一种基于温度场云图的历史储粮状态判断方法

1.本发明涉及储备粮状态判断技术领域，具体涉及一种基于温度场云图的历史储粮状态判断方法。


背景技术：

2.库存粮食储量大，储藏周期长(一般为2-4年)，在这长周期储藏期间容易发生以差换好、违规倒仓等影响库存粮食质量的问题。目前我国为保障粮食储备安全采用的监管和稽查技术多为人工排查,耗时耗力,监管人员难以及时准确的获取粮库历史仓储信息并判断当前储备粮状态。中国专利cn201510764257.9提供了一种粮仓储粮状态的检测方法及其装置。该装置通过在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器,利用支持向量机构建粮仓储粮状态检测模型,将压力传感器采集的数据代入到所建立的粮仓储粮状态检测模型,依据储粮状态分类原则即可判断粮仓储粮状态。本发明可以在线远程同时检测多个粮仓的储粮情况,检测精确度高,鲁棒性强,操作简单,对传感器性能要求低,并且降低检测成本。但是只能检测进粮、储粮、出粮三种状态。
3.中国专利cn201710368859.1提供了一种储粮状态的检测方法,通过测定预设空间的温度与粮食电容的变化状态从而快速准确地分析判断粮粒内外温度是否一致,粮食是否发热,是否结露。此方法只能判断区分发热与结露两种状态。因此需要一种全面、准确而简单的方法来判断储备粮的状态，以减少粮仓监测的成本，提高监管效率与智能化数字化监管程度。


技术实现要素：

4.有鉴于此，本发明的目的是提供一种基于温度场云图的历史储粮状态判断方法，实现对粮仓储备粮进行数字化监管，从而减轻粮仓管理的工作负荷、节约粮仓管理成本并提高监管效率。
5.为了达到上述目的，本发明所采用的技术方案是：一种基于温度场云图的历史储粮状态判断方法，包括如下步骤：步骤一、收集粮温数据，按照粮堆中传感器的布局将所述粮温数据重新排列，并进行数据处理；步骤二、利用处理后的粮温数据生成粮仓各平面的温度场云图；步骤三、提取温度场云图的图像特征，组成云图的特征向量；步骤四、将特征向量输入储粮状态检测神经网络模型，神经网络模型输出即为储粮状态，从而实现储粮状态检测。
6.进一步的，步骤四中的储粮状态检测神经网络模型设为n层，其中输入层、输出层各一层，隐含层n-2层；根据输入层和输出层神经元的个数，通过经验公式计算出隐含层神经元个数l：
其中，l为隐含层神经元个数，i为输入层神经元个数，o为输出层神经元个数，a为试验参数，a∈[1,10]；储粮状态检测神经网络模型由大量的温度场云图及其状态进行训练。
[0007]
进一步的，步骤三中从温度场云图中提取的图像特征包含颜色特征和纹理特征。
[0008]
进一步的，步骤二中所述平面是指在平房仓中粮堆长度方向的平面，或者在立筒仓平行于粮堆平面的测温传感器形成的平面。
[0009]
进一步的，步骤一中数据处理是指采用插值方法，通过构造差商的方法以传感器分布的截面对离散粮温进行插值，补全所述传感器阵列间与传感器阵列外缺失的粮温数据，实现对粮温数据插值处理。
[0010]
与现有技术相比，本发明的有益效果是：1、本发明提供基于温度场云图的储备粮状态判断方法，以历史储藏过程的粮情数据得出的大量温度场云图为基础训练出的储粮状态检测神经网络模型为工具，准确并贴合实际；2、本发明可涵盖空仓、新粮、发热、通风、正常夏态、正常冬态等多种状态，全面可靠，将人为监测活动转化为数字监测，提升了管理效率；3、训练好的神经网络可直接应用，快捷简便。
附图说明
[0011]
图1为本发明所述的基于温度场云图的历史储粮状态判断方法的流程图；图2为本发明实施例中建立的粮仓立体空间简图；图3为本发明实施例生成的温度场云图。
具体实施方式
[0012]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0013]
本发明提供一种基于温度场云图的历史储粮状态判断本方法，利用粮仓检温系统实时采集的粮温数据，生成平面温度场云图，提取温度场云图中的图像特征并组合成特征向量，将特征向量输入到储粮状态检测神经网络模型，获取储粮状态，从而实现储粮状态检测。减轻了粮仓管理的工作负荷、节约了管理成本。
[0014]
请参阅图1，本发明提供的历史储粮状态判断方法具体包括如下步骤：步骤一、收集粮温数据，按照粮堆中传感器的布局将所述粮温数据重新排列，并进行数据处理；步骤二、利用处理后的粮温数据生成粮仓各平面的温度场云图；步骤三、提取温度场云图的图像特征，组成云图的特征向量；步骤四、将特征向量输入储粮状态检测神经网络模型，神经网络模型输出即为储粮状态，从而实现储粮状态检测。
[0015]
进一步的，步骤四中，储粮状态检测神经网络模型设为n层，优选为4层，其中输入
层、输出层各一层，隐含层n-2层；根据输入层和输出层神经元的个数，通过经验公式计算出隐含层神经元个数l：其中，l为隐含层神经元个数，i为输入层神经元个数，o为输出层神经元个数，a为试验参数，a∈[1,10]；储粮状态检测神经网络模型由大量的温度场云图及其状态进行训练。
[0016]
进一步的，步骤二中所述平面是指在平房仓(高大平房仓)中粮堆长度方向的平面，或者在立筒仓(浅圆仓)平行于粮堆平面的测温传感器形成的平面。优选为平行于xoz平面，即平行于通风面且传感器分布较多的平面。
[0017]
进一步的，步骤一中，墙面的温度值是由与其相邻的三点温度平均值求得，同理，转角处温度值可由相邻墙面温度近似求得。当温度数据出现离群值时，首先确定位置(mx,ny,lz)与时间t3，以及t3前的2个相邻时间t2、t1处的温度。t(mx，ny，lz)
t2
和t(mx，ny，lz)
t1
，那么此处此时的温度为：
[0018]
实施例以某储备库的粮仓(平房仓)粮情数据为例，该粮仓尺寸约为46
×
26m，粮高约6m，仓内布置66根测温电缆，成11
×
6长方形排布，每条电缆上四个测温点，从粮面到粮底分为第1层-第4层，共计264个测温点；储藏粮种均为小麦。该粮仓2017年07月04日开始入仓，到2017年07月25日入仓完毕；其中2017年10月-2018年1月进行了多次通风。
[0019]
现对该粮仓2017年7月26日某时段的储备粮状态进行判断：s1：收集粮温数据，数据清洗后按照粮堆中传感器的布局将所述粮温数据重新排列，并进行数据处理。数据处理是指采用插值方法，通过构造差商的方法以传感器分布的截面对离散粮温进行插值，补全所述传感器阵列间与传感器阵列外缺失的粮温数据，实现对粮温数据插值处理。s2：利用处理后的粮温数据生成粮仓xoz平面的温度场云图，本实施例建立的粮仓立体空间简图如图2所示，本发明实施例生成的温度场云图如图3所示。s3：选取一张或多张温度场云图，利用matlab软件提取温度场云图的rgb颜色空间的颜色聚合向量、纹理特征向量以及平滑特征向量，并组合成特征向量。s4：向已经训练好的储粮状态检测神经网络模型输入s3中得到的特征向量，即可获取储粮状态。若储粮状态检测神经网络模型运行不理想，可使用历史粮情数据现场快速训练。
[0020]
本发明提供的基于温度场云图的历史储粮状态判断方法，以历史储藏过程中的粮情数据为依据，训练得到用以分类的储粮状态检测神经网络。利用粮仓检温系统实时采集的粮温数据，生成平面温度场云图，提取温度场云图中的图像特征并组合成特征向量，并将其作为已经训练好的储粮状态检测神经网络的输入向量，从而获取储粮状态，实现对储粮状态的检测。减轻了粮仓管理的工作负荷、节约了管理成本。本发明涵盖储备粮种类较目前
技术相对全面，将人工检测改为机器检测，检测简单高效。
[0021]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。