比谁canian muscles 这也没关系 这也没关系 多模态的话不过于依赖 不想做。逐一回答即可 不需要interlaman情况。I'll analyze the paper step by step and answer each of the four questions as requested.
综述：联合收获机过程监测与控制中的传感器技术
联合收获机正从配备孤立监测设备的机器演变为用于过程监管、机器诊断和自适应控制的分布式感知平台。该综述总结了联合收获机中六项主要感知任务的代表性研究：谷物损失（grain loss）、谷物破碎（grain breakage）、清选负荷（cleaning load）、喂入速率（feed rate）、谷仓状态（grain-bin state）和谷物品质（grain quality）。被综述的研究在一个统一的工程框架内进行比较，该框架考虑了感知目标、安装位置、信号路径、干扰源、校准可转移性、田间鲁棒性和控制相关性。该综述并非仅将传感器作为独立设备进行评估，而是强调在振动主导和多尘收获条件下换能器、结构抗干扰措施、采样路径、信号处理和田间验证的耦合设计。分析表明，损失率（loss-rate）和喂入速率（feed-rate）传感是目前最成熟且与控制最相关的类别，而破碎率（breakage-rate）、谷仓状态（grain-bin）和集成品质传感仍受代表性采样、抗干扰能力和跨条件泛化的限制。未来的进展将取决于多传感器融合（multi-sensor fusion）、现实的基准协议、作物感知型校准转移，以及机载传感、机器控制和数字收获系统之间更紧密的集成。通过阐明这些传感路径的工程价值，该综述亦支持商业化谷物收获中的损失降低、品质保持、省工操作和更可靠的自适应控制。
## 1. 引言
### 1.1 联合收获机传感概念范畴
联合收获机正日益作为分布式感知平台运行，而非仅配备孤立监测设备的机器。机载传感目前将外部感知、作物流监测、机器状态诊断和面向控制的决策支持连接起来，将早期的报警和产量监测功能扩展到可靠性评估和集成机器仪器化。从工程角度看，传感器价值由测量目标、安装环境和使用情境决定。该综述的主要目标包括谷物损失、破碎、清选负荷、喂入速率、谷仓状态和谷物品质，其信号根据田间条件下的稳定性、可解释性和可操作性进行评估。这些传感器在受干扰的机电环境中运行，作物密度、含水率、杂质组成、振动、粉尘、结构共振和参数变化都会降低信号质量。因此，可靠解决方案需要换能器、安装位置、采样路径、信号调理、校准和控制接口的协同设计。联合收获机传感可组织为三个相互作用层：外部感知、内部过程传感和机器状态传感。由于田间感知影响作物摄入，作物流不稳定性影响脱粒、分离和清选，且振动干扰许多机载信号，该综述将个体传感类别与其子系统交互进行比较。
### 1.2 从内部监测到集成感知的扩展
近期研究表明，联合收获机传感正从机器内部向外部扩展。机器视觉方法用于倒伏方向识别、边界线识别和无作物垄导航，表明收获智能越来越早在作物进入割台之前就已开始。同时，框架减振和振动优化研究表明，联合收获机的机械环境本身是影响传感器可靠性的重要因素。这些研究表明，传感性能不仅应由传感器原理评估，还应考虑传感器嵌入的田间、结构和运行条件。
另一重要趋势是从孤立换能器向连接监测系统过渡。多源远程监测平台可结合机器状态、过程变量、定位信息和通信接口，以支持操作者和机群管理。更多局部化研究，如剖面控制系统、结构故障诊断方法和产量监测传感器，进一步表明有用的传感取决于测量如何与特定机器子系统和农艺结果相关联。产量监测系统通过结合谷物流信号、含水率测量、地速和定位数据用于空间产量重建，也展示了这种集成趋势。
喂入速率和吞吐量监测提供了这一转变的另一个例子。基于拨禾轮力、机器操作信号和多源监测的最新研究表明，联合收获机性能越来越多地通过多个耦合变量而非单一直接测量来解释。类似地，基于CAN总线的监测架构和全条件决策支持系统将燃油消耗、轴速、产量相关信号和运行状态报警集成为面向田间的传感框架。这些研究表明，现代联合收获机传感器日益成为控制和决策系统的信息前端。
面向控制的传感也改变了评估标准。除了静态精度外，田间部署还需要关注延迟、更新率、抗振能力、防尘防潮性、校准可转移性、长期稳定性、维护需求，以及在警告、参数调整或闭环控制中的实用性。因此，机载传感器还应使用面向田间的指标进行评估，如响应延迟、更新率、跨作物和机器的校准可转移性、抗振能力、防尘防潮性、长期信号稳定性、维护需求，以及在操作者警告、参数调整或闭环控制中的有效性。
关于智能收获机械和精准收获的近期综述也支持这种更广泛的解释。它们表明，未来的收获系统将在统一数据架构内越来越多地结合机载传感、导航、机器健康监测、地理空间信息和自适应作业管理。因此，联合收获机传感应被理解为分布式信息网络，连接田间感知、内部过程监测、机器状态诊断和面向控制的决策支持。
### 1.3 综述目标与组织结构
该综述涵盖联合收获机中六种与控制相关的传感任务：谷物损失、谷物破碎、清选负荷、喂入速率、谷仓状态和谷物品质。它们通过传感原理、安装位置、信号路径、干扰源、校准可转移性和控制相关性进行比较。目标是不仅阐明每个传感器测量什么，还阐明每个传感路径如何为过程监测和自适应控制做出贡献。重点放在硬件设计、采样、信号解释、田间鲁棒性和实际机器使用之间的联系。
六个类别按其功能角色排列：谷物损失和清选负荷传感器指示分离和清选性能；喂入速率传感器提供上游负载信息；破碎和品质传感器支持品质保持；谷仓传感器支持产量核算和物流。
为避免纯粹描述性地列举传感器研究，该综述进一步强调跨类别综合。代表性研究根据传感路径、安装环境、干扰机制、验证条件、校准可转移性和控制相关性进行选择和解释。目的是不仅识别已报道的内容，还识别哪些传感路径已成熟、哪些瓶颈仍未解决，以及不同传感类别如何集成到实时收获控制中。
## 2. 材料与方法
### 2.1 文献检索与筛选
该综述作为叙事工程综述进行，采用结构化文献筛选。目标是综合联合收获机过程监测和控制的代表性传感研究，重点为传感目标、安装位置、干扰源、田间适用性和控制相关性。
文献主要从Web of Science核心合集、Scopus和CNKI收集，辅以高相关性综述文章和研究论文的向后引文追溯。检索词将"combine harvester"与任务特定关键词结合，包括"grain loss"、"breakage"、"cleaning load"、"feed rate"、"grain flow"、"grain tank"、"yield monitoring"、"grain quality"、"machine vision"、"vibration"和"intelligent control"。同义或相关术语如"mass flow"、"throughput"、"impurity"、"moisture"、"optical sensing"和"fault diagnosis"也用于提高特定传感类别内的覆盖率。
纳入标准包括：涉及联合收获机机载传感、状态估计或与控制相关的监测；提供台架、田间或系统级证据与传感器设计或部署相关；或为采样、抗干扰、校准或机器控制集成提供有用的工程见解。排除标准包括：仅关注一般农业传感、收获后实验室检验、不相关的移动机械，或与联合收获机运行无明显相关性的传感器应用。
最终文献集围绕六个传感主题组织：谷物损失、谷物破碎、清选负荷、喂入速率、谷仓状态和谷物品质。这些类别被选中是因为它们代表连接收获性能、机器调整、经济产出和品质导向作业的主要过程变量。
文献检索涵盖截至2026年5月可用的研究。当英文和中文出版物对联合收获机传感、过程监测或控制具有明确相关性时均予以考虑。被综述文献的发表年份从1993年到2026年，使该综述既能捕捉早期技术发展也能涵盖最新进展。筛选后，保留157篇参考文献进行详细讨论。
在详细综述部分，优先考虑符合以下一个或多个标准的研究：直接机载传感、田间或机器级验证、与过程监测或控制的明确相关性、代表性传感原理、对干扰或校准问题的明确处理，以及机器视觉、传感器融合或边缘导向实现等近期方法学进展。具有相似技术路径的研究被分组和综合而非单独描述，以便综述能聚焦于工程趋势和未解决的瓶颈。
导航、振动、结构可靠性、电动驱动、收获物流和数字系统的研究仅在以下情况作为支持性证据使用：当它们有助于阐明机载传感器的运行环境、干扰路径、控制接口或系统级应用时。因此，它们被解释为传感部署和传感-控制集成的背景，而非综述范围之外的独立主题。
### 2.2 比较框架
为确保不同传感器类别之间的一致性，使用统一的工程框架对综述研究进行比较。考虑五个维度：（1）目标变量和传感原理；（2）安装位置和采样路径；（3）主要干扰源，包括振动、粉尘、杂质混合、作物异质性和吞吐量波动；（4）跨作物、机器和运行条件的鲁棒性和校准可转移性；（5）对诊断、操作者支持、自适应控制或收获物流的实际相关性。
该框架对机载传感器尤为重要，因为其性能受运行环境强烈影响。在受控台架测试中表现良好的传感器，在暴露于田间振动、粉尘、变化作物含水率、变化物料流或结构共振时可能变得不可靠。因此，该综述不仅通过标称测量精度评估传感方法，还通过安装逻辑、信号可解释性、田间鲁棒性和实时决策实用性进行评估。
完整的联合收获机传感验证流程应包括：代表性运行条件、传感器安装、校准、信号预处理、参考测量、性能评估，以及精度和田间鲁棒性指标的报告。该工作流程为比较以下六个传感类别提供方法学基础。
为提高叙事比较的可重复性，该综述中使用的五个维度进一步在表3中定义，附有代表性指标和应用实例。
为使手稿结构更清晰，并在详细综述部分之前总结主要内容，六个传感类别根据测量目标、安装位置、传感路径、干扰环境、控制相关性和代表性参考文献进行组织。表1为以下部分提供结构图，并展示个体传感讨论如何与联合收获机过程监测和控制的总体工程框架相联系。
该组织在以下综述中一致使用：每个传感类别不仅被解释为设备级测量问题，还被解释为与田间干扰、校准转移和机器控制价值相关的子系统级传感任务。
## 3. 谷物损失监测传感器
谷物损失是收获性能的直接指标，因为它连接作物条件、机器调整、经济产出和操作者行为。主要传感路径包括冲击、压电、声学、压力、基于视觉和基于模型的检测。这些路径在灵敏度、选择性、抗干扰性和闭环调整适用性方面存在差异。综述研究表明，谷物损失传感已从简单冲击计数向抗干扰事件识别发展。压电和冲击方法对实时使用仍最实用，而声学和基于视觉的方法提供更丰富的信息，但需要更强的去噪和遮挡处理。关键研究缺口已不再是基本损失检测本身，而是在作物和机器变异性下进行可靠的损失源定位和面向控制的解释。
### 3.1 监测目标与评估标准
损失监测可分为事件级和状态级方法。事件级系统尝试识别单个谷物冲击、声学特征或视觉目标，然后将其随时间聚合。这些方法在物理上直观，但当谷物冲击与秸秆、糠皮、振动或重复碰撞重叠时可靠性降低。状态级系统从更广泛的振动模式、作物条件、子系统负载或机器运行状态推断损失趋势。它们在受干扰条件下可能更鲁棒，但通常需要更强的校准且可解释性较差。
实用损失传感器不仅应由标称精度评估，还应由信号稳定性、延迟、作物适应性、安装灵敏度以及区分不同损失源的能力评估。总损失值对经济核算有用，但工程干预通常取决于识别主导损失来源于割台、分离装置还是清选装置。
### 3.2 传感原理与代表性路径
谷物损失传感的可视为换能、结构安装、信号处理和农艺解释的耦合过程。冲击、压电、声学、压力和基于视觉的传感器提供不同形式的原始信息，但其田间性能强烈取决于传感器安装方式和混合物料信号的分离方式。
经典实时损失监测通过分离筛下方的声学和冲击响应估计谷物损失的可行性。后续研究进一步表明，信号解释必须考虑机器动力学和运行状态，而非仅依赖简单事件计数。
压电传感已成为最广泛研究的路径之一，因为谷物冲击可转换为具有相对较高动态响应的可测量电荷或电压信号。聚偏二氟乙烯（PVDF）基谷物损失传感器展示了柔性压电材料如何嵌入冲击敏感结构以进行谷物流监测。
近期综述确认，损失传感的主要技术困难仍是选择性。换能器必须对谷物冲击产生强响应，同时抑制振动、秸秆碎片、糠皮和复合碰撞。自适应神经模糊推理和基于粒子群优化-反向传播（WOA-BP）的损失监测进一步表明，当损失信号受作物状态、机器振动和运行参数影响时，非线性估计可能有用。
对于玉米收获，基于经验模态分解（EMD）的监测工作表明，当谷物和残渣冲击强烈混合时，需要作物特定的去噪和冲击信号解释。
声学传感提供另一重要路径，因为谷物和残渣冲击可产生可区分的波形信息。然而，声学传感器对背景噪声、结构振动和重叠冲击事件高度敏感。该类型系统展示了基于声音的识别潜力，同时说明了为何去噪、安装设计和特征提取对田间使用至关重要。
损失传感的PVDF基研究还确认，敏感材料选择、阻尼设计、板结构和信号调理共同影响测量稳定性。
### 3.3 作物特异性适应与结构优化
谷物损失传感器不能直接跨机器或作物转移的一个主要原因是排出的物料流随作物形态、含水率、脱粒条件和清选行为而变化。小麦、水稻、玉米、油菜籽等作物产生不同的冲击形式和残渣混合物，因此传感器几何形状、安装位置和信号阈值通常需要作物特异性适应。
对于小麦清选损失监测，集成传感装置已结合收集斗、压电传感器阵列、振动补偿、信号放大、模拟-数字转换和CAN通信形成完整监测链。该设计表明，田间就绪的损失传感不仅需要敏感元件，还需要振动补偿、信号传输和适应清选出口的安装逻辑。
结构优化同样重要。谷物损失检测传感器的振动特性研究表明，敏感板的模态行为和机械传输路径可直接影响的信号质量。相关子系统研究进一步表明，脱粒和清选装置内部的物料分布影响损失发生位置和传感方式。油菜籽割台损失研究和三轴加速度计切割激励识别也表明，部分损失在作物物料进入脱粒路径之前就已产生，使传感器布置和子系统归属变得必要。
作物特异性研究强化了这一观点。油菜籽清选损失监测表明，作物机械特性和喷射行为影响传感器板响应。基于信号间隔持续时间的玉米籽粒损失监测表明，信号处理逻辑必须在高频冲击条件下重新设计。玉米清选损失监测进一步说明了将传感器结构与作物特异性冲击特性匹配的必要性。
近期谷物损失监测研究也越来越多地使用基于学习的检测。综述强调敏感材料、冲击结构和识别算法应设计为集成传感链。用于玉米籽粒直接收获机的1D-CNN清选损失检测系统表明，当考虑作物特异性信号特征时，波形分类可提高判别力。在玉米谷物清选损失检测中，集成系统结合清选装置、漏粮和杂质排放路径、压电陶瓷换能器、振动导向板、电荷放大器、信号采集卡和上位机分析平台，以改善混合物料条件下的损失事件识别。
现有研究表明，谷物损失传感已从简单冲击计数向抗干扰事件识别发展。压电和冲击方法对实时使用仍最实用，而声学和基于视觉的方法需要更强的去噪和遮挡处理。关键研究缺口已不再是基本损失检测本身，而是可靠的损失源定位和面向控制的解释。
### 3.4 挑战与研究优先事项
总体而言，谷物损失传感是最成熟且与控制最相关的类别，但其田间价值仍取决于选择性、振动抑制、损失源定位和作物特异性校准。未来系统应超越简单冲击计数，结合事件级检测与子系统感知的状态估计，使割台、分离和清选损失能在变化的喂入速率、作物含水率和残渣条件下转换为可操作的连贯控制信息。
## 4. 谷物破碎率传感器
谷物破碎传感是一项品质保持任务，因为可见断裂和潜在内部损伤降低市场价值、储存安全性和加工性能。与损失传感相比，它更强烈依赖于代表性采样、稳定样本呈现和观察到的籽粒损伤与上游脱粒、输送和清选条件之间的联系。
### 4.1 测量逻辑与工程挑战
破碎传感与损失传感不同，因为它评估机械处理后的籽粒状况。其核心工作流程是样本提取、呈现、损伤表示和解释。因此，可靠监测必须解决采样偏差、响应延迟、粉尘、振动和隐性裂纹问题，而非仅图像分类精度。
直接视觉或形态学方法提供可解释的损伤证据，但因采样而延迟；间接负载或振动指标响应更早，但需要更强的校准。实用的破碎监测系统应结合直接确认和更快的工艺状态预警。
另一重要挑战是隐性损伤。某些籽粒在脱粒力作用下可能遭受内部裂纹或亚可见损伤，即使其外部外观可接受。水稻脱粒力下内部损伤的测量表明，破碎应广义解释，包括可见断裂和内部品质劣化。
### 4.2 直接传感与基于视觉的方法
机器视觉是在线破碎监测最具代表性的直接路径。对于机载应用，关键困难不仅在于图像识别，还在于是否能提取代表性谷物样本并在振动和变化谷物流下稳定、照明并呈现给相机。
基于视觉的破碎检测应被解释为破碎的采样确认，而非所有损伤状态的完整描述，尤其当内部裂纹或亚可见损伤可能未被检测到时。
### 4.3 与品质监测的关系
破碎监测越来越多地与谷物品质传感重叠，因为两者都需要代表性采样、颗粒分离、稳定照明和可靠分类。水稻杂质传感和小麦分割研究表明，图像预处理、特征提取和语义分割可共同支持整粒、破碎籽粒和杂质的识别。
近期破碎率和杂质率系统进一步表明，田间就绪的破碎传感可能作为集成品质监测模块的一部分实现，而非作为孤立破碎检测器。
### 4.4 局限性与未来方向
破碎率传感仍不如损失传感成熟，因为测量目标依赖于代表性采样、延迟观察、隐性损伤以及防尘和抗振能力。未来系统应报告采样频率、批量大小、从脱粒到成像的延迟、与人工计数的一致性，以及跨含水率、杂质、喂入速率和振动条件的性能。
## 5. 清选负荷传感器
清选负荷传感支持过程控制和故障诊断，因为清选装置耦合了物料负载、气流、筛子振荡、残渣运输、振动、尾粮回流和局部堵塞。因此应将其视为子系统状态估计而非单一的物料质量测量。
主要路径——压力、气流、应变、振动、尾粮回流和结构状态传感——观察同一清选过程的不同物理方面。它们的价值取决于是否能将物料负载与结构干扰分离，以及其输出能否支持风机转速、筛孔开度、喂入速率或诊断决策。
### 5.1 清选负荷作为动态过程状态
清选负荷测量必须同时考虑物料再分配和结构动力学。因为作物物料脉动、分层、横向移动并与气流和筛子振荡相互作用，单点传感器可能仅代表清选状态的一部分。压力或振动增加可能指示物料负载或机械异常，因此需要多点传感来将过程负载与共振、堵塞、不平衡或螺栓松动分离。
### 5.2 结构状态与故障相关传感
结构状态传感和应变、振动、紧固状态和局部变形揭示机械健康状况，以及负载相关信号在共振、堵塞、不平衡或螺栓松动下的可信度。
清选负荷解释还取决于上游机器状态。轴流脱粒和分离装置的堵塞诊断表明，喂入变化可传播到下游负载状态，如果仅孤立处理清选装置则仅部分可见。
### 5.3 负荷监测与面向控制的研究
近期研究已将清选负荷传感从局部监测扩展到面向控制的状态估计。清选风机气流速度评估表明，当气流结构被系统测量而非仅从最终损失或杂质结果推断时，气动信息可改善清收状态评估。基于模糊控制的清选装置运行参数研究表明，当与风机转速、筛孔开度等可调参数连接时，清选相关测量更有价值。
基于压力的传感为估计局部清选负荷提供相对直接的途径。多个压力传感器可安装在上筛下方，以捕获与物料负载、气流分布和筛子损失趋势相关的局部压力响应。这种配置表明传感器位置强烈影响可解释性和预测质量。
面向控制的研究支持在更广泛的工艺模型中解释清选负荷。当专家规则围绕损失敏感变量形成时，清选相关设置可自动调整。多参数控制系统模型进一步证明，清选状态应与脱粒变量和控制目标一起解释。更近期的电动清选系统数据驱动预测控制表明，风机转速和振动筛频率可实时协调，以减少损失和杂质。
### 5.4 尾粮回流与二次杂质监测
监测二次杂质螺旋（尾粮回流）的谷物含量也可视为清选负荷传感的一部分。尽管该信号在文献中不总是被描述为"清选负荷"，但它反映了再循环清选回路中可收获谷物的数量。高谷物丰富度或回流信号可能表明不适合的风机转速、筛孔开度、喂入分布或分离状态。
早期综述将回流流识别为用于机器调整的内部过程测量。尤其对不同切流式联合收获机中谷物回流的建模澄清了回流是筛子设置、运输延迟和再循环强度影响下的动态状态。使用冲击式流量传感的面向控制工作进一步表明，谷物回流可通过调节糠皮筛间隙来调节，同时保持可接受的清洁谷物品质和限制吸风机损失。
因此，尾粮回流监测可与清选装置中的压力、气流和振动传感互补，支持风机转速、筛孔开度和物料流分布的协调调整。
### 5.5 挑战与研究优先事项
清选负荷传感仍是子系统级状态估计问题，因为物料负载、气流、筛子振动、尾粮回流和结构健康可能同时贡献于测量信号。未来研究应明确定义测量组分，并融合压力、气流、应变、振动、尾粮回流、喂入速率和损失信号，以实现可靠的风机、筛子和喂入速率控制。
## 6. 喂入速率传感器
喂入速率传感具有高度控制相关性，因为它在下游症状出现之前检测进来的作物负载。快速喂入增加可导致过载、不稳定脱粒、更高损失、破碎和清选恶化。因此喂入速率信息对吞吐量估计和预测性调整前进速度、拨禾轮操作、脱粒强度和清选参数有用。
主要路径包括上游视觉、喂入部件中的力或压力传感、扭矩监测、谷物流或质量流重建以及多源融合。上游视觉提供更早预测，机械传感器反映实际负载，而基于融合的估计器提高鲁棒性，但所有路径都需注意作物适应性、振动、时间延迟和校准。
### 6.1 喂入速率作为上游控制变量
喂入速率定义了几个下游子系统的运行包络。许多损失、破碎和清选干扰不是独立故障，而是上游喂入状态超出稳定范围的后果。如果来的作物负载能在下游恶化之前估计，则可主动启动速度调节、拨禾轮调整、脱粒适应或清选补偿。
然而，喂入速率测量强烈依赖于作物。直立谷物、倒伏作物、水稻、玉米、油菜籽等作物在植株结构、切割行为、割台互动、输送器负载和喂入通道中的脉动结构方面存在差异。在一个作物或机器配置中表现良好的喂入估计器可能转移到另一作物时性能较差。因此，鲁棒的喂入速率研究不仅应报告平均估计精度，还应报告其对作物密度、倒伏严重度、含水率、行驶速度和突然割台接合变化的响应。
### 6.2 主要传感路径与代表性研究
喂入速率传感与产量监测和吞吐量重建密切相关。商业产量监测系统使用冲击、光学、称重和混合原理估计收获的谷物流。尽管这些系统通常被描述为产量监测器，但其传感原理与喂入速率和吞吐量估计相关，因为它们将作物或谷物流转换为机器可读信号。
光学和光电路径提供重要方法。如图12所示，光电产量监测系统可通过在清洁谷物输送路径中布置光学传感器，并将光阻挡或透射变化转换为电信号来检测谷物流变化。实时谷物产量监测系统也表明，谷物流传感可与定位和含水率信息结合以重建空间生产力。
近红外传感提供另一估计质量流的光学路径。如图13所示，基于近红外的测量可通过光谱响应和校准估计振动喂入系统中的物料流。
作物进入前的视觉估计特别具有吸引力，因为它比位于机器内部的传感器提供更早信息。改进的YOLOv5s和单株重量信息用于小麦喂入量预测，展示了如何将进入前的视觉线索转换为物料完全进入脱粒路径之前的向前看喂入估计。
### 6.3 干扰源与系统集成
喂入速率和谷物流测量强烈受振动、安装位置、谷物流轨迹和机器运行状态影响。谷物流传感中振动影响和差分消除方法的研究表明，相同原始流量信号在不同振动条件下可能变化显著。这一发现表明，喂入速率测量不仅是作物流问题，还是作物流-机器动力学问题。
机械负载传感为喂入速率估计提供另一实用路径。传感结构、信号采集单元和数据处理模块被集成到喂入或传输路径中，以捕获作物摄取和运输期间的负载相关响应。基于扭矩的方法进一步从关键传动部件的负载变化推断喂入状态。例如，可通过将机械阻力变化转换为可测量电信号来估计脱粒滚筒扭矩、喂入螺旋扭矩和输送带扭矩。这些方法在结构上实用且与实际机器负载密切相关，但其精度可能受振动、非线性负载传递、传感器安装位置和作物特异性流动特性影响。
多传感器融合可通过整合喂入、脱粒、行驶和发动机变量来改善喂入速率估计。使用扭矩-转速-功率集成传感器在关键传动位置的多传感器数据监测和采集系统，可重建组合运行状态。基于DNN的玉米产量监测同样表明，当目标变量由许多耦合因素而非单一主导换能器塑造时，机器学习方法是有用的。
无线和分布式传感架构也正在出现。基于底板链耙输送器喂入的无线监测系统表明，分布式采集可支持喂入估计同时减少布线复杂性。其他研究从机器运行信号推断喂入量用于智能控制应用。
面向控制的喂入速率研究进一步将该路径从测量扩展到执行器调整和性能评估。变径脱粒滚筒自适应监测、基于喂入速率的轴流脱粒单元谷物流控制、基于大豆输送槽的自适应脱粒间隙调整、以及在线田间性能评价都表明，喂入速率信号可支持协调的脱粒强度调节、间隙控制和整机运行评估。
### 6.4 控制价值与未来发展
喂入速率传感的最强价值在于预测性控制，因为喂入变化在损失、破碎或清选不稳定等下游症状可见之前就已发生。未来喂入速率监测应结合进入前的视觉预测、机内力或扭矩传感、谷物流重建和多源机器状态融合，注意时间延迟补偿和跨作物泛化，以便在过载发生前调整前进速度、脱粒强度、导向叶片设置、凹板间隙和清选参数。
## 7. 谷仓传感器
谷仓传感将谷仓从被动存储空间转变为产量核算、卸粮时机和收获物流的信息节点。超出局部液位测量，谷仓状态估计应描述占用率、填充率、卸粮状态和与谷车协调。
主要路径包括进流累积、直接液位或基于视觉的观察，以及融合状态估计。进流积分提供连续性但可能漂移，直接观察直观但对粉尘、不均匀填充、几何形状和机器姿态敏感，融合可提高卸粮协调的鲁棒性。
### 7.1 谷仓传感操作意义
谷仓是收获过程的汇聚点。与安装在割台、脱粒装置或清选装置附近的传感器不同，与谷仓相关的测量累积了上游脱粒、分离、清选、输送和田间进度的效果。这使谷仓传感在机器管理中具有特殊作用。仓状态估计可支持路径规划、卸粮决策、谷车协调、产量核算和机群级调度。
关键挑战是通常没有单一观测原理足够。流量积分可能漂移，点级传感仅捕获局部表面高度，视觉可能受粉尘和阴影影响，而基于负载的读数可能受地形和机器姿态干扰。因此，未来谷仓传感可能依赖于状态融合。在此框架中，谷物流或产量监测信号提供连续进流信息，直接液位或视觉观察提供漂移校正，机器上下文变量如俯仰、侧倾、速度和卸粮状态提供干扰补偿。
### 7.2 进流感测、累积估计和与产量监测的联系
谷仓估计的一条重要路径是清洁谷物路径中的进流感测。谷物流传感器可提供进入仓的物料量连续信息，但如果信号随时间积分，其误差可能累积。振动偏差、校准漂移、延迟补偿和与机器运动同步因此成为间接仓状态估计的中心问题。
谷物产量监测研究高度相关，因为它们涉及许多相同的传感问题。专为当地水稻联合收获机设计的谷物产量传感器表明，当流量传感稳定和地理参考时，田间产量重建是可行的。谷物产量监测系统开发和应用实验进一步通过整合谷物流信号与速度、机器进度和绘图功能扩展了这一逻辑。
喂入导向的产量分布估计提供相关视角。一旦考虑时间延迟和机器行程，进流感测、喂入速率估计和累积输出传感之间的区别就部分成为实践而非绝对。
### 7.3 直接仓状态观察与漂移校正
直接仓状态观察提供进流积分的补充路径。液位传感、视觉观察和潜在的分布式负载或基于几何的估计可指示仓内已有谷物的数量和空间分布。与进流积分相比，漂移补偿对紧凑谷物产量传感也很重要，因为累积输出漂移会影响仓状态和产量重建。然而，直接方法面临自身困难，包括粉尘污染、不均匀谷物表面、阴影、内部仓结构和机器俯仰或侧倾。
在实践中，直接和间接路径不应被视为竞争者。间接进流估计提供高时间连续性，而直接仓观察提供状态校正。因此，鲁棒的谷仓估计器可整合两者：流量或产量传感器估计填充率，直接观察校正累积误差，卸粮检测重置或更新仓状态模型。该组合路径对连接收获作业尤为重要，其中仓状态信息必须支持何时何地进行卸粮的决策。
### 7.4 面向卸粮和物流的传感
当与卸粮和物流连接时，谷仓传感变得更有价值。机载含水率测量不仅支持产量校正，还支持收获策略、储存规划和收获后容量管理。
自动卸粮研究表明仓状态意识可扩展到卸粮场景。立体视觉卸粮研究表明，接收车辆内的谷物积累可以被估计并用于调节卸粮位置和时机。用于测量谷物卡车中堆高的双目视觉方法进一步表明，运输车辆状态可以几何方式估计，而非仅从卸粮时间或操作者判断推断。
物流导向研究强化了这种系统观点。联合收获机和谷物卡车的协同调度和任务分配表明，卸粮点生成、卡车协调和路径规划依赖于可靠的仓状态和卸粮时机信息。因此，谷仓传感具有战略重要性，因为它将机载过程监测与田间收获物流连接起来。
### 7.5 挑战与研究优先事项
谷仓传感对产量核算、卸粮协调和收获物流正变得越来越重要，但仍受进流积分漂移、仓填充不均匀、粉尘、机器姿态和卸粮事件不确定性的影响。未来系统应融合进流测量、直接液位或基于视觉的仓观察、俯仰/侧倾补偿、含水率信息和卸粮状态检测，使仓状态既能支持机载操作者辅助又能支持田间卡车调度。
## 8. 品质传感器
品质传感使联合收获机能够评估收获谷物的状况，而非仅吞吐量或可见损失。杂质、破碎、含水率、外观、蛋白质、秸秆/输出品质影响市场等级、储存安全性、加工价值和田间调整决策。
谷物破碎传感作为特定损伤监测任务在上述讨论，而本节涵盖更广泛的谷物品质属性以及集成采样、成像、含水率、光谱和多模态路径所需的输出感知收获。
对于机载使用，中心限制是代表性采样、防尘抗振、光学窗口保护、校准可转移性和真实收获条件下的可维护性。
### 8.1 品质变量与采样挑战
品质测量强烈依赖于代表性采样。采样路径必须提取、处理和呈现异质谷物流，而不引入系统偏差或过度维护负担，尤其当杂质分数、吞吐量和机器姿态快速变化时。
品质信息仅在与行动连接时才有用。杂质可指导清选调整，破碎可指示过度脱粒强度，含水率可支持收获策略、储存规划和其他传感器信号解释。
品质传感正越来越多地与过程状态传感融合。收获时的谷物品质包括杂质含量、含水率、外部外观、破碎、隐性损伤和光谱方法可接近的组成性状。这些变量反映脱粒强度、清选效率、作物条件和采样路径设计的综合效果。
### 8.2 基于图像的杂质和破碎监测
杂质传感是机载品质监测中最发达的分支之一，因为杂质含量直接反映清选性能并影响谷物等级。基于图像的小麦品质检验可区分多种外观类别，包括患病、发霉、虫蚀、发芽、破碎和健全籽粒，展示了机器视觉进行多类别谷物品质评估的潜力，而非仅简单杂质检测。
更多机器视觉工作将该基本逻辑转化为更实用的机载架构。基于图像处理和决策树的水稻联合收获机杂质传感表明，谷物样本可在作业期间提取，在受控腔室内成像，分割为谷物和非谷物颗粒，并以有用的田间相关性进行分类。基于DeepLabV3+的在线小麦收获品质检测系统表明语义分割可在收获条件下对移动谷物来完成，而非仅在实验室检验中。基于DEM和Mask R-CNN的履带式水稻联合收获机杂质检测系统进一步通过耦合机械采样设计和图像解释加强该路径，从而提高观测物料流的代表性。
近期期刊文献还表明，机载品质传感正从单用途设备向集成多指标站发展。水稻杂质含量和破碎率轻量在线检测系统表明，在田间作业下，单一平台可同时估计两个品质指标。基于DeepLab-EDA模型的小麦破碎率和杂质率检测进一步表明，鲁棒的在线分割可与专用图像采集模块和嵌入式部署结合用于真实收获条件。更多最近的小麦杂质含量在线检测对象检测导向模型设计，强化了采样路径工程、实时推理速度和田间鲁棒性对商业联合收获机应用的实际重要性。
### 8.3 含水率、光谱和多模态品质传感
机载含水率和多模态品质传感应视为补偿估计而非直接单传感器读数。实用含水率装置必须结合谷物电响应与温度补偿、屏蔽、密封和田间耐久性。
机器视觉和高光谱对水稻和大豆的研究进一步表明，受损谷物、杂质、裂豆、茎荚、污染豆和其他视觉上相似的组分需要受控采样和鲁棒特征提取。
高光谱和近红外研究进一步表明，光谱通道可估计含水率、区分水稻或玉米品种，并在与特征降维、特征融合或深度学习结合时提取隐性组成特征。然而，将这些方法转移到联合收获机需要紧凑光路、防尘窗口、稳定采样、温度/含水率补偿和校准转移。紧凑型近红外品质传感器和高光谱真菌或霉菌毒素污染检测为这种转变提供了有用的硬件和风险检测参考。
这些研究共同表明光谱通道和基于学习的特征提取可支持未来的联合收获机兼容品质传感。然而，从实验室或固定平台直接转移到联合收获机仍然困难。对于机载使用，光谱品质传感器必须围绕代表性谷物采样、稳定光学窗口保护、振动抑制、防尘、变化谷物流厚度、温度含水率补偿以及跨作物、品种、地区和季节的校准转移进行重新设计。
### 8.4 基于近红外光谱的蛋白质传感
蛋白质含量是重要的内在品质性状，因其反映营养和加工价值，可支持基于品质的收获和收获后分级。近红外光谱是最实用的机上路径，因为它可从流动谷物中获取组成信息而无需破坏性化学分析。
紧凑型近红外硬件集成光源设计、光路整形、光电检测、样本呈现、数据显示和人机交互，表明蛋白质传感既是校准问题也是系统集成问题。尽管该装置非专门为机载应用设计，但它为未来机载谷物品质传感器提供了有用的技术基础，因为蛋白质和含水率可通过共享近红外光路检测。
与便携式品质传感路径相比，Hidaka等在头喂式联合收获机上安装近红外光谱仪测量水稻蛋白质含量的研究，展示了该传感原理从受控检测装置扩展到真实收获条件。与固定或手持品质传感器相比，机载蛋白质传感对采样稳定性、光学窗口保护、振动抑制、防尘、变化谷物流厚度和不均匀样本呈现有更高要求。因此，机载近红外蛋白质传感不应仅视为光谱建模问题，而应视为涉及采样、光路保护、信号预处理和作物特异性校准的田间适应系统集成问题。
便携式和机载NIR研究共同表明，机载蛋白质传感在能可靠支持品质分区、差异化储存和市场导向收获之前，MWRL地址代表性采样、光学窗口保护、振动和防尘、谷物流厚度、湿度/温度效应以及作物特异性校准转移等挑战。
### 8.5 集成趋势和剩余挑战
未来谷物品质传感应从孤立检测器向紧凑集成站发展，为成像、含水率测量和光谱分析共享代表性采样路径。主要研究需求是将品质性状与机器设置和收获后决策连接起来，同时保持跨作物品种、季节、机器、粉尘水平和样本呈现条件的鲁棒性。
## 9. 跨领域工程挑战与未来趋势
综述研究表明，从孤立设备向集成传感和控制架构的转变明显。未来进展将取决于协调的传感器安装、抗干扰设计、采样路径工程、校准转移、多源融合、边缘部署和面向控制的验证。
### 9.1 关键发现综合合成
在六个传感类别中，文献表明实用价值较少由标称传感器精度决定，而更多由传感原理、安装位置、抗干扰、校准可转移性和控制相关性之间的耦合决定。成熟路径如冲击式损失传感和喂入速率估计已支持实时警告和操作者辅助。较不成熟路径包括破碎、谷仓和集成品质传感，需要更多代表性采样、田间适应验证和多源状态估计。该综合将讨论从个体设备转向自适应收获控制所需的传感架构。
### 9.2 从单传感器到多传感器融合
主要未来方向是多传感器融合。大多数联合收获机传感目标并非直接测量，而是从力、振动、声学、光学、压力、扭矩、流量、含水率或机器状态信号推断。单一传感器在受控条件下可能表现良好，但其可靠性通常在作物品种、含水率、喂入速率、振动或机器配置变化时降低。多信号融合可通过允许一个传感器通道补偿另一个的局限来提高鲁棒性。
例如，损失传感可通过将冲击或压电信号与机器振动和喂入速率信息结合来加强。破碎传感可结合直接基于图像的籽粒观察和更快的工艺状态指标如脱粒负载或振动。清选负荷传感可集成压力、气流、应变、振动、尾粮回流和损失信号。喂入速率传感可结合上游视觉预测、扭矩或压力传感、谷物流重建和机器运行变量。谷仓和品质传感也可从流量积分、直接观察、含水率传感、光谱测量和位置信息中受益。因此，未来研究应聚焦于不同传感器族如何融合为物理上有意义的状态估计，而非简单添加更多独立传感器。
### 9.3 人工智能传感器融合与边缘计算收获控制
AI传感器融合和边缘计算为将异构传感器信号转换为实时收获控制动作提供实用路径。在联合收获机中，损失、喂入速率、清选负荷、仓状态和品质指标受耦合谷物流动力学、振动、粉尘、机器设置和田间条件影响。AI模型可集成来自冲击、振动、光学、压力、扭矩、含水率、光谱、定位和机器状态传感器的多速率信号，以估计单一换能器无法直接测量的潜在工艺状态。
与纯基于规则的监测相比，基于学习的融合可支持非线性特征提取、异常状态检测、校准转移、不确定性估计和作物感知状态预测。对于实时收获控制，这些功能应优先部署在机器上的边缘计算单元。边缘计算可减少通信延迟、在传感器附近预处理噪声信号、执行轻量级推理模型，并在网络连接不稳定时生成控制相关输出。典型环路可能包括传感器采集、边缘端滤波与同步、AI状态估计、决策生成和执行器调整。
### 9.4 结构振动与机械干扰
在所有传感类别中，反复出现的工程挑战是集成、振动干扰、校准转移和田间鲁棒性。多源监测和联网监管需要可靠的同步、时间戳完整性、通信稳定性和清晰的界面，此外还需要精确的局部换能器。
振动和结构干扰尤为重要，因为割台、脱粒装置、清选装置、发动机、底盘和地形的激发可扭曲冲击、扭矩、压力、光学和谷物流信号。因此，安装位置、阻尼设计、信号预处理和振动感知验证应作为传感器设计的一部分而非安装后滤波来处理。
近期研究将这一问题从被动干扰分析扩展到结构诊断和调节。自适应调平底盘、螺栓响应建模、输送槽振动噪声预测、脱粒滚筒振动平衡和齿轮箱故障诊断共同表明，振动信息不仅可用于解释传感干扰，还可支持主动平衡、子系统健康诊断和机器状态感知传感。因此，结构动力学应作为联合收获机传感器设计的一部分，而非安装后过滤的次要干扰。
### 9.5 从监测到面向控制的传感
第三个挑战是从测量到控制的过渡。综述表明，传感越来越多地预期提供自适应和预测功能，而非仅仅事后报告状态。在联合收获机中，深度学习驱动的作业速度预测控制证明，感知变量可直接用于面向控制的优化而不仅是后评价。系列混合动力分布式电驱动联合收获机的设计和性能研究，以及分布式电驱动平台中的多组件协同速度控制，作为传感器导出的状态估计接收执行器层的例子。
液压变径脱粒控制提供了一个特别具体的例子，因为它在单一综合工程链中将自适应监测、控制设计和田间性能联系起来。从监测到面向控制的传感过渡可解释为从测量到执行器调整的闭环。
### 9.6 与田间感知和数字收获系统集成
面向控制的传感现在需要子系统协调而非孤立监测。分布式电驱动、液压脱粒滚筒、视觉SLAM导航和基于振动的故障诊断研究，可用于协调速度、执行器、导航上下文和异常状态识别。
过程控制对变径脱粒滚筒、负载反馈滚筒速度控制、后轮转向路径跟踪和数字农业平台的研究，进一步表明未来的联合收获机智能必须连接推进、导航、喂入、脱粒、分离和能源使用决策。该集成数字架构连接机载传感器、机器状态监测、外部感知、通信、分析、决策支持和物流协调。
更广泛的精准收获工作表明，感知、定位、作物状态监测、路径规划和决策支持为解释机载过程传感器提供外部背景。在仪器层面，质量流传感器、多传感器吞吐量估计、数字孪生和拨禾轮力传感表明，未来将越来越依赖融合状态估计和模型支持的决策。
田间感知和监管研究——包括边界或作物行识别、无人机生物量/产量估计、作物高度估计、覆盖路径规划、立体视觉收获边缘检测、割台剖面控制、共振滤波、谷物流/品质融合、工程进度监测、边界距离测量和控制导向综合——共同支持协调感知、过程监测和机器控制层，而非孤立传感模块。
未来联合收获机传感应通过类别特定优先级和系统级集成来发展。六个传感类别在成熟度和控制价值方面存在差异，但它们都需要更强的田间验证、校准转移、干扰抑制和传感-控制连接。因此，比较优先级补充了多传感器融合、振动感知设计和数字收获协调的广泛趋势。
总结而言，综述的未来趋势表明，联合收获机传感器应作为协调信息层而非孤立仪器开发。多传感器融合、振动感知设计、校准转移和传感-控制集成将决定机载测量能否成为自适应、品质感知和数字协调收获的可靠投入。
