牧草割草设备的质量流量传感与产量定位技术 Kevin J. Shinners, Brian M. Huenink, Walter M. Schlesser, Jacob R. Flick, Matthew F. Digman

《AgriEngineering》：Mass Flow Sensing and Yield Mapping for Forage Mowing Equipment Kevin J. Shinners, Brian M. Huenink, Walter M. Schlesser, Jacob R. Flick and Matthew F. Digman

　　**摘要**
在饲料生产中，产量监测通常仅限于切割或打捆操作阶段，由于草堆的合并，空间分辨率往往会降低。本研究评估了在刈割阶段使用集成在草捆机中的传感器来估算质量流量（MFR）并生成空间产量图的可行性。在苜蓿收获过程中，研究评估了调节滚筒的速度、草带防护罩的冲击力以及弹簧加载叶片（指状物）在作物流中的位移，并根据测量的MFR进行了校准。通过交叉验证评估了模型性能，并使用实验变异图和克里金插值产量图评估了空间精度。平均MFR为19 kg·s^-1，范围在4到55 kg·s^-1之间。调节滚筒的速度提供了最可靠且可转移的MFR预测指标（R^2 = 0.89，RMSE = 3.4 kg·s^-1），其性能始终优于冲击力（R^2 = 0.70，RMSE = 1.9 kg·s^-1）和叶片位移（R^2 = 0.82，RMSE = 4.3 kg·s^-1），后者对机械动态和传感器位置更为敏感。使用独立数据集对滚筒速度模型进行验证，得到的R^2为0.87，RMSE为2.62 kg·s^-1。基于滚筒速度的模型生成的产量图显示出明显的空间结构，相关长度约为25–40米，而叶片位移模型的局部效应更为明显。与刈割阶段的估计相比，使用饲料收割机进行产量绘图的空间精度较低，因为切割前的草堆合并导致了空间平均化，减少了可回收的细尺度产量变异性。这些结果表明，在刈割阶段进行产量监测可以补充下游收获数据，并改善田间产量变异性的表征。

## 1. 引言
准确监测苜蓿和草类等饲料作物的产量对于了解空间和时间变异性以及支持与肥力、收获时间和作物轮作相关的管理决策至关重要。虽然已经为饲料收割机和大型方形/圆形打捆机建立了成熟的产量监测系统[1,2,3,4,5,6]，但针对饲料收割切割阶段的类似技术（刈割机、刈割调节机和草捆机）仍然有限。这一缺陷限制了在饲料收割系统首次通过时量化产量变异性的能力。
饲料刈割设备产生的草带或草堆宽度约为3–6米，组合宽度可达15米。由于草带或草堆宽度仅略窄于切割宽度，因此初始的产量信息具有较高的空间精度。然而，在萎蔫后，多个草带或草堆通常会在切割或打捆前合并，大大降低了空间分辨率。例如，在使用典型的自推进式饲料收割机进行收割之前，30米或更长的草或苜蓿通常会被合并成一个草堆。
未收割的新鲜饲料的干物质含量通常低于25%。对于青贮饲料，需要将其萎蔫至干物质含量为30–50%，而干草打捆则需要干物质含量超过80%。为了加速水分流失并减少天气影响，大多数饲料刈割设备使用调节系统来压裂或磨损茎秆以促进水分释放[7]。草类和豆科植物通常使用刈割调节机或草捆机进行收割，这些设备集成了切割、调节和形成草堆的功能[7]。
刈割调节机和草捆机使用滚筒或叶轮调节系统[7]。滚筒调节机通过相互啮合的橡胶或钢滚筒来压碎和压弯茎秆，从而在保持叶片完整的同时提高干燥效果，因此常用于苜蓿等豆科植物。叶轮调节机使用高速甩刀来弯曲或磨损茎秆，通常用于细茎草类[8]。
相互啮合的滚筒调节机通常使用一个固定的底部滚筒和一个垂直旋转的顶部滚筒来适应不同的作物和产量。滚筒间隙和施加的弹簧力可调，以控制调节强度，但在操作过程中两者都不会动态调整。与饲料收割机的进料滚筒不同，后者会根据作物质量流量连续调整顶部滚筒相对于底部滚筒的垂直位置（在流量较大时分离，在流量较小时靠近），而刈割调节机或草捆机上的旋转滚筒通常保持固定位置以保持一致的调节强度。
刈割调节机或草捆机使用两部分系统来控制草带或草堆的形成。一个垂直旋转的草带防护罩在作物离开调节机时引导其流动：当防护罩向下倾斜时，它将宽草带直接沉积在地面上，绕过形成草堆的防护罩；当防护罩升起时，更多的物料被导向水平旋转的草堆形成防护罩，这两个防护罩的位置决定了最终草带或草堆的宽度。
最近的研究利用叶轮调节机的扭矩和通过弯曲冲击板测量的作物动量来估算刈割机的质量流量[9]。Kumhála等人发现，基于扭矩的测量受作物品种、成熟度和调节强度的影响较大，而基于冲击力的测量则相对稳健。因此，基于力或扭矩的质量流量传感可能需要针对特定作物进行校准[3]。
光检测与测距（LiDAR）技术已成功用于量化饲料草堆的几何形状和体积[10]，并已被研究用于育种应用中的产量估算[11]。然而，LiDAR提供的是体积而非质量。因此，将这项技术应用于刈割设备以确定产量需要知道草堆的体积密度，仅凭LiDAR得到的体积无法独立确定产量，除非同时考虑密度变化。
刈割设备上的质量流量传感可以使用基于应变计的力或扭矩测量，或者更简单的速度和位移传感器。虽然应变计可以直接测量载荷，但其低信噪比和对动态场力的敏感性限制了其可靠性。速度和位移传感器提供更强、更稳定的信号，并且通常受干扰的影响较小。传感器设计还必须考虑俯仰角、作物类型、刈割机配置以及集成方式，同时不扰乱作物流动或草堆的形成。
本工作的初步成果已在早期的会议论文中报道[12,13]，其中描述了初始传感器概念和有限的实证关系。本文通过对原始数据进行全面重新分析，采用更新的建模方法、改进的统计评估和现代地理空间处理工具，大大扩展了这些研究。这些进展将提供更严格的校准、更强的预测能力以及更精细的空间产量图分析。
由于很少有研究评估草捆机上测量苜蓿质量流量（MFR）的传感器系统，本研究的目标是：(a) 评估多种传感器方法在典型田间条件下的MFR量化能力；(b) 建立传感器输出与测量MFR之间的实证关系；(c) 利用这些关系生成苜蓿的空间产量图；(d) 将基于草捆机的产量图与在同一田块内运行的饲料收割机生成的产量图进行比较。这种新颖的比较有助于了解在刈割和最终收获之间合并草堆时空间产量信息丢失的程度。

## 2. 材料与方法
### 2.1. 草捆机描述
实验使用的是约翰迪尔（John Deere，伊利诺伊州莫林市）型号4890自推进式草捆机，配备了一个4.9米长的890型切割平台（图1）。切割平台配备了一个镰刀形切割条和两个2.54米宽的相互啮合的聚氨酯调节滚筒，工作转速为650转/分钟。草带防护罩被固定在适当位置，以产生大约2.2米宽的草带。所有切割平台部件均由单个液压马达驱动。

### 2.2. 质量流量传感器
假设通过切割平台的质量流量越大，液压入口的压力越高。这种增高的压力预计会导致电机内部泄漏增加，从而减少通过电机的净流量并降低调节滚筒的速度。滚筒速度通过感应式传感器和带有60个孔的圆盘测量，作为平台负载的替代指标（图2）。为了最小化切割高度、卷绕速度和滚筒间隙的干扰效应，这些机器设置保持不变。

### 2.3. 数据采集
## 2.3.1. 切割平台
假设切割平台上的质量流量越大，液压入口压力越高。这种升高的压力预计会增加电机内部的泄漏，从而减少通过电机的净流量并降低调节滚筒的速度。滚筒速度由感应式传感器和带有60个孔的圆盘测量，作为平台负载的替代指标（图2）。3.1 典型传感器变异性
为了直观比较不同幅度和单位测量数据之间的信号稳定性，将来自代表性测试间隔的数据通过将其每个观测值表示为其平均值的百分比偏差来进行标准化。作为切割平台载荷的替代指标，滚速展示了最低的变异性，这可能是由于平台部件的高旋转惯性（图4）。相比之下，条带保护力的变异性最大，这归因于不规则作物流动和田面扰动导致的动态载荷。三个位移指针的平均值虽然变化较小，但显示出类似的动态波动。尽管稳定性存在这些差异，所有三个信号都与这一代表性测试期间作物质量流的潜在变化遵循了一致的模式。具体来说，当条带保护力和指针位移增加时，滚速会降低——表明干物质流量（MFR）增加；而当这些信号下降时，滚速会增加——与干物质流量减少一致。图4. 条带保护力、冲击指针位移和调节滚速的时间序列比较，以每个信号的平均值百分比偏差表示。注意y轴刻度的差异。

3.2 多变量分析
多变量分析显示，滚速与干物质流量（MFR）之间存在强相关性（皮尔逊相关性系数r = ?0.95；斯皮尔曼相关性系数ρ = ?0.92）。条带保护力也与MFR有强相关性（皮尔逊相关性系数r = 0.84；斯皮尔曼相关性系数ρ = 0.87），但它与滚速的显著相关性（r = ?0.77；ρ = ?0.83）表明这两个变量受到相同的内在过程影响。指针位移与MFR有强相关性（皮尔逊相关性系数r = 0.88；斯皮尔曼相关性系数ρ = 0.94），并与滚速有强负相关性（r = ?0.93；ρ = ?0.98）。皮尔逊和斯皮尔曼系数之间的一致性表明，无论使用哪种相关性方法，这些关系都是稳定的。强烈的相关性表明滚速、条带保护力和指针位移并不是独立的预测因子，而是对作物载荷变化和物料通过调节系统流动的共同机械响应。随着MFR的增加，作物阻力的增加降低了滚速，同时增加了条带保护力的冲击力和指针位移。

3.3 调节滚速
仅调节滚速与MFR之间存在线性关系（图5）。将倾角加入模型后，预测性能只有轻微的提升，RMSE和交叉验证的Q2在仅包含滚速的模型和包含倾角的模型之间几乎没有差异（表2）。由于添加倾角仅对RMSE和Q2有微小的改进，因此仅使用调节滚速就足以准确预测MFR。图5.**基于湿基的质量流量（MFR）与整形滚轮速度的关系，涵盖七次实验（见表1，n = 264）。**该曲线代表基于“留一法”交叉验证得到的最佳拟合模型。**表2**总结了训练集、回归系数以及使用“留一法”交叉验证得到的预测基于湿基的质量流量（MFR，单位为kg·s^-1）的模型性能指标。实验A是在首次收割苜蓿时进行的（见表1），通常这种收割方式的产量高于后续收割。因此，在测试的地面速度下，实验A的MFR显著高于其他实验。由于它处于质量流量范围的高端，实验A在回归分析中起到了较高的影响力，对拟合系数的影响也比其他实验更显著。在排除实验A后，训练集仅包含较低范围的数据，这导致截距（291.1）和斜率（–0.456）发生了显著变化，R^2值降低到0.740。**

**3.4. 机械臂冲击力数据**
由于传感器和仪器问题，只有四个实验获得了机械臂冲击力的数据（见表1）。仅冲击力与MFR之间存在中等程度的相关性，LOEO分析中的R^2值为0.699，RMSE为1.87 kg·s^-1（表2）。评估了包含平台俯仰角度、滚轮速度以及两者共同影响的多参数模型，每次添加新参数后模型性能都有所提升（R^2分别达到0.836、0.882和0.888）。然而，平台俯仰角度对预测结果的解释能力较弱，因此为了在保持预测准确性的同时降低模型复杂性，最终将其从模型中移除（图6）。

**3.5. 机械臂指状部件位移数据**
机械臂指状部件的位移数据仅来自实验A至D。传感器测量的是角位移，因此其输出随MFR的增加而呈指数增长（图7）。将滚轮速度纳入位移模型并未显著提高预测性能（表2）。由于力和位移数据仅来自实验C和D，因此无法建立包含这两者的联合模型（表2）。

**3.6. 模型比较**
滚轮速度模型的RMSE虽然较高，但LOEO性能最佳（R^2 = 0.891），且该模型是在最大规模的数据集上训练得到的（表2，n = 264）。通过使用相似的训练子集，将滚轮速度模型与冲击力和指状部件位移模型的性能进行了比较。尽管基于力的模型其RMSE最低，但这可能反映了基础数据质量较高（实验C、D、E和G；n = 120）。将滚轮速度纳入力模型后，RMSE进一步降低，LOEO拟合效果显著提升，表明滚轮速度是主要预测因子。单独考虑指状部件位移时，RMSE最高；当使用相同数据集（实验A–D；n = 157）训练模型时，其性能与滚轮速度模型相当。将指状部件位移与滚轮速度结合运用仅小幅提升了预测精度。

**3.7. 模型验证**
使用独立数据集（n = 145）进行的验证显示，模型预测值与实际测量值的一致性很高（R^2 = 0.866）。误差指标包括RMSE（2.62 kg·s^-1）和MAE（15.5%），后者表示预测误差的平均幅度（以百分比表示）。平均预测误差接近零，表明系统偏差很小。预测值与实际值对比显示，在低MFR时存在轻微高估现象，在高MFR时则存在低估情况（图8）。验证数据的回归系数与LOEO训练期间得到的系数略有不同（斜率–0.475对比–0.582；截距305对比370 kg·s^-1），表明在验证条件下滚轮速度的响应程度略有减弱，基线也发生了偏移。总体而言，该模型在不同数据集上的泛化能力较强，差异可归因于作物和机器运行条件的自然变异。

**3.7.1. 变异图分析（示例：Field 214）**
针对Field 214，使用四种回归模型生成了产量估计的变异图：仅考虑滚轮速度；考虑滚轮速度和俯仰角度；仅考虑指状部件位移；以及同时考虑滚轮速度和指状部件位移。其中三种模型的变异图形状相似，表现为短距离半方差迅速增加，随后在约25米处出现明显的分界线（图9）。这些模型的块金值与分界线比值接近0.25，有效范围约为43米，说明约75%的产量变异具有空间结构（表3）。仅考虑滚轮速度的模型空间结构较弱，块金值与分界线比值较高（0.621），有效范围较短（34米），表明大部分变异是无结构的（图9、表3）。将滚轮速度纳入指状部件位移模型后，变异图特征与其它模型一致，表明滚轮速度是该田块产量空间相关性的主要贡献因素。

**3.7.2. 变异图分析（示例：Field 305）**
针对使用滚轮速度模型得出的垄式收割机产量估计和收割后萎蔫并合并垄条形料后的牧草收割机产量估计，分别生成了变异图。垄式收割机模型的变异图显示出明显的空间结构，有效范围为33米，分界线为0.53米，块金值为0.26米，块金值与分界线比值为0.49，表明小尺度上的变异较大（图9）。牧草收割机模型的变异图空间结构较弱，形状不清晰，有效范围为482米，分界线为2.68米，块金值为2.43米，块金值与分界线比值较高（0.91），表明在采样空间尺度上大部分变异是无结构的。这可能与垄条合并导致的有效移动距离增加有关，从而限制了空间分辨率。

**3.7.3. 产量映射（Field 214）**
Field 214内有三条不需要种植缓冲带的浅水渠，因此苜蓿在这些区域连续种植（图10）。该田块从西北向东南方向逐渐降低，海拔高度约减少了6米，主要土壤类型为Plano淤泥壤土。水渠附近和周围的产量较高，可能是因为这些区域的土壤湿度较高。田块西北角海拔最高，产量最低，表明水分和养分向下流动至水渠方向。田间作业方向为东西向，东侧和西侧的转弯处产量较低。田间入口位于东侧水渠下方，交通频繁，导致该区域的产量明显较低。整体来看，产量分布与地形和管理方式一致（图10）。

**3.7.4. 产量映射（Field 305）**
将五条垄条合并成一条垄后，牧草收割机的作业次数减少（图11）。虽然这种做法常用于匹配收割机容量，但会使得材料在较大横向距离上混合，可能降低产量估计的空间分辨率。合并垄条后，垄式收割机的作业路径（左图）和牧草收割机的作业路径（右图）明显不同。黄色圆圈标示了GPS数据记录时的设备位置。基于垄式收割机数据的产量图显示出清晰的空间模式，水渠附近的产量较高，而转弯处和入口处的产量较低（图12）。这些模式与地形和耕作方式相符，表明垄式收割机模型较好地保留了空间变异信息。

**3.7.5. 变异图分析（示例：Field 305，四种不同情况）**
根据三种不同情况生成了产量估计的变异图：仅使用滚轮速度的模型；同时考虑滚轮速度和俯仰角度的模型；仅考虑指状部件位移的模型；以及同时考虑滚轮速度和指状部件位移的模型。三种模型的变异图形状相似，半方差在短距离内快速增加，随后在约25米处出现明显的分界线。仅考虑指状部件位移的模型空间结构较弱，块金值与分界线比值较高（0.621），有效范围较短（34米），表明更多变异是无结构的（图9、表3）。将滚轮速度纳入指状部件位移模型后，变异图特征与其他模型一致，表明滚轮速度是该田块产量空间相关性的主要决定因素。这些文物进一步说明了在合并后进行产量估计时可能会引入空间扭曲，而这些扭曲并不能反映实际的田间生产力。4. 讨论本研究表明，在饲料条铺机上进行实际的质量流传感和产量绘制是可行的，可以使用安装在调节滚筒上的简单速度传感器来实现。滚筒速度被证明是预测物料流量（MFR）的最可靠且应用最广泛的指标，而条状物防护罩力和指状物位移提供了有用但更受条件影响的信息。这些结果解决了饲料收割技术中的一个长期存在的不足，因为传统的产量监测仅限于收割后期阶段，在这个阶段，由于条状物的合并和物料处理，空间分辨率会降低[1,3]。滚筒速度与物料流量之间的强线性关系反映了滚筒驱动调节系统的机制：更高的吞吐量会增加液压扭矩需求，从而增加内部驱动电机的泄漏，进而降低滚筒速度。与力传感器不同，滚筒速度的测量结果非常稳定，受动态干扰的影响较小。同样，在饲料收割机中，基于位移的传感在鲁棒性和信噪比方面也被证明优于基于负载的方法[17]。条状物防护罩的冲击力传感在概念上类似于谷物联合收割机中使用的冲击板传感器[18,19]。然而，结构和操作上的差异限制了其在条铺机上的有效性。条状物防护罩安装在一个动态加载的切割平台上，会将瞬态力直接传递给传感器，并产生一个高度可变的信号（图4），这需要归一化和过滤。与联合收割机中固定的、带阻尼的冲击板不同，条状物防护罩必须能够广泛调节以产生不同的条状物或条铺宽度，每个位置都需要单独校准，这增加了实际应用的复杂性。指状物位移传感器提供了一种替代直接力测量的方法，其指数响应反映了与作物动量的非线性弹簧加载相互作用。尽管这减少了一些噪声，但其预测性能不如单独使用滚筒速度。在其他作物-机器相互作用研究中也注意到了类似的挑战[20]。将指状物位移与滚筒速度结合使用，恢复了产量图中的空间连贯性，证实了滚筒速度捕捉到了主要的质量流信号。产量绘制结果展示了传感器选择的实际影响。仅基于滚筒速度的估计值，或者与其他传感器结合使用时，显示出一致的空间结构，相关长度为25-40米，能够捕捉到有意义的田间变异性。相比之下，仅使用指状物位移会产生较高的块状物与底部比率，表明传感器噪声掩盖了空间模式。切割时和随后的切碎过程中的产量差异突显了饲料产量监测中的一个关键挑战：水分的变异性。水分估计的小误差可能会导致干物质产量的显著差异。先前的研究已经确定水分测量是一个主要的误差来源，建议集成机载水分传感器以提高产量估计的准确性[1,2,17]。在切割时进行产量感应可以更好地保留空间细节，因为在这个阶段生物质是在条状物横向合并之前测量的。将多个条状物合并成一个条铺会聚集来自不同田间的物料，增加了有效采样宽度并降低了空间分辨率。这种细尺度变异性的损失限制了收获后产量图在精准农业决策（如特定地点的营养管理或植株评估）中的实用性。虽然可以保留田间平均产量，但一旦合并发生，空间保真度就会不可逆地降低，这突显了在需要高分辨率空间信息时在割草时进行产量测量的优势。滚筒速度传感简单、可靠，非常适合用于商业条铺机的产量监测。然而，实验之间的差异表明，单一的静态校准可能无法涵盖所有作物和条件。自适应策略，如定期参考测量或自动自校准，可以解决这一限制，这在饲料收割机中已经得到了成功应用[3,21]。条铺机与其他饲料切割机的不同之处在于，其切割和调节系统是液压驱动的。增加物料流量会增加扭矩需求，导致液压电机内部的泄漏增加，从而降低滚筒速度。相比之下，机械驱动的割草机和割草-调节机具有与发动机速度和负载直接耦合的滚筒速度，这些速度还受到牵引力和坡度等因素的影响。Kumhála等人[9]报告称，在割草机上基于扭矩的传感可以与物料流量相关联，尽管该系统对作物特性和调节强度敏感。然而，饲料切割机通常使用两个到五个平台，要么安装在拖拉机上，要么是拖曳式的。由于精度、信号传输和坚固包装的要求，旋转扭矩传感器成本较高，因此为每个平台配备扭矩传感器是不可行的。在调节器下游但条状物防护罩上游战略性地放置替代传感器（如指状物位移传感器，它们不连接到可移动的防护罩上）可能提供一个潜在解决方案。在这个位置使用位移传感器的一个关键设计挑战是将对作物流动的干扰降到最低。将滚筒速度与互补信号（如增强的指状物位移测量）相结合的传感器融合可能提高鲁棒性，同时限制系统复杂性。将这些机载传感器与基于无人机的遥感技术（如NDVI[17]或前视激光雷达[18]）整合，可以进一步增强饲料切割设备的产量估计[22,23]。5. 结论本研究证明，在割草阶段进行产量监测是可行的，并且可以保留通常在后期收割操作中丢失的高分辨率空间产量信息。调节滚筒速度被证明是最可靠且实用的物料流量指标，使饲料割草设备能够在最小增加系统复杂性的情况下提供有意义的产量数据。基于割草机的产量估计可以补充饲料收割机和打捆机的测量结果，以更好地理解田间产量变异性并支持饲料管理决策。未来的工作应该集中在更广泛的操作条件下的校准，以及传感器融合方法上，以进一步提高所有类型饲料割草设备的准确性和鲁棒性。