糧情監(jiān)測預(yù)警技術(shù)研究進(jìn)展

苑江浩, 鄭 丹, 孟祥雪, 趙會義

(國家糧食和物資儲備局科學(xué)研究院；糧食儲運國家工程研究中心，北京 100037)

我國是農(nóng)業(yè)大國、人口大國，民以食為天，糧食是人民生活的根本，是國家之基。據(jù)國家統(tǒng)計局統(tǒng)計，2020年我國糧食產(chǎn)量高達(dá)66 949.2 t[1]，創(chuàng)歷史新高。

伴隨著人們生活質(zhì)量的提高，逐步從“吃得飽”向“吃的好”“吃的健康”轉(zhuǎn)變，我們不僅僅要保證糧食的產(chǎn)量，更要保證糧食的質(zhì)量，糧食儲藏便是保證糧食質(zhì)量的重要一環(huán)。目前，在糧食儲藏的過程中主要通過糧情信息監(jiān)測指導(dǎo)儲藏工藝，以確保糧食在儲藏過程中的安全，因此，糧情監(jiān)測技術(shù)對糧食安全起著至關(guān)重要的作用。根據(jù)國家糧食行業(yè)標(biāo)準(zhǔn)的定義，糧情是指糧食、油料在儲藏時的狀態(tài)以及影響其變化的各種因素，主要包括糧溫、水分含量、儲糧有害生物的種類及數(shù)量、糧堆氣體成分及濃度等[2]。本文主要從糧情信息監(jiān)測、糧情信息處理等方面總結(jié)現(xiàn)有監(jiān)測、識別、預(yù)測預(yù)警等技術(shù)的優(yōu)缺點，著重突出新一代信息技術(shù)與糧情監(jiān)測技術(shù)的融合發(fā)展，為行業(yè)信息化、智能化建設(shè)提供參考。

1 糧情檢測技術(shù)

1.1 溫、濕度和水分檢測技術(shù)

在儲藏過程中，溫度、濕度和水分是誘發(fā)儲糧害蟲、糧食霉變發(fā)生的重要因素，從而影響糧食品質(zhì)的改變。當(dāng)前這些因素的檢測與處理分析主要通過糧情測控系統(tǒng)進(jìn)行，而糧情測控技術(shù)的快速發(fā)展得益于物聯(lián)網(wǎng)技術(shù)的發(fā)展。

物聯(lián)網(wǎng)包括感知層、網(wǎng)絡(luò)層和應(yīng)用層。感知層是利用傳感器，如溫度傳感器、濕度傳感器、攝像頭和GPS等感知周邊環(huán)境信息；網(wǎng)絡(luò)層是利用互聯(lián)網(wǎng)、有線和無線等通信技術(shù)傳遞和處理感知層獲取的信息；應(yīng)用層則是實現(xiàn)信息與人的接口，最終實現(xiàn)物聯(lián)網(wǎng)的智能應(yīng)用。

在實際的應(yīng)用中，糧情測控系統(tǒng)主要由傳感器、上位機(jī)、分機(jī)、受控裝置等硬件和糧情測控軟件構(gòu)成。其架構(gòu)圖如圖1所示。溫、濕度和水分?jǐn)?shù)據(jù)經(jīng)傳感器采集，并通過控制分機(jī)、主機(jī)上傳至上位機(jī)，利用糧情測控軟件對數(shù)據(jù)智能分析處理，并進(jìn)行可視化呈現(xiàn)。

圖1 糧情測控系統(tǒng)架構(gòu)圖

傳感器是用于感知糧堆內(nèi)溫、濕度和水分信息的重要方式，Jeffrey等[3]提出了一種微波成像的方法監(jiān)測溫濕度，并討論了經(jīng)濟(jì)有效的解決方案，其解決了當(dāng)前傳感器面臨的壓力大、成本較高等問題。

國內(nèi)對于當(dāng)前傳統(tǒng)的電子傳感器存在監(jiān)控位置固定、數(shù)據(jù)時效差等問題，王濤等[4]設(shè)計開發(fā)了準(zhǔn)分布式光纖溫濕度傳感器，并在實倉進(jìn)行實驗，結(jié)果顯示其與當(dāng)前糧倉采用的傳統(tǒng)電子傳感器數(shù)據(jù)保持一致，同時對糧堆縱向剖面溫濕度的準(zhǔn)分布式進(jìn)行測量，證明其能有效反應(yīng)糧堆內(nèi)部不同深度帶的溫度變化規(guī)律。劉東東等[5]介紹了光纖測溫傳感器技術(shù)在糧食倉儲中的監(jiān)測應(yīng)用，且其具備空間定位性好、實時性、穩(wěn)定性強(qiáng)、探測距離超強(qiáng)等特點，解決了傳統(tǒng)電子傳感器現(xiàn)存問題，具有較高的市場推廣價值。劉同姓等[6]介紹了光纖測溫的原理，并根據(jù)糧食儲藏的特殊性，提出了光纖測溫系統(tǒng)的優(yōu)化設(shè)計方案。陳晴川等[7]針對傳統(tǒng)電子傳感器布點有限的問題，提出了一種基于光纖背向拉曼散射和光時域反射技術(shù)的分布式光纖拉曼散射測溫系統(tǒng)，可更加精確和靈敏的遠(yuǎn)程監(jiān)控糧堆的溫度。目前針對基于光纖等新技術(shù)的監(jiān)測技術(shù)，僅能監(jiān)測溫度數(shù)據(jù)，不能實現(xiàn)對濕度數(shù)據(jù)的監(jiān)測。

當(dāng)前對于糧食水分測量方法和技術(shù)有很多，如微波測定[8, 9]和無線傳感器[10]等。Gonzalezs等[11]建立了相對濕度、溫度和二氧化碳三維模型，以測定小麥水分含量。廉飛宇[12]提出了一種基于電磁波探測的儲糧水分含量探測技術(shù)，并驗證了該技術(shù)的可行性，為儲糧水分探測提供了新的思路。張弛[13]針對當(dāng)前水分檢測技術(shù)耗時長、檢測區(qū)域受限等問題，融合了微波和聲波檢測技術(shù)，用于糧食水分檢測。但是這些技術(shù)都處于初期探索階段，在糧食倉儲過程中對糧堆水分的檢測仍有很多問題沒有解決，需要進(jìn)一步研究。

糧食的溫度、濕度和水分監(jiān)測目前主要依靠的技術(shù)為傳感器技術(shù)，當(dāng)前的傳感器面臨數(shù)據(jù)時效性差、監(jiān)測范圍有限等問題。隨著科技的快速發(fā)展，5G技術(shù)逐步完善，可逐步向無線通信技術(shù)靠近，通過新物聯(lián)網(wǎng)技術(shù)實現(xiàn)數(shù)據(jù)的傳輸和互聯(lián)互通。

1.2 蟲霉檢測技術(shù)

1.2.1 儲糧害蟲檢測

害蟲檢測技術(shù)有誘捕器檢測、聲檢測、近紅外檢測和圖像識別檢測等方法。當(dāng)前，主要應(yīng)用技術(shù)為誘捕器檢測和圖像識別檢測。因此，本文重點介紹這2種技術(shù)的研究進(jìn)展。

1.2.1.1 誘捕器檢測

害蟲誘捕檢測主要是利用害蟲本身的嗅覺、視覺以及其生活習(xí)性，將其引誘至一定范圍內(nèi)檢測。常見的有瓦楞紙板誘捕器、粘蟲板誘捕器、燈光誘捕器和探管式誘捕器等，應(yīng)用產(chǎn)品已較為成熟，并已商業(yè)化應(yīng)用[14, 15]。熊鶴鳴等[16]驗證了探管式誘捕器在更能準(zhǔn)確的檢測害蟲種群的數(shù)量。正因探管誘捕器能夠較為準(zhǔn)確的檢測害蟲的數(shù)量變化，并可對糧堆淺層的害蟲情況有效檢測，所以對探管式誘捕器的深入研究較多，且常與其他技術(shù)裝置結(jié)合開展，如王威松等[17]基于探管式誘捕器，結(jié)合紅外光電傳感技術(shù)，研發(fā)了害蟲誘捕在線監(jiān)測裝置，并利用支持向量機(jī)模型，實現(xiàn)了蛀蝕性害蟲和粉食性害蟲的二分類研究，為儲糧害蟲的監(jiān)測提供了新的思路。

1.2.1.2 圖像識別

害蟲圖像識別是基于神經(jīng)網(wǎng)絡(luò)原理對害蟲種類識別檢測的一種方法。近年來，對儲糧害蟲的圖像識別技術(shù)的研究是基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)開展的，其可以自動學(xué)習(xí)和泛化圖像特征，識別儲糧害蟲的類別，如圖2所示。

程尚坤[18]設(shè)計了7層卷積神經(jīng)網(wǎng)絡(luò)，通過調(diào)整激活函數(shù)與損失函數(shù)，建立了基于CNN的儲糧害蟲檢測方法，該方法能夠?qū)崿F(xiàn)甲蟲類的檢測，準(zhǔn)確率為95%。趙文君[19]針對CNN的激活函數(shù)及分類器的局限性問題，通過引入ELU激活函數(shù)和Dropout技術(shù)等，并調(diào)整CNN模型層數(shù)，構(gòu)建了儲糧害蟲識別模型，該模型能夠?qū)崿F(xiàn)對鋸谷盜、綠豆象、麥蛾、擬谷盜、印度谷螟和玉米象等6大類的害蟲識別，且準(zhǔn)確率高達(dá)98.8%。Shen等[20]提出了一種基于Faster RCNN目標(biāo)檢測的害蟲識別算法，該算法實現(xiàn)了混有雜質(zhì)和噪聲情況下的害蟲識別。Deng等[21]為實現(xiàn)害蟲的快速檢測和識別，提出了基于人類視覺的方法，采用非負(fù)稀疏編碼和支持向量機(jī)技術(shù)實現(xiàn)，實驗證明其可識別復(fù)雜環(huán)境下的害蟲，且識別率達(dá)85.5%，該方法為害蟲識別的檢測和識別提供了新的思路。

為解決樣本不平衡問題，許德剛等[22]基于經(jīng)典的雙階段Faster RCNN算法，通過引入金字塔池化模塊和改進(jìn)損失函數(shù)，實現(xiàn)了赤擬谷盜、銹赤扁谷盜、米象、煙草甲和鋸谷盜等5種主要甲蟲類的檢測。

當(dāng)前害蟲檢測方面雖然在不斷地引用新技術(shù)以解決人工監(jiān)測的不準(zhǔn)確和費時費力的問題，但目前的技術(shù)僅能檢測到糧堆的表層或淺層的活蟲，而對于糧堆其他部分的檢測仍需抽樣。在未來的害蟲檢測技術(shù)和方法的研究中，建議與害蟲的生長發(fā)展規(guī)律相結(jié)合，預(yù)判糧堆表層和內(nèi)部發(fā)生蟲害的可能性，進(jìn)而通過檢測裝備檢測，以實現(xiàn)更全方位的糧堆害蟲檢測。

1.2.2 儲糧霉菌檢測

儲糧霉菌是影響糧食儲藏安全的重要因素，唐芳等[23-25]從實驗室和實倉的角度開展了稻谷、小麥和玉米的儲糧危害真菌生長及演替規(guī)律的研究。白靜靜[26]從遠(yuǎn)程監(jiān)測預(yù)警的角度出發(fā)，建立了適用于糧倉適用儲糧真的菌活動遠(yuǎn)程監(jiān)測系統(tǒng)，為儲糧真菌的早起防控提供了新的技術(shù)手段。

儲糧霉菌的監(jiān)測方法主要有糧溫監(jiān)測、CO2監(jiān)測、電子鼻監(jiān)測、平板菌落計數(shù)法、孢子計數(shù)法和無損檢測等。其基本可劃分為微環(huán)境監(jiān)測、霉菌直接監(jiān)測和無損檢測等3類，各監(jiān)測方法都有其優(yōu)缺點。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

表1 常見儲糧霉變監(jiān)測技術(shù)對比表

張海洋等[34]基于孢子計數(shù)法研發(fā)了儲糧真菌自動檢測儀，利用自動位移算法和圖像識別技術(shù)解決了孢子計數(shù)法專業(yè)性強(qiáng)、操作難度大等問題，可大幅降低檢測人員操作難度和誤差，適用于基層糧庫和質(zhì)檢部門。鄧玉睿等[35, 36]以稻谷為研究對象，以儲藏時間、溫濕度和水分為因素，基于樸素貝葉斯和BP神經(jīng)網(wǎng)絡(luò)建立了霉變預(yù)測模型。苑江浩等[37]基于相同的條件，建立基于SVM的霉變預(yù)測模型，該模型能夠在樣本數(shù)據(jù)量少的情況下保證高準(zhǔn)確率。

1.3 氣體濃度檢測技術(shù)

氣體濃度檢測主要包括二氧化碳、氧氣、磷化氫等，其均對應(yīng)相應(yīng)的氣體檢測傳感器。

2 糧情分析與預(yù)測預(yù)警技術(shù)

糧情分析與預(yù)測預(yù)警技術(shù)目前多通過糧情測控軟件進(jìn)行，糧情測控軟件是對糧堆溫、濕度和水分等數(shù)據(jù)進(jìn)行智能分析處理，其主要目的是降低人工分析滯后、漏報及誤報帶來的損失。目前主要的技術(shù)包括簡單的糧情判別方法、數(shù)據(jù)模型等。簡單的糧情判別方法是通過當(dāng)前溫度與臨界溫度的比較判定糧倉的安全狀況，該方法僅能根據(jù)當(dāng)前情況做出分析。模型方法主要包括經(jīng)驗?zāi)Ｐ秃腿齻髂Ｐ蚚38]。

經(jīng)驗?zāi)Ｐ桶▋绾瘮?shù)型模型、指數(shù)函數(shù)型模型及基于正弦函數(shù)的模型，其中基于正弦函數(shù)的模型是根據(jù)我國大型糧倉糧情數(shù)據(jù)進(jìn)行歸納所得到，見模型公式。

式中：b為糧倉的平均溫度/℃；A為溫度變化的幅度；ω為初相位角；x為時間。

儲糧過程中，糧食在糧倉內(nèi)建立了復(fù)雜的生態(tài)系統(tǒng)，存在糧食內(nèi)部的熱量、質(zhì)量和動量傳遞，基于此建立了三傳模型，三傳模型即物質(zhì)傳遞模型、動量傳遞模型及熱量傳遞模型。Quemada等[39]基于三傳模型，通過對環(huán)境溫度對流動模式、等溫線和水分分布變化情況的分析，指出了在糧食儲藏過程中氣流流動對熱量和水分的影響過程。REN等[40]通過多孔介質(zhì)模型和太陽輻射模型建立了溫度變化的三維數(shù)值模型，實驗證明糧堆溫度受壁面溫度、糧堆高度和糧堆與壁面距離的影響。

尹君等[41]采用多場耦合理論構(gòu)建了小麥糧堆溫度場、濕度場和微氣流場等多場耦合數(shù)學(xué)模型，對糧堆記錄變化的過程進(jìn)行模擬與預(yù)測。王小萌等[42]通過模擬糧堆局部含水率偏高引起的霉變發(fā)熱現(xiàn)象，揭示了溫度場、濕度場與糧堆霉變的時空耦合關(guān)系。

隨著信息技術(shù)的快速發(fā)展，利用機(jī)器學(xué)習(xí)算法進(jìn)行分析建模預(yù)測更為方便、快捷、準(zhǔn)確。滕樂[43]針對糧情測控系統(tǒng)關(guān)于智能分析模塊的缺失，通過動態(tài)選取等間隔時刻的糧情值，采用遺傳算法模擬糧情和時間之間的對應(yīng)曲線，用于預(yù)測下一時間段的溫度數(shù)據(jù)，建立了糧情預(yù)警機(jī)制。影響糧食溫度數(shù)據(jù)的因素較多，存在復(fù)雜性和不確定性，針對這一問題，肖樂等[44]提出了基于RBF神經(jīng)網(wǎng)絡(luò)的溫度預(yù)測方法,解決了傳統(tǒng)方法難以處理的非線性時間序列的預(yù)測問題。Wang等[45]提出了基于傅里葉分析的HCM模型，將該模型與最小二乘法結(jié)合建立了大氣溫度和糧堆溫度轉(zhuǎn)換的模型關(guān)系，進(jìn)而實現(xiàn)通過大氣溫度預(yù)測糧堆溫度，提出的模型可對糧堆溫度有效預(yù)測。

上述研究均只考慮了單一因素的影響，并未考慮外界環(huán)境因素等多因素對溫度的影響。為更加準(zhǔn)確地預(yù)測糧堆溫度情況，郭平飛[46]充分考慮糧堆溫、濕度和糧倉外部溫、濕度的影響，融合遺傳算法、粒子群算法與BP神經(jīng)網(wǎng)絡(luò)3種機(jī)器學(xué)習(xí)算法構(gòu)建了GANPSO-BP神經(jīng)網(wǎng)絡(luò)，以預(yù)測糧堆底層平均溫度，該方法穩(wěn)定性較好；其次使用深度學(xué)習(xí)框架TensorFlow，通過改進(jìn)激活函數(shù)、添加正則化及選擇較好優(yōu)化算法等優(yōu)化CLSTM，提升糧堆溫度預(yù)測效果。段珊珊等[47]考慮了氣象因素對儲糧溫度的影響，融合線性最小二乘回歸和支持向量機(jī)不同核函數(shù)回歸方法，實現(xiàn)基于氣象指標(biāo)數(shù)據(jù)的糧堆表層平均溫度預(yù)測。同時，Duan等[48]提出了提出了一種具有注意機(jī)制的編碼-解碼模型，用于準(zhǔn)確預(yù)測儲糧溫度。

在考慮多因素的前提下，為降低輸入數(shù)據(jù)維度，提升糧情預(yù)測的準(zhǔn)確性，李海棠[49]提出了以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過粒子群算法賦予影響因素適宜的權(quán)重，提升糧堆溫度預(yù)測的準(zhǔn)確性。高松[50]、王孝成等[51]以主成分分析法為基礎(chǔ)，分別與BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)結(jié)合，首先通過主成分分析方法篩選出主要影響因素，降低數(shù)據(jù)維度，再通過神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測糧堆溫度，其預(yù)測結(jié)果表明溫度預(yù)測趨勢相同。馮鴻超[52]在數(shù)據(jù)預(yù)處理時將歷史糧情數(shù)據(jù)轉(zhuǎn)換為稀疏矩陣的形式，使用Adam優(yōu)化算法做參數(shù)優(yōu)化，建立了基于LSTM網(wǎng)絡(luò)的糧堆溫度預(yù)測模型預(yù)測糧堆未來15 d的溫度。糧堆溫度具有時間序列特性，Li等[53]根據(jù)該特性，采用Holt-Winters模型對糧堆溫度時間序列分析預(yù)測，改進(jìn)其隸屬度函數(shù)，實驗結(jié)果與常見的ARIMA模型相比，該模型應(yīng)用效果更好。

為便于糧情更為直觀展示，快速發(fā)現(xiàn)糧堆中的異常點，張忠杰等[54]研發(fā)了糧情云圖動態(tài)分析軟件，其主要是以儲糧生態(tài)系統(tǒng)、多場耦合和“通風(fēng)窗口”理論為基礎(chǔ)，通過繪制可視化的“糧情動態(tài)云圖”預(yù)測預(yù)報儲糧狀態(tài)及變化，以判斷儲糧的安全性，如圖3所示，該軟件已成功應(yīng)用于2018年和2019年國家清倉查庫工作。

圖3 某糧庫糧堆表層糧情云圖[54]

目前在糧情監(jiān)測預(yù)警技術(shù)方面，新技術(shù)應(yīng)用逐步成熟，但面臨的主要問題是對溫度、濕度等的影響因素較多，未來的研究中，應(yīng)該針對不同糧堆層次、不同監(jiān)測點展開深入研究，可通過主成分分析等相關(guān)技術(shù)確定主要影響因素，以達(dá)到數(shù)據(jù)降維和預(yù)測更加精確等目的，提升糧情監(jiān)測預(yù)警水平。

3 總結(jié)與展望

目前糧情監(jiān)測技術(shù)及裝備較為完善和先進(jìn)，能夠滿足儲糧的需求，但實時性和準(zhǔn)確定有待提高。糧情預(yù)警技術(shù)仍面臨很大挑戰(zhàn)，以實驗室研究為主，缺乏實倉應(yīng)用研究，對數(shù)據(jù)的分析與挖掘不夠，不能實現(xiàn)精準(zhǔn)預(yù)測預(yù)警。在未來的發(fā)展中，要加強(qiáng)新一代信息技術(shù)與糧食行業(yè)的深入融合，如可利用區(qū)塊鏈技術(shù)的不可篡改性保證糧情數(shù)據(jù)的真實性，從另一個角度而言，伴隨著數(shù)據(jù)量的增加，大數(shù)據(jù)的Hadoop平臺和Spark平臺等可實現(xiàn)數(shù)據(jù)的并行快速處理。同時要深入研究糧堆的熱傳遞過程，通過對糧堆表層和邊壁的溫度預(yù)測推演至糧堆內(nèi)部的溫度變化情況，以實現(xiàn)預(yù)測預(yù)警。