基于底面单圈标准差指数模型的粮仓检测方法及系统与流程

本发明涉及一种基于底面单圈标准差指数模型的粮仓检测方法及系统，属于传感器与检测技术领域。

背景技术：

粮食安全包括数量安全和原粮安全。粮食数量在线检测技术与系统研究应用是国家粮食数量安全的重要保障技求，开展这方面的研究与应用事关国家粮食安全，具有重要的意义，并将产生巨大的社会经济效益。

由于粮食在国家安全中的重要地位，要求粮食数量在线检测准确、快速和可靠。同时由于粮食数量巨大，价格低，要求粮食数量在线检测设备成本低、简单方便。因此检测的高精度与检测系统的低成本是粮食数量在线检测系统开发必需解决的关键课题。

授权公告号为cn105403294b的中国发明专利文件公开了一种基于多项式展开的粮仓储粮重量检测方法及其装置。该发明专利涉及基于多项式展开的粮仓储粮重量检测方法及其装置。依据粮仓储粮重量的理论检测模型，建立基于多项式展开的粮仓储粮重量检测模型，利用基于回归和多项式最大阶数选择样本集的多项式最大阶数优化方法对模型参数进行优化。

该方法基于粮仓两圈传感器模型，提高了储粮数量(即储粮重量)的检测精确度，还具有较强适应性和鲁棒性。然而，两圈传感器的设置方式成本较高，而且由于粮食的存储性质和传感器精度的限制，储粮数量的检测精度还有待进一步提高。

技术实现要素：

本发明的目的是提供一种基于底面单圈标准差指数模型的粮仓检测方法及系统，以解决如何在现有技术基础上进一步节省成本、提高检测精确度的问题。

为实现上述目的，本发明的方案包括：

本发明的一种基于底面单圈压力传感器的粮仓储粮检测方法，包括如下步骤：

1)检测粮仓底面设置的单圈压力传感器的输出值；

2)利用单圈压力传感器输出值均值估计粮堆底面压强均值构建与的关系：

其中，为的估计，bb(m)为估计项的系数，kb(m)为估计的指数函数项的系数，nb为估计的多项式阶数，m＝0,...,nb；

3)利用单圈压力传感器输出值均值估计粮堆高度hq(s)，构建与hq(s)的关系：

其中，为hq(s)的估计，bh、kh为hq(s)估计项的系数，ids(s)为的估计项；

4)利用估计项ids(s)估计粮堆侧面压强均值构建单圈压力传感器的大值传感器输出值的均值单圈压力传感器的小值传感器输出值的均值单圈压力传感器的大值传感器输出值的标准差sdsl(s)、单圈压力传感器的小值传感器输出值的标准差sdss(s)与ids(s)的关系：

其中，kx为设定的系数，所述单圈压力传感器的小值传感器输出值为小于设定值的单圈压力传感器的输出值，所述单圈压力传感器的大值传感器输出值为大于等于设定值的单圈压力传感器的输出值；当对应粮堆的散落性小于设定标准时，对应的当对应粮堆的散落性大于等于设定标准时，对应的

与ids(s)的关系为：

其中，为的估计，bf(n)为估计项的系数，kf(n)为估计的指数函数项的系数，nf为估计的多项式阶数，n＝0,...,nf；

5)将步骤2)、3)、4)得到的关系代入粮仓储粮数量理论检测模型得出粮仓储粮数量与sdsl(s)、sdss(s)关系的检测模型；进而根据步骤1)检测的单圈压力传感器的输出值得出粮仓储粮数量

进一步的，步骤4)中，所述设定值为为该圈传感器输出值中值及相邻设定数量的输出值的均值。

进一步的，步骤1)中，还对压力传感器的输出值进行筛选，筛选方法为：仅保留与该圈压力传感器输出值的平均值的差在设定范围内的输出值；所述压力传感器输出值的平均值为传感器输出值的中值及其相邻设定数量的输出值的平均值。

进一步的，若对应传感器输出值满足则去除该传感器输出值；其中，qb(s(i))为第i个传感器输出值，sdmed(s)为该圈传感器输出值标准差，tsd为单圈压力传感器点去除阈值系数。

进一步的，单圈压力传感器输出值均值的计算方法为：

进一步的，步骤4)中：

当时，对应的

当时，对应的

其中，ksd为预设调整系数。

进一步的，根据步骤5)中得出粮仓储粮数量为：

其中，kc＝cb/ab，ab为粮堆底面面积，cb为粮堆底面周长。

本发明的一种基于底面单圈压力传感器的粮仓储粮检测系统，包括处理器，所述处理器用于执行实现上述方法的指令。

本发明的有益效果为：

本发明根据粮仓压强分布特点，提出了一种采用基于底面单圈压力传感器输出值标准差的粮仓储粮数量检测模型的粮仓储粮重量检测方法，本方案相比现有技术进一步提高了检测精度，鲁棒性更强，适应多种类型的粮仓结构，同时进一步减少了传感器的使用，降低了系统成本和运维费用。

附图说明

图1是平房仓底面单圈压力传感器布置模型示意图；

图2是筒仓底面单圈压力传感器布置示意图；

图3是小麦实仓建模样本的粮仓储粮重量计算误差示意图；

图4是小麦实仓所有样本的粮仓储粮重量计算误差示意图；

图5是建模样本的粮仓储粮重量计算误差示意图；

图6是所有样本的粮仓储粮重量计算误差示意图；

图7是本发明的粮仓储粮数量检测方法流程图。

具体实施方式

本发明提供了一种基于底面单圈压力传感器的粮仓储粮检测系统，该系统包括处理器，该处理器用于执行指令实现本发明的一种基于底面单圈压力传感器的粮仓储粮检测方法，下面结合附图对该方法做进一步详细的说明。

1.检测理论模型

通过粮堆受力分析可以推出，粮仓储粮数量理论检测模型为：

其中，ab为粮堆底面面积；kc为模型参数，kc＝cb/ab，cb为粮堆底面周长；h为粮堆高度；ff为粮堆侧面与粮仓侧面之间的平均摩擦系数；为粮堆底面压强均值，为粮堆侧面压强均值，

根据janssen模型，可以推出粮仓底面压强与粮堆高度有如下式所示的近似关系：

其中，为粮仓粮堆特征高度，k为压力转向系数；为粮堆远高于特征高度时的底面压强饱和值，ab为粮堆底面面积；cb为粮堆底面周长，ff为粮堆与粮仓侧面的平均摩擦系数。则可以推出：

其中，kc＝cb/ab。

式(3)代入式(1)，有：

令：

则有：

由式(6)可以看出，粮仓储粮数量检测模型建模的关键在于和hq(s)的估计量构造。

2.传感器布置模型

对于通常使用的平房仓和筒仓，在粮仓底面布置单圈压力传感器，如图1和图2所示，圆圈为压力传感器布置位置。在保证方便粮食装卸的条件下，各压力传感器与侧面墙距离d一般可取为1-2米。为了保证检测模型的通用性，各粮仓的压力传感器与侧面墙距离d应相同。传感器个数均为10-15，传感器间距应大于1m。

3.传感器均值与标准差计算

对于图1和图2所示的粮仓底面单圈压力传感器布置模型，下面讨论传感器输出值均值与标准差计算方法。

3.1传感器去除规则

对于图1和图2所示的粮仓底面单圈压力传感器布置模型，假设传感器输出值序列qb(s(i))，i＝1,2,...,ns，ns为粮仓底面单圈压力传感器布置个数。对输出值序列依大小排序，求出中值点。取中值点左边相邻nlm个输出值点，取中值点右边相邻nrm个输出值点，形成中值邻近点的传感器输出值序列qmed(s(i))。一般取nlm＝2-3，nrm＝2-3。求出所选取传感器输出值序列qmed(s(i))的均值

由传感器输出值序列qb(s(i))和均值计算传感器输出值标准差sdmed(s)：

其中，为中值点两边邻近输出值点均值。

则单圈压力传感器布置的传感器输出值点去除规则为：

若则去除qb(s(i))点(9)其中，tsd为单圈压力传感器点去除阈值系数，可根据粮仓储粮数量检测模型的误差变化而合理调整。

式(9)所示的单圈压力传感器输出值点去除规则采用基于中值点两边邻近输出值点均值的标准差sdmed(s)，以消除较小和较大值区域输出值随机性的影响，并实现单圈压力传感器布置的传感器输出值点去除门限的自适应调整，传感器输出值标准差sdmed(s)大，则输出值点去除门限增大，反之亦然；同时引入基于粮仓储粮数量检测模型的误差变化的单圈压力传感器点去除阈值系数tsd，以实现传感器输出值点去除门限的合理调整与优化。

3.2传感器输出值均值与标准差计算

对于底面单圈压力传感器输出值序列qb(s(i))，i＝1,2,...,ns，根据式(9)所示的传感器输出值点去除规则，去除满足规则的传感器输出值点后，形成去除后的传感器输出值序列qbs(s(i))，i＝1,2,...,nbs，nbs为去除后传感器输出值序列数据个数。依据式(10)、(11)所示的划分规则，将去除后的传感器输出值序列qbs(s(i))划分为单圈压力传感器的小值传感器输出值序列qss(s(i))和大值传感器输出值序列qsl(s(i))：

若则qbs(s(i))∈qss(s(i))(10)

若则qbs(s(i))∈qsl(s(i))(11)

则单圈压力传感器的小值传感器输出值序列qss(s(i))的均值和标准差sdss(s)为：

其中，nss为单圈压力传感器的小值传感器输出值序列qss(s(i))的数据个数。

单圈压力传感器的大值传感器输出值序列qsl(s(i))的均值和标准差sdsl(s)为：

其中，nsl为单圈压力传感器的大值传感器输出值序列qsl(s(i))的数据个数。

4.模型项构建

根据图1、图2所示的粮仓底面单圈压力传感器布置模型，令：

其中，为单圈压力传感器的小值传感器输出值序列和大值传感器输出值序列的均值。由式(3)所示的粮仓重量检测理论模型和粮仓粮堆压力特性，显然有：

因此，可以利用构造粮堆底面压强均值和粮堆高度hq(s)的估计。

同理，对于粮堆侧面压强均值的估计，令：

其中，ids(s)为基于单圈压力传感器的小值传感器输出值序列和大值传感器输出值序列标准差的差的粮堆侧面压强均值的估计项，ims(s)为基于单圈压力传感器的小值传感器输出值序列和大值传感器输出值序列标准差均值的粮堆侧面压强均值的估计项。为使式(18)、(19)中的预设调整系数ksd取值接近于1，便于ksd值选择，引入了常数项

实际建模结果表明，对于流动性较低的稻谷等粮堆，粮堆侧面压强均值相对较小，单圈压力传感器输出值标准差与粮堆重量的线性相关性高，宜采用式(18)所示的ids(s)构造的估计；反之，对于流动性较强的小麦等粮堆，粮堆侧面压强均值相对较大，单圈压力传感器输出值标准差与粮堆重量的线性相关性低，宜采用式(19)所示的ims(s)构造的估计。

粮食的流动性又称粮食的流散特性，粮食的流散特性主要包括散落性、自动分级、孔隙度等，这是颗粒状粮食所固有的物理性质。粮食在自然形成粮堆时，向四面流动成为一个圆锥体的性质称为粮食的散落性。粮粒的大小、形状、表面光滑程度、容量、杂质含量都对粮食的散落性有影响。粒大、饱满、圆型粒状、比重大、表面光滑、杂质少的粮食散落性好，反之则散落性差。不同粮食之间，上述外观特征明显不同，因此，具有不同的散落特性。

粮食散落性的好坏通常用静止角表示。静止角是指粮食由高点落下，自然形成圆锥体的斜面与底面水平线之间的夹角。静止角与散落性成反比，即散落性好(相当于散落性大于等于设定标准)，静止角小；散落性差(相当于散落性小于设定标准)，静止角大。表a中给出了主要粮种静止角的大小。

表a几种常见粮食的静止角大小(单位：度)

当粮堆静止角小于40度时，采用式(19)来计算的估计(即ims(s))，当粮食静止角大于等于40度时，采用式(18)来计算的估计(即ids(s))，此处静止角指的是粮食品种对应的最大静止角(即为表a中的静止角止)。

5.检测模型

根据式(6)所示的粮仓储粮数量理论检测模型，对于稻谷等流动性较低的粮食粮仓储粮数量检测，构建基于ids(s)的和hq(s)的估计为：

其中，bh、kh为hq(s)估计项的系数，bh＞0，bb(m)和bf(n)分别为和估计项的系数，kb(m)和kf(n)分别为和估计的指数函数项的系数，m＝0,...,nb，n＝0,...,nf，nb和nf分别为和估计的多项式阶数。

由式(20)，显然有：

将式(21)至式(23)代入式(6)，则有：

令bi(n)＝bhbf(n)，则有：

式(25)为所提出的基于ids(s)的粮仓储粮数量指数函数检测模型。根据ids(s)项的特点，式(25)所示模型适用于稻谷等流动性较低的粮食粮仓储粮数量检测。

对于小麦等流动性较高的粮食粮仓储粮数量检测，可采用类似的方法，构建基于ims(s)的和hq(s)的估计。可以推出基于ims(s)的粮仓储粮数量指数函数检测模型如下式所示：

式(26)为所提出的基于ims(s)的粮仓储粮数量指数函数检测模型。根据ims(s)项的特点，该模型适用于小麦等流动性较高的粮食粮仓储粮数量检测。

6.建模方法

对于式(25)所示的基于ids(s)的粮仓储粮数量指数函数检测模型，可以看出，式(25)所示的基于ids(s)的粮仓储粮数量指数函数检测模型建模参数包括项的最大阶数nb、ids(s)项的最大阶数nf、ids(s)项参数ksd、单圈压力传感器点去除阈值系数tsd、对数项参数kh、指数函数项的系数kb(m)和kf(n)、以及多项式项系数bb(m)、bi(n)和bf(n)等建模参数。令：

cr＝(nb,nf,ksd,tsd,kh,kb(m),kf(n))(27)

其中，cr为参数组。从式(25)也可以看出，若给定参数组cr的具体取值，模型多项式项的系数bb(m)、bi(n)和bf(n)可利用多元线性回归方法获得。因此定参数组cr优化问题是式(25)建模的关键问题。

对于给定的样本集其中，k为样本点号，k＝1,2,3,...,m，m为样本个数；为第k个样本点的单圈压力传感器输出值序列，i＝1,2,...,ns，ns为粮仓底面单圈压力传感器布置个数；w^k为样本点k的实际进粮重量，为相应的粮仓底面面积。将样本集s分为三个部分，分别作为多元回归样本集sm、参数优化样本集so与测试样本集st。通过多元回归样本集sm样本与参数优化样本集so样本的不同，以避免模型过学习，提高模型的泛化能力。当样本数较少时，可将样本集s分为两个部分，一部分同时作为多元回归样本集sm和参数优化样本集so，另外部分作为测试样本集st。

式(25)所示的基于ids(s)的粮仓储粮数量指数函数检测模型建模优化可表示为下式所示的百分比误差的最小化问题：

其中，e(cr,bb(m),bi(n),bf(n))为建模优化误差；参数组cr以及bb(m)、bi(n)和bf(n)为优化参数；为式(25)所示的样本点k的粮仓储粮数量检测模型的计算值；w^k为样本点k的实际储粮重量。实际优化计算表明，由于参数组cr的特性，使得式(28)成为很强的非凸的最优化问题。下面讨论具体优化方法。

通过分析可以看出，可将式(28)所示的基于ids(s)的粮仓储粮数量指数函数检测模型建模优化问题分解为三个优化问题。

第一个优化问题是给定参数组cr具体取值的多元线性回归问题，回归误差模型如下式所示：

其中，为给定参数组cr的样本点k的粮仓储粮数量指数函数检测模型的计算值，计算模型如式(25)所示；e(cr)为回归百分比误差模型。令：

cop＝(nb,nf,ksd,tsd)(30)

其中，cop为参数组。

第二个优化问题是给定参数组cop具体取值的kh、kb(m)、kf(n)优化问题，如下式所示：

约束条件：

其中，和分别为给定参数组cop和kh、kb(m)、kf(n)具体取值，通过式(29)多元线性回归所获得bb(m)、bi(n)和bf(n)的最优值；为基于给定cop、kh、kb(m)、kf(n)以及的样本点k的粮仓储粮数量指数函数检测模型的计算值，计算模型如式(25)所示；e(cop,kh,kb(m),kf(n))为给定cop的kh、kb(m)、kf(n)的优化误差模型。

第三个优化问题是基于式(31)、式(32)的kh、kb(m)、kf(n)优化和式(29)多元线性回归的参数组cop中所有参数的优化问题，如下式所示：

其中，和为通过式(31)、式(32)优化模型优化所获得对数项参数kh、kb(m)、kf(n)的最优值；为基于给定cop以及和的样本点k的粮仓储粮数量指数函数检测模型的计算值，计算模型如式(25)所示；e(cop)为cop优化误差模型。

因此，可以看出，对于式(25)所示的基于ids(s)的粮仓储粮数量指数函数检测模型建模优化问题，可以通过上述三个优化问题的结合来实现。本研究中，采用复合形法实现式(31)、式(32)所示的参数kh、kb(m)、kf(n)的优化。同时，由于式(33)具有很强的非凸的最优化特性，本研究采用可行域内全局搜索方法实现参数组cop中的参数的优化。下面讨论具体的优化方法。

设定nb取值范围为[1,maxnb]，nf取值范围为[1,maxnf]，ksd取值范围为[0,maxksd]，tsd取值范围为[mintsd,maxtsd]，在本研究中，一般取mintsd为0.4，取maxnb和maxnf为6，取maxksd和maxtsd为4。对于各参数取值范围，按一定间隔均匀选取若干个取值点，由这些取值点的不同组合，可构建参数组cop的不同取值，并由参数组cop的不同取值构成cop的取值集合对于集合的任一元素其中为集合第i个元素的参数nb、nf、ksd、tsd的相应取值，利用式(33)所示优化模型优化，并使：

其中，分别为参数组cop、参数kh、kb(m)、kf(n)在集合所有元素中的最优值；和为集合第i个元素相应的kh、kb(m)、kf(n)、bb(m)、bi(n)和bf(n)最优值。具体的优化算法如算法1所示。

算法1基于ids(s)的粮仓储粮数量指数函数检测模型建模优化算法

输入：参数组cop的各参数取值点个数与取值；

参数优化样本集so和多元回归样本集sm。

输出：参数组cop的各参数以及回归系数bb(m)、bi(n)和bf(n)最优值。

1.由参数组cop的各参数的不同取值组合构造取值集合

2.i＝1。

3.若则转5，否则从取值集合中按顺序取出第i组取值组合

4.对于取值组合利用式(31)、式(32)所示的kh、kb(m)、kf(n)优化和式(29)所示的多元线性回归，求出取值组合相应的模型参数kh、kb(m)、kf(n)、bb(m)、bi(n)和bf(n)的最优值和并由式(33)求出取值组合相应的优化误差转3。

5.若则输出以及相应的最优值和并退出。

对于式(26)所示的基于ims(s)的粮仓储粮数量指数函数检测模型，可采用类似的方法建模，在此不再赘述。

7.检测实例与结果分析

7.1检测实例1

对于山东齐河粮库、武汉粮库、广东新安粮库的3个小麦平房仓，储粮重量分别为2220.253吨、4441吨和3236吨。粮仓采用双圈压力传感器布置，以内圈压力传感器作为单圈压力传感器，从检测数据中选取351个样本。取240个同时作为多元回归样本和参数优化样本，其它作为测试样本。对于式(26)所示的基于ims(s)的粮仓储粮数量指数函数检测模型，优化后的建模参数如表1所示，获得的参数如表2、表3所示。粮仓储粮重量计算误差如图3、图4所示，最大测试百分比误差为0.0282％。

表1优化后的建模参数

表2模型指数函数系数

表3模型系数

7.2检测实例2

对于通州粮库的4个稻谷粮仓和洪泽的2个稻谷粮仓，储粮重量分别为6450吨、4420吨、3215吨、64500吨、2455.6吨和2099.9吨。粮仓采用双圈压力传感器布置，以内圈压力传感器作为单圈压力传感器，从长时间检测数据中选取样本1231个。选取922个样本同时作为多元回归样本和参数优化样本，其它作为测试样本。对于式(25)所示的基于ids(s)的粮仓储粮数量指数函数检测模型，优化后的建模参数如表4所示，获得的参数如表5、表6所示。粮仓储粮重量计算误差如图5、图6所示，最大测试百分比误差为0.161％。

表4优化后的建模参数

表5模型指数函数系数

表6模型系数

本发明所提出的基于底面单圈压力传感器输出值指数函数的粮仓重量检测模型与粮仓重量检测方法可按图7所示实施方式实施，具体步骤实施如下：

(1)系统配置

选定具体压力传感器，并配置相应的数据采集、数据传输等系统。

(2)底面压力传感器安装

平房仓传感器布置如图1所示，筒仓如图2所示，底面压力传感器按单圈布置，压力传感器均与侧面墙距离为d＞0且d＜1米。传感器个数均为10-15，传感器间距应不小于1m。

(3)系统标定与模型建模

对于给定的传感器、粮食种类以及仓型，如果系统尚未有标定，则在多于6个粮仓中布置压力传感器，进粮至满仓，压力传感器输出值稳定后，采集各仓的压力传感器输出值，形成样本集其中，k为样本点号，k＝1,2,3,...,m，m为样本个数；为第k个样本点的单圈压力传感器输出值序列，i＝1,2,...,ns，ns为粮仓底面单圈压力传感器布置个数；w^k为样本点k的实际进粮重量，为相应的粮仓底面面积。将样本集s分为三个部分，分别作为多元回归样本集sm、参数优化样本集so与测试样本集st。通过多元回归样本集sm样本与参数优化样本集so样本的不同，以避免模型过学习，提高模型的泛化能力。当样本数较少时，可将样本集s分为两个部分，一部分同时作为多元回归样本集sm和参数优化样本集so，另外部分作为测试样本集st。

设定nb取值范围为[1,maxnb]，nf取值范围为[1,maxnf]，ksd取值范围为[0,maxksd]，tsd取值范围为[mintsd,maxtsd]，在本研究中，一般取mintsd为0.4，取maxnb和maxnf为6，取maxksd和maxtsd为4。对于各参数取值范围，按一定间隔均匀选取若干个取值点，由这些取值点的不同组合，可构建参数组cop的不同取值，并由参数组cop的不同取值构成cop的取值集合按算法1所示的优化方法求出式(25)所示的粮仓重量检测模型的所有参数。

算法1基于ids(s)的粮仓储粮数量指数函数检测模型建模优化算法

输入：参数组cop的各参数取值点个数与取值；

参数优化样本so和多元回归样本集sm。

输出：参数组cop的各参数以及回归系数bb(m)、bi(n)和bf(n)最优值。

1.由参数组cop的各参数的不同取值组合构造取值集合

2.i＝1。

3.若则转5，否则从取值集合中按序取出第i组取值组合

4.对于取值组合利用式(31)、式(32)所示的kh、kb(m)、kf(n)优化和式(29)所示的多元线性回归，求出取值组合相应的模型参数kh、kb(m)、kf(n)、bb(m)、bi(n)和bf(n)的最优值和并由式(33)求出取值组合相应的优化误差转3。

5.若则输出以及相应的最优值和并退出。

采用同样的方法，也可实现式(26)所示的基于ims(s)的粮仓储粮数量指数函数检测模型建模。

(4)实仓重量检测

如果系统已标定，检测底面压力传感器输出值并利用式(25)或式(26)所示模型进行粮仓储粮数量检测。