Tree-level yield mapping for nut trees harvested with shake-catch harvesters, Part II: Uncertainty estimation and tree identification
Villacrés Juan · Patrick H. Brown · Yufang Jin 等 7 人
提出蒙特卡洛不确定度估计与传感器融合树木识别方法，实现摇振采收坚果树的单树产量制图。
蒙特卡洛模拟、虚拟行构建、双RTK-GNSS与振动传感器融合。
PMG2-Tukey核误差更低，树流重叠减少可降低不确定度，传感器融合能识别单树并生成产量图。
可探索多传感器融合在复杂果园场景下的鲁棒性，以及实时单树产量监测与变量施肥决策的集成。
面向摇振采收坚果的树级产量制图与不确定性量化研究，方法新颖、结论可靠，但属细分领域技术论文，产业影响有限。
本文分两部分介绍了一套系统，该系统可为扁桃（almond）果园以及更广泛地，为振动采收-承接式（shake-catch）收获的坚果作物生成单树分辨率的产量图。第一部分开发了一种机上产量监测器，利用激光扫描仪对传送带上连续的坚果流进行剖面测量，并引入基于核函数的反卷积方法，通过拟合参数化核函数的混合模型来重建单树产量，该混合模型的叠加可再现实测流量。本文（第二部分）解决剩余的两个挑战：（1）量化反卷积后单树产量的不确定性；（2）识别与这些产量对应的单株树木。由于在混合流条件下，收获后直接获取每棵树的地面真值不切实际，因此引入了一种蒙特卡洛方法，通过实验记录和称量单树流量剖面，并在随机收获模拟器中构建虚拟行。这使得能够在模拟的树间收获时间和传送带运输时间上系统地分析不确定性。本文还引入了一种基于双RTK-GNSS测量和振动传感器时间戳的传感器融合方法，将收获事件与单株树木及其反卷积产量估计相关联，以生成地理参考产量图。结果表明，PMG2-Tukey核函数通常比其他核函数族产生更低平均相对误差和更低标准差。随着连续树流之间重叠的减少，不确定性降低。所提出的传感器融合方法能够实现单株树木的识别和单树产量图的生成。