基于英文关键词句匹配的智能播种技术研究

李世勇

(河南林业职业学院,河南 洛阳 471002)

0 引言

在播种机播种作业过程中,特别是存在秸秆或杂草的情况下,播种机的漏播、重播和排种管阻塞等故障会频繁发生。播种机发生故障时,如果播种人员不及时发现,会严重影响播种机的播种质量,且种子发芽后会造成大量的重苗或漏苗现象。据相关数据统计,我国播种机在播种作业时的平均漏播率达到1%,对于大面积种植作业来说是非常大的损失,而对漏播进行补苗会造成大量的时间和劳动力资源浪费,补苗后的作物产量也会有所降低。因此,为了提高播种机的播种质量必须解决漏播和重播等问题。基于英文关键词句将智能故障匹配识别技术引入到播种机的设计中,对于降低播种机的漏播率和重播率、提高播种机的智能化水平具有重要意义。

1 英语关键词句匹配及在播种机设计中的应用

关键词句匹配是英语阅读和信息搜索时常用的方法。按照匹配方式,通常有两种定位形式:一种是直接用关键词定位,另一种是用同义词替换。关键词定位的例子:Since the mid-1970s, the enrollment of overseas students has increased at an annual rate of 3.9 percent,这个句子在进行关键词匹配时,可以利用出现的数据,如3.9%。另一种匹配方式同意替换的例子:A series of books, mostly authored by Americans, warned……句子中mostly可以换成mainly,warned可以换成sounded the alarm,同义替换对于关键词匹配具有重要的意义。

对于关键词匹配,在信息智能化搜索或智能识别时主要有两种方式:一种是短语匹配,一种是广泛匹配。其中,短语匹配又分为3种类型,包括短语精确包含、短语同义包含和短语核心包含。短语精确包含主要是指搜索的词完全包含在关键词里,系统才能识别;同义包含是指除了精确包含之外,相近词也可以被系统识别到;核心包含是指除了精确包含之外,核心词也可以被系统所识别。广泛匹配的范围更大,在进行搜索时即可以识别关键词,也可以识别顺序颠倒、有间隔和宽泛的匹配方式。

如图1所示,参照英语关键词句的匹配方式,在设计智能播种机时,可以利用这些匹配方式智能化识别种子和播种穴,可以进行全方位的故障诊断(比如重播、漏播等),以提高定位识别和故障诊断的效率。在进行智能化播种时,主要是利用时间间隔来智能识别播种间距,并通过漏播和重播率的智能化反馈来调节播种质量,其流程如图2所示。

图1 匹配关系示意图Fig.1 The schematic diagram of matching relation

图2 基于匹配方法的智能播种机设计流程Fig.2 The design flow of intelligent Seeder based on matching method

根据关键词句匹配方式原理,播种机利用传感器对播种信息进行采集后可以进行故障识别,然后将故障信息反馈给处理器,处理器根据反馈信息对播种间隔时间进行调节,再进行重播率、漏播率和播种机其他故障等进行监测。在进行故障识别时,为了提高故障的匹配准确性,可以引入智能化学习算法(如神经网络算法),通过不断的训练和学习,将期望误差降低到最小。

2 播种机播种质量监测和故障智能匹配

漏播率和重播率等故障的智能化匹配可以为播种机提供关键故障信息识别,然后调整作业姿态,使播种机的播种性能发挥到最优。在进行故障识别匹配时,可以参照英语关键词句的匹配方式(如精确匹配、短语匹配和广泛匹配的原理),将匹配方式进行混合,以提高识别精度;另外,还可以对故障的识别过程进行神经网络训练,提高故障识别的智能化程度。

如图3所示,为了实现故障的智能化匹配和快速识别,引入了神经网络算法,通过对样本数据进行不断的训练,提高故障的识别效率和精度。人工神经网络是利用生物学原理,将神经元细胞进行抽象,建立控制模型,通过对原始样本数据的不断训练,调整神经网络输入层、中间层和输出层的数据,达到降低误差的功能,其模型如图4所示。

图3 基于神经网络的智能化识别Fig.3 Intelligent Recognition Based on Neural Network

图4 人工神经元模型Fig.4 Artificial neuron model

与生物学的神经细胞工作原理类似,人工神经网络可以对数据的输入值进行处理,得到合理的输出数值。假设播种机故障匹配的模式有m个,其数学表达式为

(1)

其中,p1、p1、…、pR为训练数据的输入部分;ω1、ω2、…、ωR为连接权值;θ为偏置信值。与神经元中的兴奋阈值类似,采集信息的(x,y)点都在不等式约束的范围之内。

假设采集点为p1(x1,y1),故障点为p2(x2,y2),则权值和置信值可以分别表示为

(2)

由式(2)可以看出:如果故障点所有的值都是明确的,则可以确定神经网络模型中的各种参数及输出数值。因此,故障点一般是经验数据,通过不断优化神经网络训练的权值,提高计算的精度。其算法流程图如图5所示。

图5 神经网络算法流程图Fig.5 The flow chart of neural network algorithm

根据故障匹配和识别原理,在对样本数据进行训练时,首先利用播种机经验故障数据对误差进行预设,通过计算实际的输出误差;采用PID算法进行反馈调节,以提高故障的识别精度,同时提高智能识别的响应速度。

3 智能化播种机监测系统测试

为了验证基于英语关键词句匹配原理在智能化播种机设计上使用的可行性,以播种机播种作业测试为目的,采用神经网络学习算法和故障智能化匹配原理,设计了播种机播种试验。试验采用的设备如图6所示。

图6 播种机播种实验设备示意图Fig.6 The schematic diagram of experimental equipment for seeder seeding

为了简化试验,主要以系统的监测精度、故障匹配反馈调节后的漏播率和重播率为试验对象,对播种机的性能进行初步测试。对播种机的监测性能进行监测,结果如表1所示。

表1 正常播种情况测试Table 1 The Testing of Normal Seeding Conditions 次

由表1可知:采用本系统得到的播种次数和人工监测得到的次数相差不大,而其他监测系统和人工监测相差的较大,从而验证了监测系统的可靠性。分别对使用监测系统后的重播率和漏播率进行了测试,结果如表2和表3所示。

表2 重播率测试结果Table 2 Relay Rate Test Result %

表3 漏播率测试结果Table 3 The test results of leakage rate %

由表2可以看出:本次设计的系统通过反馈调剂和故障实时匹配后,重播率要明显比其他系统低。

由表3可以看出:采用神经网络算法和关键词匹配故障诊断后,漏播率也明显降低。这是由于采用反馈调节系统后,可以将漏播信息及时的反馈给系统,系统做出相应调整后提高了播种精度。

4 结论

为了降低播种机的漏播率和重播率,提高播种精度,基于英语关键词句匹配原理,将故障智能化匹配识别技术引入到了播种机的设计上。通过反馈调节系统,播种机可以自主识别漏播和重播等故障,然后通过调整播种时间间隔,降低漏播率和重播率。为了验证方案的可靠性,对播种机的播种性能进行了测试,结果表明:本次设计播种机的监测结果和人工监测结果基本吻合,验证了监测系统的可靠性。对漏播率和重播率的统计结果表明:两种都有明显降低,对于提高播种机的播种质量和智能化水平具有重要的意义。