谷物收获机械（如联合收割机）在清选环节可能损失部分谷粒，因此如何实时监测并降低清选损失是农业机械智能化的重要课题。近年来，各种传感技术被应用于清选损失监测，包括压电传感器、声学/超声波传感器、光电/激光传感器和基于人工智能的视觉系统等。下面将分别介绍这些传感技术的应用案例及效果，并列出最近几年的最新研究论文及其主要内容。
案例概述：压电传感器是目前联合收割机谷物损失监测的主流方案 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 典型装置是在清选筛网下方安装压电薄膜或压电陶瓷元件，利用谷粒撞击敏感板产生的振动转化为电信号来计数损失谷粒数。 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 多商品收割机（如约翰迪尔等）都内置这种冲击式粮食损失传感器，帮助驾驶员实时了解损失情况并调整机器参数。
传感器类型：主要采用压电薄膜（如PVDF薄膜）或压电陶瓷。例如，有研究设计了5层结构的PVDF压电薄膜传感器阵列安装于清选筛后部，用于记录谷粒和杂余物撞击 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 另一案例中，金属感应板背面粘贴P5-3B型压电陶瓷作为敏感元件，构成玉米清选损失传感器 (Design and Test of Sensor for Monitoring Corn Cleaning Loss)
检测精度：经过标定校准，压电传感器可较准确地测量损失率。在实验室条件下，PVDF膜传感器测量清选损失的误差最低仅约0.7%～1.3% (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 实际田间应用中，压电传感器的误差一般在3%～5%左右 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 例如，Wei等开发的玉米清选损失传感器在实验室测谷粒时准确率达92.82%，测谷粒混合碎轴时90.07%，经现场调试后监测准确率提高到94%以上 (Design and Test of Sensor for Monitoring Corn Cleaning Loss) (Design and Test of Sensor for Monitoring Corn Cleaning Loss) 曲哲等研制的小麦联合收割机清选损失监测装置采用双向阵列压电传感器，在田间试验中平均误差约6.69%，最大不超过8%，达到设计要求 (Design and Test of a Grain Cleaning Loss Monitoring Device for Wheat Combine Harvester) (Design and Test of a Grain Cleaning Loss Monitoring Device for Wheat Combine Harvester) 总体来看，压电式传感器响应快、结构简单，是清选损失监测的成熟方案，但易受机器振动和杂质碰撞重叠的影响，需要信号过滤和校准 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review)
案例概述：声学传感技术利用麦穗、谷粒撞击产生的声音或超声波信号来监测损失谷粒。该方法的优势是传感器无需直接接触物料，但挑战在于农机震动和环境噪声的干扰。最近的研究提出基于声学信号的清选损失检测新方法 (Research on Acoustic Signal Identification Mechanism and Denoising Methods of Combine Harvesting Loss)
传感器类型：主要是高灵敏度麦克风或声波传感器，工作频段涵盖可听声和超声波。Gao等（2024）通过模拟分析发现谷粒撞击板材激发的声波频率约15 kHz，而茎秆撞击激发约7 kHz (Research on Acoustic Signal Identification Mechanism and Denoising Methods of Combine Harvesting Loss) 据此，他们研发了一种声学信号识别与降噪方法，利用特征频段区分谷粒与茎秆撞击声，并采用改进的EMD算法滤波噪声 (Research on Acoustic Signal Identification Mechanism and Denoising Methods of Combine Harvesting Loss) (Research on Acoustic Signal Identification Mechanism and Denoising Methods of Combine Harvesting Loss)
检测精度：经过田间小麦收获试验验证，声学传感方法检测的损失量与实际拾获量平均误差约为6.1% (Research on Acoustic Signal Identification Mechanism and Denoising Methods of Combine Harvesting Loss) 这一结果表明声学传感有可行性，其精度已接近压电传感器常规水平。但需要注意的是，机器振动会削弱声学传感器的灵敏度，必须通过巧妙的频段选择和降噪算法加以克服 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 总体而言，声学/超声技术为非接触监测提供了新的思路，在噪声抑制和可靠性方面正不断改进。
案例概述：光电传感是利用光学手段探测空气中跌落的谷粒。例如可采用红外光幕或激光扫描，当谷粒通过时阻断光束从而计数。不过在联合收割机清选口处，尘埃和杂质较多，光学检测面临信号遮挡与干扰的难题 (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) (Sensing Technologies for Measuring Grain Loss during Harvest in Paddy Field: A Review) 因此纯光电/激光方式目前实际应用较少，但一些新系统开始结合光学传感用于清选监测和自动控制。
传感器类型：包括红外对射光电传感器、激光位移/散射传感器等。在研究环境下，曾有人尝试将高速摄像机或光电探头用于校准谷粒损失测量 (Effect of different installed location of entrainment loss sensor on ...) 商业应用中，CLAAS公司的CEMOS自动化系统据报道使用激光传感器监测清选筛上物料层厚度及分布，结合筛箱振动数据，实现坡地作业时自动调整以减少粮食损失〔CLAAS CEMOS系统说明，2021〕。这种激光+振动传感融合提高了机器在不平地形下的清选效率和稳定性。又例如，部分谷物播种机上已有利用光电传感器监测种子流的案例 (基于电容信号的玉米播种机排种性能监测系统) 虽然不是清选环节，但原理类似）。
检测精度：公开报道的光电/激光清选损失监测精度数据较少。CLAAS的解决方案重点在于保持坡度不均时的清选均衡和低损失，据称可在坡地提高吞吐量同时将损失控制在与平地相当的水平〔CLAAS官方报道〕。总体来说，光电/激光传感在清选损失监测中尚属探索阶段，多作为辅助传感器或与其他传感方式结合使用，以克服单一光学方法易受遮挡的缺陷。
案例概述：人工智能视觉技术通过摄像头采集图像，利用计算机视觉和机器学习算法识别地面或机器排出口的遗留谷粒，从而评估损失。AI视觉传感能够在不停机情况下实时统计损失粮数，被视为清选监测的创新方向。美国初创公司Farmwave开发的“Harvest Vision”系统即是典型案例，它为传统联合收割机提供后装的AI监测能力 (Use AI to track harvest loss) (Use AI to track harvest loss)
传感器类型：高分辨率工业相机（RGB摄像头），配合边缘计算装置运行深度学习图像识别算法。Farmwave系统在收割机上安装了三个防尘摄像头（粮仓后部2个监测割台损失，机尾1个监测清选尾部损失） (Use AI to track harvest loss) 这些摄像头每英亩可自动进行140次图像采集分析，通过AI模型识别图像中的遗留谷粒数 (Use AI to track harvest loss) 识别结果实时反馈给驾驶员，并提供调整建议。约翰迪尔等农机厂家也在其高端机型上集成了视觉监测，例如John Deere的ActiveVision摄像头可监控谷物样品质量和损失，配合自动设置优化功能。当预设损失阈值被触及时，机器会自动调节风机转速、筛网开度等参数，将损失控制在目标范围内 (X9 Technology Packages | John Deere US)
实际效果与精度：AI视觉系统的一个突出优点是识别粒粒分明。Farmwave声称其摄像头和算法可以“看清每一粒玉米和大豆”，帮助及时调整设备 (Use AI to track harvest loss) 在用户案例中，某农场使用该系统发现割台处每英亩损失高达6-7蒲式耳，经过根据提示调整弹簧张力，损失降至不足1蒲式耳 (Use AI to track harvest loss) Farmwave统计，在约1000英亩作业中，每英亩减少5蒲式耳损失，按每蒲式耳玉米$10计算，相当于一年避免了约5万美元的损失 (Use AI to track harvest loss) 该系统的经济效益明显，厂商称一般600英亩就可收回成本 (Use AI to track harvest loss) 至于识别准确率，虽然没有直接给出百分比，但从实际效果看AI视觉能检测出传统传感器未能察觉的损失，精度和敏感性都很高。随着更多作物品种和环境条件下的数据积累，AI模型的鲁棒性将进一步提升。可以预见，AI视觉结合自动控制将成为未来智能清选系统的重要组成部分。
以下列出近三年内有关谷物清选损失传感技术的代表性论文，包含其标题、作者、发表期刊及核心内容：