。通過不同數量訓練集來預測后續不同時間長度內平整度變化趨勢，都能準確反映其趨勢變化，而且數據量越大對于平整度后續趨勢變化預測效果表現越好，精度更高。結合預測趨勢變化直觀反映農田平整度的變化情況與姿態傳感器與陀螺儀輔助預測測量裝置狀態，進一步避免測量裝置與傳感器因起伏變化過大造成損害。