《Measurement》：Monitoring and analyzing potato movement dynamics in a chain digger using smart sensing techniques
编辑推荐：
•倾斜角度对作物安全至关重要；8.8°为最佳工作区间。•链式输送机的较高速度有助于清洁，且不会造成进一步损伤。•利用神经网络开发了一种智能逆向控制框架。•成功解耦了清洁效率与损伤之间的矛盾。•"逆向顾问"以可忽略不计的0.15°误差精度实现了精准控制。引言马铃薯（Solanu
- •
倾斜角度对作物安全至关重要；8.8°为最佳工作区间。
- •
链式输送机的较高速度有助于清洁，且不会造成进一步损伤。
- •
利用神经网络开发了一种智能逆向控制框架。
- •
成功解耦了清洁效率与损伤之间的矛盾。
- •
"逆向顾问"以可忽略不计的0.15°误差精度实现了精准控制。
引言
马铃薯（Solanum tuberosum L.）被认为是全球最重要的战略作物之一，总产量排在玉米、小麦和水稻之后位列第四[1]、[2]、[3]。作为食品生产链的重要组成部分，马铃薯是许多国家的主要作物之一[4]。当前农业面临着合格专业人才匮乏、气候变化以及全球人口不断增加等问题。因此，尽可能高效地进行马铃薯种植至关重要。在生产线的各项作业中，收获被突出强调为损失最大的环节[5]。收获包括疏松土壤、将块茎从地下提起以及收集块茎等步骤，所有受损块茎以及遗留在田间的块茎均被视为损失。马铃薯收获没有最佳方案，因为马铃薯收获机的最优设计很大程度上取决于地区特性，包括土壤性质和可用技术[6]。马铃薯的机械损伤，如碰伤和伤口，会使损失增加20%以上，并降低产品的贮藏性和商品性[7]、[8]、[9]。
链式马铃薯挖掘机的工作原理依赖于块茎与运动部件的相互作用。已发现影响机器运行因而影响收获质量的关键参数，即驱动链式输送机旋转的传动轴（P.T.O）转速和链式输送机的倾斜角度。研究表明，链式输送机的速度和倾斜角度对损伤程度均具有重要作用[10]。较高的链速有助于清除黏附土壤，但会导致块茎受到更大的冲击力，造成碰伤，从而降低贮藏性和商业价值[11]、[12]。田间试验表明，链式输送机速度在0.8–1.2 m/s范围内时，碰撞加速度在593–686 m/s2范围内[13]。降低链速可将损伤率从较高速度下的约18.1%降低至平均约12.5%[14]。大部分损伤是由较高链速下块茎的突然撞击造成的。甚至已证实，马铃薯收获过程中约70%的总损伤源于输送机上的机械冲击，且主要取决于链速和跌落高度[15]。链式输送机的倾斜角度也会影响马铃薯的质量。随着输送机高度增加，质量往往下降。小角度使块茎更容易通过，而陡峭角度则使运输更加困难并降低质量[16]。如果链式输送机过于陡峭，运输过程中可能发生回流，这会增加损伤的可能性[17]。事实上，这里存在一个固有的矛盾：增加激振强度可提高分离和清洁效率，但也会增加冲击力或动能，从而导致更大的块茎损伤[12]、[18]。同样在此方面，操作人员在清洁有效又不造成过多块茎损伤的过程中必须做出困难的非线性权衡；确定最佳工作点并不容易。近年来，传感技术彻底改变了收获机或挖掘机上动态冲击测量的方式。马铃薯块茎的跌落高度和初始冲击速度决定了较慢冲击下的黑斑类型，而较高速度则会导致更严重的压碎和碰伤。撞击后立即评估损伤存在问题，因为生物变化的症状在数小时后才会显现[19]。因此，电子传感器被用于测量加速度、速度的瞬时变化和冲击时机。然而，由于传感器的变异性以及块茎的其他特性，将这些测量结果与实际损伤相关联并不容易[20]。早期的"仿制果实"设备起源于加利福尼亚，随后开发了形状模拟器：用于果实的球形模型（苹果用IS100，浆果用BIRD）以及用于马铃薯的长形模型（IRD、PTR-200、Smart Spud、TuberLog）。数据可通过无线传输或内部存储。已开展测试以确定安全加速度水平及其与实际损伤的相关性[21]、[22]、[23]。在此背景下，人工智能（AI）和机器学习（ML）的应用提供了为这些复杂的农业系统构建模型的机会。例如，随机森林和支持向量机（SVM）等ML算法可基于加速度和振动数据，以高达92%的精度预测马铃薯的损伤水平[18]。然而，目前大多数研究是在前置建模领域进行的，即基于已知输入参数预测损伤。虽然这些模型有帮助，但它们仍然作为辅助工具而非决策支持系统运行。逆向建模的问题尚未解决，即缺乏根据目标智能推荐最优机器参数的系统。为此，本文提出了一种新的智能框架，利用多层人工神经网络（ANN）控制马铃薯挖掘机。该方法与大多数先前方法的差异在于，新框架允许同时融合正向预测和逆向建议的能力。本研究的目标是：(1) 借助电子仿制块茎研究不同速度和倾斜角度下块茎的行为；(2) 设计专门的人工神经网络（ANN）模型，用于预测垂直冲击严重性（作为损伤的代理指标）和滚动运动（作为清洁性能的代理指标）；(3) 设计一个条件分类器，用于监控安全状况；(4) 设计一个概念验证逆向建议和推荐模型（ANN-4），用于根据用户需求确定合适的倾斜角度。
章节摘要
研究方法与提出的框架
该设计是一种整体性设计，成功将实验室实验与机器学习相结合，提出了智能马铃薯挖掘管理系统。整个系统的概念如图1所示。它是一个双向过程，包括(a)预测系统的未来性能，以及(b)回溯优化其参数。
该方法通过四个相互关联的顺序阶段展开：
- 1.
数据收集：使用链式马铃薯挖掘机进行了广泛的实验室测试。
结果与讨论
对电子仿制块茎记录的数据进行了详细的统计处理，以评估链式马铃薯挖掘机的动态性能并了解作用于块茎的力的性质。由于冲击和振动数据不符合正态分布，如正态性检验所示，采用Kruskal-Wallis检验作为非参数的精确替代方法来确定哪些运行参数存在显著差异。表2总结了……
结论
本研究旨在为马铃薯挖掘机开发智能控制框架，研究结果表明该框架能够解决最大化清洁与最小化机械损伤之间错综复杂的平衡问题。在本工作中，通过动态统计分析发现，倾斜角度是作物安全的关键物理因素，8.8°为最佳工作点，此时滑动力和稳定力恰好达到平衡，保持流动顺畅并将损伤降至最低……
CRediT作者贡献声明
Mustafa A.J. Al-Sammarraie：撰写 – 审阅与编辑、撰写 – 原始草稿、监督、软件、资源、项目管理、方法论、正式分析、数据管理、概念构思。 Haider Ali Hasan：撰写 – 原始草稿、资源、正式分析、数据管理、概念构思。 Faiz F. Mageed：撰写 – 审阅与编辑、撰写 – 原始草稿、软件、资源、方法论、资金获取、正式分析、数据管理、概念构思。 Zeki Gokalp：
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
作者向巴格达大学提供研究设施和机构支持致以真诚的感谢。
Mustafa A.J. Al-Sammarraie|Haider Ali Hasan|Faiz F. Mageed|Zeki Gokalp|?ukasz Gierz
