崔宏偉,吳文福,吳子丹,韓 峰,張 娜,王雨佳
?
基于溫度場云圖的儲糧數(shù)量監(jiān)控方法研究
崔宏偉,吳文福,吳子丹※,韓 峰,張 娜,王雨佳
(吉林大學生物與農(nóng)業(yè)工程學院,長春 130022)
為保障儲備糧按照計劃進出倉庫,同時減少儲糧監(jiān)管與稽核的工作量,該文提出了基于溫度場云圖RGB顏色特征的儲糧監(jiān)管方法。調(diào)用歷史糧溫數(shù)據(jù)并進行預處理,生成糧堆各平面溫度場云圖,利用溫度場云圖的RGB顏色特征分布計算云圖的相似度,據(jù)此設定異常判定閾值,計算相鄰時間糧堆各平面云圖的相似度,依據(jù)閾值進行異常檢測,從而實現(xiàn)儲糧監(jiān)管。同時該文通過模擬5種糧堆異常情況,進行了模擬檢測試驗,并與基于溫度場云圖LBP紋理特征的檢測算法進行對比,結果顯示:基于溫度場云圖RGB顏色特征的算法平均查全率、平均查準率、運算速率均優(yōu)于基于云圖LBP紋理特征的算法,分別為98.6%、97.3%、320 ms/次。進行了儲糧監(jiān)管檢測試驗,結果表明,該方法不僅能夠應用于儲糧數(shù)量的監(jiān)管,也能夠檢測出糧堆局部發(fā)熱。該研究結果為儲糧數(shù)量監(jiān)控方法的提出奠定基礎。
糧食;儲藏;溫度傳感器;溫度場云圖;RGB顏色特征;相似度;LBP紋理特征
中國糧倉儲量大,儲藏周期長,為保證儲藏過程中的糧食安全,通過監(jiān)測糧倉內(nèi)的溫濕度[1]、CO2濃度[2]等信息,并通風預測模型[3-6]、溫濕度或含水率預測模型[7-10]等調(diào)控儲糧環(huán)境,從而保障儲糧安全,以上研究多集中在品質(zhì)安全、生物安全等方面,但由于糧庫儲量較大,若個別糧庫發(fā)生虛報貼息、以差換好等違規(guī)、違法現(xiàn)象,會造成較大的經(jīng)濟損失,因此也應進行必要的儲糧數(shù)量監(jiān)管,而且中國糧庫分布廣使得糧庫儲量監(jiān)管與稽核的工作量大,因此可靠儲糧監(jiān)管方法研究也具有重要的價值。
目前糧食數(shù)量檢測方法主要有稱重計量法、主動測量法以及視頻監(jiān)控等[11]。稱重計量方法在美國等發(fā)達國家的大型糧庫以及中國少量的國家級大型儲備庫采用[12-13],但該方法對設備要求較高、維護成本較高,而且系統(tǒng)檢測結果易受人為干擾影響[14]。主動測量法原理為測距原理,主要技術包括激光掃描、紅外掃描等[15],但該方法設備成本較高,而且多應用于煤堆體積的測量[16]。視頻監(jiān)控系統(tǒng)能夠?qū)崟r監(jiān)測糧食數(shù)量,但視頻監(jiān)控系統(tǒng)易受供電影響,且監(jiān)管的視頻采用文件方式管理,安全性不足[11]。目前該領域的主要技術有:基于壓力傳感器檢測[17-18]、電磁波檢測技術[19]、基于三維激光掃描技術[20-21]等,3種技術的應用需在糧倉加裝檢測設備,容易增加檢測成本,另一方面激光掃描設備價格較高,而電磁波檢測易受糧食種類、溫度等因素影響檢測精度,上述技術大范圍的推廣應用仍需待技術進一步突破。
針對上述研究存在的問題,本文利用糧庫基本配備糧情監(jiān)控系統(tǒng)采集的糧溫數(shù)據(jù)進行儲糧監(jiān)管方法研究。正常儲藏過程中,糧倉各測溫點每日溫度變化較小,相鄰時段測溫平面(不一定相鄰)各測溫點溫度相關性較高[22],形成的溫度場云圖具有較高相似度,因此可以通過檢測相鄰2 d溫度場云圖相似度實現(xiàn)儲糧監(jiān)管。國內(nèi)外學者通過研究圖像顏色、紋理、形狀等特征檢測圖像的相似度。Murala等[23]采用灰度共生矩陣來描述圖像的紋理特征,并在灰度共生矩陣的基礎上進一步推導出二階矩、慣性矩、慣性嫡等參數(shù),形成了基于灰度共生矩陣的紋理特征表達參數(shù)族?;叶裙采仃嚪蚀_地描述了圖像紋理的灰度級結構,因此檢索效果比較理想。Huang等[24]提出多特征融合的圖像檢索方法,通過提取RGB顏色空間的顏色矩與HSV顏色空間中的顏色直方圖作為顏色特征,提取改進的Zernike矩作為形狀特征,灰度共生矩作為紋理特征,以3特征融合計算圖像相似度。Ghosh等[25]提出了顏色一致向量的表達方法,該方法將相同顏色信息的像素按照連通關系進行區(qū)域合并,從而形成顏色區(qū)域和顏色離散點,再進行區(qū)域一致性比對來完成圖像相似度檢測。Yan等[26]提出一種分層HSV特征與分層紋理特征提取的圖像相似度,并通過仿真試驗驗證該算法對復雜背景的相似圖像檢索性能更優(yōu)。雖然有關圖像相似度的研究較多,但尚未見到涉及糧情云圖相似度的應用研究。
本文通過基于溫度場云圖RGB顏色特征的相似度算法檢測異常云圖,實現(xiàn)儲糧監(jiān)管,主要研究內(nèi)容分為以下幾點:1)調(diào)用歷史糧情數(shù)據(jù)并進行數(shù)據(jù)預處理,補全測溫點陣外側(cè)與內(nèi)側(cè)的糧溫數(shù)據(jù),生成平面溫度場云圖;2)提出基于溫度場云圖RGB顏色特征的儲糧監(jiān)管方法;3)模擬5種糧堆數(shù)量異常情況,與基于LBP紋理特征的監(jiān)管方法進行對比檢測試驗;4)進行儲糧監(jiān)管試驗驗證。
本研究選用來自中國第七儲糧生態(tài)區(qū)的廣東省某糧倉的糧情數(shù)據(jù)。該倉為平房倉,所儲作物為玉米,入倉時玉米水分約為14%,于2010-01-06入倉完畢(開始儲藏),2011-01-31出倉。該糧倉東西方向長48 m,南北方向?qū)?6.5 m,倉房高6 m,糧面高4.8 m。內(nèi)置測溫電纜維護相對完好,共77根,東西方向11根,間距4.5 m,兩側(cè)離墻面1.5 m;南北方向7根,間距4 m,兩側(cè)離墻面1.25 m。第四層測溫點距糧面高度0.4 m,第一層測溫點距倉底0.5 m,每根測溫電纜上測溫點均勻分布,測溫點間隔約1.3 m。糧倉結構與傳感器測溫點布置示意如圖1所示。本研究選取2010-01-06至2011-01-06之間約365 d的數(shù)據(jù)進行分析。
圖1 平房倉測溫點布置示意圖
1.2.1 糧溫數(shù)據(jù)預處理
調(diào)用糧情溫度數(shù)據(jù)后,首先將糧情溫度數(shù)據(jù)中數(shù)值過大、過小及亂碼的數(shù)據(jù)清除;接著若糧溫數(shù)據(jù)缺失幾天,則選擇缺失數(shù)據(jù)日期的前一天與后一天的糧溫數(shù)據(jù),采用線性插值的方法補全缺失的糧溫數(shù)據(jù)。利用上述方法對糧情溫度數(shù)據(jù)進行清除和補全,保證每天均有一組完整糧溫數(shù)據(jù)。
1.2.2 溫度場云圖生成方法
以糧倉西北方向底頂點作為坐標原點,豎直向上為軸正向,向東為軸正向,向南為軸正向。根據(jù)上述坐標系,建立測溫點三維矩陣,矩陣、、方向分別有、、個測溫點,則倉內(nèi)各測溫點坐標(,,)表示為(,,),其中0<≤,0<≤,0<≤(,,取整數(shù))。將糧倉測溫點所在截面分為3類平面,分別為平行于的平面,稱為P()平面;平行于的平面,稱為P()平面;平行于的平面,稱為P()平面。糧倉測溫點溫度表示為(x,y,z)。
根據(jù)糧倉測溫點坐標系可知,測溫點之間以及測溫點矩陣之外的糧溫數(shù)據(jù)沒有直接測得,若生成溫度場云圖,需補全傳感器陣列間、陣列外的糧溫數(shù)據(jù)。P()平面邊界需補全的數(shù)據(jù)可分為云圖頂點數(shù)據(jù)(共4個,分別為(0,0,),(0,+1,),(+1,0,),(+1,+1,)和云圖邊界點數(shù)據(jù)。首先計算云圖邊界點數(shù)據(jù),利用待測點相鄰點陣中連續(xù)的3個點進行外推計算,如:計算外邊界點溫度(0,,),選取糧情數(shù)據(jù)點陣中的溫度(1,,),(2,,),(3,,),以點(3,,)為原點,依次計算點(0,,),(1,,),(2,,)點到點(3,,)的距離,通過最小二乘法擬合曲線方程,根據(jù)曲線方程計算得到溫度(0,,),其余3個邊界上的點計算方法相同。然后計算云圖的4個頂點溫度,頂點溫度為相鄰2個點溫度的平均,計算公式(1)~(4)。P()平面與P()平面邊界點數(shù)據(jù)補全方法與P()平面中外邊界數(shù)據(jù)補全方法一致。由于糧面溫度相同(等于倉溫),因此以所有外推得到的糧面溫度的均值作為糧面溫度估計值()。外邊界頂點中靠近糧面的2個頂點溫度等于()。
采用上述方法補全各平面外邊界點溫度數(shù)據(jù),將外邊界點數(shù)據(jù)與實測溫度數(shù)據(jù)結合,形成離散糧溫數(shù)據(jù)點陣。然后選擇任意平面,采用雙三次樣條進行插值(步長選擇為0.02),得到平面完整糧溫數(shù)據(jù),生成溫度場云圖。本研究所選糧倉測溫點陣中為11,為7,為4,選用P()平面糧溫數(shù)據(jù)生成溫度場云圖,云圖尺寸為517×316 pixels。
儲糧監(jiān)管為利用歷史糧情數(shù)據(jù),檢測糧堆異動時間的一種糧倉儲量變化稽查方式。糧堆溫度穩(wěn)定變化,相鄰2 d的糧堆溫度場云圖具有較高的相似度,若相鄰2 d云圖差異較大(相似度較低),則其中必有一天糧食數(shù)量異常。因此通過檢測儲藏過程中溫度場云圖相似度差異較大的日期,即可實現(xiàn)糧食數(shù)量異常的檢測。
溫度場云圖中顏色變化代表了溫度的變化,云圖顏色特征對形變有著較強的魯棒性[26],顏色特征主要包括RGB、HSV、HSI等。因HSV、HSI顏色空間需由RGB顏色空間轉(zhuǎn)化,容易增加算法的運算量,為盡量減少系統(tǒng)運算量,本文選用RGB顏色空間進行相似度檢測。RGB顏色空間中,每個分量均可取256個值,那么整個顏色空間共有1 600萬多種顏色。針對這么多種顏色進行直方圖比較,計算量較大,因此選擇分區(qū)的方式減少計算量。將0~255分成4個區(qū):0~63為第0區(qū),64~127為第1區(qū),128~191為第2區(qū),192~255為第3區(qū),即、、3分量分別有4個區(qū),總共可以構成64種組合(4的3次方)。統(tǒng)計溫度場云圖中RGB分量在64個區(qū)間的分布直方圖,作為云圖的RGB顏色特征向量,最后通過皮爾遜相關系數(shù)求2張云圖特征向量的相似度,從而實現(xiàn)基于云圖RGB顏色特征的相似度檢測。皮爾遜相關系數(shù)計算公式如式(5)[27]。
2.1.1 糧食數(shù)量異常的溫度場云圖
為測試采用溫度場云圖相似度方法進行儲糧監(jiān)管的可行性,同時測試算法檢測異常的準確率。本研究通過人為適當修改原始糧溫數(shù)據(jù),模擬5種糧食數(shù)量異常的情形,5種數(shù)量異常位置示意如圖2中黑色位置。圖2中數(shù)字表示測溫點的標號,白色代表測溫點數(shù)據(jù)保持為原始數(shù)據(jù),黑色表示為數(shù)據(jù)修改位置,即模擬圖中黑色位置糧食被更換。第一、二、三、四層糧食更換位置與圖2保持一致,其中第一層為靠近糧倉底部的測溫點平面,第二、三、四層依次向上。為方便后續(xù)表述,將圖2b、2c、2d、2e、2f5種情況分別定義為1、0.5、0.25、0.5x、0.25x。由圖2可知情況1為糧堆整體更換,0.5與0.5x糧堆的二分之一更換,0.25與0.25x為糧堆的四分之一更換。
注:圖中數(shù)字表示測溫點序號,黑色位置為模擬糧食數(shù)量變化的位置,Qi為數(shù)量變化(異常)種類,下同。
選擇2010-01-06至2011-01-06中約365 d的糧溫數(shù)據(jù)進行修改,規(guī)則為:1)以2010-01-06為起點,每隔4 d進行一次人為修改,共修改約72 d數(shù)據(jù),5種情況各修改一次原始數(shù)據(jù);2)為模擬真實糧食被更換的情形,還原糧食進出庫時新糧與原始存糧的溫度差異,設置2011-12-06至2011-01-06糧食被更換位置的溫度高于原始糧倉均溫10 ℃,02-06至04-06的溫度高于原始糧倉均溫5 ℃,04-06至10-06的溫度同環(huán)境溫度,10-06至12-06的溫度低于糧倉均溫5 ℃。如圖3所示為01-15的P(=4)平面原始云圖與模擬的5種異常云圖,分別與圖2a~2f對應。
2.1.2 模擬儲糧數(shù)量異常的監(jiān)管檢測試驗
1)檢測閾值設定
正常儲藏過程中,相鄰2 d溫度場云圖相似度較高,但其相似度并未達到100%。為準確檢測出異常云圖,不誤判正常變化云圖為異常,需設定合適的相似度閾值(相似度小于該閾值,則判定為異常云圖)。
由上節(jié)知相鄰異常間隔4 d,為避免檢測時相鄰異常相互影響,選擇檢測相鄰2 d云圖的相似度。采用基于云圖RGB顏色特征的相似度算法計算正常糧情數(shù)據(jù)中相鄰2 d云圖相似度。相似度曲線及其分布直方圖如圖4所示。
圖3 1月15日PXOY(k=4)平面(Z=4.4 m,距倉底4.4 m)原始云圖與模擬的糧食被更換的異常云圖
圖4 糧食未被更換時PXOY(k)平面云圖相似度及分布直方圖
由圖4a可以看出,第四層(距糧面0.4 m)平面相似度波動較大,分析其原因是該平面靠近糧面,其溫度受環(huán)境溫度影響,相鄰2d變化幅度較大,因此相鄰2d云圖相似度較低。統(tǒng)計正常儲藏狀態(tài)下各層云圖相似度的分布,如圖4b,可以看出在正常儲藏狀態(tài)下的四層云圖相似度均位于區(qū)間(0.97,1]內(nèi),因此設定異常的判定閾值為0.97。若2 d同一平面相似度小于0.97,則可判定當天此平面為異常。
2)檢測試驗與分析
算法檢測相鄰2 d云圖的相似度時,若當天糧堆異動,則當天以及第二天均會被判定為異常,因此統(tǒng)計檢測結果時,若相鄰2 d均被檢測為異常,則計為一次異常。依次檢測所選日期P()平面與前一天對應平面的相似度,統(tǒng)計檢測出的異常個數(shù)。若糧食數(shù)量異常,且平面被檢測為異常云圖,則認為該異常被準確檢測出,否則為未準確檢測的異常。若當天糧食數(shù)量正常,但檢測的相似度小于97%,則該日期被誤檢測。
1)檢測結果評價。使用查全率和查準率評價檢測結果,查全率、查準率計算公式分別為
式中為算法查全率,%;為被準確檢測出異常平面數(shù);為異常平面總數(shù);為算法查準率,%;為被檢測出的異常平面數(shù);為總的被正確檢測出的異常平面數(shù)。本研究中為72,等于。
2)試驗結果與分析。使用2.1.1節(jié)中模擬的糧溫數(shù)據(jù),采用基于溫度場云圖RGB顏色特征的相似度檢測算法進行異常檢測試驗,結果分析如表1所示。
由表1可以看出,該算法的查全率大于94%,少部分異常云圖未被檢測出,這是因為該算法統(tǒng)計RGB顏色分布直方圖時未考慮顏色的位置信息,由于異常云圖與前一天的正常云圖RGB顏色分布直方圖的相似度較高,因此異常云圖未被檢測出。如圖5所示,對比圖5b與5d可以發(fā)現(xiàn),異常云圖與正常云圖的RGB分布特征向量相似,采用基于云圖RGB顏色特征的相似度檢測算法提取兩者相似度為98%,因此圖5c被判定為正常云圖。
表1 基于溫度場云圖RGB顏色特征的相似度檢測結果
注:P為平行于平面的測溫點平面,為距糧倉底部高度。
Note:Pis a temperature measuring plane parallel to theplane,is the height from the bottom of the granary.
圖5 Q0.25x異常情況下XOY平面正常云圖與未被基于RGB顏色特征的相似度算法檢測出的異常云圖
3)對比檢測試驗。糧堆溫度場云圖中存在溫度梯度,溫度梯度反映在灰度化的云圖中為邊緣特征,因此云圖存在紋理特征,可作為相似度檢測依據(jù)。紋理特征常用的分析方法有統(tǒng)計法、結構法和頻域法等。為保證算法的運算速度,本研究選用結合統(tǒng)計與結構的紋理特征提取算法-LBP算法。LBP(local binary pattern)算法由Ojala等[28-29]提出,它以為半徑的點領域可描述如公式(8)和(9)。
式中c為中心像素點的灰度值,g為以半徑為的圓環(huán)上的個采樣點的灰度值,為采樣點個數(shù),LBPP,R為中心像素點的LBP特征值,為c與g的像素值之差。
如圖6所示為=8,=1時的LBP紋理特征計算方式。圖6中取中心點g像素值與其領域點g點像素值比較,若小于中心點像素值則為0,若大于則為1,以右上角為起點,逆時針排列0~1序列,轉(zhuǎn)換為十進制數(shù)即為中心像素點的LBP特征值。
圖6 LBP特征值計算過程
提取云圖LBP紋理特征之前首先需將RGB圖像灰度化,本研究分別提取云圖的、、顏色分量作為灰度圖。為增加計算云圖LBP紋理特征的計算精度,首先將云圖劃分為若干個子區(qū)域,接著統(tǒng)計各個子區(qū)域中的LBP紋理特征直方圖,并進行歸一化處理,連接、、三灰度圖的LBP直方圖作為該子區(qū)域的特征向量,然后連接云圖全部子區(qū)域的特征向量,作為云圖的特征向量,采用皮爾遜相關系數(shù)求2張云圖特征向量的相似度,即為溫度場云圖的相似度。本研究中云圖尺寸為517×316 pixels,無法均勻劃分,因此以云圖的某一頂點為起點將云圖有序劃分為100×100 pixels的子區(qū)域,剩余部分作為一個區(qū)域。將云圖分為16個子區(qū)域后,按照上述步驟即可計算云圖LBP紋理特征相似度。采用上述基于云圖LBP紋理特征的相似度算法進行異常檢測,結果分析如表2所示。
表2 基于溫度場云圖LBP紋理特征的相似度檢測結果
由表2可以看出,該算法未檢測出的少部分異常云圖,這是因為模擬的糧溫數(shù)據(jù),生成的云圖中當天異常與前一天正常云圖的LBP紋理特征相似度較高,被判定為正常變化的云圖。如圖7所示,對比圖7a與7c可以發(fā)現(xiàn),2張云圖差異不大,圖7b與7d LBP特征向量直方圖較為相似,云圖相似度算法檢測的2 d云圖相似度為97.5%,因此異常云圖圖7c未被檢測出。
圖7 Q0.25x異常情況下XOY平面正常云圖與未被基于LBP紋理特征的相似度檢測算法檢測出異常云圖
對比表1、2可知,基于云圖RGB顏色特征的算法查全率、查全率較高,分別為98.6%和97.3%,這是因為糧堆局部異常后,云圖局部RGB顏色特征改變,使得云圖的RGB顏色特征分布直方圖改變。LBP紋理特征相當于對云圖中RGB顏色形成的邊緣特征進行相似性判斷,若相鄰兩個區(qū)域的顏色特征改變,但其邊緣位置與結構可能并未改變,則邊緣的LBP特征值不變,也即此時溫度變化并沒有影響LBP特征值,因此LBP紋理特征的算法查全率較低。由于基于LBP紋理特征的算法查全率較低,其正確檢測的異常云圖相對較少,使其查準率較低。又由于算法需計算、、分量灰度圖中每個子區(qū)間的LBP特征值,計算步驟較多,且運算次數(shù)較多,使基于LBP紋理特征的算法運行速率較慢。綜上說述,由于基于云圖RGB顏色特征的算法的查準率、查全率均較高,而且算法的運算速率較高,因此該算法更加適用于儲糧監(jiān)管。
同時由表1、2中算法的平均查全率可以看出糧堆整體異常的查全率>糧堆1/2異常的查全率>糧堆1/4異常的查全率,由此可以看出,糧堆異常范圍越大,對溫度場云圖影響范圍越大,算法的查全率越高;相反地,糧堆異常的范圍越小,對溫度場云圖影響范圍越小,算法的查全率越低。
以糧堆異常類型為因素,測溫平面為因素,以查全率和查準率為指標進行方差分析,結果如表3。
表3 查全率與查準率的方差分析
注:A>0.01(3, 12)=5.95,B>0.01(4, 12)=5.41,說明因素極顯著,記為**;A>0.1(3, 12)=2.61,說明因素極顯著,記為**;B<0.1(4, 12)=2.48,說明因素不顯著。
Note:** denotes the factor to be highly significant whenA>0.01(3, 12)=5.95,B>0.01(4, 12)=5.41; ** denotes the factor to be highly significant whenA>0.1(3, 12)=2.61; the factor isn’t significant whenB<0.1(4, 12)=2.48.
通過方差分析,由表3數(shù)據(jù)查F值表可知,異常種類和測溫平面對查全率的影響極顯著。通過查準率的方差分析,異常類型對查準率的影響極顯著,測溫平面對查準率的影響不顯著。
為了驗證基于云圖RGB顏色特征的檢測算法進行儲糧監(jiān)管的實用性,進行了驗證試驗。在吉林省長春市大嶺試驗基地建立小型糧倉進行儲藏試驗。糧倉尺寸為3.8 m×3.8 m×6 m,倉內(nèi)糧面高度4.5 m,儲藏于2017-05-11開始,至2017-08-15結束,儲藏糧食為玉米,品種為先玉33,入倉時玉米水分為15 %。倉內(nèi)布置25根測溫電纜,橫、縱各5根,測溫電纜間距0.8 m,距倉壁0.3 m,每個電纜上布置4個測溫點,第一層測溫點距倉底0.5 m(靠近倉底),第四層距糧面0.3 m,中間2層測溫點均勻布置。試驗糧倉外觀見文獻[30]圖10。
使用基于云圖RGB顏色特征的相似度檢測算法計算從儲藏開始到結束,相鄰2 d 4個平面的相似度,檢測結果如圖8所示。
圖8 基于RGB顏色特征的溫度場云圖相似度檢測算法檢測大嶺糧倉PXOY(k)平面云圖的結果
由圖8可以看出,在05-12至06-30之間,糧倉各平面溫度場云圖相似度高于0.97,06-30左右,糧倉第三層溫度場云圖相似度出現(xiàn)較低值,07-11左右,糧倉第三層溫度場云圖相似度再次出現(xiàn)極低值。從儲藏開始至結束,糧倉第四層平面相似度波動較為明顯,這是因為該層靠近糧面,糧溫受倉溫影響較大,導致溫度場云圖的相似度波動較大,因此第四層不作為檢測依據(jù)。綜上所述,該算法檢測出試驗倉06-30左右和07-11左右糧溫異常。
查詢糧倉的操作記錄發(fā)現(xiàn):該糧倉于06-30左右通風1 d,使得糧堆第三、四層的玉米溫度升高,間接的相當于更換進去玉米,且其溫度略高于倉儲玉米溫度。查詢糧倉糧溫糧溫記錄發(fā)現(xiàn):通風后糧堆中部發(fā)熱,07-11左右糧堆發(fā)熱區(qū)域達到極值點,發(fā)熱區(qū)域與糧面連通,熱量開始逐漸向空氣中散發(fā),而后糧堆發(fā)熱區(qū)域逐漸減小。參考文獻[30]中,利用糧溫時空相關性進行儲糧數(shù)量監(jiān)管,同樣檢測出07-01左右和07-11左右糧溫異常。綜上所述,該算法檢測結果準確。
因此,基于RGB顏色特征的溫度場云圖相似度檢測算法不僅能夠?qū)崿F(xiàn)儲糧數(shù)量監(jiān)管,同時能夠檢測出糧倉局部異常溫升。由參考文獻[31-32]可知,糧倉局部結露或霉變均會導致糧倉局部溫度發(fā)生階躍性跳變,打破自然儲藏糧倉溫度場保持的穩(wěn)定變化狀態(tài),引起糧情溫度場變化規(guī)律異常,破壞糧倉溫度場云圖保持的較為穩(wěn)定的相似度,因此基于溫度場云圖RGB顏色特征的檢測算法也應能檢測出糧堆結露、霉變引起的糧溫異常,此思路可待進一步驗證。
1)提出了基于溫度場云圖RGB顏色特征的儲糧監(jiān)管方法。根據(jù)糧堆溫度場在時間序列上的相關性,采用RGB顏色特征分布直方圖計算相鄰時間同一平面溫度場云圖的相似度,根據(jù)相似度檢測結果判定糧堆是否異常,實現(xiàn)了儲糧監(jiān)管。
2)進行了儲糧監(jiān)管模擬試驗。模擬5種糧食被更換的異常,采用基于RGB顏色特征的算法進行檢測試驗,同時采用基于LBP紋理特征的算法進行對比檢測,結果顯示基于云圖RGB顏色特征的算法平均查全率為98.6%,平均查準率為97.3%,其運行速率約為320 ms/次,基于云圖LBP紋理特征的算法平均查全率為97.3%,平均查準率為96.2 %,其運行速率約為540 ms/次。綜合查全率、查準率與算法運行速度,基于溫度場云圖RGB顏色特征的檢測算法更加適合儲糧監(jiān)管。
3)進行了儲糧監(jiān)管試驗驗證。試驗結果表明:基于溫度場云圖RGB顏色特征的算法不僅能夠?qū)崿F(xiàn)儲糧數(shù)量監(jiān)管,同時能夠檢測出糧堆局部溫度異常變化。
[1] Gonzales H B, Armstrong P R, Maghirang R G. Simultaneous monitoring of stored grain with relative humidity, temperature, and carbon dioxide sensors[J]. Applied Engineering in Agriculture, 2009, 25(4): 595-604.
[2] Neethirajan S, Freund M S, Jayas D S, et al. Development of carbon dioxide (CO2) sensor for grain quality monitoring[J]. Biosystems Engineering, 2010, 106(4): 395-404.
[3] Zhou H, Liu J, Jayas D S, et al. Distributed parameter model predictive control method for forced air ventilation through stored grain[J]. Applied Engineering in Agriculture, 2014, 30(4): 593-600.
[4] Hammami F, Mabrouk S B, Mami A. Modelling and simulation of heat exchange and moisture content in a cereal storage silo[J]. Mathematical & Computer Modelling of Dynamical Systems, 2016, 22(3): 1-14.
[5] 陳思羽. 基于絕對水勢的儲糧濕熱遷移及通風管理的研究[D]. 長春:吉林大學,2016.
[6] 陳龍,吳文福,秦驍,等. 基于絕對水勢圖的糧倉遠程智能通風測控系統(tǒng)[J]. 農(nóng)業(yè)工程學報,2015,31(4):299-305.
Chen Long, Wu Wenfu, Qin Xiao, et al. Remote intelligent measurement and control system for granary ventilation based on absolute water potential diagram[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 299-305. (in Chinese with English abstract)
[7] Lawrence J, Maier D E, Hardin J, et al. Development and validation of a headspace model for a stored grain silo filled to its eave[J]. Journal of Stored Products Research, 2012, 49: 176-183.
[8] Abalone R, Gastón A, Bartosik R, et al. Gas concentration in the interstitial atmosphere of a wheat silo-bag. Part I: Model development and validation[J]. Journal of Stored Products Research, 2011, 47(4): 268-275.
[9] 趙新蕖,劉亞卓,張麗偉. 基于改進的GM(2,1)模型的糧倉溫濕度預測[J]. 中國糧油學報,2012,27(8):85-87,97.
Zhao Xinqu, Liu Yazhuo, Zhang Liwei. The forecasts of temperature and humidity of the barn based on the improved GM(2,1)[J]. Journal of the Chinese Cereals and Oils Association, 2012, 27(8): 85-87,97. (in Chinese with English abstract)
[10] 梁琨,沈明霞,路順濤,等. 基于平衡水分模型的稻谷含水率實時監(jiān)測系統(tǒng)[J]. 農(nóng)業(yè)機械學報,2013,44(1):125-130.
Liang Kun, Shen Mingxia, Lu Shuntao, et al. Real-time monitoring system for grain moisture content based on equilibrium moisture model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(1): 125-130. (in Chinese with English abstract)
[11] 林鷹. 儲備糧智能監(jiān)管與稽核系統(tǒng)關鍵技術研究[D]. 天津:天津大學,2008.
Lin Ying. Rearch on the Key Technologies of Reserved Grain Intelligent Supervision and Audit System[D]. Tianjian: Tianjin University, 2008. (in Chinese with English abstract)
[12] 張昌彩. 國外糧食儲備管理及其對我國的啟示[J]. 經(jīng)濟研究參考,2004,24:33-43.
Zhang Changcai. The management of foreign grain reserve and its enlightenment to China[J]. Review of Economic Research, 2004, 24: 33-43. (in Chinese with English abstract)
[13] 唐為明. 加拿大的糧食流通技術[J]. 糧油科技,2003(3):2-7.
Tang Weiming. Food circulation technology in Canada[J]. Science and Technology of Grain and Oil, 2003(3): 2-7. (in Chinese with English abstract)
[14] 王鐵濱,蘇建民,白玲,等. 數(shù)字林業(yè)智能地衡管理系統(tǒng)設計[J]. 林業(yè)機械與木工設備,2007,35(1):34-36.
Wang Tiebin, Su Jianmin, Bai Ling, et al. Design of digital forestry intelligent land balance management system[J]. Forestry Machinery & Woodworking Equipment, 2007, 35(1): 34-36. (in Chinese with English abstract)
[15] 汪志明,徐亞明,汪志良,等. GPS RTK技術在武鋼堆料場礦料體積測量中的應用[J]. 測繪信息與工程,2003,28(1):13-14.
Wang Zhiming, Xu Yaming, Wang Zhiliang, et al. Software of plumb line monitoring system and its application[J]. Journal of Geomatics,2003, 28(1): 13-14. (in Chinese with English abstract)
[16] 李集田,賈欣志,檀慧明. 一種大面積煤堆體積自動檢測系統(tǒng)[J]. 光學機械,1991(5):39-45.
Li Jitian, Jia Xinzhi, Tan Huiming. An automatic system used to measure volumes of large heaps of coal[J]. Optics and Precision Engineering, 1991(5): 39-45. (in Chinese with English abstract)
[17] 陳得民,張元. 基于壓力傳感器網(wǎng)絡的糧倉儲糧數(shù)量監(jiān)測系統(tǒng)[J]. 微計算機信息,2009,25(5):142-143.
Chen Demin, Zhang Yuan. The system of monitoring the number of grain storage based on the pressure sensor network[J]. Microcomputer Information, 2009, 25(5): 142-143. (in Chinese with English abstract)
[18] Chaudhury A R, Pantazis A K, Chronis N. An image contrast-based pressure sensor[J]. Sensors and Actuators A:Physical, 2016, 245: 63-67.
[19] 秦瑤,陳潔,方廣有,等. 雷達層析成像技術對糧倉儲量信息的探測[J]. 電波科學學報,2010,25(1):66-72,201.
Qing Yao, Chen Jie, Fang Guangyou, et al. Radar tomography technology to detect reserves of barn[J]. Chinese Journal of Radio Science, 2010, 25(1): 66-72, 201. (in Chinese with English abstract)
[20] Wang Y T, Feng H Y. Effects of scanning orientation on outlier formation in 3D laser scanning of reflective surfaces[J]. Optics and Lasers in Engineering, 2016, 81: 31-45.
[21] 祝玉華,陳軍濤,甄彤,等. 儲糧數(shù)量檢測技術研究進展[J]. 河南工業(yè)大學學報:自然科學版,2016,37(6):116-122.
Zhu Yuhua, Chen Juntao, Zhen Tong, et al. Present situation and prospect of grain storage quantity detection technology[J]. Journal of Henan University of Technology, 2016, 37(6): 116-122. (in Chinese with English abstract)
[22] 尹君,吳子丹,張忠杰,等. 不同倉型的糧堆溫度場重現(xiàn)及對比分析[J]. 農(nóng)業(yè)工程學報,2015,31(1):281-287.
Yin Jun, Wu Zidan, Zhang Zhongjie, et al. Comparison and analysis of temperature field reappearance in stored grain of different warehouses[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 281-287. (in Chinese with English abstract)
[23] Murala S, Wu Q M J. Spherical symmetric 3D local ternary patterns for natural,texture and biomedical image indexing and retrieval[J]. Neurocomputing, 2015, 149: 1502-1514.
[24] Huang M, Huazhong S, Yaqiong M, et al.Content-based image retrieval technology using multi-feature fusion[J]. Optik-International Journal for Light and Electron Optics, 2016, 126(19): 2144-2148.
[25] Ghosh S, Ghosh A. Content based retrieval of malaria positive images from a clinical database via recognition in RGB colour space[J]. Advances in Intelligent Systems and Computing, 2014, 249(2): 1-8.
[26] Yan Z, Fanzhi Z, Zhao H M. An image retrieval algorithm based on hierarchical compressive sensing in HSV space[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2016, 3(55): 77-82.
[27] 吳瑞林,王建中,袁克海. 多分格相關與皮爾遜相關的蒙特卡羅仿真[J]. 北京航空航天大學學報,2009,35(12):1507-1510,1515.
Wu Ruilin, Wang Jianzhong, Yuan Kehai. Monte Carlo simulation of polychoric correlation and Pearson correlation coefficient[J]. Journal of Beijing University of Aeronautics and Astronautics, 2009, 35(12): 1507-1510, 1515. (in Chinese with English abstract)
[28] Ojala T, Pietikainen M, Harwood D. A comparative study of texture measures with classification based on featured distributions[J]. Pattern Recognition, 1996, 29(1): 51-59.
[29] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987. (in Chinese with English abstract)
[30] 崔宏偉,吳文福,吳子丹,等. 基于糧溫時空相關性的儲糧數(shù)量監(jiān)管方法研究[J]. 農(nóng)業(yè)機械學報,2019,50(1):321-330. Cui Hongwei, Wu Wenfu, Wu Zidan, et al. Reserves monitoring method for grain storage based on temporal and spatial correlation of crain temperature[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 321-330. (in Chinese with English abstract)
[31] 陳桂香,王海濤,張虎. 通風過程中糧堆內(nèi)熱濕傳遞及霉變預測CFD研究[J]. 中國糧油學報,2015,30(7):85-90.
Chen Guixiang, Wang Haitao, Zhang Hu. CFD study on heat and moisture transfer and mildew prediction of stored grains in the ventilation process[J]. Journal of the Chinese Cereals and Oils Association, 2015, 30(7): 85-90. (in Chinese with English abstract)
[32] 尹君,吳子丹,張忠杰,等. 基于多場耦合理論淺析淺圓倉局部結露機理[J]. 中國糧油學報,2015,30(5):90-95.
Yin Jun, Wu Zidan, Zhang Zhongjie, et al. Analysis of the formation mechanism of partial condensation for the stored grain in steel squat silo based on multi-fields coupling theory[J]. Journal of the Chinese Cereals and Oils Association, 2015, 30(5): 90-95. (in Chinese with English abstract)
Monitoring method of stored grain quantity based on temperature field cloud maps
Cui Hongwei, Wu Wenfu, Wu Zidan※, Han Feng, Zhang Na, Wang Yujia
(,,130022,)
A reliable method of grain storage supervision can effectively guarantee the quantity of grain storage in and out of warehouses according to plan and reduce the loss of unplanned entry and exit. In recent years, there has been a method of monitoring grain storage by video equipment, but the security of storage and management of video surveillance is poor and inconvenient to use. In this paper, we proposed a method for grain storage supervision based on the similarity of RGB color features of temperature field cloud map. Firstly, the historical grain data of the grain storage was called and pre-processed to remove the random code, error and other data. According to the correlation of the temperature at the adjacent temperature measurement points, the grain temperature data of each plane in the grain bulk was interpolated and the temperature field cloud map was generated. Then the similarity of the temperature field cloud map at the adjacent days was calculated by the similarity algorithm based on the RGB color feature distribution, similarity threshold was set according to the similarity of cloud maps during normal storage. Finally, the abnormal movement in the grain bulk was judged according to the similarity threshold. In order to verify the feasibility of grain storage regulation based on similarity of temperature field cloud map, five kinds of abnormal movement in grain bulk were simulated. The five kinds of abnormal movement respectively were: the half part of the grain bulk at right side and latter side, the quarter part of the grain bulk at right side and the latter side, and overall of the grain bulk. Similarity algorithm based on the RGB color feature distribution was used to detect abnormal movement of grain bulk. Meanwhile, the method based on the similarity of LBP texture feature was also used to compare with the method, the results showed that the mean of recall rate of the method based on the RGB color feature distribution was 98.6%, the mean of precision rate was 97.3%, and the operation speed was about 320 ms/time. The mean of recall rate of the similarity detection algorithm based on the LBP texture feature was 97.3%, the mean of precision rate was 96.2% and the operation speed was about 540 ms/time. The data were analyzed by analysis of variance, the results showed that the influence of anomaly types and temperature plane on recall rate was very significant and the influence of abnormal type on precision rate was very significant, and the influence of temperature measurement plane on precision rate was not significant. Taking into precision rate, recall rate and algorithm speed consideration, similarity detection algorithm of cloud map based on RGB color feature distribution was more suitable for the detection of grain storage supervision. The test of grain storage supervision was carried out, and the results showed that the algorithm can not only regulate the grain storage, but also detect the local heat in the grain bulk. The purpose of this study was to lay the foundation for a reliable and simple regulatory approach to grain storage regulation.
grain; storage; temperature sensor; temperature field cloud map; RGB color features; similarity; LBP texture feature
崔宏偉,吳文福,吳子丹,韓 峰,張 娜,王雨佳. 基于溫度場云圖的儲糧數(shù)量監(jiān)控方法研究[J]. 農(nóng)業(yè)工程學報,2019,35(4):290-298. doi:10.11975/j.issn.1002-6819.2019.04.036 http://www.tcsae.org
Cui Hongwei, Wu Wenfu, Wu Zidan, Han Feng, Zhang Na, Wang Yujia. Monitoring method of stored grain quantity based on temperature field cloud maps[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 296-298. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2019.04.036 http://www.tcsae.org
2018-09-23
2019-01-30
國家重點研發(fā)計劃子課題(2017YFD0401003-3)
崔宏偉,博士生,主要從事糧食信息化與自動化研究。Email:chw19900405@126.com
吳子丹,研究員,博士生導師,主要從事糧食儲藏與運輸研究。Email:Wuzidan91@163.com
10.11975/j.issn.1002-6819.2019.04.036
S24; TP391.4
A
1002-6819(2019)-04-0290-09