谷粒损失率直接影响着联合收割机的生产效率和作业质量。目前,谷粒损失检测方法一般是对单一压电传感器输出的信号,经放大和低通滤波分离后,由阈值鉴幅方法加以识别。实际联合收割机作业时,清选筛排出的损失谷粒夹带着大量的碎秸秆、杂草等物料,传感器还受到机组振动和环境噪声的强干扰作用,损失谷粒信号湮没在背景噪声中,信号信噪比很低,并且损失谷粒信号与机组振动频谱部分重叠,传统滤波方法难以精准检测。运用信号处理技术的软件算法,挖掘信号中损失谷粒的信息特征,易于联合收割机田间实现是谷粒损失定量检测的关键。　　 独立分量分析是根据信号的统计特性从多组观测信号中恢复出未知的源信号,实现混叠信号的盲分离。谷粒损失检测过程类似“鸡尾酒会”问题,联合收割机工作时,某时刻传感器采集到的观测信号实际上可以看作多种信号源相互作用的结果,谷粒损失检测就是典型的盲信号提取问题。利用独立分量分析的几乎不需源信号和传输通道先验知识、分离信号无论是在时域还是在频域上都保持了源信号完整性的特点,能够挖掘出强大机组背景噪声中快速衰减的损失谷粒信号特征。　　 通过以上分析,提出了基于快速独立分量分析的谷粒损失检测方法,采用多组压电传感器代替单一传感器采集数据,融合传感器组之间的信息既满足ICA算法的要求,又可以从多区域多角度获取信号特征。研究中,利用传感器滤波源值估计选择传感器数目,满足源数估计的超定条件。　　 为了降低源数估计难度,保持谷粒和机组振动信息的线性相位,利用FDATool工具构建FIR带通滤波器,保证谷粒信号顺利通过,并最大限度抑制噪声干扰,Simulink仿真实验证明了滤波器能够较大程度地从强噪声背景中提取出损失谷粒信号频率信息,达到抑制噪声目的。在超定条件下,利用基于奇异值分解原理的观测信号主特征值估计方法能够有效地确定滤波源值。　　 基于负熵的FastICA算法可以有效地把不动点迭代算法的优良特性与负熵较好的统计特性结合起来,利用收敛速度较快、算法稳定的特点,挖掘出损失谷粒信号特征,实现信号盲分离。按照包括零均值化和白化的FastICA实现步骤构建无噪和有噪情况下的仿真实验,实验表明谷粒信号的盲提取结果较为完整,算法具有精准检测损失谷粒信号的能力。　　 实验室的谷粒损失检测验证试验表明,独立分量分析盲提取法可以较好地分离出损失谷粒信号,便于谷粒损失计数,为谷粒损失的精确定量检测提供了理论基础；同时,镇稻10号田间收割试验表明基于独立分量分析的损失谷粒信号检测方法具备了较高的精度和测量清选损失能力,整个系统基本达到了实际应用的目标。