Authors: Thomas, G., A. Simundsson, D.D. Mann and S. Balocco.
Identifier: C21521.pdf
Download file: https://library.csbe-scgab.ca/docs/journal/63/C21521.pdf
Published in: CBE Journal » CBE Journal Volume 63 (2021)
As agricultural machinery moves into the digital era, significant developments in available technology will likely make autonomous farm vehicles more feasible, affordable, and desirable. One of the challenges of effective autonomous vehicle control specific to agriculture is the ability of the vehicle to interpret and adapt to constantly changing conditions. Auditory information is a primary indicator of changing conditions to an in-cab operator, particularly in situations such as detecting mechanical overload in a combine. This paper explores the potential for auditory information to be used in autonomous vehicle control. The sound was recorded at a sampling rate of 48 kHz near the straw chopper of a combine for three different operating modes during the same harvest day. Samples from each clip were segmented and analyzed to extract 31 audio features. Six different feature selection methods ranked the importance of each of the 31 features to identify the features that lead to accurate classification with a minimal number of calculations. These six rankings were assessed by Fagin’s algorithm to yield two features (both mel-frequency cepstral coefficients). Twenty-five distinct machine learning classification methods were evaluated using these two features. Three of these classification methods reached 100% accuracy, and 9 classifiers exceeded an individual success rate of more than 99% using those same features. These feature extraction and classification steps took less than 1 s, assuring that such a classification system could be implemented in real-time.
À mesure que les machines agricoles entrent dans l’ère numérique, les développements importants de la technologie offerte rendront probablement les véhicules agricoles autonomes plus pratiques, abordables et attrayants. L’un des défis du contrôle efficace des véhicules autonomes spécifiques à l’agriculture vient de la capacité du véhicule à interpréter et à s’adapter à des conditions qui changent constamment. Les informations auditives sont un indicateur primaire des conditions changeantes pour un opérateur en cabine, en particulier dans des situations comme la détection de la surcharge mécanique d’une moissonneuse-batteuse. Cet article explore le potentiel d’utilisation des informations auditives dans le contrôle des véhicules autonomes. Le son a été enregistré à une fréquence d’échantillonnage de 48 kHz près du broyeur de paille d’une moissonneuse-batteuse pour trois modes de fonctionnement différents au cours d’une même journée de récolte. Des échantillons de chaque enregistrement ont été segmentés et analysés pour extraire 31 caractéristiques audio. Six méthodes différentes de sélection des caractéristiques ont classé l’importance de chacune des 31 caractéristiques afin d’identifier celles qui permettent une classification précise avec un nombre minimal de calculs. Ces six classements ont été évalués par l’algorithme de Fagin pour obtenir deux caractéristiques (toutes deux des coefficients cepstraux à fréquences selon l’échelle de Mel). Vingt-cinq méthodes distinctes de classification par apprentissage machine ont été évaluées à l’aide de ces deux caractéristiques. Trois de ces méthodes de classification ont atteint une précision de 100 %, et neuf classificateurs ont dépassé un taux de réussite individuel de plus de 99 % en utilisant ces mêmes caractéristiques. Ces étapes d’extraction de caractéristiques et de classification ont pris moins d’une seconde, ce qui garantit qu’un tel système de classification peut être mis en œuvre en temps réel.
Machines autonomes, télésurveillance, information auditive, surveillance de machine, caractéristiques cepstraux à fréquences selon l’échelle de Mel, apprentissage machine, sélection de caractéristiques, algorithme de Fagin.