基于温度场云图的储粮数量监控方法研究

崔宏伟，吴文福，吴子丹，韩 峰，张 娜，王雨佳



基于温度场云图的储粮数量监控方法研究

崔宏伟，吴文福，吴子丹※，韩 峰，张 娜，王雨佳

（吉林大学生物与农业工程学院，长春 130022）

为保障储备粮按照计划进出仓库，同时减少储粮监管与稽核的工作量，该文提出了基于温度场云图RGB颜色特征的储粮监管方法。调用历史粮温数据并进行预处理，生成粮堆各平面温度场云图，利用温度场云图的RGB颜色特征分布计算云图的相似度，据此设定异常判定阈值，计算相邻时间粮堆各平面云图的相似度，依据阈值进行异常检测，从而实现储粮监管。同时该文通过模拟5种粮堆异常情况，进行了模拟检测试验，并与基于温度场云图LBP纹理特征的检测算法进行对比，结果显示：基于温度场云图RGB颜色特征的算法平均查全率、平均查准率、运算速率均优于基于云图LBP纹理特征的算法，分别为98.6%、97.3%、320 ms/次。进行了储粮监管检测试验，结果表明，该方法不仅能够应用于储粮数量的监管，也能够检测出粮堆局部发热。该研究结果为储粮数量监控方法的提出奠定基础。

粮食；储藏；温度传感器；温度场云图；RGB颜色特征；相似度；LBP纹理特征

0 引 言

中国粮仓储量大，储藏周期长，为保证储藏过程中的粮食安全，通过监测粮仓内的温湿度[1]、CO2浓度[2]等信息，并通风预测模型[3-6]、温湿度或含水率预测模型[7-10]等调控储粮环境，从而保障储粮安全，以上研究多集中在品质安全、生物安全等方面，但由于粮库储量较大，若个别粮库发生虚报贴息、以差换好等违规、违法现象，会造成较大的经济损失，因此也应进行必要的储粮数量监管，而且中国粮库分布广使得粮库储量监管与稽核的工作量大，因此可靠储粮监管方法研究也具有重要的价值。

目前粮食数量检测方法主要有称重计量法、主动测量法以及视频监控等[11]。称重计量方法在美国等发达国家的大型粮库以及中国少量的国家级大型储备库采用[12-13]，但该方法对设备要求较高、维护成本较高，而且系统检测结果易受人为干扰影响[14]。主动测量法原理为测距原理，主要技术包括激光扫描、红外扫描等[15]，但该方法设备成本较高，而且多应用于煤堆体积的测量[16]。视频监控系统能够实时监测粮食数量，但视频监控系统易受供电影响，且监管的视频采用文件方式管理，安全性不足[11]。目前该领域的主要技术有：基于压力传感器检测[17-18]、电磁波检测技术[19]、基于三维激光扫描技术[20-21]等，3种技术的应用需在粮仓加装检测设备，容易增加检测成本，另一方面激光扫描设备价格较高，而电磁波检测易受粮食种类、温度等因素影响检测精度，上述技术大范围的推广应用仍需待技术进一步突破。

针对上述研究存在的问题，本文利用粮库基本配备粮情监控系统采集的粮温数据进行储粮监管方法研究。正常储藏过程中，粮仓各测温点每日温度变化较小，相邻时段测温平面（不一定相邻）各测温点温度相关性较高[22]，形成的温度场云图具有较高相似度，因此可以通过检测相邻2 d温度场云图相似度实现储粮监管。国内外学者通过研究图像颜色、纹理、形状等特征检测图像的相似度。Murala等[23]采用灰度共生矩阵来描述图像的纹理特征，并在灰度共生矩阵的基础上进一步推导出二阶矩、惯性矩、惯性嫡等参数，形成了基于灰度共生矩阵的纹理特征表达参数族。灰度共生矩阵法准确地描述了图像纹理的灰度级结构，因此检索效果比较理想。Huang等[24]提出多特征融合的图像检索方法，通过提取RGB颜色空间的颜色矩与HSV颜色空间中的颜色直方图作为颜色特征，提取改进的Zernike矩作为形状特征，灰度共生矩作为纹理特征，以3特征融合计算图像相似度。Ghosh等[25]提出了颜色一致向量的表达方法，该方法将相同颜色信息的像素按照连通关系进行区域合并，从而形成颜色区域和颜色离散点，再进行区域一致性比对来完成图像相似度检测。Yan等[26]提出一种分层HSV特征与分层纹理特征提取的图像相似度，并通过仿真试验验证该算法对复杂背景的相似图像检索性能更优。虽然有关图像相似度的研究较多，但尚未见到涉及粮情云图相似度的应用研究。

本文通过基于温度场云图RGB颜色特征的相似度算法检测异常云图，实现储粮监管，主要研究内容分为以下几点：1）调用历史粮情数据并进行数据预处理，补全测温点阵外侧与内侧的粮温数据，生成平面温度场云图；2）提出基于温度场云图RGB颜色特征的储粮监管方法；3）模拟5种粮堆数量异常情况，与基于LBP纹理特征的监管方法进行对比检测试验；4）进行储粮监管试验验证。

1 材料和方法

1.1 粮情数据的获取

本研究选用来自中国第七储粮生态区的广东省某粮仓的粮情数据。该仓为平房仓，所储作物为玉米，入仓时玉米水分约为14%，于2010-01-06入仓完毕（开始储藏），2011-01-31出仓。该粮仓东西方向长48 m，南北方向宽26.5 m，仓房高6 m，粮面高4.8 m。内置测温电缆维护相对完好，共77根，东西方向11根，间距4.5 m，两侧离墙面1.5 m；南北方向7根，间距4 m，两侧离墙面1.25 m。第四层测温点距粮面高度0.4 m，第一层测温点距仓底0.5 m，每根测温电缆上测温点均匀分布，测温点间隔约1.3 m。粮仓结构与传感器测温点布置示意如图1所示。本研究选取2010-01-06至2011-01-06之间约365 d的数据进行分析。

图1 平房仓测温点布置示意图

1.2 温度场云图生成

1.2.1 粮温数据预处理

调用粮情温度数据后，首先将粮情温度数据中数值过大、过小及乱码的数据清除；接着若粮温数据缺失几天，则选择缺失数据日期的前一天与后一天的粮温数据，采用线性插值的方法补全缺失的粮温数据。利用上述方法对粮情温度数据进行清除和补全，保证每天均有一组完整粮温数据。

1.2.2 温度场云图生成方法

以粮仓西北方向底顶点作为坐标原点，竖直向上为轴正向，向东为轴正向，向南为轴正向。根据上述坐标系，建立测温点三维矩阵，矩阵、、方向分别有、、个测温点，则仓内各测温点坐标(,,)表示为(,,)，其中0<≤，0<≤，0<≤(,,取整数)。将粮仓测温点所在截面分为3类平面，分别为平行于的平面，称为P()平面；平行于的平面，称为P()平面；平行于的平面，称为P()平面。粮仓测温点温度表示为(x,y,z)。

根据粮仓测温点坐标系可知，测温点之间以及测温点矩阵之外的粮温数据没有直接测得，若生成温度场云图，需补全传感器阵列间、阵列外的粮温数据。P()平面边界需补全的数据可分为云图顶点数据（共4个，分别为(0,0,)，(0,+1,)，(+1,0,)，(+1,+1,)和云图边界点数据。首先计算云图边界点数据，利用待测点相邻点阵中连续的3个点进行外推计算，如：计算外边界点温度(0,,)，选取粮情数据点阵中的温度(1,,)，(2,,)，(3,,)，以点(3,,)为原点，依次计算点(0,,)，(1,,)，(2,,)点到点(3,,)的距离，通过最小二乘法拟合曲线方程，根据曲线方程计算得到温度(0,,)，其余3个边界上的点计算方法相同。然后计算云图的4个顶点温度，顶点温度为相邻2个点温度的平均，计算公式（1）～（4）。P()平面与P()平面边界点数据补全方法与P()平面中外边界数据补全方法一致。由于粮面温度相同（等于仓温），因此以所有外推得到的粮面温度的均值作为粮面温度估计值()。外边界顶点中靠近粮面的2个顶点温度等于()。

采用上述方法补全各平面外边界点温度数据，将外边界点数据与实测温度数据结合，形成离散粮温数据点阵。然后选择任意平面，采用双三次样条进行插值（步长选择为0.02），得到平面完整粮温数据，生成温度场云图。本研究所选粮仓测温点阵中为11，为7，为4，选用P()平面粮温数据生成温度场云图，云图尺寸为517×316 pixels。

1.3 基于温度场云图RGB颜色特征的储粮监管方法

储粮监管为利用历史粮情数据，检测粮堆异动时间的一种粮仓储量变化稽查方式。粮堆温度稳定变化，相邻2 d的粮堆温度场云图具有较高的相似度，若相邻2 d云图差异较大（相似度较低），则其中必有一天粮食数量异常。因此通过检测储藏过程中温度场云图相似度差异较大的日期，即可实现粮食数量异常的检测。

温度场云图中颜色变化代表了温度的变化，云图颜色特征对形变有着较强的鲁棒性[26]，颜色特征主要包括RGB、HSV、HSI等。因HSV、HSI颜色空间需由RGB颜色空间转化，容易增加算法的运算量，为尽量减少系统运算量，本文选用RGB颜色空间进行相似度检测。RGB颜色空间中，每个分量均可取256个值，那么整个颜色空间共有1 600万多种颜色。针对这么多种颜色进行直方图比较，计算量较大，因此选择分区的方式减少计算量。将0～255分成4个区：0～63为第0区，64～127为第1区，128～191为第2区，192～255为第3区，即、、3分量分别有4个区，总共可以构成64种组合（4的3次方）。统计温度场云图中RGB分量在64个区间的分布直方图，作为云图的RGB颜色特征向量，最后通过皮尔逊相关系数求2张云图特征向量的相似度，从而实现基于云图RGB颜色特征的相似度检测。皮尔逊相关系数计算公式如式（5）[27]。

2 结果与分析

2.1 储粮监管模拟试验

2.1.1 粮食数量异常的温度场云图

为测试采用温度场云图相似度方法进行储粮监管的可行性，同时测试算法检测异常的准确率。本研究通过人为适当修改原始粮温数据，模拟5种粮食数量异常的情形，5种数量异常位置示意如图2中黑色位置。图2中数字表示测温点的标号，白色代表测温点数据保持为原始数据，黑色表示为数据修改位置，即模拟图中黑色位置粮食被更换。第一、二、三、四层粮食更换位置与图2保持一致，其中第一层为靠近粮仓底部的测温点平面，第二、三、四层依次向上。为方便后续表述，将图2b、2c、2d、2e、2f5种情况分别定义为1、0.5、0.25、0.5x、0.25x。由图2可知情况1为粮堆整体更换，0.5与0.5x粮堆的二分之一更换，0.25与0.25x为粮堆的四分之一更换。

注：图中数字表示测温点序号，黑色位置为模拟粮食数量变化的位置，Qi为数量变化（异常）种类，下同。

选择2010-01-06至2011-01-06中约365 d的粮温数据进行修改，规则为：1）以2010-01-06为起点，每隔4 d进行一次人为修改，共修改约72 d数据，5种情况各修改一次原始数据；2）为模拟真实粮食被更换的情形，还原粮食进出库时新粮与原始存粮的温度差异，设置2011-12-06至2011-01-06粮食被更换位置的温度高于原始粮仓均温10 ℃，02-06至04-06的温度高于原始粮仓均温5 ℃，04-06至10-06的温度同环境温度，10-06至12-06的温度低于粮仓均温5 ℃。如图3所示为01-15的P(=4)平面原始云图与模拟的5种异常云图，分别与图2a～2f对应。

2.1.2 模拟储粮数量异常的监管检测试验

1）检测阈值设定

正常储藏过程中，相邻2 d温度场云图相似度较高，但其相似度并未达到100%。为准确检测出异常云图，不误判正常变化云图为异常，需设定合适的相似度阈值（相似度小于该阈值，则判定为异常云图）。

由上节知相邻异常间隔4 d，为避免检测时相邻异常相互影响，选择检测相邻2 d云图的相似度。采用基于云图RGB颜色特征的相似度算法计算正常粮情数据中相邻2 d云图相似度。相似度曲线及其分布直方图如图4所示。

图3 1月15日PXOY(k=4)平面（Z=4.4 m，距仓底4.4 m）原始云图与模拟的粮食被更换的异常云图

图4 粮食未被更换时PXOY(k)平面云图相似度及分布直方图

由图4a可以看出，第四层（距粮面0.4 m）平面相似度波动较大，分析其原因是该平面靠近粮面，其温度受环境温度影响，相邻2d变化幅度较大，因此相邻2d云图相似度较低。统计正常储藏状态下各层云图相似度的分布，如图4b，可以看出在正常储藏状态下的四层云图相似度均位于区间(0.97,1]内，因此设定异常的判定阈值为0.97。若2 d同一平面相似度小于0.97，则可判定当天此平面为异常。

2）检测试验与分析

算法检测相邻2 d云图的相似度时，若当天粮堆异动，则当天以及第二天均会被判定为异常，因此统计检测结果时，若相邻2 d均被检测为异常，则计为一次异常。依次检测所选日期P()平面与前一天对应平面的相似度，统计检测出的异常个数。若粮食数量异常，且平面被检测为异常云图，则认为该异常被准确检测出，否则为未准确检测的异常。若当天粮食数量正常，但检测的相似度小于97%，则该日期被误检测。

1）检测结果评价。使用查全率和查准率评价检测结果，查全率、查准率计算公式分别为

式中为算法查全率，%；为被准确检测出异常平面数；为异常平面总数；为算法查准率，%；为被检测出的异常平面数；为总的被正确检测出的异常平面数。本研究中为72，等于。

2）试验结果与分析。使用2.1.1节中模拟的粮温数据，采用基于温度场云图RGB颜色特征的相似度检测算法进行异常检测试验，结果分析如表1所示。

由表1可以看出，该算法的查全率大于94%，少部分异常云图未被检测出，这是因为该算法统计RGB颜色分布直方图时未考虑颜色的位置信息，由于异常云图与前一天的正常云图RGB颜色分布直方图的相似度较高，因此异常云图未被检测出。如图5所示，对比图5b与5d可以发现，异常云图与正常云图的RGB分布特征向量相似，采用基于云图RGB颜色特征的相似度检测算法提取两者相似度为98%，因此图5c被判定为正常云图。

表1 基于温度场云图RGB颜色特征的相似度检测结果

注：P为平行于平面的测温点平面，为距粮仓底部高度。

Note:Pis a temperature measuring plane parallel to theplane,is the height from the bottom of the granary.

图5 Q0.25x异常情况下XOY平面正常云图与未被基于RGB颜色特征的相似度算法检测出的异常云图

3）对比检测试验。粮堆温度场云图中存在温度梯度，温度梯度反映在灰度化的云图中为边缘特征，因此云图存在纹理特征，可作为相似度检测依据。纹理特征常用的分析方法有统计法、结构法和频域法等。为保证算法的运算速度，本研究选用结合统计与结构的纹理特征提取算法-LBP算法。LBP（local binary pattern）算法由Ojala等[28-29]提出，它以为半径的点领域可描述如公式（8）和（9）。

式中c为中心像素点的灰度值，g为以半径为的圆环上的个采样点的灰度值，为采样点个数，LBPP,R为中心像素点的LBP特征值，为c与g的像素值之差。

如图6所示为=8，=1时的LBP纹理特征计算方式。图6中取中心点g像素值与其领域点g点像素值比较，若小于中心点像素值则为0，若大于则为1，以右上角为起点，逆时针排列0～1序列，转换为十进制数即为中心像素点的LBP特征值。

图6 LBP特征值计算过程

提取云图LBP纹理特征之前首先需将RGB图像灰度化，本研究分别提取云图的、、颜色分量作为灰度图。为增加计算云图LBP纹理特征的计算精度，首先将云图划分为若干个子区域，接着统计各个子区域中的LBP纹理特征直方图，并进行归一化处理，连接、、三灰度图的LBP直方图作为该子区域的特征向量，然后连接云图全部子区域的特征向量，作为云图的特征向量，采用皮尔逊相关系数求2张云图特征向量的相似度，即为温度场云图的相似度。本研究中云图尺寸为517×316 pixels，无法均匀划分，因此以云图的某一顶点为起点将云图有序划分为100×100 pixels的子区域，剩余部分作为一个区域。将云图分为16个子区域后，按照上述步骤即可计算云图LBP纹理特征相似度。采用上述基于云图LBP纹理特征的相似度算法进行异常检测，结果分析如表2所示。

表2 基于温度场云图LBP纹理特征的相似度检测结果

由表2可以看出，该算法未检测出的少部分异常云图，这是因为模拟的粮温数据，生成的云图中当天异常与前一天正常云图的LBP纹理特征相似度较高，被判定为正常变化的云图。如图7所示，对比图7a与7c可以发现，2张云图差异不大，图7b与7d LBP特征向量直方图较为相似，云图相似度算法检测的2 d云图相似度为97.5%，因此异常云图图7c未被检测出。

图7 Q0.25x异常情况下XOY平面正常云图与未被基于LBP纹理特征的相似度检测算法检测出异常云图

对比表1、2可知，基于云图RGB颜色特征的算法查全率、查全率较高，分别为98.6%和97.3%，这是因为粮堆局部异常后，云图局部RGB颜色特征改变，使得云图的RGB颜色特征分布直方图改变。LBP纹理特征相当于对云图中RGB颜色形成的边缘特征进行相似性判断，若相邻两个区域的颜色特征改变，但其边缘位置与结构可能并未改变，则边缘的LBP特征值不变，也即此时温度变化并没有影响LBP特征值，因此LBP纹理特征的算法查全率较低。由于基于LBP纹理特征的算法查全率较低，其正确检测的异常云图相对较少，使其查准率较低。又由于算法需计算、、分量灰度图中每个子区间的LBP特征值，计算步骤较多，且运算次数较多，使基于LBP纹理特征的算法运行速率较慢。综上说述，由于基于云图RGB颜色特征的算法的查准率、查全率均较高，而且算法的运算速率较高，因此该算法更加适用于储粮监管。

同时由表1、2中算法的平均查全率可以看出粮堆整体异常的查全率>粮堆1/2异常的查全率>粮堆1/4异常的查全率，由此可以看出，粮堆异常范围越大，对温度场云图影响范围越大，算法的查全率越高；相反地，粮堆异常的范围越小，对温度场云图影响范围越小，算法的查全率越低。

以粮堆异常类型为因素，测温平面为因素，以查全率和查准率为指标进行方差分析，结果如表3。

表3 查全率与查准率的方差分析

注：A>0.01(3, 12)=5.95，B>0.01(4, 12)=5.41，说明因素极显著，记为**；A>0.1(3, 12)=2.61，说明因素极显著，记为**；B<0.1(4, 12)=2.48，说明因素不显著。

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.

通过方差分析，由表3数据查F值表可知，异常种类和测温平面对查全率的影响极显著。通过查准率的方差分析，异常类型对查准率的影响极显著，测温平面对查准率的影响不显著。

2.2 储粮监管试验验证

为了验证基于云图RGB颜色特征的检测算法进行储粮监管的实用性，进行了验证试验。在吉林省长春市大岭试验基地建立小型粮仓进行储藏试验。粮仓尺寸为3.8 m×3.8 m×6 m，仓内粮面高度4.5 m，储藏于2017-05-11开始，至2017-08-15结束，储藏粮食为玉米，品种为先玉33，入仓时玉米水分为15 %。仓内布置25根测温电缆，横、纵各5根，测温电缆间距0.8 m，距仓壁0.3 m，每个电缆上布置4个测温点，第一层测温点距仓底0.5 m（靠近仓底），第四层距粮面0.3 m，中间2层测温点均匀布置。试验粮仓外观见文献[30]图10。

使用基于云图RGB颜色特征的相似度检测算法计算从储藏开始到结束，相邻2 d 4个平面的相似度，检测结果如图8所示。

图8 基于RGB颜色特征的温度场云图相似度检测算法检测大岭粮仓PXOY(k)平面云图的结果

由图8可以看出，在05-12至06-30之间，粮仓各平面温度场云图相似度高于0.97，06-30左右，粮仓第三层温度场云图相似度出现较低值，07-11左右，粮仓第三层温度场云图相似度再次出现极低值。从储藏开始至结束，粮仓第四层平面相似度波动较为明显，这是因为该层靠近粮面，粮温受仓温影响较大，导致温度场云图的相似度波动较大，因此第四层不作为检测依据。综上所述，该算法检测出试验仓06-30左右和07-11左右粮温异常。

查询粮仓的操作记录发现：该粮仓于06-30左右通风1 d，使得粮堆第三、四层的玉米温度升高，间接的相当于更换进去玉米，且其温度略高于仓储玉米温度。查询粮仓粮温粮温记录发现：通风后粮堆中部发热，07-11左右粮堆发热区域达到极值点，发热区域与粮面连通，热量开始逐渐向空气中散发，而后粮堆发热区域逐渐减小。参考文献[30]中，利用粮温时空相关性进行储粮数量监管，同样检测出07-01左右和07-11左右粮温异常。综上所述，该算法检测结果准确。

因此，基于RGB颜色特征的温度场云图相似度检测算法不仅能够实现储粮数量监管，同时能够检测出粮仓局部异常温升。由参考文献[31-32]可知，粮仓局部结露或霉变均会导致粮仓局部温度发生阶跃性跳变，打破自然储藏粮仓温度场保持的稳定变化状态，引起粮情温度场变化规律异常，破坏粮仓温度场云图保持的较为稳定的相似度，因此基于温度场云图RGB颜色特征的检测算法也应能检测出粮堆结露、霉变引起的粮温异常，此思路可待进一步验证。

3 结 论

1）提出了基于温度场云图RGB颜色特征的储粮监管方法。根据粮堆温度场在时间序列上的相关性，采用RGB颜色特征分布直方图计算相邻时间同一平面温度场云图的相似度，根据相似度检测结果判定粮堆是否异常，实现了储粮监管。

2）进行了储粮监管模拟试验。模拟5种粮食被更换的异常，采用基于RGB颜色特征的算法进行检测试验，同时采用基于LBP纹理特征的算法进行对比检测，结果显示基于云图RGB颜色特征的算法平均查全率为98.6%，平均查准率为97.3%，其运行速率约为320 ms/次，基于云图LBP纹理特征的算法平均查全率为97.3%，平均查准率为96.2 %，其运行速率约为540 ms/次。综合查全率、查准率与算法运行速度，基于温度场云图RGB颜色特征的检测算法更加适合储粮监管。

3）进行了储粮监管试验验证。试验结果表明：基于温度场云图RGB颜色特征的算法不仅能够实现储粮数量监管，同时能够检测出粮堆局部温度异常变化。

[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] 陈思羽. 基于绝对水势的储粮湿热迁移及通风管理的研究[D]. 长春：吉林大学，2016.

[6] 陈龙，吴文福，秦骁，等. 基于绝对水势图的粮仓远程智能通风测控系统[J]. 农业工程学报，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] 赵新蕖，刘亚卓，张丽伟. 基于改进的GM(2,1)模型的粮仓温湿度预测[J]. 中国粮油学报，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，路顺涛，等. 基于平衡水分模型的稻谷含水率实时监测系统[J]. 农业机械学报，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] 林鹰. 储备粮智能监管与稽核系统关键技术研究[D]. 天津：天津大学，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] 张昌彩. 国外粮食储备管理及其对我国的启示[J]. 经济研究参考，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] 唐为明. 加拿大的粮食流通技术[J]. 粮油科技，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] 王铁滨，苏建民，白玲，等. 数字林业智能地衡管理系统设计[J]. 林业机械与木工设备，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，徐亚明，汪志良，等. GPS RTK技术在武钢堆料场矿料体积测量中的应用[J]. 测绘信息与工程，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，贾欣志，檀慧明. 一种大面积煤堆体积自动检测系统[J]. 光学机械，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] 陈得民，张元. 基于压力传感器网络的粮仓储粮数量监测系统[J]. 微计算机信息，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] 秦瑶，陈洁，方广有，等. 雷达层析成像技术对粮仓储量信息的探测[J]. 电波科学学报，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] 祝玉华，陈军涛，甄彤，等. 储粮数量检测技术研究进展[J]. 河南工业大学学报：自然科学版，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，吴子丹，张忠杰，等. 不同仓型的粮堆温度场重现及对比分析[J]. 农业工程学报，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] 吴瑞林，王建中，袁克海. 多分格相关与皮尔逊相关的蒙特卡罗仿真[J]. 北京航空航天大学学报，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] 崔宏伟，吴文福，吴子丹，等. 基于粮温时空相关性的储粮数量监管方法研究[J]. 农业机械学报，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] 陈桂香，王海涛，张虎. 通风过程中粮堆内热湿传递及霉变预测CFD研究[J]. 中国粮油学报，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，吴子丹，张忠杰，等. 基于多场耦合理论浅析浅圆仓局部结露机理[J]. 中国粮油学报，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

崔宏伟，吴文福，吴子丹，韩 峰，张 娜，王雨佳. 基于温度场云图的储粮数量监控方法研究[J]. 农业工程学报，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

国家重点研发计划子课题（2017YFD0401003-3）

崔宏伟，博士生，主要从事粮食信息化与自动化研究。Email：chw19900405@126.com

吴子丹，研究员，博士生导师，主要从事粮食储藏与运输研究。Email：Wuzidan91@163.com

10.11975/j.issn.1002-6819.2019.04.036

S24; TP391.4

A

1002-6819(2019)-04-0290-09