适宜机械化收获花生品种的筛选方法、存储介质及设备技术

适宜机械化收获花生品种的筛选方法、存储介质及设备，属于农业技术领域。为了解决试验田和种植田存在的差异导致实际种植区的花生在机械收获时可能与试验田的总损失率差异较大而进一步导致对实际种植区总损失率估计不准确的问题，本发明专利技术首先获取需要进行筛选的花生品种i的基础指标数据以及花生品种i对应的固结度；并利用神经网络得到品种i对应的总保留率；然后根据花生品种i对应的固结度和拟进行播种的地块的固结度F

【技术实现步骤摘要】
适宜机械化收获花生品种的筛选方法、存储介质及设备


[0001]本专利技术涉及一种适宜机械化收获花生品种筛选方法，属于农业


技术介绍

[0002]花生是世界上重要的粮食和油料作物，我国花生油的需求量占据全球花生油总需求量的50％以上。中国花生的种植面积、总产量及出口量均位居世界前列，随着花种植生产业和加工技术的快速发展，花生的主要出口国竞争愈加激烈。我国花生种植生产水平尤其是机械化收获水平相对较低，制约了花生出口竞争力和种植生产效益。
[0003]花生收获是花生整个种植生产过程的重要环节，耗费农时多，收获的季节性强，用工量占整个种植生产过程的三分之二左右。特别是花生收获依然是畜力和人工收获为主，辅之机械收获。花生机械化收获包含了多个工艺作业流程，其中主要包括挖掘去土、铺放晾晒、捡拾摘果等。与人工收获相比，花生机械收获具有降低成本和劳动力需求的优点。虽然机械收获降低了花生收获的成本，却增加了收获过程中荚果的损失。
[0004]目前针对花生机械收获的研究并不多，为数不多的研究中也基本都是通过对花生的农艺性状等进行试验和分析，从而确定是否满足机械化收获的要求，这种方式存在以下问题：
[0005]这种方式基本都是需要经过种植试验确定各农艺性状等，而试验都是基于试验田来完成的，在实际种植时选用合适的力学要求的品种即可，但是这种方式忽视了试验田和实际广泛种植的试验田是存在差异的，甚至可能是巨大的差异，一般情况下试验田和广泛种植区域不在相临近的种植区就会存在较大差异，如果两地块相距较远，甚至不在一个辖区则会出现巨大差异，例如同属于东北种植区桦南和甘南的土地性状则有巨大差异，甚至是同一个行政区划的市的不同农场都会存在差异。而这种土地的性状差异则会导致土壤质地黏重等影响的固结度存在较大差异，因此使得土地的摘果时的土地力学性能存在较大差异，进而导致在试验田的总损失率(落果率+埋果率)小，但是在大田种植时则总损失率很高，所以上述方式的筛选效果的准确率难以保证。
[0006]为了解决上述问题，可以通过在拟种植区域设置试验田并进行种植试验，虽然可以从一定条件下解决上述问题，但是作为试验田是有特定设置要求和检测要求的，例如针对土壤成分的分析、前茬农作物种植情况等，所以在拟种植区域直接设置试验田的要去较难实现。实际种植生产中会先在试验田预先进行种植试验，然后筛选合适的品种，再在拟种植区域进行小范围的试种，如果效果好则再大面积推广种植。虽然这种方式相对有效且被普遍使用，但是该方式依然存在问题，比如依然存在试验田和小范围存在差异，可能就导致小范围试种时依然存在可能导致总损失率不理想，甚至可能浪费一个“种植——成熟”周期，导致真正筛选到合适品种的时间非常长。

技术实现思路

[0007]本专利技术为了解决试验田和种植田存在的差异导致实际种植区的花生在机械收获
时可能与试验田的总损失率差异较大而进一步导致对实际种植区总损失率估计不准确的问题。
[0008]适宜机械化收获花生品种的筛选方法，所述方法包括以下步骤：
[0009]S1、获取需要进行筛选的花生品种i的基础指标数据以及花生品种i对应的固结度F
i
；
[0010]将品种i基础指标数据进行归一化处理；并将品种i进行One
‑
Hot编码并归一化；
[0011]然后将品种i的One
‑
Hot编码归一化值，以及基础指标数据的归一化值输入总保留率网络模型，得到品种i对应的总保留率；
[0012]所述总保留率网络模型为多层神经网络模型；
[0013]S2、针对拟进行播种的地块j'获取固结度F
ij'
；
[0014]根据花生品种i对应的固结度F
i
和拟进行播种的地块的固结度F
ij'
得到固结度差量比R
ij'
；
[0015]然后将品种i的One
‑
Hot编码归一化值，以及固结度差量比R
ij'
输入总保留率差量网络模型，得到总保留率差量Δ
ij'
；
[0016]所述总保留率差量网络模型为多层神经网络模型；
[0017]S3、根据品种i对应的总保留率和总保留率差量Δ
ij'
得到花生品种i在拟进行播种的地块的总保留率；
[0018]S4、根据花生品种i在拟进行播种的地块的总保留率确定拟种植的花生品种。
[0019]进一步地，所述固结度差量比
[0020]进一步地，花生品种i对应的固结度其中F
ij
表示花生品种i对应的J个土地固结度样本中的第j固结度。
[0021]进一步地，所述固结度F
ij'
为土地阻力。
[0022]进一步地，所述土地阻力通过在种植作物时将辅助测量装置埋在土壤里并在收获时通过拔出辅助测量装置测量得到的最大力的方式得到。
[0023]进一步地，所述花生品种的基础指标数据，包括：籽粒宽度、籽粒厚度、籽粒立压、第7天果柄强度、第7天秧柄强度、挖取时的果柄强度、挖取时的秧柄强度、籽粒正压、籽粒侧压、籽粒长度、结果范围、果壳正压、果壳侧压和果壳立压。
[0024]进一步地，将品种i基础指标数据进行归一化处理的过程包括以下步骤：
[0025]将基础指标数据分别记为X1‑
X
14
，每个指标Xn的归一化值的计算方式如下：
[0026]Xn＝(Xn
‑
Xnmin)/λ(Xnmax
‑
Xnmin)，n＝1,2,
……
,14，
[0027]其中，Xnmax、Xnmin为所有花生品种中指标Xn中的最大值和最小值；λ为归一化调节比例。
[0028]进一步地，归一化调节比例λ取值1.1。
[0029]一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的适宜机械化收获花生品种的筛选方法。
[0030]一种适宜机械化收获花生品种的筛选设备，所述设备包括处理器和存储器，所述
存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的适宜机械化收获花生品种的筛选方法。
[0031]有益效果：
[0032]利用本专利技术可以在实际种植前，只要获取拟种植的地块的土地阻力，或者事先通过土地阻力辅助测量装置得到拟种植的地块的土地阻力，然后就可以基于种子提供者提供的基础指标数据以及花生品种i对应的土地阻力F
i
对拟种植的地块的的花生总保留率做出事先估计，从而使得即使试验田和拟种植地块存在较大差异也能够实现对实际种植区的花生在机械收获时的总损失率/总保留率有一个相对准确的预估，进而有效的控制在实际种植生产收获后有一个满意的损失量，从而有效控制实际损失。
[0033]利用本专利技术可以直接根据建立的数据库直接用于相对大面积的种植，可以省去小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.适宜机械化收获花生品种的筛选方法，其特征在于，所述方法包括以下步骤：S1、获取需要进行筛选的花生品种i的基础指标数据以及花生品种i对应的固结度F
i
；将品种i基础指标数据进行归一化处理；并将品种i进行One
‑
Hot编码并归一化；然后将品种i的One
‑
Hot编码归一化值，以及基础指标数据的归一化值输入总保留率网络模型，得到品种i对应的总保留率；所述总保留率网络模型为多层神经网络模型；S2、针对拟进行播种的地块j'获取固结度F
ij'
；根据花生品种i对应的固结度F
i
和拟进行播种的地块的固结度F
ij'
得到固结度差量比R
ij'
；然后将品种i的One
‑
Hot编码归一化值，以及固结度差量比R
ij'
输入总保留率差量网络模型，得到总保留率差量Δ
ij'
；所述总保留率差量网络模型为多层神经网络模型；S3、根据品种i对应的总保留率和总保留率差量Δ
ij'
得到花生品种i在拟进行播种的地块的总保留率；S4、根据花生品种i在拟进行播种的地块的总保留率确定拟种植的花生品种。2.根据权利要求1所述的适宜机械化收获花生品种的筛选方法，其特征在于，所述固结度差量比3.根据权利要求2所述的适宜机械化收获花生品种的筛选方法，其特征在于，花生品种i对应的固结度其中F
ij
表示花生品种i对应的J个土地固结度样本中的第j固结度。4.根据权利要求3所述的适宜机械化收获花生品种的筛选方法，其特征在于，所述固结度...

【专利技术属性】
技术研发人员：钟超，于海秋，刘喜波，赵新华，王晓光，康树立，蒋春姬，赵姝丽，王婧，张鹤，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：