基于多源信息与数据增强的无人水稻收割机作业速度智能预测控制系统研究

针对无人水稻收割机固定作业速度导致的适应性不足问题，江苏研究团队提出融合多源信息感知与生成对抗网络（GAN）数据增强的智能预测控制方法。通过构建"端到端"速度预测模型（R2 提升14.74%，MSE降低23.48%）和开发控制策略，实现田间巡航速度标准差≤0.26 km/h的稳定作业，为农业机械自主化提供关键技术支撑。

　　

随着人口结构变化和农业劳动力短缺，水稻生产机械化与智能化成为保障粮食安全的关键。当前采用固定速度作业的无人收割机面临两大困境：一是难以适应水稻生长状态差异导致的堵塞风险，二是保守的低速策略造成效率损失。传统方法依赖旋转部件扭矩间接调节速度，存在检测滞后、模型简化等问题。江苏现代农业装备与技术协同创新中心的研究团队在《Computers and Electronics in Agriculture》发表的研究，创新性地将生成对抗网络（GAN）与多源感知技术结合，构建了无人收割机作业速度的智能预测控制系统。

研究团队采用三大关键技术：1）基于D435i深度相机和RGB相机的多源信息感知系统，实时采集割幅宽度（x₁
）、株高（x₂
）、密度（x₃
）等参数；2）针对农机数据稀缺问题，开发GAN驱动的多元农业时序数据增强方法；3）建立融合LSTM（长短期记忆网络）的端到端（end-to-end）预测模型，直接关联感知信息与最优作业速度。

【Operation speed control platform development】
研发的作业控制平台包含感知、决策、执行三大模块。深度相机以30Hz频率采集作物生长参数，中央处理器通过CAN总线实时获取发动机转速等12项机器状态数据，电液比例阀实现速度精准调节。

【Speed sample expansion】
在江苏淮安采集的230组原始数据经GAN扩增后，预测模型R²
从0.758提升至0.8696，MSE降低23.48%。生成的合成数据保留了原始数据的时序特征和变量相关性。

【Conclusion】
田间试验显示，系统在两种稻田的速度标准差分别为0.26 km/h和0.18 km/h，脱粒滚筒转速波动率<5%。该方法突破了传统基于喂入量间接调控的局限，首次实现从环境感知到速度决策的端到端优化。

该研究的创新价值体现在三方面：1）GAN数据增强有效解决了农业机械小样本学习难题；2）多源信息融合策略将环境适应性提升37%；3）开发的预测控制模型为后续玉米、小麦等作物收割机自主作业提供了范式。研究获得江苏省现代农业装备技术示范项目（NJ2023-65）支持，相关技术已进入中试阶段。