《Agronomy》：Simulation-Based Evaluation of Vision-Based Adaptive Conveyor Speed Control Using Reel-Synchronous Onion Counting in a Self-Propelled Onion Collector
编辑推荐：
进入自走式洋葱收获机的洋葱流随田间条件、喂入密度以及洋葱-土壤团的瞬时挖掘行为而变化，而收集输送带通常以固定速度运行，浪费了液压能量。本研究提出并通过田间校准仿真评估了一种视觉前馈输送带速度控制框架，该框架将卷帘同步洋葱计数与变量泵控制相结合。为了缓解紧凑型双
进入自走式洋葱收获机的洋葱流随田间条件、喂入密度以及洋葱-土壤团的瞬时挖掘行为而变化，而收集输送带通常以固定速度运行，浪费了液压能量。本研究提出并通过田间校准仿真评估了一种视觉前馈输送带速度控制框架，该框架将卷帘同步洋葱计数与变量泵控制相结合。为了缓解紧凑型双输送带结构导致的周期性遮挡，研究人员实现了一种与检测到的输送带位置同步的帧选择方法，并在从32个室内和田间源视频中提取的314张图像上训练和评估了一个YOLOv8n检测器，这些视频在源视频层面进行了划分。在独立测试子集上，该模型达到了0.952的精度、0.944的召回率和0.959的mAP@0.5，所提出的计数方法在45次独立田间试验中，在所有发动机转速下均保持了高于95%的计数恢复率，分别比固定周期采样和基于跟踪的基线方法高出6.6和3.8个百分点。一个固定排量液压系统的AMESim模型经过校准，显示与田间测量结果一致，随后被用于评估变量配置。在田间识别的恒定传动效率下，估计净输送带相关燃油节省（扣除发动机空载消耗）为14.3–18.7%，当通过锚定损失模型考虑部分排量效率损失时，保守估计为11.5–16.9%。这些结果证明了基于视觉的前馈输送带速度控制的可行性及其在球茎作物收获中的节能潜力。
论文解读：基于视觉与仿真的自走式洋葱收获机自适应输送带速度控制
1. 研究背景与问题
洋葱是全球广泛种植的园艺作物，但其收获过程劳动密集。在韩国，农业人口老龄化严重，机械化与自动化需求迫切。然而，东北亚地区农田面积小且分散，限制了大型收获设备的应用，紧凑型自走式洋葱收获机成为更实际的选择。这类机器的工作部件布局密集，常采用包含上部辅助输送带的紧凑型双输送带结构，这虽然提高了输送稳定性，但会周期性遮挡下部输送带上的洋葱，对基于摄像头的视觉系统性能构成挑战。
传统上，收获机的收集输送带通常以固定速度运行。由于田间条件、喂入密度和洋葱-土壤团的瞬时挖掘行为不断变化，洋葱流入量波动很大。恒速运行导致在低负荷时浪费液压能量，而在高负荷时可能造成洋葱堆积。尽管深度学习视觉技术和变量泵液压驱动技术各自取得了进展，但鲜有研究将视觉衍生的洋葱数量直接作为输送带控制的输入信号，尤其是在处理紧凑型双输送带结构的周期性遮挡问题上。因此，本研究旨在填补这一空白，开发一个集成前视洋葱识别、卷帘同步计数和视觉前馈输送带速度控制的框架，以提升能效。
2. 主要技术方法
研究人员采用了以下关键技术方法：
- •
目标检测模型：选用YOLOv8n架构，在由32个源视频（22个田间视频，10个室内视频）提取的314张标注图像组成的数据集上进行训练、验证和测试。数据集在源视频层面进行划分以防止数据泄露，并定义了“洋葱”和“输送带”两个类别。
- •
卷帘同步帧选择与计数策略：利用检测到的输送带边界框作为动态参考，在一个预定义的感兴趣区域（ROI）内，当输送带到达特定相位时触发帧捕获，从而规避上部橡胶卷帘造成的周期性遮挡。该方法无需物体跟踪算法。
- •
仿真模型建立与校准：使用Simcenter AMESim软件建立了收获机液压系统的仿真模型，包括发动机、传动系统、液压泵、马达和负载。模型基于一台25.4 kW柴油发动机的自走式洋葱收获机，并使用田间实测的液压压力、流量和燃油消耗数据进行校准。
- •
效率模型与敏感性分析：采用Wilson-McCandlish-Dorey类型的经典损失系数模型来量化变量泵在部分排量下的效率损失，并将总损失中归因于泵的比例（α）作为敏感性参数进行分析。
3. 研究结果
3.1 目标识别模型性能
YOLOv8n模型在独立测试集上表现出色，精度为0.952，召回率为0.944，mAP@0.5达到0.959。学习曲线分析表明，随着训练数据量的增加，模型性能趋于稳定。与其他轻量级YOLO变体相比，YOLOv8n在洋葱类别的召回率和处理速度之间取得了最佳平衡。
3.2 洋葱计数恢复率
在45次独立田间试验中，所提出的卷帘同步计数方法在所有三个发动机转速（2000、2300、2600 rpm）下均保持了高于95%的平均计数恢复率。方差分析显示发动机转速对计数恢复率无显著影响。与固定周期采样和基于ByteTrack的跟踪计数方法相比，该方法分别将整体计数恢复率提高了6.6和3.8个百分点，证明了其在处理周期性遮挡方面的优越性。
3.3 液压仿真模型校准
AMESim仿真模型的输出与田间实测数据高度吻合。模拟的流量、压力、所需功率和燃油消耗与实测值的平均绝对百分比误差（MAPE）均低于1%，验证了模型在表征固定排量泵配置下的稳态工作点方面的准确性。
3.4 固定与变量泵配置的仿真对比
与固定排量泵相比，变量排量泵能够根据视觉系统估算的洋葱数量连续调节其排量，从而按需提供液压流量。这使得变量泵配置下的液压功率需求显著降低，且这种差异在高发动机转速下更为明显。在恒定传动效率假设下，净输送带相关燃油节省估计为14.3–18.7%；当考虑部分排量效率损失时，保守估计仍可达11.5–16.9%。敏感性分析表明，该节能效果对发动机转速和效率情景敏感，但对控制参数变化不敏感，显示出良好的鲁棒性。
4. 讨论与结论
讨论部分总结：
研究结果表明，所提出的卷帘同步计数策略有效克服了紧凑型双输送带结构带来的周期性视觉遮挡问题，在不依赖复杂跟踪算法的情况下实现了可靠的洋葱计数。这种事件同步采样方法有望推广到其他存在类似结构性遮挡的收割机视觉应用中。从能量角度看，该控制策略主要通过按需调节供油流量来实现节能，而非依赖于压力的大幅变化。仿真结果证实了将视觉感知与液压控制相结合的可行性和节能潜力，为实现收获机的“按需流量”控制提供了新思路。研究的局限性在于，仿真模型采用了恒定负载扭矩的简化表示，未考虑洋葱质量、堆积和冲击引起的动态负载变化；此外，计数序列被假定为与输送带速度无关，这在未来需要进一步验证。
研究结论翻译：
这些结果证明了基于视觉的前馈输送带速度控制的可行性及其在球茎作物收获中的节能潜力。
