一种提高糖料蔗机械收获含杂率检测效率和质量的方法

摘要

本发明涉及农业种植技术领域，且公开了一种提高糖料蔗机械收获含杂率检测效率和质量的方法，通过多年机收实践经验分析总结得出影响机收甘蔗含杂率的因素及权重表，并按其因素类型和项目进行划分，按照影响含杂率程度的大小以及状态赋予相应的权重和分值，通过设定的初步计算公式进行计算，得出初始含杂率值，再通过大数据对比分析初始含杂率和实测值，进行AI计算反向校正及纠偏，不断自主完善学习和优化的过程，最终得出更为准确，最为接近实际机收情况的机收含杂率值，从而不再需要人工进行测杂的过程，将大大提高糖料蔗机械收获含杂率检测效率和质量。

说明书

技术领域

本发明涉及农业种植技术领域，具体为一种提高糖料蔗机械收获含杂率检测效率和质量的方法。

背景技术

近年来，随着糖料蔗种植机械化程度的不断提高，糖料蔗机械化收获量也逐年增大。实现糖料蔗机械化收获既能省时省力、提高效率，又能降低人工成本，增加种植农户收益。然而，目前对于糖料蔗机械收割含杂率的检测，采用的是人工抽样，然后手工剥除分拣杂质，通过称重后得出含杂率的检测的方式，此种方式耗时多，效率低，为此我们提出了一种提高糖料蔗机械收获含杂率检测效率和质量的方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种提高糖料蔗机械收获含杂率检测效率和质量的方法，具备可提高糖料蔗机械收获含杂率检测效率和质量等优点，解决了上述背景技术中所提出的问题。

(二)技术方案

本发明提供如下技术方案：一种提高糖料蔗机械收获含杂率检测效率和质量的方法，通过多年机收实践经验分析总结得出影响机收甘蔗含杂率的因素及权重表，并按其因素类型和项目进行划分，按照影响含杂率程度的大小以及状态赋予相应的权重和分值，所述因素类型包括有设备、地块情况和甘蔗情况。

所述检测方法包括以下步骤：

S1、用户到达机收服务的地块现场后，打开并登陆软件平台，进入相应页面。

S2、依照《影响机收甘蔗含杂率因素及权重表》，对现场情况进行打分评价。

S3、对“设备”中的各种情况进行打分评价。

S4、对“地块情况”中的各种情况进行打分评价。

S5、对“甘蔗情况”中的各种情况进行打分评价。

S6、“确定”后，软件平台根据AI算法的计算公式进行计算得出机收含杂率值。

优选的，所述设备类型的项目包括有风机、切顶器、切断刀和底刀。

优选的，所述地块情况类型的项目包括有培土情况、泥土湿度和土壤类型。

优选的，所述甘蔗情况类型的项目包括有甘蔗长势、倒伏情况、蔗叶湿度和甘蔗脱叶性。

优选的，所述步骤S6中，按照影响含杂率程度的大小以及状态赋予相应的权重和分值，通过设定的初步计算公式进行计算，得出初始含杂率值。

优选的，再通过大数据对比分析初始含杂率(预测含杂值)和实测值(实际含杂值)，进行AI计算反向校正及纠偏，最终得出更为准确，最为接近实际机收情况的机收含杂率值。

优选的，通过实践经验总结积累得出的初步计算公式，即各影响含杂率因素的评分值与权重的乘积再经过大数据AI纠偏计算，得出机收含杂率值。

优选的，影响含杂率的因素类型还包括有天气情况和管理情况。

与现有技术相比，本发明提供了一种提高糖料蔗机械收获含杂率检测效率和质量的方法，具备以下有益效果：

该提高糖料蔗机械收获含杂率检测效率和质量的方法，通过多年机收实践经验分析总结得出影响机收甘蔗含杂率的因素及权重表，并按其因素类型和项目进行划分，按照影响含杂率程度的大小以及状态赋予相应的权重和分值，通过设定的初步计算公式进行计算，得出初始含杂率值，再通过大数据对比分析初始含杂率(预测含杂值)和实测值(实际含杂值)，进行AI计算反向校正及纠偏，不断自主完善学习和优化的过程，最终得出更为准确，最为接近实际机收情况的机收含杂率值，从而不再需要人工进行测杂的过程，将大大提高糖料蔗机械收获含杂率检测效率和质量。

附图说明

图1为本发明实施例1中含杂率计算结果界面展示图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种提高糖料蔗机械收获含杂率检测效率和质量的方法，通过多年机收实践经验分析总结得出影响机收甘蔗含杂率的因素及权重表，并按其因素类型和项目进行划分，按照影响含杂率程度的大小以及状态赋予相应的权重和分值，通过设定的初步计算公式进行计算，得出初始含杂率值，再通过大数据对比分析初始含杂率和实测值，进行AI计算反向校正及纠偏，不断自主完善学习和优化的过程，最终得出更为准确，最为接近实际机收情况的机收含杂率值，从而不再需要人工进行测杂的过程，将大大提高糖料蔗机械收获含杂率检测效率和质量。

所述检测方法包括以下步骤：

S1、用户到达机收服务的地块现场后，打开并登陆软件平台，进入相应页面。

S2、依照《影响机收甘蔗含杂率因素及权重表》，对现场情况进行打分评价，评分表已录入在软件平台中，用户只需评分即可。

S3、对“设备”中的风机、切顶器、切断刀、底刀情况进行打分评价。

S4、对“地块情况”中的培土情况、泥土湿度、土壤类型情况进行打分评价。

S5、对“甘蔗情况”中的甘蔗长势、倒伏情况、蔗叶湿度、甘蔗脱叶性情况进行打分评价。

S6、“确定”后，软件平台根据AI算法的计算公式进行计算得出机收含杂率值。

影响机收甘蔗含杂率因素及权重表如下：

通过实践经验总结积累得出的初步计算公式，即各影响含杂率因素的评分值与权重的乘积再经过大数据AI纠偏计算，得出机收含杂率值。具体公式如下：

AICV

公式中各符号所表示的意义如下表所示：

符号 表示意义

FJ 风机

QDQ 切顶器

QD 切断刀

DD 底刀

PT 培土情况

NS 泥土湿度

TR 土壤类型

ZS 甘蔗长势

DF 倒伏情况

YS 蔗叶湿度

TY 甘蔗脱叶性

P 权重

HZL 含杂率

AICV AI校正变量(计算机代码)

实施例1

结合上述的公式以及影响机收甘蔗含杂率因素及权重表中的数据来举例进行说明：

如某用户的评分值为：风机：7分、切顶器：5分、切断刀：9分、底刀：6分、培土情况：8分、泥土湿度：6分、土壤类型：8分、甘蔗长势：7分、倒伏情况：5分、蔗叶湿度：8分、甘蔗脱叶性：9分

通过平台计算公式：

AI含杂率＝{(7*.014*AICV(FJ)+5*0.08*AICV(QDQ)+9*0.05*AICV(QD)+6*0.09*AICV(DD)+8*0.08*AICV(PT)+6*0.06*AICV(NS)+8*0.07*AICV(TR)+7*0.12*AICV(ZS)+5*0.07*AICV(DF)+8*0.13*AICV(YS)+9*0.11*AICV(YT))}＝12.35％

在此种情况类型下的所计算出的含杂率为12.35％。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。