基于IMM-UKF的沖量式測產系統研究*

趙博，趙士猛，安颯，劉陽春，汪鳳珠，邢高勇

(中國農業機械化科學研究院，北京市，100083)

0 引言

地塊的實時糧食產量信息是精準農業變量作業的重要前提，準確獲取該信息可以直觀辨別產量差異，能夠指導后續農業生產，提高農業生產資源利用率[1-3]。根據監測谷物收獲所得的產量分布圖對精準耕整、精準播種、精準施肥、精準施藥和精準灌溉具有重要的指導意義[4-5]。

近年來，國內外多名學者基于不同檢測原理，提出諸多農田測產的方法與模型。國外相關研究起步較早，Wagner等[6]利用安裝在螺旋輸送器上的傳感器，檢測螺旋輸送器的扭矩來間接獲取產量值，誤差小于5%。Zandonadi等[7]通過測量提升機的扭矩來檢測干豆產量，試驗表明在流量為1.8 kg/s時，累積質量誤差小于5%。Kim等[8]利用近距離傳感器估計谷物產量，證明了檢測時間與進給量之間存在相關性。國內方面，陳樹人等[9-13]對沖量式測產系統有較為全面地研究，設計一種雙板差分沖量式谷物流量傳感器，在時域上去除車輛振動誤差，田間試驗測量誤差不大于5%。陳進等[14]使用mallat算法對單板沖量式谷物流量傳感器的信號進行小波濾波，平均誤差達到5.37%。李新成等[15-16]對沖量測產傳感器使用不同的采樣頻率進行測產，試驗表明采樣頻率大于10 Hz能保證測產傳感器誤差不大于5%。楊剛等[17]提出基于線結構光源和機器視覺的高精度谷物測產系統，建立基于轉速的線結構光修正模型，相對測產誤差降低為4.27%。

為了能夠提高農田產量檢測的精度，設計了一套沖量式測產系統。沖量傳感器采集的谷物沖量信號，采用CAN通信的方式上傳至上位機，并通過分析糧食各種噪聲的來源及其特點，設計IMM-UKF(Interactive multiple model based on Unscented Kalman Filter)濾波算法，對沖量信號進行濾波，減少噪聲干擾，經過信號處理，將最后得到的谷物產量數值通過DTU傳至云服務器，用于后續的數據存儲分析，實現測產功能。

1 沖量式測產系統總體設計

沖量式測產系統包含沖量傳感器模塊、北斗定位模塊、加速度模塊、DTU模塊和上位機部分。沖量式傳感器模塊安裝在出糧口，傳感器采集谷物沖量信號轉化成電信號輸出，通過模塊中的信號處理單元進行放大、濾波、AD模數轉換處理后，通過CAN通信將其發送至上位機。上位機將傳感器模塊上傳的數據與北斗定位模塊獲取的實時位置信息和加速度傳感器采集信息進行數據濾波融合，分析處理數據得到相應地塊的實時糧食產量，并通過DTU模塊將數據發送至云服務器，實現遠程數據在線存儲管理。系統組成如圖1所示。

圖1 測產系統組成Fig.1 Composition of production measurement system

沖量傳感器模塊包含單板式儲量傳感器和信號處理單元兩部分。根據沖量傳感器的結構和檢測原理，將谷物的沖量信號轉換成上位機計算所需的數字信號，并通過CAN通信上傳至上位機。

上位機實現數據處理，數據通信，顯示的功能，結合沖量傳感器、加速度傳感器采集的數據和北斗定位模塊的位置信息，通過數據處理得到糧食產量進行顯示與上傳，實現人機交互。

北斗定位模塊選擇GPS+北斗雙模定位接收器車載模塊，為系統提供實時的地塊位置信息；加速度傳感器粘貼在沖量傳感器底座后蓋中，以便檢測車輛行走的橫向加速度；DTU通信模塊選擇全網通4G DTU模塊，實現遠程數據傳輸。

2 沖量傳感器模塊檢測原理

2.1 沖量傳感器結構組成

沖量傳感器為單板式沖量檢測傳感器，由谷物撞擊板、沖量信號采集板和支撐機構組成如圖2所示。

圖2 沖量傳感器結構組成Fig.2 Structure of impulse sensor1.后蓋 2.收割機機架 3.橡膠減振塊 4.底座 5.沖量信號采集板 6.壓塊 7.谷物撞擊板 8.固定塊

其中，谷物撞擊板采用PA6尼龍材料，采用彎曲結構，能夠用來接收谷物的沖擊。沖量信號采集板采用鋼板，其下表面布置有采集形變信息的應變片，用來采集由于谷物沖力帶來的形變，從而計算出谷物的沖量。傳感器底座與收割機機架之間設計有橡膠減振塊，以降低機械振動對傳感器的影響。底座采用鋼結構構成，作為傳感器與車輛之間的支撐結構，后蓋中裝有加速度傳感器，用來檢測車輛行走的橫向加速度。

2.2 沖量傳感器工作原理

沖量的大小與物體所受的力和該力在該物體上作用時間成正比，即

I=FΔt

(1)

式中：I——沖量，N·s；

F——作用力，N；

Δt——作用力持續的時間，s。

當谷物沖擊到撞擊板上后，會發生速度的變化，從而使撞擊板收到一定的沖力，即

I=FΔt=mv1-mv2=mΔv

(2)

(3)

式中：m——谷物重量，kg；

Δv——物體速度變化量，m/s。

在沖量式測產傳感器檢測產量時，在采樣的一瞬間可以將谷物撞擊持續時間Δt和速度變化量Δv為定值，這時谷物的重量和作用力成正比。即

m=KF

(4)

式中：K——比例常數。

因此，只要獲取作用力與谷物重量之間的常數值K，便可以通過檢測谷物沖擊到傳感器的作用力來獲取瞬時產量。

2.3 谷物沖量傳感器受力分析

由于谷物沖量傳感器安裝在升運器的出口處，在受到谷物的沖力時，同樣也會受到其他因素的影響。首先對傳感器檢測可能的誤差來源進行力學定性分析。測產傳感器安裝于聯合收割機升運器頂部，主要受到的影響主要來源于聯合收割機本身的振動，車輛行走顛簸和升運器鏈條帶來的風力，這使得傳感器的檢測具有一定的偏差。則設傳感器的受力

F=Fz+Ff+Fj+Fs

(5)

式中：Fz——糧食沖擊傳感器的力，N；

Ff——升運器產生的風力，N；

Fj——機械振動對傳感器的噪聲力，N；

Fs——車輛顛簸對傳感器的噪聲力，N。

升運器產生的風力Ff與車輛升運器的速度v2成正比，與刮板的面積S成正比，與傳感器的距離d成反比，所以該風力

(6)

其中刮板的面積S和傳感器的距離在安裝后都是固定的，升運器的轉速會有些許變化，但整體較穩定，可以把收獲時升運器產生的風力Ff看作一個定值。

機械振動產生的噪聲力Fj是由車輛的振動產生的，和機械結構具有一定的相關性。在車輛震動時，會使傳感器產生一定的橫向加速度，其大小為

Fj=msaj

(7)

式中：ms——谷物撞擊板重量，kg；

aj——震動產生的橫向加速度，m/s2。

車輛顛簸對傳感器的噪聲力Fs是由車輛在行走的過程中產生的。因為田間地面是不平的，車輛在行走過程中，總會出現上下顛簸。就會出現相應的橫向加速度as，從而使得傳感器產生了一種由于該加速度產生的噪聲力Fs。

Fs=msas

(8)

式中：as——顛簸產生的橫向加速度，m/s2。

3 谷物沖量傳感器信息處理

3.1 UKF濾波算法

無跡卡爾曼濾波(Untraced Kalman Filter，UKF)是在卡爾曼濾波的基礎上改進而來。對于預測方程，使用無跡變換來處理均值和協方差的非線性問題，不需要對狀態方程和量測方程線性化，不存在高階項截斷誤差，具有更高的精確度。

3.2 IMM-UKF濾波算法

IMM-UKF算法是在交互式多模型(IMM)的算法基礎上改進而來[18-19]。該算法為一種軟切換算法，能夠根據實際檢測的狀態模型及相互轉移概率進行預測，其估計結果為不同模型概率估計的混合[20-21]。根據傳感器檢測狀態，算法設計采用靜態沖力模型，勻變化沖力模型和加速度模型三種模型。其中每個模型代表一種狀態，模型表示的目標狀態方程

Xi(k)=FiXi(k-1)+Qi

(9)

式中：Xi(k)——第i個模型的狀態估計值；

Fi——第i個模型的估計狀態轉移矩陣；

Qi——第i個模型的預測噪聲誤差方差。

靜態沖力模型參數

(10)

式中：Fk-1——k-1時刻傳感器的檢測沖力，N。

(11)

(12)

勻變化沖力模型參數

(13)

式中：ΔFk——在k時刻之前的平均沖力變化量，N。

(14)

(15)

加速度模型參數

(16)

式中：a——加速度傳感器檢測的橫向加速度。

(17)

(18)

量測方程

Z(k)=HX(k)+R

(19)

式中：Z(k)——量測結果；

H——量測方程狀態轉移矩陣，本設計設為單位矩陣；

R——量測噪聲誤差方差，即為車輛空載時存在的系統噪聲誤差方差。

IMM-UKF算法的步驟如圖3所示。整個算法可以分為4步。

圖3 IMM-UKF算法流程圖Fig.3 Flow chart of IMM-UKF

1)輸入交互：計算混合狀態估計和混合協方差估計。

2)UKF濾波：對多種模型進行UKF濾波。

3)模型概率更新：計算似然估計和更新模型概率。

4)輸出交互：獲取最終的狀態估計及其協方差。

4 田間試驗

為驗證本測產系統的可行性和準確性，2020年6月下旬，在山東省即墨市段泊嵐鎮開展實地田間試驗。試驗田間作業農機為GM100小麥聯合收割機，將沖量式測產系統安裝在該農機上，傳感器模塊安裝升運器的出口處，安裝位置如圖4所示。北斗定位模塊安裝在車廂頂上。上位機安裝在駕駛室內，以便實現人機交互。

圖4 測產傳感器安裝圖Fig.4 Installation position of production measurement sensor

4.1 車輛空載濾波試驗

為了獲取車輛在檢測沖量時的準確性，進行了車輛空載濾波試驗。在車輛無糧食輸送時，便可認為糧食的沖擊力為0，這時傳感器檢測的沖力為車輛振動、升運器風力等外力產生的。只要將外力因素進行有效檢測、預估，便會可提高測產傳感器的檢測精度。

該空載濾波試驗需要運行聯合收割機，讓升運器達到正常工作狀態，信號采集頻率為30 Hz，檢測沖量式測產傳感器產生的測量值。從試驗中隨機截取20 s的連續測量值作為試驗的原數據，并使用KF濾波方法、UKF濾波方法和IMM-UKF濾波方法對數據進行處理。三種濾波方法的數據處理效果參數如表1所示，獲得的試驗檢測波形如圖5所示。

圖5 車輛振動試驗波形Fig.5 Waveform of vehicle vibration test

表1 濾波后車輛振動參數Tab.1 Vehicle vibration parameters after filtering

由試驗數據可知，KF算法和UKF算法有效地改善了原數據的高頻噪點，降低了原數據的抖動幅度；采用IMM-UKF濾波算法，處理后的數據波動范圍明顯比KF和UKF算法的波動范圍更小，濾波效果更加平緩，波動范圍低至0.133 N，均方差為0.000 42 N。將該試驗的均值作為車輛運行時所有噪聲外力的取值，在后期產量檢測時，直接減去該值，作為傳感器實際的沖力檢測量。

4.2 測產傳感器標定試驗

為了得到檢測的作用力與產量間的線性關系，設計了3組數據采集試驗對傳感器進行標定。每組試驗收割不同重量的小麥，得到試驗數據，如表2所示。

表2 標定試驗數據Tab.2 Experimental data of impulse calibration

使用最小二乘法擬合出過零點的線性映射函數如式(20)所示。

Yweight=0.202 79Nz

(20)

該線性擬合函數與三個標定數據點之間的誤差最大為2.73%，能夠滿足產量預測需求。

4.3 大田塊測產試驗

在青島市即墨區段泊嵐鎮隨機選取3個地塊進行聯合收割機的小麥收割試驗，進行測產驗證。3塊地塊的小麥收獲結果如表3所示。

表3 收割試驗結果Tab.3 Experiment results

根據表3中的數據可以得出，該沖量式谷物測產傳感器，能夠實時監測車輛的收割數據信息，谷物檢測的總產量誤差在5%之內，平均誤差為3.911%。

圖6 第一塊地產量圖Fig.6 Yield map of the first field

圖7 第二塊地產量圖Fig.7 Yield map of the second field

圖8 第三塊地產量圖Fig.8 Yield map of the third field

根據車輛實時采集的定位信息和產量信息，將地塊分為長3 m寬3 m的小塊地塊，分別得到每個小地塊的小麥產量，最后將各個小塊整合成一大塊地的小麥產量，獲得每個大地塊的產量分布圖。

從三個產量圖中可以明顯地觀察出地塊1的西側收成比較差，且收成都在0.4 kg/m2以下，東側收成比較好，大部分在0.5 kg/m2左右；地塊2的西北側收成相對差，但都在0.45 kg/m2之上，東南側收成比較好，基本保持在0.85 kg/m2左右；地塊3的收成比較平均，收成大約0.6 kg/m2左右。

農戶可以根據該產量分布圖，對地塊進行精準施肥，施藥等操作，改良土地。在本試驗檢測的三個地塊中，地塊1和地塊2都有小麥產量分布不均的現象，需要針對收成比較差的地塊進行有針對性的治理。根據對三個地塊的農戶進行調查，發現地塊2和地塊3的農戶在5月份對農田進行灌溉，而地塊1的農戶并沒有對田地進行治理或灌溉，導致收成比較差。由此對農田的治理對農作物的生長有著至關重要的作用。合理的治理農作物是高產量的重要保證。

5 結論

1)設計沖量式谷物測產系統，實現產量、定位等信息的實時獲取，并通過DTU將數據實時傳送至云平臺。

2)通過分析沖量式測產傳感器的影響因素及各因素的相互關系，使用IMM-UKF濾波算法，提高測產傳感器的檢測精度。

3)通過車輛空載濾波試驗，使用IMM-UKF算法與KF和UKF算法進行對比驗證，結果表明了IMM-UKF算法的濾波效果更好，均方差為0.000 42 N。通過傳感器標定試驗，確定傳感器的檢測值與實際谷物重量的關系。通過大田測產試驗，得出每個地塊的產量分布圖，結果表明該測產系統的平均誤差達到了3.911%。