摘要：本文提出融合人工智能技术和网络软件，构建新型农业机械化管理信息系统，实现信息的科学化、标准化和自动化处理。通过融合GNSS单点测速与双目视觉测速，系统测速的稳定性提高了59.59%（与单点GNSS相比）和18.32%（与双目视觉测速相比），实现从低速到高速的精确测速，有效解决了野外作业中的定位与打滑难题。通过人工智能技术优化了农机信息控制系统模型，显著提升了农业机械化的管理效率和作业准确性。

　　关键词：人工智能；农机；信息；控制系统

　　人工智能是引领世界未来发展的战略技术。农业机械化已成为现代农业的重要组成部分，其信息化管理对农业机械化的发展具有重要的作用[1]。农业机械化信息系统是一个集成了信息技术、人工智能技术、农业机械技术等多领域的综合性系统[2]。该系统通过收集、处理和分析农业生产全过程的数据，为农业生产提供精准、高效的决策支持，推动农业机械化的发展[3]。

　　1.系统功能

　　农机调度功能：系统根据农田作业需求，自动对农机进行智能调度和分配。通过实时监控农机的使用情况，动态调整农机资源，确保作业的高效进行。

　　农机作业监控功能：利用传感器、GPS定位技术，实时监控农机的作业情况，并提供精准的作业记录。通过数据可视化技术，管理人员可以直观地查看农机作业情况，包括作业轨迹、作业速度、作业深度等关键指标。

　　农机维护管理功能：系统具备农机的健康诊断和预警功能，能够及时发现农机的潜在问题，提醒管理人员进行维护，从而降低机械故障率和维修费用[4]。基于农机的使用情况和历史数据，系统可以生成个性化的维护计划和建议，确保农机的长期稳定运行。

　　农业生产大数据管理功能：全面采集农业生产过程中的各种数据，包括土壤情况、气象数据、农机作业数据等。基于大数据分析的结果，为农业生产提供科学的种植计划、施肥方案等决策支持。

　　2.系统架构

　　农业机械化信息系统采用分层架构，包括数据采集层、数据处理层、应用层和用户层。各层之间通过标准化的接口进行数据传输和交互，确保系统的稳定性和可扩展性。

　　3.GNSS测速原理

　　GNSS常用的两种测速方法有单点测速和差分测速。

　　单点测速利用接收器接收来自GNSS卫星的信号，通过测量信号的时间延迟来确定卫星与接收器之间的距离。根据连续观测的时间间隔来计算接收器的速度。单点测速精度相对较低，应用于估算农机的行进速度。

　　差分测速通过对接收到的GNSS信号进行差分运算，以消除或减小由GNSS系统误差和其他干扰因素引起的误差。差分测速分为实时差分测速和后处理差分测速两种。实时差分测速是接收器位置的差分信号通过无线电实时传输到基准站进行处理，传回用户接收器，实现实时、高精度的速度解算。后处理差分测速是将原始观测数据回传至基准站进行后续处理，用于土地测量等。

　　本文采用实时差分测速，获取运行车辆的速度。观测方程如公式（1）所示。

　　式中：p(t)为卫星与接收机的距离；pf(t)为卫星与接收机的几何距离；st;(t)为接收机在t时刻的时钟差；为卫星在t时刻的时间差；为电离层，4fr()是对流层延迟；EV是观测噪声。

　　通过对公式（1）进行微分，可以得到多普勒测速观测方程。GNSS接收机工作过程中观测卫星站间距速率的相对位置随位置的不同而不同，实验时根据应用车辆在不同点解算的不同卫星信号确定不同时刻的速度。

　　在选择GNSS单点测速系统核心控制芯片时，选用高精度GNSS芯片，提供厘米级的定位精度。本文GNSS单点测速系统的核心控制芯片采用STM32，具有强大处理能力的芯片，具有低功耗特性，能够延长农机的续航时间，能够满足智能农机在农田作业中的精确定位需求。STM32芯片通过先进的信号处理技术和算法优化，提供高精度的定位服务，满足智能农机对精确导航和作业的需求。芯片内置高性能处理器，支持多任务并行处理，能够快速处理传感器数据、执行复杂算法。

　　4.模型分析

　　为了实现应用车辆速度数据的稳定提取和变量应用的精细控制，在开放的环境中进行了10组实验，每组试验的测试距离为15m。通过GNSS单点监测，实时采集卫星数量、DOP值以及双筒望远镜测速模块在应用车辆运动过程中测得的速度值。以GNSS在单点采集的数据为例，计算公式如下：

　　其中v1为采样平均值后的第一速度数据（m/s），vi为各采样点的速度数据（m/s），5为采样间隔。

　　为了获得更为平滑且优化的测速结果，采取了基于不同采样点的连续调整策略。首个数据结果是通过对GNSS前五个单点测量数据进行平均而得出，平滑后的第二个数据点包括GNSS的第六个数据点在内的一系列单点数据进行求和，并计算其平均值。单点测速系统具备完善的数据记录功能。系统中保存的文件包含了接收卫星的数量，记录了像素点的数量，存储了DOP（Dilution of Precision，精度衰减因子）值，该值是衡量GNSS定位精度的重要指标，能够反映当前卫星分布对定位精度的影响。

　　在低速和开放环境下两种测速方式获得的数据比较如图1所示。通过分析图1可知，在低速行驶的条件下，GNSS单点测速数据展现出了明显的高低速漂移特征。这种数据的不稳定性可能源于多种因素，如信号干扰、环境因素或系统本身的局限性。相比之下，双目视觉系统在相同的低速行驶状态下表现出了显著的稳定性。其测量数据在大多数情况下都维持在一个相对恒定的水平，速度读数主要集中在0.2m/s左右。这一表现不仅证明了双目视觉系统在低速测量环境中的优越性，更凸显了其在提供准确、一致速度数据方面的能力。这一现象源于双目视觉系统在处理低速、精细动作时具有更高的灵敏度和精度，而GNSS单点测速在低速环境下可能受到多种因素的干扰，从而导致数据出现较大的波动。因此，在特定的应用场景中，如低速行驶的农机设备，双目视觉系统可能提供更可靠的速度测量数据。

　　在速度测量的第一组实验中，GNSS测速的均值和均方根公式如下式（3）所示。

　　式中：DCPS为低速空旷环境下单点测速平均值（m/s）；vn实时速度值（m/s）；n为采样点个数。在第一组测速实验中，单点测速系统和双目测速系统的均值如式（4）所示。

　　为了比较两者之间测量数据的波动，分析了第一组实验的方差。方差越小，数据越稳定。对单点测速系统和双目测速系统的方差计算如式（5）所示。

　　其中s2是每组数据的方差；是每组数据的平均值；n是采样点数。以第一组实验数据为例，GNSS在单个点上测得的方差如下：

　　基于两组平方差的计算结果，在第一组试验中，GNSS单点测速系统的方差为0.1589，而双目测速系统的方差为0.0786。方差是衡量数据分布离散程度的重要指标，较低的方差值意味着数据更加稳定，波动性小。从这两个方差值可以看出，双目测速系统提供的数据比GNSS单点测速系统的数据更为稳定。

　　在中等速度行驶条件下，双目测速系统提供的数据趋于稳定，速度读数变化不大，显示出其良好的稳定性和准确性。相反，GNSS测速数据在这一速度区间内波动较大，这可能是由于GNSS信号受到多种因素的干扰，如大气条件、多路径效应等，导致测速结果不够稳定。

　　5.结论

　　与单点GNSS测速数据相比，双目视觉测速系统的稳定性提升了高达59.59%，减少了因GNSS信号波动而带来的测量误差。与双目视觉测速系统测得的数据相比，融合后的速度稳定性也提升了18.32%，表明通过融合两种不同测速技术的优势，能够弥补各自系统的不足，实现测速性能的优化，达到了精确测量所有速度的目的，解决了在实地作业期间树木阻碍全球导航卫星系统卫星信号造成的车辆定位故障和车辆打滑等问题。表明人工智能在农业机械化信息管理中的应用能有效提升农业生产的效率和准确性。

　　参考文献：

　　[1]邓美玲.农机作业服务调度控制信息系统设计[J].南方农机,2019,50(19)：67.

　　[2]史宇鑫.基于电子信息技术的智能农机设备远程监控与控制系统设计[J].南方农机,2024,55(08)：84-86.

　　[3]王豪威,屈文飞,万永安,等.基于模型预测控制的多源自动发电控制系统及运行优化[J].水电与新能源,2023,37(09)：20-23.

　　[4]苗荣霞,李洁馨,张洋,等.火电厂输煤系统节能优化控制方法研究[J].国外电子测量技术,2023,42(05)：50-55.