一种基于深度学习的实现农机自动换挡的方法技术

本发明专利技术所述的一种基于深度学习的实现农机自动换挡的方法，通过深度学习和自动换挡系统的相互结合，可以完成智能作业情景下的深度无人化，自动换挡系统和外部传感器所提供的每一项数据都是深度学习网络的训练途径，而深度学习模块的不断学习进化则会反过来预期档位的判断和速度的解读，在人类的正确引导下，通过深度学习的自动换挡模块将为无人操作提供十分大的便利。

【技术实现步骤摘要】
一种基于深度学习的实现农机自动换挡的方法
：本专利技术涉及农机领域，尤其涉及一种基于深度学习的实现农机自动换挡的方法。
技术介绍
：随着社会经济的发展和现代科学技术的进步，农业改革的步伐也在不断加大，农业机械自动化发展进程也在逐渐加快。目前，全球农业的发展都面临着较为严峻的形式，因而国内外都十分注重加大科技投入，推动农业机械自动化的进步。拖拉机作为重要的农业机械之一，是实现各种各样机械化作业的动力。然而，通常情况下，拖拉机组在恶劣环境下作业时，由于工作情况的复杂多变，操作人员技术水平差异，很难达到高精度的要求。在拖拉机驾驶方面，很难保证作业方向和行距问题，造成漏播或重复，土地利用率极低，化肥浪费严重，并且长时间作业给作业人员造成重负荷。无人驾驶拖拉机便可以避免这类问题的发生，已达到节省人力，节省资源，提高工作效率的目的。在现有的无人驾驶拖拉机涉及的现有技术中，没有能够让作业中的拖拉机在相应的速度下选择相应的档位的有关技术，以解决无人驾驶拖拉机在作业过程中用户可以对拖拉机的速度进行设置，让拖拉机以相应的速度更好的进行作业。
技术实现思路
：为了克服上述的不足，本专利技术提供了一种基于深度学习的实现农机自动换挡的方法。本专利技术解决其技术问题所采用的技术方案：一种基于深度学习的实现农机自动换挡的方法，包括如下步骤：第一步，启动处于静止的拖拉机；第二步，随后利用各项传感器对当前的环境数据信息进行采集；第三步，将传感器采集到的信息与数据库中所包含的所有数据进行对比，判断是否有类似的环境，如果有，则直接使用基于深度学习的应对策略调整车辆档位进行作业，直至完成，如果没有类似数据，则默认以一档启动车辆；第四步，通过传感器测出拖拉机进行作业时所受的所有阻力，当牵引力等于阻力时，可以通过微积分理论中动态运动功率与牵引力的平衡关系计算得到理论上的最大速度V；第五步，此时判断，计算出的最大速度V是否大于当前档位的速度区间，若大于，则车辆档位增加一档，然后再重复进行判断；若不大于当前档位的最大速度，则可以按照用户需求设定行驶速度直至达到V，并即刻将环境信息及车辆速度档位信息存储至数据库并记忆学习；第六步，拖拉机以一个最佳的速度一直进行作业直至结束。所述环境数据信息包括土地信息、天气情况、车辆位置、所拖拽的器械和牵引力及阻力。由于采用如上所述的技术方案，本专利技术具有如下优越性：本专利技术所述的一种基于深度学习的实现农机自动换挡的方法，通过深度学习和自动换挡系统的相互结合，可以完成智能作业情景下的深度无人化，自动换挡系统和外部传感器所提供的每一项数据都是深度学习网络的训练途径，而深度学习模块的不断学习进化则会反过来预期档位的判断和速度的解读，在人类的正确引导下，通过深度学习的自动换挡模块将为无人操作提供十分大的便利。附图说明：图1为本专利技术判断档位循环的部分流程图；图2为本专利技术的整体流程图；具体实施方式：通过下面实施例可以更详细的解释本专利技术，公开本专利技术的目的旨在保护本专利技术范围内的一切变化和改进，本专利技术并不局限于下面的实施例；结合附图所述的第一步，启动处于静止的拖拉机；第二步，随后利用各项传感器对当前的环境数据信息进行采集；第三步，将传感器采集到的信息与数据库中所包含的所有数据进行对比，判断是否有类似的环境，如果有，则直接使用基于深度学习的应对策略调整车辆档位进行作业，直至完成，如果没有类似数据，则默认以一档启动车辆；第四步，通过传感器测出拖拉机进行作业时所受的所有阻力，当牵引力等于阻力时，可以通过微积分理论中动态运动功率与牵引力的平衡关系计算得到理论上的最大速度V；第五步，此时判断，计算出的最大速度V是否大于当前档位的速度区间，若大于，则车辆档位增加一档，然后再重复进行判断；若不大于当前档位的最大速度，则可以按照用户需求设定行驶速度直至达到V，并即刻将环境信息及车辆速度档位信息存储至数据库并记忆学习；第六步，拖拉机以一个最佳的速度一直进行作业直至结束。所述环境数据信息包括土地信息、天气情况、车辆位置、所拖拽的器械和牵引力及阻力。需要强调的是，深度学习是让机器经过深度学习后，能够实现从感知到动作的端对端学习的一种全新的方法。即让机器能够如人脑一样，输入感知信息，比如视觉，温湿度等，然后通过深度神经网络，直接输出动作，在本专利技术中尤其要注意以下几点：1）对采集环境数据的采集及分析初步的环境参数采集是极其重要的，因为这是深度学习判断运行时预期档位与速度的重要判断条件。需要提供土地信息、天气情况、车辆位置、所拖拽的器械以及牵引力等，土地信息会很大程度的影响到作业时的阻力，不同的天气条件所带来的施工难度也是不同的，车辆所处的位置也会干扰作业的进行，而选择合适的器械是提高效率的关键因素之一，可以大大提高车辆运行速度。这一过程是动态且实时的，并不断的上传到云端，作为深度学习的训练资料存储并等待调用。2）进行云端参数对比，判断预期档位与速度，随着对外部环境的迅速采集，系统马上就会开始进行当前环境下的参数和云端网络中存在的外部环境数据的对比分析作业，这一环节是深度学习模块判断车辆动态运动时应该选择的运动档位与速度的重要依托，是深度学习的结果，一旦外部环境数据通过机器学习的结果对比相似度很高，可以直接做出判断，那么会直接智能选择接下来的运行档位，并保证尽量满足所需要的速度要求。3）如图1所示，若无法通过云端数据的对比分析做出自动判断，则进入机器学习的阶段，出现无法通过云端判断的情况时，则自动进入机器学习的准备阶段，并默认以一档启动汽车，此时会根据大量环境数据进行一个平衡循环：由于搜集了大量的环境数据，所以可以分析出最大理论速度Vmax，此时的Vmax是一个理论定值，这个值会成为系统的判定标准，如果Vmax大于当前档位的理论速度区间，则会讲档位提高一档，并再次进行判断，直到符合速度区间为止，此时便可以按照用户的需求控制车辆的作业速度。如果在运行过程中，检测到外部环境发生突然的大量改变，诸如发生车辆、发动机的震动，土地信息传感器参数的警报等表示出来的土地质地变硬或变软，系统会自动回档到初始位置，并重新开始循环。4）对深度学习模块的训练假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为：I=>S1=>S2=>…..=>Sn=>O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。现在回到深度学习，需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设设计了一个系统S（有n层），通过调整系统中参数，使得它的输出仍然是输入I，那么就可以自动地获取得到输入I的一系列层次特征，即S1，…,Sn。对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。本方案恰是运用了深度学习的技术，将土地信息、天气情况、车辆位本文档来自技高网...

【技术保护点】
1.一种基于深度学习的实现农机自动换挡的方法，其特征在于：包括如下步骤：第一步，启动处于静止的拖拉机；第二步，随后利用各项传感器对当前的环境数据信息进行采集；第三步，将传感器采集到的信息与数据库中所包含的所有数据进行对比，判断是否有类似的环境，如果有，则直接使用基于深度学习的应对策略调整车辆档位进行作业，直至完成，如果没有类似数据，则默认以一档启动车辆；第四步，通过传感器测出拖拉机进行作业时所受的所有阻力，当牵引力等于阻力时，可以通过微积分理论中动态运动功率与牵引力的平衡关系计算得到理论上的最大速度V；第五步，此时判断，计算出的最大速度V是否大于当前档位的速度区间，若大于，则车辆档位增加一档，然后再重复进行判断；若不大于当前档位的最大速度，则可以按照用户需求设定行驶速度直至达到V，并即刻将环境信息及车辆速度档位信息存储至数据库并记忆学习；第六步，拖拉机以一个最佳的速度一直进行作业直至结束。

【技术特征摘要】
1.一种基于深度学习的实现农机自动换挡的方法，其特征在于：包括如下步骤：第一步，启动处于静止的拖拉机；第二步，随后利用各项传感器对当前的环境数据信息进行采集；第三步，将传感器采集到的信息与数据库中所包含的所有数据进行对比，判断是否有类似的环境，如果有，则直接使用基于深度学习的应对策略调整车辆档位进行作业，直至完成，如果没有类似数据，则默认以一档启动车辆；第四步，通过传感器测出拖拉机进行作业时所受的所有阻力，当牵引力等于阻力时，可以通过微积分理论中动态运动功率与牵引力的平衡关...

【专利技术属性】
技术研发人员：万忠政，吴卿岩，陈家玉，
申请(专利权)人：洛阳中科龙网创新科技有限公司，
类型：发明
国别省市：河南,41