基于数据分析的无人驾驶收割机控制方法及系统与流程

1.本发明涉及收割机控制技术领域，尤其涉及一种基于数据分析的无人驾驶收割机控制方法及系统。


背景技术：

2.农业是国民经济的基础，现代农业装备是现代农业的重要支撑。作为精准农业的一项核心技术，农业机械化广泛应用于农业生产过程。例如，作为农业生产过程的关键性环节——农作物收割，其具有收割速度较慢、工作环境简单等特点，作业具有重复性，因此，针对农作物收割产生了农业收割机。农作物收割机需要驾驶人员在收割机驾驶舱内进行现场操作，长时间的人工操作不仅会使驾驶员疲惫，影响作业效率，而且还会造成驾驶员注意力不集中，容易在现场发生机械伤人事故；同时，需要人工驾驶的收割机在进行大面积的农作物收割工作时，由于驾驶员在农田里观察的距离有限，有时会发生漏割农作物的生产事故。针对上述问题，无人驾驶收割机技术逐渐发展起来。
3.但是，目前对无人驾驶收割机的控制技术仍然存在一些弊端，例如，无法准确控制无人驾驶收割机的收割路线，导致收割时会出现一些小范围内漏收现象；控制无人驾驶收割机时缺乏有效的监察，在出现机械问题时，无法进行及时的问题反馈，从而导致无人驾驶收割机的农作物收集产量不稳定以及效率较低。因此，如何提高无人驾驶收割机的控制技术成为了亟待解决的问题。


技术实现要素：

4.本发明提供一种基于数据分析的无人驾驶收割机控制方法及系统，其主要目的在于解决如何提高无人驾驶收割机的控制技术的问题。
5.为实现上述目的，本发明提供的一种基于数据分析的无人驾驶收割机控制方法，包括：
6.获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；
7.根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；
8.将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；
9.获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型；
10.获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。
11.可选地，所述根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息，包括：
12.根据所述农田特征图像获取所述收割机的状态信息，将所述状态信息进行组合，
得到状态参数；
13.利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差；
14.根据所述估计状态值及估计状态协方差对所述收割机进行状态测算，得到轨迹信息。
15.可选地，所述利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差，包括：
16.利用下式利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差：
17.fk＝ax
k-1
+bc
k-1
[0018][0019]
其中，fk表示为所述收割机在k时刻的估计状态值；x
k-1
表示为所述收割机在k-1时刻的状态参数；b表示为所述滤波器的增益矩阵；c
k-1
表示为所述收割机在k-1时刻的运动噪声；dk表示为所述收割机在k时刻的估计状态协方差；a表示为所述滤波器输出的收割机的状态转移矩阵；表示为所述滤波器输出的收割机的状态转移矩阵的转置；dk表示为所述收割机在k时刻的估计状态协方差；d
k-1
表示为所述收割机在k-1时刻的估计状态协方差。
[0020]
可选地，所述根据所述估计状态值及估计状态协方差对所述收割机进行状态测算，得到轨迹信息，包括：
[0021]
根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算，得到优化状态值；
[0022]
根据所述优化状态值计算所述收割机的轨迹，得到轨迹信息。
[0023]
可选地，所述根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算，得到优化状态值，包括：
[0024]
利用下式根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算：
[0025][0026]
其中，gk表示所述收割机在k时刻的优化状态值；h表示为单位矩阵，表示所述收割机在k时刻的优化状态值；h表示为单位矩阵，d
k-1
表示为所述收割机在k-1时刻的估计状态协方差；dk表示为所述收割机在k时刻的估计状态协方差；i表示为与所述优化状态值的维度相等的单位矩阵；b表示为所述滤波器的增益矩阵；表示为所述滤波器的增益矩阵的转置；表示为转置符号。
[0027]
可选地，所述将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果，包括：
[0028]
将所述轨迹信息与所述计划轨迹信息进行向量表示，得到与所述轨迹信息对应的第一表示向量及所述计划轨迹信息对应的第二表示向量；
[0029]
计算所述第一表示向量与所述第二表示向量之间的距离；
[0030]
利用下式计算所述第一表示向量与所述第二表示向量之间的距离：
[0031][0032]
其中，o表示为所述第一向量与所述第二向量之间的距离；表示为所述第一向量α与所述第二向量β构成的矩阵的转置；d-1
表示所述收割机的估计状态协方差的倒数；[α,β]表示为所述第一向量α与所述第二向量β构成的矩阵；表示为转置符号；
[0033]
根据所述距离对所述第一表示向量与所述第二表示向量进行相似性检验，根据相似性检验的结果生成匹配结果；
[0034]
利用下式根据所述距离对所述第一表示向量与所述第二表示向量进行相似性检验：
[0035][0036]
其中，sim(α,β)表示为所述第一向量α与所述第二向量β之间的相似值；o表示为所述第一向量与所述第二向量之间的距离。
[0037]
可选地，所述对所述农田采集图像进行多维特征提取，得到农田特征图像，包括：
[0038]
将所述农田采集图像进行图像转换，得到多个初始特征图像；
[0039]
对所述初始特征图像进行特征拼接，得到特征拼接图像；
[0040]
将所述特征拼接图像进行特征重构，得到所述农田特征图像。
[0041]
可选地，所述利用所述历史状态数据对所述收割机进行故障层级分类，包括：
[0042]
将所述历史状态数据中历史故障作为顶事件，所述历史故障对应的故障原因作为底事件；
[0043]
根据所述底事件生成所述顶事件的最小割集，将所述最小割集作为故障层级分类的结果。
[0044]
可选地，所述根据所述故障信息及所述匹配结果调整所述收割机的作业状态，包括：
[0045]
根据所述故障信息生成维修指令，并利用所述维修指令对所述收割机进行故障维修；
[0046]
根据所述匹配结果对所述收割机进行角度分析，根据角度分析的结果调整所述收割机的行驶路线。
[0047]
为了解决上述问题，本发明还提供一种基于数据分析的无人驾驶收割机控制系统，所述系统包括：
[0048]
图像特征提取模块，用于获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；
[0049]
跟踪测算模块，用于根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；
[0050]
运动匹配模块，用于将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；
[0051]
故障树模型生成模块，用于获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型；
[0052]
作业状态调整模块，用于获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。
[0053]
本发明实施例通过对农田采集图像进行多维特征提取，得到农田特征图像，可以为收割机提供收割路线规划依据，提高收割的全面性；根据农田特征图像对收割机进行跟踪测算，得到轨迹信息，将轨迹信息与计划轨迹信息进行运动匹配可以实时监测收割机的收割路线，防止收割机出现轨迹偏移，避免出现农作物漏割现象；根据故障信息及匹配结果调整收割机的作业状态，可以及时检查收割机的作业状态是否正常，并获取故障信息及时进行故障修理，保持收割机的正常作业，从而保持农作物收集产量的稳定性。因此本发明提出的基于数据分析的无人驾驶收割机控制方法及系统，可以解决如何提高无人驾驶收割机的控制技术的问题。
附图说明
[0054]
图1为本发明一实施例提供的基于数据分析的无人驾驶收割机控制方法的流程示意图；
[0055]
图2为本发明一实施例提供的根据农田特征图像对收割机进行跟踪测算，得到轨迹信息的流程示意图；
[0056]
图3为本发明一实施例提供的将轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果的流程示意图；
[0057]
图4为本发明一实施例提供的基于数据分析的无人驾驶收割机控制系统的功能模块图。
[0058]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0059]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0060]
本技术实施例提供一种基于数据分析的无人驾驶收割机控制方法。所述基于数据分析的无人驾驶收割机控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于数据分析的无人驾驶收割机控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0061]
参照图1所示，为本发明一实施例提供的基于数据分析的无人驾驶收割机控制方法的流程示意图。在本实施例中，所述基于数据分析的无人驾驶收割机控制方法包括：
[0062]
s1、获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像。
[0063]
本发明实施例中，所述农田采集图像是利用所述收割机上的图像采集设备所采集的，所述图像采集设备安装在所述收割机的顶部，可以进行360
°
转动视角范围，便于采集收割的农田图像。
[0064]
本发明实施例中，所述对所述农田采集图像进行多维特征提取，得到农田特征图像，包括：
[0065]
将所述农田采集图像进行图像转换，得到多个初始特征图像；
[0066]
对所述初始特征图像进行特征拼接，得到特征拼接图像；
[0067]
将所述特征拼接图像进行特征重构，得到所述农田特征图像。
[0068]
本发明实施例中，图像转换可以采用预设的卷积神经网络，将所述农田采集图像输入至所述卷积神经网络，首先经过所述卷积神经网络的卷积层进行卷积处理，得到多个像素图像块，所述卷积层也可以是多个的；具体地，例如，输入的所述农田采集图像的图像结构为[1,3,224,224]，图片大小为224
×
224，有红、绿、蓝3个通道，进过一个7
×
7的卷积层后，输出的初始特征图像的结果为[1,64,112,112]，可以视为64通道的尺寸为112
×
112大小的初始特征图像；由于一个224
×
224的图像通过这一个卷积层，提取了64
×
112
×
112＝802816维特征，该层一般称为第一组卷积层conv1，由于该层次是底层，维度过大，所以需要继续对提取到的特征图像进行卷积处理，最后得到初始特征图像；卷积处理是将所述农田采集图像根据所述卷积神经网络中的像素框进行特征提取，所述像素框可以为多个且彼此之间的尺寸是不同的，每一个像素框都可以提取一组图像参数特征，例如，颜色参数特征、形状参数特征以及边缘参数特征；
[0069]
本发明实施例中，特征拼接是将多个所述初始特征图像按照所述卷积神经网络的卷积层的输出顺序依次进行拼接，得到特征拼接图像；所述特征拼接图像按照卷积层提取特征维度的数量分为低层特征拼接图像、中层特征拼接图像以及高层特征拼接图像，特征重构是将低层特征拼接图像与中层特征拼接图像进行融合，将融合得到的图像与高层特征拼接图像继续融合，最后得到所述农田特征图像；所述农田特征图像可以为所述收割机提供收割路线依据，可以根据所述农田特征图像规划所述收割机的行驶路线并进行实时监测。
[0070]
s2、根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息。
[0071]
请参阅图2所示，本发明实施例中，所述根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息，包括：
[0072]
s21、根据所述农田特征图像获取所述收割机的状态信息，将所述状态信息进行组合，得到状态参数；
[0073]
s22、利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差；
[0074]
s23、根据所述估计状态值及估计状态协方差对所述收割机进行状态测算，得到轨迹信息。
[0075]
本发明实施例中，所述状态信息是指所述收割机的位置信息和速度信息，所述位置信息可以根据所述农田特征图像中农作物收割的情况进行判断，例如，将所述农田特征图像中的首帧图像作为起始位置，对首帧图像中的农作物进行区域划分并进行标记，根据当前帧的农田特征图像中农作物的收割情况确定所述收割机的当前区域，得到所述收割机
的位置信息；由于每一个所述农田特征图像都有对应的采集时间，根据所述位置信息及所述采集时间可以计算得到所述收割机的速度信息；将所述状态信息进行组合可以表示为xk＝(s,v)，其中，xk表示为所述收割机在k时刻的状态参数，s表示为所述收割机的位置信息，v示为所述收割机的速度信息。
[0076]
本发明实施例中，所述滤波器可以采用卡尔曼滤波器，卡尔曼滤波器是一种高效自回归滤波器，可以利用其自身中线性系统状态方程在不确定性情况的组合信息中估计所述收割机的动态系统状态；将所述状态参数输入至所述卡尔曼滤波器，经过所述线性系统状态方程计算得到去噪的真实数据；采用卡尔曼滤波器进行计算，可以去除所述状态参数中的噪声和干扰影响，提高轨迹信息的准确性，并能够对所述收割机的状态信息进行实时更新和处理。
[0077]
本发明实施例中，利用下式利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差：
[0078]fk
＝ax
k-1
+bc
k-1
[0079][0080]
其中，fk表示为所述收割机在k时刻的估计状态值；x
k-1
表示为所述收割机在k-1时刻的状态参数；b表示为所述滤波器的增益矩阵；c
k-1
表示为所述收割机在k-1时刻的运动噪声；dk表示为所述收割机在k时刻的估计状态协方差；a表示为所述滤波器输出的收割机的状态转移矩阵；表示为所述滤波器输出的收割机的状态转移矩阵的转置；dk表示为所述收割机在k时刻的估计状态协方差；d
k-1
表示为所述收割机在k-1时刻的估计状态协方差。
[0081]
具体的，所述状态转移矩阵是建立所述收割机每一刻状态变量的信息与状态变量的初始状态之间的关系，所述状态转移矩阵包含了自由运动的全部信息。
[0082]
本发明实施例中，根据所述估计状态值及估计状态协方差对所述收割机进行状态测算，得到轨迹信息，包括：
[0083]
根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算，得到优化状态值；
[0084]
根据所述优化状态值计算所述收割机的轨迹，得到轨迹信息。
[0085]
本发明实施例中，利用下式根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算：
[0086][0087]
其中，gk表示所述收割机在k时刻的优化状态值；h表示为单位矩阵，表示所述收割机在k时刻的优化状态值；h表示为单位矩阵，d
k-1
表示为所述收割机在k-1时刻的估计状态协方差；dk表示为所述收割机在k时刻的估计状态协方差；i表示为与所述优化状态值的维度相等的单位矩阵；b表示为所述滤波器的增益矩阵；表示为所述滤波器的增益矩阵的转置；表示为转置符号。
[0088]
本发明实施例中，所述轨迹信息是根据所述优化状态值组成所述收割机的空间状态向量，例如，在k时刻的所述优化状态值为g，将k时刻的所述农田特征图像上作为处理对象，将所述农田特征图像的中心点作为原点位置，建立坐标系，则k时刻的所述农田特征图像上的农田区域块的中心坐标为(i,j)，所述农田区域块的长宽比可以记为m，则所述空间
状态向量可以表示为n＝[i,j,g,m]，即为所述轨迹信息。
[0089]
s3、将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果。
[0090]
本发明实施例中，所述计划轨迹信息中包含对农作物进行收割的计划收割路线以及所述收割机对应的位置信息等；运动匹配可以采用基于马氏距离的运动特征匹配方法，根据农田的区域划分分别选取一个时刻，获取该时刻时在轨迹信息条件下与计划轨迹信息条件下每一个区域块中所述收割机的位置坐标，根据所述位置坐标进行运动匹配计算；采用马氏距离可以解决所述农田特征图像中维度尺度不一致的问题，提高运动匹配的准确性。
[0091]
请参阅图3所示，本发明实施例中，所述将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果，包括：
[0092]
s31、将所述轨迹信息与所述计划轨迹信息进行向量表示，得到与所述轨迹信息对应的第一表示向量及所述计划轨迹信息对应的第二表示向量；
[0093]
s32、计算所述第一表示向量与所述第二表示向量之间的距离；
[0094]
s33、根据所述距离对所述第一表示向量与所述第二表示向量进行相似性检验，根据相似性检验的结果生成匹配结果。
[0095]
本发明实施例中，利用下式计算所述第一表示向量与所述第二表示向量之间的距离：
[0096][0097]
其中，o表示为所述第一向量与所述第二向量之间的距离；表示为所述第一向量α与所述第二向量β构成的矩阵的转置；d-1
表示所述收割机的估计状态协方差的倒数；[α,β]表示为所述第一向量α与所述第二向量β构成的矩阵；表示为转置符号。
[0098]
本发明实施例中，利用下式根据所述距离对所述第一表示向量与所述第二表示向量进行相似性检验：
[0099][0100]
其中，sim(α,β)表示为所述第一向量α与所述第二向量β之间的相似值；o表示为所述第一向量与所述第二向量之间的距离。
[0101]
本发明实施例中，相似性检验是表示所述收割机的实际行驶轨迹与所述计划轨迹中行驶轨迹的偏离程度，如果相似性检验得到的数值越大，则说明所述收割机偏离计划行驶轨迹的程度越大，如果相似性检验得到的数值越小，则说明所述收割机偏离计划行驶轨迹的程度越小；所述匹配结果有两种，一是所述收割机正常行驶，另一个是所述收割机偏离计划轨迹；具体的，将所述数值与预设的阈值进行大小比较，当所述数值大于所述阈值，则说明所述收割机正常行驶，当所述数值小于所述阈值，则说明所述收割机偏离计划行驶轨迹，其中，所述阈值可以设置为97.5％；当所述收割机偏离计划行驶轨迹时，可以利用所述收割机的远程控制系统对所述收割机进行路线调整，这样可以避免所述收割机出现漏割农作物的情况。
[0102]
s4、获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型。
[0103]
本发明实施例中，所述收割机的历史状态数据包括历史故障信息(历史故障、历史故障对应的原因)以及历史农作物收割数据等。
[0104]
本发明实施例中，所述利用所述历史状态数据对所述收割机进行故障层级分类，包括：
[0105]
将所述历史状态数据中历史故障作为顶事件，所述历史故障对应的故障原因作为底事件；
[0106]
根据所述底事件生成所述顶事件的最小割集，将所述最小割集作为故障层级分类的结果。
[0107]
本发明实施例中，所述顶事件表示所述收割机发生的故障，所述底事件表示引起所述收割机发生该故障的多个原因，因此所述顶事件与所述底事件是因果关系；所述最小割集是指引起故障发生的最少底事件的集合；所述故障树模型包含顶事件、底事件、中间事件以及联系事件的符号，所述符号表示因果关系；例如，存在某一个故障为割台升降故障，则该故障为顶事件，该故障下的中间事件可以为收割机油压不足，底事件可以为油箱油位过低、管接头漏油等。
[0108]
s5、获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。
[0109]
本发明实施例中，所述当前状态数据包含所述收割机的割台运行数据、滚筒运行数据以及粮筒状态数据等。
[0110]
本发明实施例中，利用下式对所述故障树模型中的最小割集进行概率密度计算：
[0111]
t
θρ
＝δ(1,θ,ρ)-δ(0,θ,ρ)
[0112]
其中，t
θρ
表示为第θ个最小割集中第ρ个底事件的概率值；δ(1,θ,ρ)表示为第θ个最小割集中第ρ个底事件的取1时的故障概率密度函数；δ(0,θ,ρ)表示为第θ个最小割集中第ρ个底事件的取0时的故障概率密度函数。
[0113]
具体的，所述故障概率函数是计算每个故障发生的概率，可以通过统计所述历史状态数据中某一个故障出现的次数占所有故障发生次数的得到；所述底事件取1表示为在该故障发生的情况下，所述底事件取0表示为在该故障未发生的情况下。
[0114]
本发明实施例中，所述根据概率密度计算的结果对收割机进行故障分析，得到故障信息，包括：
[0115]
根据所述历史状态数据生成所述底事件的概率阈值；
[0116]
利用概率密度计算的结果生成的概率值与所述概率阈值对所述收割机进行故障分析，得到故障信息。
[0117]
本发明实施例中，所述概率阈值是指所述收割机出现各种故障时，故障对应各项结构的故障概率值，例如，所述概率阈值可以包括所述收割机的割台故障阈值、滚筒故障阈值以及粮筒故障阈值；故障分析是将所述概率阈值按照从小到大的顺序排列，根据排列顺序确定故障发生时优先排查的底事件；例如，当发生割台升降故障时，割台升降故障为顶事件，其下的底事件包含油箱油位过低、割台连接处故障以及收割机供油压力不足等，根据这些底事件的概率阈值的排列顺序进行故障排查，将所述概率值与所述概率阈值进行比较，当所述概率值大于所述概率阈值，说明所述收割机出现的故障原因为所述概率值对应的底
事件，即为所述故障信息。
[0118]
本发明实施例中，所述根据所述故障信息及所述匹配结果调整所述收割机的作业状态，包括：
[0119]
根据所述故障信息生成维修指令，并利用所述维修指令对所述收割机进行故障维修；
[0120]
根据所述匹配结果对所述收割机进行角度分析，根据角度分析的结果调整所述收割机的行驶路线。
[0121]
本发明实施例中，角度分析是将农田中区域块的竖直中心线为标准线，将农田特征图像中坐标系的纵轴作为待测线，计算所述标准线与所述待测线之间的角度，当角度大于10
°
时，需要对所述收割机生成轨迹矫正指令用于行驶路线调整，当角度小于10
°
时，不需要对所述收割机进行行驶路线调整。
[0122]
本发明一实际应用场景中，根据所述故障信息及所述匹配结果调整所述收割机的作业状态可以为：当所述故障信息为供油压力不足时及偏离计划轨迹时，及时对所述收割机发送增压指令及轨迹矫正指令，调整所述收割机的油压及行驶轨迹，使得所述收割机保持正常工作状态。
[0123]
本发明提出了一种基于数据分析的无人驾驶收割机控制方法，通过对农田采集图像进行多维特征提取，得到农田特征图像，可以为收割机提供收割路线规划依据，提高收割的全面性；根据农田特征图像对收割机进行跟踪测算，得到轨迹信息，将轨迹信息与计划轨迹信息进行运动匹配可以实时监测收割机的收割路线，防止收割机出现轨迹偏移，避免出现农作物漏割现象；根据故障信息及匹配结果调整收割机的作业状态，可以及时检查收割机的作业状态是否正常，并获取故障信息及时进行故障修理，保持收割机的正常作业，从而保持农作物收集产量的稳定性。因此，本发明提出的一种基于数据分析的无人驾驶收割机控制方法，可以提高无人驾驶收割机的控制技术。
[0124]
如图4所示，是本发明一实施例提供的基于数据分析的无人驾驶收割机控制系统的功能模块图。
[0125]
本发明所述基于数据分析的无人驾驶收割机控制系统400可以安装于电子设备中。根据实现的功能，所述基于数据分析的无人驾驶收割机控制系统400可以包括图像特征提取模块401、跟踪测算模块402、运动匹配模块403、故障树模型生成模块404及作业状态调整模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0126]
在本实施例中，关于各模块/单元的功能如下：
[0127]
所述图像特征提取模块401，用于获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；
[0128]
所述跟踪测算模块402，用于根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；
[0129]
所述运动匹配模块403，用于将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；
[0130]
所述故障树模型生成模块404，用于获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障
树模型；
[0131]
所述作业状态调整模块405，用于获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。
[0132]
详细地，本发明实施例中所述基于数据分析的无人驾驶收割机控制系统400中所述的各模块在使用时采用与附图中所述的基于数据分析的无人驾驶收割机控制方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0133]
本发明一实施例还提供实现基于数据分析的无人驾驶收割机控制方法的电子设备的结构示意图。
[0134]
所述电子设备可以包括处理器、存储器、通信总线以及通信接口，还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序，如基于数据分析的无人驾驶收割机控制程序。
[0135]
其中，所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于数据分析的无人驾驶收割机控制程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
[0136]
所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于基于数据分析的无人驾驶收割机控制程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0137]
所述通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
[0138]
所述通信接口用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器
也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0139]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0140]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0141]
所述电子设备中的所述存储器存储的基于数据分析的无人驾驶收割机控制程序是多个指令的组合，在所述处理器中运行时，可以实现：
[0142]
获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；
[0143]
根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；
[0144]
将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；
[0145]
获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型；
[0146]
获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。
[0147]
具体地，所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0148]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0149]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0150]
获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；
[0151]
根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；
[0152]
将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；
[0153]
获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型；
[0154]
获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。
[0155]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以
通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0156]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0157]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0158]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0159]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0160]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0161]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0162]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于数据分析的无人驾驶收割机控制方法，其特征在于，所述方法包括：获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型；获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态；其中，利用下式对所述故障树模型中的最小割集进行概率密度计算：t
θρ
＝δ(1,θ,ρ)-δ(0,θ,ρ)其中，t
θρ
表示为第θ个最小割集中第ρ个底事件的概率值；δ(1,θ,ρ)表示为第θ个最小割集中第ρ个底事件的取1时的故障概率密度函数；δ(0,θ,ρ)表示为第θ个最小割集中第ρ个底事件的取0时的故障概率密度函数。2.如权利要求1所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息，包括：根据所述农田特征图像获取所述收割机的状态信息，将所述状态信息进行组合，得到状态参数；利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差；根据所述估计状态值及估计状态协方差对所述收割机进行状态测算，得到轨迹信息。3.如权利要求2所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差，包括：利用下式利用所述状态参数及预设的滤波器计算所述收割机的估计状态值及估计状态协方差：f
k
＝ax
k-1
+bc
k-1
其中，f
k
表示为所述收割机在k时刻的估计状态值；x
k-1
表示为所述收割机在k-1时刻的状态参数；b表示为所述滤波器的增益矩阵；c
k-1
表示为所述收割机在k-1时刻的运动噪声；d
k
表示为所述收割机在k时刻的估计状态协方差；a表示为所述滤波器输出的收割机的状态转移矩阵；表示为所述滤波器输出的收割机的状态转移矩阵的转置；d
k
表示为所述收割机在k时刻的估计状态协方差；d
k-1
表示为所述收割机在k-1时刻的估计状态协方差。4.如权利要求2所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述根据所述估计状态值及估计状态协方差对所述收割机进行状态测算，得到轨迹信息，包括：根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算，得到优化状态值；根据所述优化状态值计算所述收割机的轨迹，得到轨迹信息。5.如权利要求4所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述根
据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算，得到优化状态值，包括：利用下式根据所述估计状态值及估计状态协方差对所述收割机进行优化状态计算：其中，g
k
表示所述收割机在k时刻的优化状态值；h表示为单位矩阵，表示所述收割机在k时刻的优化状态值；h表示为单位矩阵，d
k-1
表示为所述收割机在k-1时刻的估计状态协方差；d
k
表示为所述收割机在k时刻的估计状态协方差；i表示为与所述优化状态值的维度相等的单位矩阵；b表示为所述滤波器的增益矩阵；表示为所述滤波器的增益矩阵的转置；表示为转置符号。6.如权利要求1所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果，包括：将所述轨迹信息与所述计划轨迹信息进行向量表示，得到与所述轨迹信息对应的第一表示向量及所述计划轨迹信息对应的第二表示向量；计算所述第一表示向量与所述第二表示向量之间的距离；利用下式计算所述第一表示向量与所述第二表示向量之间的距离：其中，o表示为所述第一向量与所述第二向量之间的距离；[α,β]
t
表示为所述第一向量α与所述第二向量β构成的矩阵的转置；d-1
表示所述收割机的估计状态协方差的倒数；[α,β]表示为所述第一向量α与所述第二向量β构成的矩阵；t表示为转置符号；根据所述距离对所述第一表示向量与所述第二表示向量进行相似性检验，根据相似性检验的结果生成匹配结果；利用下式根据所述距离对所述第一表示向量与所述第二表示向量进行相似性检验：其中，sim(α,β)表示为所述第一向量α与所述第二向量β之间的相似值；o表示为所述第一向量与所述第二向量之间的距离。7.如权利要求1所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述对所述农田采集图像进行多维特征提取，得到农田特征图像，包括：将所述农田采集图像进行图像转换，得到多个初始特征图像；对所述初始特征图像进行特征拼接，得到特征拼接图像；将所述特征拼接图像进行特征重构，得到所述农田特征图像。8.如权利要求1所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述利用所述历史状态数据对所述收割机进行故障层级分类，包括：将所述历史状态数据中历史故障作为顶事件，所述历史故障对应的故障原因作为底事件；根据所述底事件生成所述顶事件的最小割集，将所述最小割集作为故障层级分类的结果。9.如权利要求1所述的基于数据分析的无人驾驶收割机控制方法，其特征在于，所述根
据所述故障信息及所述匹配结果调整所述收割机的作业状态，包括：根据所述故障信息生成维修指令，并利用所述维修指令对所述收割机进行故障维修；根据所述匹配结果对所述收割机进行角度分析，根据角度分析的结果调整所述收割机的行驶路线。10.一种基于数据分析的无人驾驶收割机控制系统，其特征在于，所述系统包括：图像特征提取模块，用于获取收割机的农田采集图像，对所述农田采集图像进行多维特征提取，得到农田特征图像；跟踪测算模块，用于根据所述农田特征图像对所述收割机进行跟踪测算，得到轨迹信息；运动匹配模块，用于将所述轨迹信息与预设的计划轨迹信息进行运动匹配，得到匹配结果；故障树模型生成模块，用于获取所述收割机的历史状态数据，利用所述历史状态数据对所述收割机进行故障层级分类，根据层级分类的结果构建所述收割机的故障树模型；作业状态调整模块，用于获取所述收割机的当前状态数据，根据所述当前状态数据对所述故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，得到故障信息，根据所述故障信息及所述匹配结果调整所述收割机的作业状态。

技术总结
本发明涉及收割机控制技术，揭露了一种基于数据分析的无人驾驶收割机控制方法及系统，所述方法包括：获取收割机的农田采集图像，对农田采集图像进行多维特征提取，得到农田特征图像；根据农田特征图像对收割机进行跟踪测算，得到轨迹信息；将轨迹信息与计划轨迹信息进行运动匹配，得到匹配结果；获取收割机的历史状态数据，利用历史状态数据对收割机进行故障层级分类，根据层级分类的结果构建故障树模型；获取收割机的当前状态数据，根据当前状态数据对故障树模型中的最小割集进行概率密度计算，根据概率密度计算的结果对收割机进行故障分析，根据得到的故障信息及匹配结果调整收割机的作业状态。本发明可以提高无人驾驶收割机的控制技术。机的控制技术。机的控制技术。


技术研发人员：孙微 陈娇娇 董桦男 周娜 徐彦花 李鑫淼 谢丽丽 耿玉森 霍奕任
受保护的技术使用者：哈尔滨市大地勘察测绘有限公司
技术研发日：2023.06.30
技术公布日：2023/9/7