粮情监测预警技术研究进展

苑江浩, 郑 丹, 孟祥雪, 赵会义

(国家粮食和物资储备局科学研究院；粮食储运国家工程研究中心，北京 100037)

我国是农业大国、人口大国，民以食为天，粮食是人民生活的根本，是国家之基。据国家统计局统计，2020年我国粮食产量高达66 949.2 t[1]，创历史新高。

伴随着人们生活质量的提高，逐步从“吃得饱”向“吃的好”“吃的健康”转变，我们不仅仅要保证粮食的产量，更要保证粮食的质量，粮食储藏便是保证粮食质量的重要一环。目前，在粮食储藏的过程中主要通过粮情信息监测指导储藏工艺，以确保粮食在储藏过程中的安全，因此，粮情监测技术对粮食安全起着至关重要的作用。根据国家粮食行业标准的定义，粮情是指粮食、油料在储藏时的状态以及影响其变化的各种因素，主要包括粮温、水分含量、储粮有害生物的种类及数量、粮堆气体成分及浓度等[2]。本文主要从粮情信息监测、粮情信息处理等方面总结现有监测、识别、预测预警等技术的优缺点，着重突出新一代信息技术与粮情监测技术的融合发展，为行业信息化、智能化建设提供参考。

1 粮情检测技术

1.1 温、湿度和水分检测技术

在储藏过程中，温度、湿度和水分是诱发储粮害虫、粮食霉变发生的重要因素，从而影响粮食品质的改变。当前这些因素的检测与处理分析主要通过粮情测控系统进行，而粮情测控技术的快速发展得益于物联网技术的发展。

物联网包括感知层、网络层和应用层。感知层是利用传感器，如温度传感器、湿度传感器、摄像头和GPS等感知周边环境信息；网络层是利用互联网、有线和无线等通信技术传递和处理感知层获取的信息；应用层则是实现信息与人的接口，最终实现物联网的智能应用。

在实际的应用中，粮情测控系统主要由传感器、上位机、分机、受控装置等硬件和粮情测控软件构成。其架构图如图1所示。温、湿度和水分数据经传感器采集，并通过控制分机、主机上传至上位机，利用粮情测控软件对数据智能分析处理，并进行可视化呈现。

图1 粮情测控系统架构图

传感器是用于感知粮堆内温、湿度和水分信息的重要方式，Jeffrey等[3]提出了一种微波成像的方法监测温湿度，并讨论了经济有效的解决方案，其解决了当前传感器面临的压力大、成本较高等问题。

国内对于当前传统的电子传感器存在监控位置固定、数据时效差等问题，王涛等[4]设计开发了准分布式光纤温湿度传感器，并在实仓进行实验，结果显示其与当前粮仓采用的传统电子传感器数据保持一致，同时对粮堆纵向剖面温湿度的准分布式进行测量，证明其能有效反应粮堆内部不同深度带的温度变化规律。刘东东等[5]介绍了光纤测温传感器技术在粮食仓储中的监测应用，且其具备空间定位性好、实时性、稳定性强、探测距离超强等特点，解决了传统电子传感器现存问题，具有较高的市场推广价值。刘同姓等[6]介绍了光纤测温的原理，并根据粮食储藏的特殊性，提出了光纤测温系统的优化设计方案。陈晴川等[7]针对传统电子传感器布点有限的问题，提出了一种基于光纤背向拉曼散射和光时域反射技术的分布式光纤拉曼散射测温系统，可更加精确和灵敏的远程监控粮堆的温度。目前针对基于光纤等新技术的监测技术，仅能监测温度数据，不能实现对湿度数据的监测。

当前对于粮食水分测量方法和技术有很多，如微波测定[8, 9]和无线传感器[10]等。Gonzalezs等[11]建立了相对湿度、温度和二氧化碳三维模型，以测定小麦水分含量。廉飞宇[12]提出了一种基于电磁波探测的储粮水分含量探测技术，并验证了该技术的可行性，为储粮水分探测提供了新的思路。张弛[13]针对当前水分检测技术耗时长、检测区域受限等问题，融合了微波和声波检测技术，用于粮食水分检测。但是这些技术都处于初期探索阶段，在粮食仓储过程中对粮堆水分的检测仍有很多问题没有解决，需要进一步研究。

粮食的温度、湿度和水分监测目前主要依靠的技术为传感器技术，当前的传感器面临数据时效性差、监测范围有限等问题。随着科技的快速发展，5G技术逐步完善，可逐步向无线通信技术靠近，通过新物联网技术实现数据的传输和互联互通。

1.2 虫霉检测技术

1.2.1 储粮害虫检测

害虫检测技术有诱捕器检测、声检测、近红外检测和图像识别检测等方法。当前，主要应用技术为诱捕器检测和图像识别检测。因此，本文重点介绍这2种技术的研究进展。

1.2.1.1 诱捕器检测

害虫诱捕检测主要是利用害虫本身的嗅觉、视觉以及其生活习性，将其引诱至一定范围内检测。常见的有瓦楞纸板诱捕器、粘虫板诱捕器、灯光诱捕器和探管式诱捕器等，应用产品已较为成熟，并已商业化应用[14, 15]。熊鹤鸣等[16]验证了探管式诱捕器在更能准确的检测害虫种群的数量。正因探管诱捕器能够较为准确的检测害虫的数量变化，并可对粮堆浅层的害虫情况有效检测，所以对探管式诱捕器的深入研究较多，且常与其他技术装置结合开展，如王威松等[17]基于探管式诱捕器，结合红外光电传感技术，研发了害虫诱捕在线监测装置，并利用支持向量机模型，实现了蛀蚀性害虫和粉食性害虫的二分类研究，为储粮害虫的监测提供了新的思路。

1.2.1.2 图像识别

害虫图像识别是基于神经网络原理对害虫种类识别检测的一种方法。近年来，对储粮害虫的图像识别技术的研究是基于卷积神经网络(CNN)开展的，其可以自动学习和泛化图像特征，识别储粮害虫的类别，如图2所示。

程尚坤[18]设计了7层卷积神经网络，通过调整激活函数与损失函数，建立了基于CNN的储粮害虫检测方法，该方法能够实现甲虫类的检测，准确率为95%。赵文君[19]针对CNN的激活函数及分类器的局限性问题，通过引入ELU激活函数和Dropout技术等，并调整CNN模型层数，构建了储粮害虫识别模型，该模型能够实现对锯谷盗、绿豆象、麦蛾、拟谷盗、印度谷螟和玉米象等6大类的害虫识别，且准确率高达98.8%。Shen等[20]提出了一种基于Faster RCNN目标检测的害虫识别算法，该算法实现了混有杂质和噪声情况下的害虫识别。Deng等[21]为实现害虫的快速检测和识别，提出了基于人类视觉的方法，采用非负稀疏编码和支持向量机技术实现，实验证明其可识别复杂环境下的害虫，且识别率达85.5%，该方法为害虫识别的检测和识别提供了新的思路。

为解决样本不平衡问题，许德刚等[22]基于经典的双阶段Faster RCNN算法，通过引入金字塔池化模块和改进损失函数，实现了赤拟谷盗、锈赤扁谷盗、米象、烟草甲和锯谷盗等5种主要甲虫类的检测。

当前害虫检测方面虽然在不断地引用新技术以解决人工监测的不准确和费时费力的问题，但目前的技术仅能检测到粮堆的表层或浅层的活虫，而对于粮堆其他部分的检测仍需抽样。在未来的害虫检测技术和方法的研究中，建议与害虫的生长发展规律相结合，预判粮堆表层和内部发生虫害的可能性，进而通过检测装备检测，以实现更全方位的粮堆害虫检测。

1.2.2 储粮霉菌检测

储粮霉菌是影响粮食储藏安全的重要因素，唐芳等[23-25]从实验室和实仓的角度开展了稻谷、小麦和玉米的储粮危害真菌生长及演替规律的研究。白静静[26]从远程监测预警的角度出发，建立了适用于粮仓适用储粮真的菌活动远程监测系统，为储粮真菌的早起防控提供了新的技术手段。

储粮霉菌的监测方法主要有粮温监测、CO2监测、电子鼻监测、平板菌落计数法、孢子计数法和无损检测等。其基本可划分为微环境监测、霉菌直接监测和无损检测等3类，各监测方法都有其优缺点。

图2 卷积神经网络结构图

表1 常见储粮霉变监测技术对比表

张海洋等[34]基于孢子计数法研发了储粮真菌自动检测仪，利用自动位移算法和图像识别技术解决了孢子计数法专业性强、操作难度大等问题，可大幅降低检测人员操作难度和误差，适用于基层粮库和质检部门。邓玉睿等[35, 36]以稻谷为研究对象，以储藏时间、温湿度和水分为因素，基于朴素贝叶斯和BP神经网络建立了霉变预测模型。苑江浩等[37]基于相同的条件，建立基于SVM的霉变预测模型，该模型能够在样本数据量少的情况下保证高准确率。

1.3 气体浓度检测技术

气体浓度检测主要包括二氧化碳、氧气、磷化氢等，其均对应相应的气体检测传感器。

2 粮情分析与预测预警技术

粮情分析与预测预警技术目前多通过粮情测控软件进行，粮情测控软件是对粮堆温、湿度和水分等数据进行智能分析处理，其主要目的是降低人工分析滞后、漏报及误报带来的损失。目前主要的技术包括简单的粮情判别方法、数据模型等。简单的粮情判别方法是通过当前温度与临界温度的比较判定粮仓的安全状况，该方法仅能根据当前情况做出分析。模型方法主要包括经验模型和三传模型[38]。

经验模型包括幂函数型模型、指数函数型模型及基于正弦函数的模型，其中基于正弦函数的模型是根据我国大型粮仓粮情数据进行归纳所得到，见模型公式。

式中：b为粮仓的平均温度/℃；A为温度变化的幅度；ω为初相位角；x为时间。

储粮过程中，粮食在粮仓内建立了复杂的生态系统，存在粮食内部的热量、质量和动量传递，基于此建立了三传模型，三传模型即物质传递模型、动量传递模型及热量传递模型。Quemada等[39]基于三传模型，通过对环境温度对流动模式、等温线和水分分布变化情况的分析，指出了在粮食储藏过程中气流流动对热量和水分的影响过程。REN等[40]通过多孔介质模型和太阳辐射模型建立了温度变化的三维数值模型，实验证明粮堆温度受壁面温度、粮堆高度和粮堆与壁面距离的影响。

尹君等[41]采用多场耦合理论构建了小麦粮堆温度场、湿度场和微气流场等多场耦合数学模型，对粮堆记录变化的过程进行模拟与预测。王小萌等[42]通过模拟粮堆局部含水率偏高引起的霉变发热现象，揭示了温度场、湿度场与粮堆霉变的时空耦合关系。

随着信息技术的快速发展，利用机器学习算法进行分析建模预测更为方便、快捷、准确。滕乐[43]针对粮情测控系统关于智能分析模块的缺失，通过动态选取等间隔时刻的粮情值，采用遗传算法模拟粮情和时间之间的对应曲线，用于预测下一时间段的温度数据，建立了粮情预警机制。影响粮食温度数据的因素较多，存在复杂性和不确定性，针对这一问题，肖乐等[44]提出了基于RBF神经网络的温度预测方法,解决了传统方法难以处理的非线性时间序列的预测问题。Wang等[45]提出了基于傅里叶分析的HCM模型，将该模型与最小二乘法结合建立了大气温度和粮堆温度转换的模型关系，进而实现通过大气温度预测粮堆温度，提出的模型可对粮堆温度有效预测。

上述研究均只考虑了单一因素的影响，并未考虑外界环境因素等多因素对温度的影响。为更加准确地预测粮堆温度情况，郭平飞[46]充分考虑粮堆温、湿度和粮仓外部温、湿度的影响，融合遗传算法、粒子群算法与BP神经网络3种机器学习算法构建了GANPSO-BP神经网络，以预测粮堆底层平均温度，该方法稳定性较好；其次使用深度学习框架TensorFlow，通过改进激活函数、添加正则化及选择较好优化算法等优化CLSTM，提升粮堆温度预测效果。段珊珊等[47]考虑了气象因素对储粮温度的影响，融合线性最小二乘回归和支持向量机不同核函数回归方法，实现基于气象指标数据的粮堆表层平均温度预测。同时，Duan等[48]提出了提出了一种具有注意机制的编码-解码模型，用于准确预测储粮温度。

在考虑多因素的前提下，为降低输入数据维度，提升粮情预测的准确性，李海棠[49]提出了以BP神经网络为基础，通过粒子群算法赋予影响因素适宜的权重，提升粮堆温度预测的准确性。高松[50]、王孝成等[51]以主成分分析法为基础，分别与BP神经网络、RBF神经网络结合，首先通过主成分分析方法筛选出主要影响因素，降低数据维度，再通过神经网络技术预测粮堆温度，其预测结果表明温度预测趋势相同。冯鸿超[52]在数据预处理时将历史粮情数据转换为稀疏矩阵的形式，使用Adam优化算法做参数优化，建立了基于LSTM网络的粮堆温度预测模型预测粮堆未来15 d的温度。粮堆温度具有时间序列特性，Li等[53]根据该特性，采用Holt-Winters模型对粮堆温度时间序列分析预测，改进其隶属度函数，实验结果与常见的ARIMA模型相比，该模型应用效果更好。

为便于粮情更为直观展示，快速发现粮堆中的异常点，张忠杰等[54]研发了粮情云图动态分析软件，其主要是以储粮生态系统、多场耦合和“通风窗口”理论为基础，通过绘制可视化的“粮情动态云图”预测预报储粮状态及变化，以判断储粮的安全性，如图3所示，该软件已成功应用于2018年和2019年国家清仓查库工作。

图3 某粮库粮堆表层粮情云图[54]

目前在粮情监测预警技术方面，新技术应用逐步成熟，但面临的主要问题是对温度、湿度等的影响因素较多，未来的研究中，应该针对不同粮堆层次、不同监测点展开深入研究，可通过主成分分析等相关技术确定主要影响因素，以达到数据降维和预测更加精确等目的，提升粮情监测预警水平。

3 总结与展望

目前粮情监测技术及装备较为完善和先进，能够满足储粮的需求，但实时性和准确定有待提高。粮情预警技术仍面临很大挑战，以实验室研究为主，缺乏实仓应用研究，对数据的分析与挖掘不够，不能实现精准预测预警。在未来的发展中，要加强新一代信息技术与粮食行业的深入融合，如可利用区块链技术的不可篡改性保证粮情数据的真实性，从另一个角度而言，伴随着数据量的增加，大数据的Hadoop平台和Spark平台等可实现数据的并行快速处理。同时要深入研究粮堆的热传递过程，通过对粮堆表层和边壁的温度预测推演至粮堆内部的温度变化情况，以实现预测预警。