谷物收獲機測產系統研究現狀

機械化收獲是現代化農業生產的重要基礎，及時、準確獲取產量數據是了解土壤特性，開展水、肥、種變量投放的前提。發展收獲機谷物測產系統，可以實現對作物產量的實時、準確監測，提高農業生產效率和智慧農業發展的水平與質量。

一、收獲機谷物測產技術發展歷程

1991年， Reitz等人在拖拉機上安裝了一個測產裝置的原型，是最早的機械化農業收獲過程中實現自動監測與記錄產量數據的嘗試。1994年，Konaka等人建立了一個利用機械參數估計產量的統計模型。上世紀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據過濾與處理方法上，例如Takigawa等人研究了利用收獲機轉速信號計算產量的方法。Grift等人開展了利用衛星定位技術提高測產數據準確性的研究。

二、谷物收獲測產傳感器研究現狀

（一）光學傳感器

光學傳感器分為成像式和非成像式。非成像式主要通過檢測升運器刮板上的糧食厚度，產生不同寬度的脈沖信號進行產量檢測?？死故斋@機的Quantimeter II、RDS Technology的Ceres 8000i、拓普康的YM-3等采用這一原理商業化應用。

成像式傳感器檢測收獲機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，建立數學模型實現產量定量計算。上世紀90年代，Marchant等在小麥收獲機上安裝視頻攝像頭進行收獲圖像采集，開展基于視覺的谷物測產研究。21世紀，有學者利用雙攝像頭立體視覺進行大豆收獲測產研究。中國農業大學團隊利用深度學習算法處理小麥收獲圖像，實現了對穗粒的高精度識別。另有一些學者嘗試了用無人機搭載視覺設備減少遮擋對測量結果的影響。

使用光電傳感器測產技術需提升信號采集、處理與分析能力，以適應農業生產環境，實現產量準確自動監測。

（二）雷達傳感器

雷達傳感器安裝在提升器組件上，通過發射電磁波并接收目標反射信號實時監測谷物的體積和流動變化，設計算法模型實現精確計算谷物產量。

上世紀90年代，美德兩國的研究團隊利用X波段和Ka波段雷達進行小麥收獲產量監測研究。21世紀后，有學者采用毫米波Ka頻段脈沖多普勒雷達進行研究。融合多個毫米波雷達監測數據、多傳感器互補的研究進一步提高了測產系統的精確度。

雷達技術能透視式探測谷物，不受遮擋。但需考慮谷物密度和流速變化對信號的影響。雷達傳感器應用廣泛，但設備成本高。未來需優化雷達性能，研發精確、智能的處理算法提升產量監測的精確度和可靠性。

（三）力學特征傳感器

力學特性傳感器通過檢測物體的力或變形實現參數測量，常見的力學特性傳感器包括壓力傳感器、壓電傳感器等，產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生的壓力波來判斷物體質量。上世紀90年代，國外學者開始在收獲機的傳送部件上安裝壓力或力傳感器進行產量計算。21世紀以后，伴隨MEMS技術的進步， 沖量式壓力傳感器實現微型化，方便集成于收獲機傳送裝置中。采用應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，且環境適應性強。

稱重傳感器通過測量物體受壓力變化來計算物體的質量，包括電阻應變片傳感器、壓電傳感器等。

20世紀90年代，美國和英國的農業工程學者通過安裝小型電子秤，進行谷物重量的離散抽樣式測定。21世紀以后， 一些研究提出在谷物收獲機傳送部件上安裝高精度稱重傳感器，實現持續實時的重量監測，以判斷谷物的流量和產量。開發穩定的微型傳感器，組成傳感器陣列進行多點檢測，并與機載計算設備進行數據融合，進一步提高測量精度是目前研究的重點。

力學特性傳感器成本低、實現簡單，但使用范圍有限。當前研究熱點是采用新型壓力陣列傳感器，并結合車身姿態，融合多傳感器數據，提高測量精確度。

三、谷物收獲測產算法的研究現狀

谷物收獲測產算法是實現收獲機產量監測與計算的核心技術，分為基于機械模型的算法、基于傳感回歸的算法和基于深度學習的算法。

（一）機械模型算法

基于機械模型的算法依據對收獲機械運動學和動力學原理的建模，通過機械參數設計出確定性的數學模型，實現對產量的計算。20世紀90年代，國外學者提出了以傳送部件的轉速來計算谷物流量的模型。還有學者提出了基于谷物輸送角度的測產模型。這類模型考慮了更多參數，但對谷物堆積形態的假定過于理想化。還有基于谷物能量守恒的動力學模型，理論基礎較好，但需要準確獲得諸多動力學系數。

（二）經驗回歸模型算法

經驗回歸模型是基于數據統計分析建立的產量計算模型，充分利用各種傳感器信號，通過回歸方法建立產量與傳感信息的數學映射，實現產量檢測。早期常見的是簡單的線性回歸模型，但線性模型對農田環境適應性較差。于是研究者采用了非線性回歸算法，例如支持向量機、基于樹的集成學習算法以及基于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驗建模方式。最近的研究開始應用深度神經網絡進行端到端的回歸模型構建，如卷積神經網絡和循環神經網絡等進行時序信號的深度矢量表示，以實現更強大的產量映射模型。

（三）多源數據融合算法

多源數據融合算法是當前收獲機測產系統的重要研究方向，通過整合不同傳感器的數據構建綜合判決模型提高測產穩定性與精確度。早期的算法簡單特征級聯，無法充分挖掘信息關聯，因此出現了基于概率論的方法，如貝葉斯估計框架，將多源數據按概率實現更科學的信息組合。隨著深度學習的發展，可以學習不同數據間的復雜關聯，進行更高級的模式分析，目前研究主要基于卷積神經網絡、循環神經網絡進行多源時序信號建模。一些半監督和無監督的深度學習算法用于異構數據融合表示，通過構建深層感知網絡實現多源數據融合。

圖像、聲學、光譜、壓力等傳感器廣泛用于收獲機測產系統，性能不斷提高，分辨率和靈敏度增強，多傳感器陣列實現多點檢測。未來，微型化和一體化的傳感器將降低體積和成本。

算法從簡單機械模型到數據驅動的復雜經驗回歸模型，發展到機器學習和深度學習算法，特別是邊緣計算成本降低后，端到端的深度學習框架將成為主流，多源異構數據深度融合是關鍵方向。強化學習等算法將探索閉環學習與優化。

總體而言，收獲機測產系統正朝著智能化方向發展，以適應農業環境，實現精確可靠的產量監測，以低成本、集成化方式布置于收獲機上。

參考文獻：

［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.淺談谷物聯合收獲機的在線測產技術［J］.南方農機，2022，53（06）：62-64+76.

［7］張澤鑫.向日葵聯合收獲機測產系統的設計與實現［D］.內蒙古農業大學，2021.

［8］譚德蕾.壓力式谷物產量監測系統開發研究［D］.山東理工大學，2021.

［9］周永華，易志祥，羅長海等.小麥聯合收獲機測產誤差動態自校準方法設計與試驗［J］.農業機械學報，2020，51（S2）：147-153.

（作者單位：濰柴雷沃智慧農業科技股份有限公司）