基于糧溫統計特征的糧倉庫存狀態檢測方法

崔宏偉，吳文福，吳子丹，蘭天憶，竇建鵬

基于糧溫統計特征的糧倉庫存狀態檢測方法

崔宏偉，吳文福，吳子丹※，蘭天憶，竇建鵬

（吉林大學生物與農業工程學院，長春 130022）

糧倉歷史庫存狀態的準確檢測可以為清倉查庫工作提供線索，該文通過分析糧溫統計特征，提出了一種基于歷史糧溫統計特征的糧倉庫存狀態（主要包括空倉、新糧、通風3種狀態）檢測方法。利用糧堆上下相鄰層溫差和糧溫的新異眾比例檢測空倉態，利用相鄰層溫差和糧溫標準差檢測新糧態，利用層溫變化率和糧溫標準差變化率檢測通風態。提出了一種類多變量決策樹的糧倉庫存狀態檢測方法；通過分析11個糧倉歷史糧溫的統計特征，確定了決策樹節點特征參數的最優閾值。最后選擇7個不同省份的糧倉，利用提出的檢測方法進行庫存狀態檢測試驗，試驗結果顯示空倉態、新糧態、通風態的查準率分別為78%、74%、91%，查全率分別為82%、70%、88%。試驗結果表明基于歷史糧溫統計特征的糧倉庫存狀態檢測方法能夠較好的實現對空倉態和通風態的檢測，能夠基本實現對新糧態的檢測。

糧食；溫度；統計特征；庫存狀態；空倉；新糧；通風

0 引 言

在中國，糧食儲藏周期長（一般為2～4 a），這期間容易發生以差換好、違規倒倉等影響庫存糧食數量的問題，也容易發生結露、霉變等影響質量的問題，因此需適時進行庫存檢查。糧倉庫存檢查是糧食監管部門通過人工或機器協助的方式，定時對歷史儲藏過程中糧倉庫存數量、質量的變化情況進行檢查。國家每隔10 a會進行全國性庫存實物檢查，各省每年也會進行庫存檢查。但目前庫存檢查多由人工完成，工作量比較大，發現歷史儲藏中數量或質量問題的難度較大，因此需研究歷史庫存糧食狀態的檢測方法，為庫存檢查工作提供線索。

庫存檢查中質量檢查主要是判斷儲藏過程中糧堆是否發生結露、霉變等影響糧食質量的問題。目前，關于糧堆質量預測判斷的研究較多，吳子丹團隊通過研究糧堆的物理場、生物場等之間的耦合關系提出了糧堆多場耦合理論，開辟了運用糧堆溫度場、濕度場云圖分析糧食質量變化的新途徑[1-4]。Roberta等[5]研究了筒倉中玉米儲存時的溫度場模型。在前期研究基礎上，吳子丹團隊利用溫濕度場、微氣流場等多場耦合模型實現小麥糧堆結露、霉變位置的分析和預測[6-8]；程樹峰等利用溫濕度場研究了稻谷、玉米、大豆儲藏早期的真菌生長規律[9-11]。上述基于糧堆溫濕度場進行結露、霉變的研究提出了一些預測判斷模型，已經可以在庫存檢查中應用。庫存檢查中數量檢查主要包括查驗檢查時的庫存數量，同時檢查歷史儲藏過程中糧食數量發生的異常變化（與出入倉等指令不匹配）。現有糧倉庫存數量檢測的方法包括基于壓力傳感器檢測[12-15]、電磁波檢測技術[16]、基于三維激光掃描技術[17-19]等，上述方法多需在糧倉內加裝傳感器，會增加糧倉管理和檢測成本。目前，中國大部分糧庫都已經安裝了檢溫系統，檢溫系統采集獲得了大量的歷史糧溫數據，部分研究者利用糧溫數據提出一些檢測方法，如秦驍[20]提出了儲備糧數字監管策略，主要為AID策略、3R策略和ABC策略。崔宏偉等[21]通過分析糧溫數據的時空分布規律，提出了利用測溫系統內的點、線、面之間的相關性進行儲糧監管的方法；同時提出通過分析溫度場云圖RGB顏色特征進行儲藏數量異常時間的檢測方法[22]。上述研究策略與方法可以在不增加管理成本的基礎上實現檢測，但僅能對糧倉異常時段進行檢測，并未對糧倉庫存狀態進行分類和判斷，檢測結果仍需大量人工分析和歸類。為此，朱浩天[23]將糧倉庫存狀態歸類為數量異常狀態與質量異常狀態，并利用糧溫數據的統計特征基本實現了不同異常狀態的檢測。但其只依據一個統計特征判斷異常狀態，檢測結果的準確性和可靠性不足。

為充分利用糧倉歷史檢溫數據，提高庫存狀態檢測結果的準確性與可靠性，同時減輕查庫人員的工作量，為查庫工作提供有效線索，本文主要研究基于糧溫數據的糧倉庫存狀態檢測方法。根據前期研究基礎，將查庫時需檢查的庫存狀態分為滿倉、空倉、新糧、通風、結露與霉變6種狀態，其中結露與霉變檢測方法可以參考文獻[1-4，6-8]，其余4種狀態的檢測方法為本文主要研究內容。通過分析歷史糧溫數據的統計特征規律，歸納總結檢測每種狀態所需的統計特征，提出基于糧溫統計特征的庫存狀態檢測方法，通過試驗選擇統計特征的最優閾值區間，完成糧倉庫存狀態檢測的類多變量決策樹的設計，最后根據檢測方法，利用多地區不同糧倉的糧溫數據進行驗證試驗。

1 數據與方法

1.1 糧倉庫存狀態定義

根據儲備糧庫存檢查需求，本文主要研究庫存狀態中的正常滿倉儲藏、空倉態、新糧態、通風態4種。糧倉機械通風會影響整個糧堆溫度場的分布，影響空倉與新糧的檢測與判斷，因此將通風態也作為庫存狀態檢測的研究對象。正常滿倉儲藏是指糧食滿倉儲藏過程中，沒有出現局部異常的狀態，空倉態是指糧倉內沒有裝糧的狀態；新糧態是指糧倉內剛裝滿糧食一段時間的狀態；通風態是指進行機械通風、出現整倉溫濕度場快速變化的狀態。糧倉通風可以分為橫向與縱向通風，本文所述通風態均指縱向通風。

1.2 糧情數據

1.2.1 糧倉與庫存變化基本情況

選擇陜西省寶雞市A儲備庫的糧倉用于方法分析。寶雞市地處中國中部，為大陸季風氣候，季節交替明顯，儲備庫儲藏穩定。A儲備庫具有高大平方倉22座，糧倉編號01～22號糧倉，其中偶數號糧倉尺寸約為42 m×26 m，糧高約6 m，倉內布置66根測溫電纜，每條電纜上4個測溫點，如圖1所示，圖中灰色平面表示水平測溫平面，虛線為平面的邊界，豎直紅線表示測溫電纜。與方向分別6、4個測溫點，方向有11個測溫點（圖中省略測溫點8個）；奇數號糧倉尺寸約為46 m×26 m，糧高6 m，倉內布置72根測溫電纜，每條電纜上4個測溫點，如圖1所示，、、方向分別12、6、4個測溫點。圖1中方向測溫點只顯示部分。

圖1 糧堆內傳感器布置示意圖

儲藏糧種均為小麥，平均儲藏周期3a，具有代表性，從中選擇糧情數據包含從空倉、新糧、通風，最后穩定儲藏這個過程的糧倉用于分析，10號倉為其中一個糧倉。10號倉長（）×寬（）×高（）約為42 m×26 m×6 m，倉內傳感器布置為11×6×4，方向測溫點間距約4 m，邊距約1 m，方向測溫點間距約5 m，邊距約0.5 m，Z方向測溫點間距約1.5 m，距糧倉表面約0.7m，距糧倉底部約0.8 m。按照從糧面至糧堆底部的順序分為第1層～第4層。10號倉2017-06-01—2018-06-01之間的庫存狀態變化過程如圖2所示。10號倉2017-07-04開始入倉，07-25入倉完畢，2017-10-11、2017-11-22、2018-01-02進行了3次通風。因此將2017-07-04之前作為空倉態，2017-07-25—08-24作為新糧態，3次通風過程中稱為通風態，即2017-10-11—10-24、2017-11-22—12-02和2018-01-02—01-12共3個時間段。

圖2 10號倉庫存狀態變化過程

1.2.2 糧溫變化過程

本節將糧溫數據依據糧倉測溫傳感器的布置，排列形成11×6×4的矩陣，共4層，每層測溫點個數長×寬為11×6（平行于平面），如圖3a為倉溫和每層糧溫的變化曲線。平行于方向的測溫平面測溫點個數長×寬為11×4。選擇該截面，生成溫度場云圖。圖3b為10號倉儲藏過程中糧堆平行于平面的第3個（=10.5 m）測溫平面不同日期的溫度場云圖，云圖中顏色表示溫度，不同顏色的線表示等溫線，數字表示不同測溫點的溫度（下同）。溫度場云圖生成工具是庫存實物掃描軟件V1.0（天津明倫電子科技有限公司，天津）。

由圖2與圖3a可以看出，空倉時4層糧溫與倉溫相同；入倉完畢后，第1層糧溫最高，第2層與第3層糧溫基本一致，第4層糧溫最低；一段時間后，第1層糧溫開始降低，低于第2、3層糧溫，但高于第4層糧溫；隨后進行了3次通風，4層糧溫均出現一定程度降低；通風結束后，第1層糧溫隨倉溫快速升高，第2、3、4層糧溫緩慢升高。

由圖3b可以看出，新糧狀態時糧堆上層溫度最高，下層溫度最低，儲藏至9月時，糧堆上層溫度受倉溫影響逐漸降低，此時糧堆內部形成一個較大的熱芯；儲藏至10月時，為保證安全過冬，進行了通風。可以看到通風將糧堆內部熱芯的熱量吹向糧堆上部，進而離開糧堆，使得糧堆內部溫度降低；儲藏至11月時，再次進行了通風，又一次使得糧堆上層溫度升高，下層溫度較低；儲藏至次年2月時，糧堆上層溫度受倉溫影響逐漸升高，下層溫度受倉底部溫度影響也逐漸升高，糧堆內部形成一個冷芯，糧堆儲藏逐漸進入夏天。

圖3 10號倉糧溫變化過程

1.3 基于糧溫統計特征的庫存狀態識別方法

1.3.1 基本原理

在正常儲藏過程中（無外界干擾條件下），糧堆內的溫度場、濕度場、微氣流等場的變化在時間上是連續穩定變化的一個過程。在長周期儲藏中，糧堆溫度主要受倉溫或環境溫度影響，倉溫（或環境溫度）升高，糧堆與外界環境之間存在正的增大的溫度梯度，熱量通過物料顆粒間的孔隙進入料堆內部，使得料堆內的溫度也隨著升高；外界環境溫度降低，料堆與環境之間存在負的增大的溫度梯度，料堆內熱量通過顆粒間的孔隙擴散到環境中，使得料堆內的溫度降低。由于糧食籽粒為濕熱的不良導體，糧堆內部溫濕度等受外界影響較小，內部場變化緩慢。因此，在長周期儲藏中（無外界干擾條件），糧堆內的場在時間軸上呈現連續、緩慢變化的特征。因此糧堆內場的變化在時間軸上不存在突變的點。

糧溫的連續穩定變化，糧溫的某些統計特征也連續穩定變化，如圖3a中2018年3月以后，第2、3、4層層糧溫均值連續穩定變化。若儲藏中出現移庫、倒倉、通風等情況，會破壞糧堆場的連續穩定的變化特性，如圖 3a 3次通風時。同樣的，擾動也會破壞統計特征的變化規律。基于上述原理，通過分析不同統計特征的變化規律，歸納總結檢測識別不同擾動（狀態）的統計特征，作為檢測糧倉狀態方法。

1.3.2 多變化決策樹分類算法原理

決策樹方法是常用的分類學習算法，常用的決策樹分類方法有ID3算法、C4.5、CART（classfication and regression tree）算法[24]。決策樹實現的步驟有：特征選擇、決策樹的生成、決策樹的修剪[25]。一個決策樹通常包含一個根節點、若干個內部節點和若干個葉節點[26]。因此，上述3種分類方法通過選擇不同的函數來選擇節點的特征。單決策樹的一個節點通常由一個特征變量組成，多變量決策樹的一個節點由多個特征組成。根據多變量決策樹特點，本研究通過分析糧情數據的統計特征，從中選擇檢測空倉態、新糧態、通風態3種狀態的統計特征參數，并設定特征參數閾值，作為多變量決策樹節點的組合特征，從而完成庫存狀態檢測的類多變量決策樹設計。

1.3.3 統計特征選擇

相鄰層溫差如圖4a所示，糧溫均值變化率如圖4b所示，新異眾比例如圖4c所示，標準差如圖4d所示，標準差變化率如圖4e所示。圖4a中相鄰層溫差為正表示上一層糧溫均值高于下一層，為負表示上一層糧溫均值低于下一層。圖4b中糧溫變化率為正表示該層糧溫相對于前一時刻該層糧溫增加，為負表示該層糧溫相對于前一時刻該層糧溫降低。圖4e中標準差變化率正表示該層各測溫點糧溫分布的差異增大，標準差變化率為負表示該層各測溫點糧溫分布的差異減小。

由圖4a可以看出，空倉時相鄰層溫差近似為0，這是因為傳感器懸掛在糧倉內測得的溫度一致；2017年7月末，糧堆第1層溫度較高（見圖3），第4層溫度最低，7月31日左右，各層相鄰層溫差均為正；儲藏至8月中下旬時，第1層糧溫受倉溫影響，溫度降低較快，低于第2層溫度，因此第1層與第2層溫差變為負值；10月通風時，冷風進入糧堆內部將熱空氣吹向糧面，使得第1層溫度升高，第1層與第2層、第2層與第3層溫差先升高為正，通風結束后受倉溫影響又降低為負。3次通風均發生類似情況。進入2018年2月下旬后，糧堆第1層受倉溫影響溫度升高，第1層與第2層溫差逐漸為正，并呈升高的趨勢。糧堆內部形成冷芯，第2層與第3層溫度接近，因此溫差接近于0，第3層溫度小于第4層，溫差小于0。由圖4d可以看出，空倉時，糧溫基本一致，波動較小，因此各層糧溫標準差較小且基本相同；2017年7月末儲藏開始后，第1層糧食由于剛入倉不久，各點糧溫差異較小，標準差較低，第2、3、4層由于入倉一段時間，各點糧溫差異較大；儲藏一段時間后，第1層糧溫出現差異，標準差增大，而后逐漸平穩，4層標準差基本一致；3次通風破壞了糧堆內溫度場穩定的變化狀態，使得各層糧溫差異較大，標準差存在波動，在這期間第4層標準差較大，這是因為通風對第4層糧溫影響最大。通風結束，2018年1月以后，第1層糧溫受倉溫影響，各點糧溫差異較小；第2、3層受倉壁滲透熱量的影響，四周糧溫較高，各點糧溫存在差異；第4層不僅受倉壁影響，同時也受倉底部熱量滲透影響，因此各點糧溫也存在一些差異，因此1月以后，第1層糧溫標準差最小，第2、3、4層糧溫標準差較大。綜上所述，糧溫統計特征的變化符合圖3顯示的溫度場云圖變化特征。

從糧倉狀態角度來分析，由圖4a可以看出，空倉狀態下，相鄰層溫差近似為0；新入糧狀態下，第3層與第4層溫差最大，第1層與第2層溫差次之，第2層與第3層溫差最小，且上層與下層溫差均大于0 ℃；正常儲藏時，相鄰層溫差變化無規律。由圖4b可以看出，空倉和新糧狀態下，糧溫均值變化率基本維持在區間-2～2 ℃/d之內，正常儲藏過程中，糧溫均值變化率基本在0 ℃/d左右，通風狀態下，糧溫均值變化率與正常狀態存在明顯差異。由圖4c可以看出，空倉狀態下，4層的新異眾比例在100%左右，正常儲藏過程和通風時各層糧溫分布的新異眾比例分布范圍較廣。由圖4d可以看出，空倉狀態下，整倉糧溫標準差低于1 ℃，新糧和正常儲藏過程中，整倉或每層糧溫標準差基本大于1 ℃，其中通風時的標準差波動較大。由圖4e可以看出，空倉和正常儲藏過程中，糧溫標準差變化率基本在0 ℃上下，通風狀態下，標準差變化率與通風前后的標準差變化率差異較大。綜上所述，空倉態適合選用相鄰層溫差值（Em-tdal，temperature difference in adjacent layers at empty warehouse）和新異眾比例（Em-ndp，new different proportions at empty warehouse）作為檢測特征，新糧態適合選用相鄰層溫差值（Ng-tdal，temperature difference in adjacent layers at new grain）和標準差Ng-sd（Ng-sd，standard deviation at new grain）作為檢測特征，通風態適合選用糧溫變化率（V-atcr，change rate of average temperature during ventilation）和標準差變化率（V-sdcr，standard deviation change rate during ventilation）作為檢測特征。

1.3.4 類多變量決策樹構建

根據上述選擇的特征，結合儲糧工藝，設計糧倉庫存儲糧狀態檢測的多變量決策樹。如圖5所示，首先判斷數據異常參數是否滿足條件，若滿足則判斷為數據異常，若不滿足則進行空倉判斷。判斷空倉的參數Em-tdal與Em-ndp是否滿足條件，若滿足條件則判斷為空倉，若不滿足則進行新糧判斷。判斷新糧參數的Ng-tdal與Ng-sd是否滿足條件，若滿足則判斷為新糧，若不滿足則進行通風態判斷；判斷通風參數V-atcr與V-sdcr是否滿足條件，若滿足條件則判斷為通風，否則為正常儲藏狀態。

1.4 統計特征的閾值設定

1.4.1 空倉態統計特征的閾值設定

圖5 糧倉庫存狀態檢測的類多變量決策樹

1.4.2 新糧態統計特征的閾值設定

分析圖4a與4d中07-25~08-24之間的相鄰層糧溫差值和糧溫標準差分布，結合儲糧經驗知，底層糧食最先進入糧倉，頂層糧食最后進入糧倉，入糧完畢后，底層糧溫相對較低，頂層糧溫相對較高，因此理想狀態下，第1層與第2層、第2層與第3層、第3層與第4層糧溫差值均大于0 ℃（如圖4a）。根據設置的空倉相鄰層溫差閾值，將新糧時相鄰層溫差閾值Ng-tdal設置為>0.12 ℃。新糧狀態下，由于4層糧食均為新糧，裝入的時間相同，糧溫基本相同，但相對于空倉存在一定差異，新糧態下各層糧溫的標準差相對于空倉時的糧溫標準差存在小幅度的增加（如圖4d）。計算新糧時各層糧溫標準差，根據閾值設定方法設置新糧標準差Ng-sd閾值設置為≤2 ℃。若糧溫同時滿足上述2種條件，則判定為新糧態。

1.4.3 通風態統計特征的閾值設定

2 統計特征的最優閾值選擇

2.1 糧情數據

在A儲備庫，選擇糧情數據中包含空倉、新糧、通風3種狀態的11個糧倉進行分析，分別為1、2、3、4、8、9、10、11、14、15、17號倉。其中1、2、10、14號倉糧情數據時段為2017年6月左右到2018年11月，3、4、11、17號倉糧情數據時段為2016年6月左右到2018年11月，8、9、15號倉時段為2018年6月左右到2018年11月。各倉入倉時間均發生在選擇時段之后一個月左右。由于糧情出入庫記錄涉密，本文中不便于詳述這些糧倉的進出倉、通風等操作記錄，只統計各種狀態的天數，其中空倉態分別有31、32、23、12、41、16、13、30、20、1、13 d，新糧態均為入倉后的31d、通風態分別有21、14、14、24、7、7、29、22、26、8、21 d。

2.2 特征閾值的水平選擇試驗

2.2.1 試驗指標

為分析特征參數對檢測結果的影響，同時選擇較優的特征閾值，以查準率和查全率為指標[29]設計試驗。查準率、查全率計算公式（7）、（8）。

式中表示正確檢測出的異常個數，表示檢測的個數；表示樣本中的異常個數。

2.2.2 空倉態特征的閾值水平選擇

根據上文中空倉狀態下的相鄰層糧溫差值Em-tdal和新異眾比例Em-ndp的閾值，選擇相鄰層糧溫差值Em-tdal閾值為[-0.12,0.12] ℃，新異眾比例Em-ndp分別為100、98、96、94、92%時，和新異眾比例Em-ndp為98%，相鄰層溫差Em-tdal閾值分別為[-0.16,0.16]、[-0.14,0.14]、[-0.12,0.12]、[-0.10,0.10]、[-0.08,0.08] ℃時進行空倉狀態檢測，并計算查準率與查全率，以及值對檢測結果進行綜合評價。結果如表1所示。

分析表1可知，當Em-tdal為[-0.12,0.12] ℃，Em-ndp 為100%和98%時值相等，Em-ndp 為94%和92%時，值近似相等，為此選擇特征Em-ndp的3個水平為98%、96%和94%。當Em-tdal分別為[-0.16,0.16]、[-0.14,0.14]、[-0.12,0.12] ℃，Em-ndp為98%時，值排序取前三，因此選擇特征Em-tdal的水平為[-0.16,0.16]、[-0.14,0.14]、[-0.12,0.12] ℃。

表1 空倉狀態下特征的閾值分析結果

2.2.3 新糧態特征的閾值水平選擇

根據上文中新糧狀態下的特征相鄰層溫差Ng-tdal和標準差Ng-sd的閾值，選擇相鄰層糧溫差值Ng-tdal閾值為0.12 ℃，標準差Ng-sd分別為2.2、2.1、2.0、1.9、1.8 ℃時，和相鄰層溫差Ng-tdal閾值分別為0.12、0.10、0.08、0.06、0.04、0.03、0.02 ℃，標準差Ng-sd為2.0 ℃進行新糧狀態檢測，檢測結果如表2。

表2 新糧狀態下特征的閾值分析結果

由表2可以看出，當相鄰層溫差Ng-tdal為0.12℃，標準差Ng-sd為2.2、2.1、2.0 ℃時，值分別取前三，因此標準差Ng-sd水平選擇2.2、2.1、2.0 ℃。當相鄰層溫差Ng-tdal選擇為0.04、0.0.03、0.02 ℃，Ng-sd為2.0 ℃時，值分別取為前三，因此相鄰層溫差Ng-tdal的水平選擇0.04、0.03、0.02 ℃。

2.2.4 通風態特征的閾值水平選擇

根據上文中，通風狀態下的參數均溫變化率V-atcr與標準差變化率V-sdcr閾值，選擇均溫變化率V-atcr閾值區間為[-0.1,0.1]、[-0.4,0.4]、[-0.5,0.5]、[-0.6,0.6]、[-0.7,0.7]、[-0.8,0.8] ℃/d，標準差變化率V-sdcr閾值區間為[-0.2,0.2] ℃/d，以及選取均溫變化率V-atcr區間為[-0.7,0.7] ℃/d，標準差變化率V-sdcr閾值區間為[-0.18,0.18]、[-0.19,0.19]、[-0.20,0.20]、[-0.21,0.21]、[-0.22,0.22] ℃/d進行通風狀態檢測，結果如表3。

表3 通風狀態下特征的閾值分析結果

由表3可以看出，當V-atcr選擇為[-0.5,0.5]、[-0.6,0.6]、[-0.7,0.7] ℃/d，V-sdcr 為[-0.2,0.2] ℃/d時值為前三，因此均溫變化率V-atcr水平選擇為[-0.5,0.5]、[-0.6,0.6]、[-0.7,0.7] ℃/d。當V-atcr選擇為[-0.7,0.7] ℃/d，V-sdcr 選擇為[-0.22,0.22]、[-0.21,0.21] ℃/d時，值為前二，當V-sdcr 選擇為[-0.18,0.18] ℃/d時值大于V-sdcr 為[-0.20,0.20] ℃/d的，但兩者較為相近，為保證水平的連續性，標準差變化率V-sdcr水平選擇[-0.22,0.22]、[-0.21,0.21]、[-0.20,0.20] ℃/d。

2.3 統計特征最優閾值的試驗結果與分析

2.3.1 空倉態的檢測結果與分析

選擇2.1節中的糧倉糧情數據進行檢測。根據2.2節中，空倉、新糧、通風狀態下選擇參數的水平，以查準率與查全率為指標，設計二因素三水平的正交試驗，并計算查準率、查全率以及綜合評價指標值。空倉狀態的檢測結果如表4所示。

表4 空倉檢測結果

注：1、2、3分別為對應參數的檢測結果的和，1、2、3分別為對應參數檢測結果的均值，為參數不同水平的極差。下同

Note:1,2and3are the sum of the test results of corresponding parameters,1,2and3are the mean of the test results of corresponding parameters, andis the extreme difference of the level. The same below.

2.3.2 新糧態的檢測結果與分析

選擇2.1節中的糧倉糧情數據進行檢測。新糧態檢測結果如表5所示。由表5極差分析欄對查準率的影響可以看出：1）相鄰層溫差對查準率的影響隨著相鄰層溫差的增大而增大，增大到一定程度后保持不變；2）標準差對查準率的影響隨著標準差閾值區間的增大而減小。由表5極差分析欄對查全率的影響可以看出：1）相鄰層溫差對查全率的影響隨著相鄰層溫差的增大而減小；2）標準差對查全率的影響隨著標準差閾值區間的增大而增大。由表5因素的極差分析可知，各因素對查準率影響的大小順序為：Ng-sd>Ng-tdal。各因素對查全率影響的大小順序為：Ng-tdal>Ng-sd。根據因素對值得影響，選擇特征的最優閾值組合：相鄰層溫差閾值≥0.02 ℃或0.03 ℃，標準差閾值≤2.0 ℃或2.1 ℃。

表5 新糧態檢測結果

2.3.3 通風態的檢測結果與分析

表6 通風態檢測結果

3 糧倉庫存狀態檢測試驗

為驗證上述庫存狀態檢測方法在不同省份的適用性和準確性，在已有糧情數據的省份中，選擇環境條件類似的試驗倉進行檢測。A儲備庫屬于第4儲糧生態區，因此從第4儲糧生態區和與第4生態區環境類似的第5儲糧生態區中，選擇符合條件的糧倉進行檢測（糧情數據包含從入倉到新糧，再到穩定儲藏這個過程），分別為湖南B倉、湖北C號倉、河南D號倉、貴州E號倉、甘肅F號倉、福建G號倉、安徽H號倉，檢測結果如表7所示。由于數據異常狀態的檢測準確率為100 %，因此不在結果中討論。

表7 庫存狀態檢測結果

注：表中Means計算時未包括準確率、查全率不存在的情況，即表中“-”。

Note: The calculation of means in the table does not include the absence of accuracy rate and recall rate, that is “-” in the table.

由表7可以看出，空倉態的平均查準率與查全率分別為78%和82%，新糧態的平均查準率與查全率均比較低，分別為74%和70%，通風態的平均查準率和平均查全率分別為91%和88%，3種狀態的平均查準率和查全率分別為81、80、87%。新糧態的查準率和查全率最低，低于75%，通風態的平均查準率和平均查全率位于90%左右，空倉時的平均查準率和查全率在75%左右。

4 討 論

由表4可以看出，空倉態的查準率為85%左右。查準率較低，說明存在被誤檢測成空倉的狀態，這是因為通風時整個糧堆的溫度都降低，通風后整個糧堆的溫度近乎相等的情況，這種溫度場分布狀態與空倉時的溫度場類似，容易被檢測為空倉態。空倉態的查全率為95%左右，說明存在未被檢測出的空倉態，分析其原因發現是空倉時，有些測溫點傳感器出現故障，檢測的溫度與其他存在較大差異，但并不屬于屬于異常范圍，這些空倉狀態沒有被檢測出。

由表5可以看出，新糧態檢測結果中查準率基本維持在64%左右，查全率在80%左右，查準率和查全率相對較低。分析查準率較低的原因，一些糧倉上層糧溫變化緩慢，超出新糧時段，溫度場云圖特征依然符合新糧態的特征，如圖6所示為8號倉被誤檢測的溫度場云圖。8號倉新糧時段為2018-08-05—2018-09-05，而當2018-09-13時，由云圖可以看出，此時的云圖依然符合新糧態的云圖特征，因此被檢測為新糧態。查全率較低是因為本研究定義新糧態為糧食入滿糧倉后的31 d為新糧態，而實際入倉完畢后一段時間（<31 d），糧堆溫度場逐漸變化，糧堆中間逐漸形成熱芯，即底層與表層糧溫高于（或低于）糧堆中層溫度。如圖7所示，為A儲備庫4號倉新糧時的部分云圖，圖中灰色部分表示測溫點異常位置。該倉的新糧時段為2016-08-29~2016-09-26，由圖可以看出，2016-08-29時的糧堆第1層溫度最高，第4層溫度最低；儲藏至2016-09-18后，第1層受倉溫影響溫度降低，低于第2層溫度，第1層與第2層的層溫差值小于0，不符合新糧態的云圖特征，2016-09-26第1層溫度進一步降低。因此09-18后的未被判定為新糧態，使得新糧態查全率較低。

圖6 被誤檢測為新糧的8號倉溫度場云圖

圖7 4號倉新糧時的溫度場云圖

由表6可以看出，通風態檢測結果中查準率基本在74%～80%之間，查全率基本在67%～77%之間。查準率較低說明存在一些誤檢測的樣本，這是因為實際儲藏過程中，糧倉保管員在發現糧堆溫度有些異常后，將糧堆通風道打開，并未進行機械通風，但外界空氣進入糧堆導致糧堆底部溫度降低，或者機械通風結束后，保管員未及時關閉風道，使得糧堆底層溫度繼續降低，這些情況下的糧堆狀態易被檢測為通風態。查全率較低說明存在一些未被檢測出的樣本，這是因為機械通風后期，糧堆底部溫度與進入的空氣溫度基本一致，繼續通風，糧堆底部溫度變化幅度未達到本文所設通風態糧溫變化的范圍，這種情況下的通風態未被檢測出。

由表7可以看出，部分省份空倉、新糧或通風狀態的檢測結果并未達到100%，其原因出除上述分析外，由于不同糧庫管理并不相同，因此存在一些其他原因。河南省D號倉空倉的查準率0，這是因為選取的該糧倉糧情數據開始即為新糧狀態，不存在空倉狀態，檢測出2個空倉態是由于整倉糧情數據異常，使得相鄰兩天的糧溫被倉溫替代，從而被檢測為空倉態。甘肅省F號倉新糧的查準率與查全率均為0，分析其原因是由于該糧倉，入倉時糧食溫度存在一定差異，入倉完畢后同一水平面糧堆不同區域糧食溫度不一致，糧堆中頂層糧溫與中層糧溫、中層糧溫與底層糧溫沒有形成正的糧溫梯度，相鄰層溫差不滿足新糧態的條件，因而被檢測為正常儲藏過程，從而使得該倉新糧的查準率和查全率為0。F號倉的空倉態與通風態的值為66%和100%，通風態可以檢測，但空倉態檢測不夠準確。

對比表4-6與表7三種狀態的檢測效果可以發現，在表4-6中，空倉態>通風態>新糧態，而在表7中，通風態>空倉態>新糧態。兩者存在差異，這是因為表4-6的檢測結果使用的糧溫數據來源為陜西省同一個糧庫，管理方式、軟硬件一致。而表7的糧溫數據來源不同的省份，管理方式、軟硬件與陜西省糧倉存在差異，導致兩者檢測結果存在差異。因此可以看出，3種狀態的檢測效果在不同省份存在差異，而且僅使用一個省份的糧溫數據進行試驗的結果存在一定缺陷，因此今后還要加大樣本量才能使本文方法更實用。

本文研究使用的糧情數據來自平房倉或高大平房倉，這些糧倉保溫性能較好，糧種主要有玉米、小麥和稻谷。因此該檢測方法適合保溫性能較好的糧倉，如平房倉、高大平房倉、淺圓倉、立筒倉、磚圓倉等，能夠檢測的糧種包括玉米、小麥、稻谷，其他具有同樣溫度場變化規律的糧種同樣適合（如大豆），不適合檢測保溫性能差的糧倉狀態（糧堆內部易受外溫影響）。另外，本文研究的縱向通風方式，分析的是垂直于通風方向測溫平面的層溫變化率與層溫標準差變化率，當橫向通風時，需要分析垂直于通風方向測溫平面的溫度變化率與標準差變化率，此時的檢測方法是否試用需進一步分析。該檢測方法主要依據糧溫數據，若檢溫數據中存在較多異常數據，會影響檢測結果。

5 結 論

1）分析了歷史糧溫統計特征的變化規律，確定了檢測空倉、新糧、通風3種狀態所需的統計特征。通過分析歷史儲藏中，糧堆的相鄰層溫差、糧溫變化率、新異眾比例、標準差以及標準差變化率，確定了相鄰層溫差和新異眾比例可以檢測空倉態，相鄰層溫差和標準差可以檢測新糧態，糧溫變化率和標準差變化率可以檢測通風態。

3）選擇7個不同省份的糧倉，利用提出的庫存狀態檢測方法進行檢測試驗，試驗結果顯示空倉態的查準率與查全率分別為78%和82%，新糧態的查準率與查全率分別為74%和70%，通風態的查準率與查全率分別為91%和88%，檢測結果表明該庫存狀態檢測方法可以滿足糧庫檢查的工作需求。

[1] 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)

[2] 尹君，吳子丹，吳曉明，等. 基于溫濕度場耦合的糧堆離散測點溫度場重現分析[J]. 中國糧油學報，2014，29(12)：95－101. Yin Jun, Wu Zidan, Wu Xiaoming, et al. Analysis of temperature field recurrence in discrete points of grain heap based on coupling of temperature and humidity fields[J]. Journal of the Chinese Cereals and Oils Association, 2014, 29(12): 95－101. (in Chinese with English abstract)

[3] 李興軍，吳子丹. 糧堆平衡絕對濕度和露點溫度的查定方法[J]. 糧食加工，2011，36(4)：34－37. Li Xingjun, Wu Zidan. Determination of grain stack’s equilibrium absolute humidity and dew point temperature[J]. Grain Processing, 2011, 36(4): 34－37. (in Chinese with English abstract)

[4] 吳子丹，張忠杰，趙會義，等. 一種基于溫度濕度場耦合的糧堆結露預警防控系統及方法：CN104007776A[P]. 2014-08-27.

[5] Roberta M N, Bruna B H, Solenir R, et al. Simulation and validation of a mathematical model for temperature profile of corn stored in silo bag[J]. Jaboticabal, 2014, 42(4): 330－337.

[6] 尹君. 小麥糧堆多場耦合模型及結露預測研究[D]. 長春：吉林大學，2015. Yin Jun. Research on Multi-fields Coupling Model of Wheat Grain and Condensation Prediction[D]. Changchun: Jilin University, 2015. (in Chinese with English abstract)

[7] 王小萌，吳文福，尹君，等. 基于溫濕度場云圖的小麥糧堆霉變與溫濕度耦合分析[J]. 農業工程學報，2018，34(10)：260－266. Wang Xiaomeng, Wu Wenfu, Yin Jun, et al. Analysis of wheat bulk mould and temperature-humidity coupling based on temperature and humidity field cloud map[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 260－266. (in Chinese with English abstract)

[8] 王小萌，吳文福，尹君，等. 玉米糧堆霉變發熱過程中的溫濕度場變化規律研究[J]. 農業工程學報，2019，35(3)：268－273. Wang Xiaomeng, Wu Wenfu, Yin Jun, et al Research on temperature and humidity field change during corn bulk microbiological heating[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 268－273. (in Chinese with English abstract)

[9] 唐芳，程樹峰，張海洋，等. 稻谷儲藏真菌危害早期預測的研究[J]. 糧食儲藏，2015，44(1)：24－27. Tang Fang, Cheng Shufeng, Zhang Haiyang, et al. Study on the forecasting fungal growth in stored paddy[J]. Grain Storage, 2015, 44(1): 24－27. (in Chinese with English abstract)

[10] 程樹峰，唐芳，歐陽毅，等. 大豆儲藏真菌危害早期預測的研究[J]. 中國糧油學報，2015，30(7)：77－80. Cheng Shufeng, Tang Fang, Ouyang Yi, et al. The early prediction of damage of fungus during soybean storage[J]. Journal of the Chinese Cereals and Oils Association, 2015, 30(7): 77－80. (in Chinese with English abstract)

[11] 歐陽毅，祁智慧，李春元，等. 玉米儲藏真菌早期預測的研究[J]. 糧油食品科技，2017，25(5)：52－55. Ouyang Yi, Qi Zhihui, Li Yuanchun, et al. Early prediction of fungus hazard during corn storage [J]. Science and Technology of Cereals, Oils and Foods, 2017, 25(5): 52－55. (in Chinese with English abstract)

[12] Chen Demin, Zhang Yuan. The system of monitoring the number of grain storage based on the pressure sensor netmork[J]. Microcomputer Information, 2009, 25(5): 142－143. (in Chinese with English abstract)

[13] Venkatesh M S, Raghavan G S V. An overview of micro-wave processing and dielectric; properties of agri-food materials [J]. Biosystems Engineering, 2004, 88(1): 1－18.

[14] Samir T, Stuart O N. On the accuracy of bulk density and moisture content prediction in wheat from near field free space measurements[J]. Technisches Messen, 2007, 74(5): 280－289.

[15] 劉世界. 基于三維力傳感器的糧倉儲糧數量檢測系統研究[D]. 鄭州：河南工業大學，2018. Liu Shijie. Research on the Quantity Detection System of Grain Storage in Granary Based on Three Dimensional Force Sensor[D]. Zhengzhou: Henan University of Technology, 2018. (in Chinese with English abstract)

[16] 張新新，張元，廉飛宇. 儲糧數量的電磁波探測技術研究[J]. 電腦知識與技術，2014，10(10)：2453－2454. Zhang Xinxin, Zhang Yuan, Lian Feiyu. A study on electromagnetic wave detection technology for grain storage amount[J]. Computer Knowledge and Technology, 2014, 10(10): 2453－2454. (in Chinese with English abstract)

[17] 宋立明，李秀華，李萬龍. 基于計算機視覺的儲糧智能稽核方法[J]. 吉林大學學報：自然科學版，2013，31(1)：109－111. Song Liming, Li Xiuhua, Li Wanlong. Survey on reserved grain intelligent audit methods based on computer vision[J]. Journal of Jilin University(Information Science Edition), 2013, 31(1): 109－111. (in Chinese with English abstract)

[18] Zhang Qingming, Leng Yuanbao, Yang lei, et al. Research on Three-dimensional laser scanning and three-dimensional geological modeling techniques forengineering investigation[J]. Progress in Geophysics, 2009, 24(3): 1149－1153.

[19] 盧昊宇. 基于激光標定與圖像處理的糧倉儲糧數量檢測系統[D]. 鄭州：河南工業大學，2018. Lu Haoyu. A Granary Storage Quantity Detection System based on Laser Calibration and Image Processing[D]. Zhengzhou: Henan University of Technology, 2018. (in Chinese with English abstract)

[20] 秦驍. 儲備糧數字管理策略與方法的研究[D]. 長春：吉林大學，2018. Qing Xiao. Research on the Strategies and Methods of Storing Grain Digital Supervision[D]. Changchun: Jilin university, 2018.

[21] 崔宏偉，吳文福，吳子丹，等. 基于糧溫時空相關性的儲糧數量監管方法研究[J]. 農業機械學報，2019，50(1)：321－330. Cui Hongwei, Wu Wenfu, Wu Zidan, et al. Monitoring method of stored grain quantity based on temperature field cloud maps[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 321－330. (in Chinese with English abstract)

[22] 崔宏偉，吳文福，吳子丹，等. 基于溫度場云圖的儲糧數量監控方法研究[J]. 農業工程學報，2019，35(4)：290－298. Cui Hongwei, Wu Wenfu, Wu Zidan, et al. 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): 290－298. (in Chinese with English abstract)

[23] 朱浩天. 儲糧監管方法的研究與應用[D]. 長春：吉林大學，2019. Zhu Haotian. Research and Application of Food Storage Supervision Methods[D]. Changchun: Jilin university, 2019. (in Chinese with English abstract)

[24] 白露. 特定領域漢語分詞標準制定方法的研究[D]. 北京：北京交通大學，2017. Bai Lu. Research on the Specification of Chinese Word Segmentation Designed for Special Domain[D]. Beijing: Beijing Jiaotong University, 2017. (in Chinese with English abstract)

[25] 蔡慧蘋. 基于卷積神經網絡的短文本分類方法研究[D]. 重慶：西南大學，2016. Cai Huiping. Research of Short-text Classification Method based on Convolution Neural Network[D]. Chongqing: Southwest University, 2016. (in Chinese with English abstract)

[26] 尚朝軒，王品，韓壯志，等. 基于類決策樹分類的特征層融合識別算法[J]. 控制與決策，2016，6(31)：1009－1014. Shang Chaoxuan, Wang Pin, Han Zhuangzhi, et al. Feature-level fusion recognition algorithm based on analogy decision tree classification[J]. Control and Decision, 2016, 6(31): 1009－1014. (in Chinese with English abstract)

[27] 赫振方，趙玉霞，曹陽，等. 平房倉糧堆溫度時空分布的基本統計特征分析[J]. 糧食儲藏，2010，39(4)：15－20. Hao Zhenfang, Zhao Yuxia, Cao Yang, et al. Statistical character on temporal ans spatial distributing of grain temperature in warehouse. [J]. Grain Storage, 2010, 39(4): 15－20. (in Chinese with English abstract)

[28] 劉恒，劉振娟，李宏光. 基于數據驅動的化工過程參數報警閾值優化[J]. 化工學報，2012，63(9)：2733－2738. Liu Heng, Liu Zhenjuan, Li Hongguang. A data-driven approach to chemical process alarm threshold optimization[J]. CIESC Journal, 2012, 63(9): 2733－2738. (in Chinese with English abstract)

[29] 陸悠，李偉，羅軍舟，等. 一種基于選擇性協同學習的網絡用戶異常行為檢測方法[J]. 計算機學報，2014，37(1)：28－40. Lu You, Li Wei, Luo Junzhou, et al. A network user’s abnormal behavior detection approach based on selective collaborative learning[J]. Chinese Journal of Computers, 2014, 37(1): 28－40. (in Chinese with English abstract)

Method to detect granary state based on statistical characteristics of grain temperature

Cui Hongwei, Wu Wenfu, Wu Zidan※, Lan Tianyi, Dou Jianpeng

(,,130022,)

Accurate detection of historical status of granary is helpful for its management. Based on statistical analysis of grain temperature in granary, this paper presents a method to detect the storage status of the granary in attempts to resolve the problem of time-consuming and tediousness faced by inventory inspection. Warehouse with state of being empty, filled with fresh grain and ventilation was used as an example. Analysis of the distribution of statistical characteristics of historical grain temperature showed that the empty warehouse could be detected using the difference in temperature between the upper and lower adjacent layers of the grain bulk as well as the variation of the grain temperature; the fresh grain could be detected by the difference in temperature between adjacent layers and the difference in standard deviation of the grain temperature; the ventilation could be detected by the change in the grain temperature and the standard deviation difference of the grain temperature. The threshold intervals of the characteristic parameters of the three states were set preliminarily from analysis of the statistical characteristics of the grain temperature. Based on the threshold intervals, three optimal levels were selected and the orthogonal experiments of two-factors and three-levels were designed. In the same grain depot with 11 granaries, new and ventilated granaries were chosen for the orthogonal experiments. The optimal threshold range of the statistical characteristic parameters were determined by analyzing the statistical characteristics of the historical grain temperature changes in the 11 granaries. Multi-variable decision tree for inventory status detection was designed and the optimal threshold of the characteristic parameters of the multi-variable decision tree were as follows. The temperature difference between adjacent layers for empty granary status detection was [-0.12, 0.12] ℃. The temperature difference between adjacent layers was more than 0.02 (or 0.03) ℃, and the standard deviation was less than 2.0 (or 2.1) ℃. The average temperature change rate in the parameters for detecting the ventilation characteristics was [-0.5, 0.5] ℃/d and the standard deviation change rate was [-0.21, 0.21] ℃/d . Finally, seven granaries in different provinces were selected to test the detection method. The results showed that the accuracy and recall rates were 78% and 82% respectively for the empty granary state, and 74% and 70% respectively for new grain state, and 91% and 88% respectively for ventilated state. The test results showed that the proposed method detected granary at empty and ventilated state more accurate than at new grain state.

grain; temperature; statistical characteristics; reserve state; empty warehouse; new grain; ventilation

崔宏偉，吳文福，吳子丹，蘭天憶，竇建鵬. 基于糧溫統計特征的糧倉庫存狀態檢測方法[J]. 農業工程學報，2020，36(2)：320－330. doi：10.11975/j.issn.1002-6819.2020.02.037 http://www.tcsae.org

Cui Hongwei, Wu Wenfu, Wu Zidan, Lan Tianyi, Dou Jianpeng. Method to detect granary state based on statistical characteristics of grain temperature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 320－330. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.037 http://www.tcsae.org

2019-09-02

2019-10-15

國家重點研發計劃子課題（2017YFD0401004-3）

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.1002-6819.2020.02.037

S24；TP391.4

A

1002-6819(2020)-02-0320-11