神經網絡在糧食儲藏領域中的應用概述

苑江浩 常 青 李燕羽 楊 東 趙會義

(國家糧食和物資儲備局科學研究院，北京 100037)

糧食是國家的重要戰略物資，糧食儲藏是保障糧食安全的重要環節，對國家的宏觀調控具有重要的意義。隨著信息技術的快速發展，國家愈發重視糧食信息化的發展。2019年10月國務院發布糧食安全白皮書中提到：在中國9.1億t糧食總倉容中應用機械通風7.5億t，應用計算機糧情監測6.6億t[1]。這一發布，證明了信息技術在糧食儲藏中具有重要的意義。

糧食儲藏是一個極為復雜的過程，如圖1所示，糧食在儲藏過程中受到外界環境和內部微生物活動等諸多因素影響，造成糧食溫濕度和品質的變化[2]。如此龐大的系統，產生的數據具備數據量巨大、多維度等特點，在早期的分析處理特別是糧情數據處理中，多通過人工簡單擬合曲線進行預測預警，數據得不到充分的挖掘和利用。隨著科研人員對糧食儲藏過程中相關機理的深入研究，開始出現以場理論為基礎的多場疊加耦合作用的處理方法，但是該方法應用方向較為受限，且成熟度不夠。目前，信息技術在糧食干燥、儲糧害蟲的檢測與識別、糧情動態分析等方面得到應用，為糧食儲藏的管理水平帶來了重大的變化。但信息化體系建設仍未完善，存在標準化水平低、“信息孤島”等問題[3]。

圖1 多因素作用的糧食儲藏系統

神經網絡是機器學習中的一種重要的算法結構，也是深度學習的基礎，其具有較強的自適應能力、非線性映射能力和自學習能力，較適合處理復雜數據，對處理糧食儲藏產生的數據具有較好的支持作用。因此，在糧食儲藏領域中得到了廣泛的關注，并進行了深入研究，逐步應用于儲糧害蟲檢測與識別、糧食干燥控制及霉菌預測等方面。本文將介紹神經網絡的基本原理、結構框架和特點，總結其應用現狀，分析存在不足，并對下一步研究作出展望，以期完善該技術在糧食儲藏領域的應用，提升糧食儲藏的管理水平。

1 神經網絡原理與特點

1.1 基本原理

神經網絡[4](Artificial Neural Networks，ANNs)是一種重要的機器學習技術[5]，其主要特征是模擬人腦結構，人們通過大腦的神經元進行消息的傳遞，從而識別事物和處理信息[6]。在神經網絡算法中，將輸入的信息看作為神經元，根據不同輸入信息的重要程度，賦予權值，加權求和后與閾值對比，重復此過程，進而決定識別或分類的結果。神經網絡的結構圖如圖2所示，其包括輸入層、隱含層和輸出層三層。

圖2 神經網絡映射結構圖

1.2 神經網絡的特點

神經網絡在分類和預測領域得到廣泛的應用，其具備一定的優勢，主要包括：

1)自學習功能強。如在圖像識別中，僅需將圖像數據和其對應的結果輸入，神經網絡會通過自學習建立網絡結構，可以識別相似的圖像，從而達到圖像識別的目的。

2)快速尋優。尋找一個復雜問題的優化解，往往需要很大的計算量，若利用神經網絡進行，可以提高效率。

3)非線性映射能力強。神經網絡克服了傳統人工智能方法對非結構化信息處理的短板，在信息量較少時也能建立較為成熟的模型，該特點使得神經網絡可以在模式識別、智能控制、組合優化等方面得到成功應用。

1.3 神經網絡與深度學習

神經網絡是深度學習技術的核心，一般的神經網絡僅有一層隱含層，而深度神經網絡有多層隱含層，將對深度神經網絡進行訓練的方法稱為深度學習(Deep Learning)。深度學習技術采用深層的神經網絡結構，可以將淺層數據特征逐層進行非線性映射并自動地構建深層特征，可以看出，深度學習是將深層網絡結構模型化的神經網絡[7, 8]。常見的深度學習網絡結構有卷積神經網絡(Convolutional Neural Networks, CNN)和循環神經網絡(Recurrent Neural Network, RNN)等。目前深度學習技術主要在圖像識別、語音識別以及時序分析等方面得到應用。

2 神經網絡在糧食儲藏領域中的應用

目前神經網絡已經在糧食儲藏領域中的得到廣泛的應用，尤其是在儲糧害蟲檢測與識別、糧食干燥控制及霉菌預測等方面，切實提升了糧食儲藏信息化、智能化水平，該算法已經成為糧食儲藏領域信息化研究的重點方向之一。

2.1 干燥控制

糧食干燥是在糧食產后的重要一環，對糧食安全儲藏具有重大的影響，因此在糧食儲藏領域中，糧食干燥的研究必不可少。傳統干燥方式為人工晾曬，當前采用較多的方式為干燥機干燥，但在高溫干燥過程中，若參數選擇不當，會導致糧食受到損傷，影響糧食品質或儲藏時間等[9]。為此，研究者在糧食干燥過程建模及模型優化等方面進行了大量的研究，主要采取模糊邏輯和神經網絡等人工智能算法實現模型優化與干燥過程智能控制，以保障糧食安全儲藏。

Farkas等[10]建立神經網絡模型，通過神經網絡結構，研究采樣時間、訓練算法及隱含層神經元對性能的影響，實驗中選用三層前向神經網絡，進行隨機訓練，結果表明人工神經網絡可以有效地模擬谷物干燥過程，較好的預測出糧食含水率分布，面臨的問題主要為大量的輸入數據時，需靈活調整隱藏層神經元數目。

Han等[11]采用模型預測、神經網絡和傳統PID控制相結合的方法，建立了基于神經網絡的自適應PID預測控制系統。試驗表明，該系統控制方法可為干燥過程的精確控制提供參考，適用于干燥過程控制和智能控制，能夠有效控制糧食水分，提升糧食干燥質量，實現節能降耗。

劉擁軍等[12]針對糧食干燥過程中的非線性、多變量等特點，設計了基于模糊控制和神經網絡相結合的控制系統，通過BP神經網絡算法對參數學習，優化權值，試驗證明，神經網絡算法能夠有效地提升預測精度，與模糊控制算法結合后能夠對糧食干燥過程自動控制，使得烘干的糧食達到設定的水分值。

王佩東[13]以連續式水稻干燥機實物為研究對象，建立基于BP神經網絡的水稻連續干燥模型，計算干燥過程中水稻含水率變化情況，計算值和實測值誤差基本在±1%以內。但該模型僅適用于水稻，同時在BP神經網絡的參數增多后，收斂速度會變慢，對訓練算法和隱層神經元的選取有較高的要求。

代愛妮[14]通過BP神經網絡算法對糧食干燥控制建模，預測IRC糧食干燥機出口位置的糧食水分比和干燥速率。實驗中對比了神經網絡，支持向量等模型，證明BP神經網絡算法建模簡單，自學習能力強，但易陷入局部極值，受樣本數目影響較為嚴重。

2.2 害蟲圖像識別

在糧食儲藏的過程中，因蟲害受到損害的糧食約為150～600萬t，占據糧食產量的10%，造成了巨大的經濟損失[15]。為確保糧食安全，糧食行業的研究者對害蟲的綜合防治進行深入研究，而儲糧害蟲的檢測與識別是進行防控的一個前提。常見的檢測與識別的方法有誘捕器檢測[16]、聲檢測[17, 18]、近紅外檢測[19]和圖像識別[20]等技術，因前三種方法在檢測與識別過程中存在不用程度的問題，如受噪聲影響較大，無法檢測糧堆內部的害蟲情況等。隨著計算機技術的快速發展及倉內電子設備條件的提升，圖像識別技術得到了廣泛應用，并成為未來害蟲檢測與識別的主流方法之一。在圖像識別技術的研究中，研究者更多的采用神經網絡算法實現，尤其以BP神經網絡和CNN為主，并取得了較好效果。

張成花[21]利用神經網絡技術和模糊技術等實現儲糧害蟲的分類。實驗數據采用長角扁谷盜、鋸谷盜、玉米象、雜擬谷盜、赤擬谷盜、大谷盜等12種9類常見的儲糧害蟲，針對BP神經網絡、RBF神經網絡、Gauss模糊分類器存在問題進行深入研究，并建立3種分類器，在害蟲識別方面準確率分別為95.6%，96.5%和95.6%，最終選用基于RBF神經網絡的分類器，并進行實倉驗證，實倉驗證的害蟲識別率為85.6%。上述方法在實驗室的準確率尚可，但實倉驗證的情況略差，不能在有噪音或者雜質等情況下保證高識別率，同時僅能識別12種常見的儲糧害蟲，在實際應用方面還存在一定的局限性。

Shen[22]基于CNN開展儲糧害蟲檢測工作，提出了一種基于Faster R-CNN目標檢測的害蟲識別算法，實驗樣本數據主要包括長角扁谷盜、鋸谷盜、雜擬谷盜、谷蠹等6種常見儲糧害蟲圖像(含有糧食及飼料等雜質)，通過改進的初始網絡提取圖像特征，采用27層卷積神經網絡對儲糧害蟲圖像進行特征提取，并采用Softmax作為分類器進行昆蟲識別，進而提升識別精度。其平均精度達到了87.99%，可用于不同光照條件下活體混合昆蟲的鑒別，該方法的提出，突破了在混有雜質和噪音情況下害蟲識別的困境，為儲糧害蟲的智能識別提供了新思路，但在實驗數據的選取方面，僅實現了6種儲糧害蟲的識別，日后需要再擴展實驗數據，實現更多種類的害蟲識別，同時平均精度較低，在精度上仍需提高。

Ding等[23]在識別蛾類的研究中，使用滑動窗口方法獲得感興趣的區域，再將5層CNN應用于不同的圖像塊，根據概率大小確定該區域內是否包含蛾類，該實驗僅對是否存在蛾類進行了判別，未對存在的蛾類進行鑒定。Ding等[24]研究基于射頻/微波和神經網絡技術的儲糧害蟲檢測與識別，主要利用神經網絡進行檢測與鑒定分析在不同波段情況下害蟲的識別率，實驗中采用8種常見的儲糧害蟲，結果顯示利用180.3、1 020 mHz和1 032 mHz的頻率，對昆蟲的識別率為73%，對空裝置的識別率為76%。該方法識別率較低，且識別種類有限，同時在實倉應用中較為受限。

Li等[25]應用CNN研制了一種多尺度昆蟲檢測器，建立特征金字塔網絡，以更好的提取圖像特征，利用組合損失函數平衡樣本權重的思想提升訓練效果，實驗對10種常見儲糧害蟲成蟲進行檢測，平均精密度達94.77%，對于蟲體較小的害蟲檢測更為有效，具有較好的魯棒性。

程尚坤[26]針對儲糧害蟲檢測問題，探索了基于CNN的儲糧害蟲檢測與識別方法，提出了基于圖像扭曲技術的糧食害蟲圖像樣本集的構造方法，設計了7層卷積神經網絡，調整激活函數與損失函數，采用Caffe框架結構實現，該方法能夠顯著提高復雜特征的獲取能力，并實現甲蟲類的檢測分類，準確率高達95%。該方法存在的最大問題即僅能針對甲蟲類進行檢測分類，需擴大檢測種類研究。

趙文君[27]針對CNN的激活函數及分類器的局限性問題，通過引入ELU激活函數和Dropout技術等，調整CNN模型層數，構建儲糧害蟲識別神經網絡模型，實現儲糧害蟲識別。實驗數據采用鋸谷盜、綠豆象、麥蛾、擬谷盜、印度谷螟、玉米象等6大類，通過驗證，儲糧害蟲識別率能夠達到98.8%。該方法在實驗室的數據中應用較好，識別率較高，但未在實倉中進行驗證，不能保證在有噪聲或環境雜質的情況下擁有較高的準確率。

2.3 糧情預測預警

2.3.1 溫度預測預警

糧食儲藏過程中，不同的溫度或濕度條件下可能會造成害蟲生長，霉菌孳生等，直接影響糧食的品質。若能夠對溫濕度數據盡早掌握，將可提前做出防護措施，保障糧食安全，以免造成不必要的損失。

眾多研究者利用BP神經網絡算法建模，以預測溫度變化。高松等[28]結合主成分分析提升BP神經網絡建模的準確性，通過主成分分析方法篩選出溫度的主要影響因素，再利用BP神經網絡建模分析，實驗溫度預測趨勢相同，但數值有較大差異；郭平飛等[29]將遺傳算法、粒子群算法與BP神經網絡相結合，構建新型算法GANPSO-BP神經網絡，以預測3 d后的溫度值，實驗數據采取糧庫真實數據，結果證明，相較于原始BP神經網絡等算法模型，該算法模型精度提高，且具有較強的穩定性，能夠很好地預測糧食溫度的變化情況，但該方法僅能預測3 d的溫度值，對實際基層管理人員工作的作用有限；李海棠[30]提出了將粒子群算法與BP神經網絡結合、主成分分析法與BP神經網絡相結合的兩種思路，并通過實倉數據證實上述兩種算法相較于單一算法結構而言，均可實現糧情溫度預測的提升，實驗證明基于主成分分析與BP神經網絡相結合精度更高。

隨著神經網絡結構的變化，肖樂等[31]提出了基于RBF神經網絡的溫度預測技術，該技術解決了傳統算法無法克服非線性時間序列問題，但其未考慮各環境因素對溫度帶來的影響；Li等[32]基于深度學習網絡進行溫度預測建模，以預測糧堆的溫度變化，該方法為日后糧情預測提供了研究新思路。

2.3.2 霉菌預測預警

霉菌的孳生會伴隨著結露、霉變等情況的發生，嚴重影響糧食在儲藏過程中的品質，儲糧過程中傳統的霉變檢測方法有人工抽樣檢測、光譜成像技術[33]、電子鼻技術[34]等。隨著糧食霉變數據的大量積累，加之計算機技術的快速發展，可以對霉變數據更好的分析與處理，開始采用機器學習算法作深入研究，近幾年主要進行糧堆霉菌發生發展的預測研究，為更好的完成預測，需要了解水分、溫度、時間、害蟲等因素和微生物間的相互作用[35]。

國外研究更多傾向于安全儲藏周期與霉變程度[36]等方面，鮮有關于糧食儲藏過程中霉菌預測的研究。

國內關于霉菌預測研究亦屬于起步階段，尚未成熟。鄧玉睿等[37]利用BP神經網絡預測糧食儲藏過程中是否發生霉變，并通過華北地區實倉數據進行驗證，證明當樣本數據量越大時，準確率越高，針對實驗室數據準確率高達94.3%，針對實倉數據準確率可達82.1%，該方法在實倉數據驗證中準確率較低，且在BP神經網絡的參數選取中缺乏最優值選取，若能夠優化參數，或能提升準確率，得到更好的效果。

3 神經網絡在糧食儲藏領域應用存在問題

神經網絡算法已經在糧食儲藏領域得到廣泛應用，可以很好的完成在糧食儲藏過程中的預測、判別、分類等工作，尤其是在儲糧害蟲識別、糧溫預測、及糧食干燥模型優化等方面表現突出，同時該技術在糧食產量預測中也得到了大量的應用[38, 39]。為糧食儲藏提供科學性的指導作用，保證在糧食儲藏過程中的糧食品質，減少損耗。但在實際的應用中，還存在一些問題：

(1)絕大多數的研究僅采用神經網絡一種計算機技術進行建模研究，但該網絡參數多，且激活函數、隱含層數目、特征提取、分類函數等因素對建模的準確性都具有較大的影響，需要對上述幾方面進行綜合考慮才能找到最優模型，這就對研究者提出新的挑戰，尤其是在糧食行業的研究中，更要做深入的探究。

(2)神經網絡不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網絡就無法進行工作。

4 總結與展望

目前神經網絡技術雖然已在糧食儲藏領域中得到較為廣泛應用，但是參照目前的研究現狀，使用神經網絡單一算法并不能達到最優效果，因此在日后的研究中，要更加傾向于融合技術的研究，尤其需要結合參數尋優算法，對神經網絡模型參數進行優化，建立更為精準的模型。

深入開展神經網絡算法與糧食倉儲相關機理機制協同研究。特別是在利用神經網絡建模過程中對“最優解”的尋取研究上，一是要優化神經網絡算法結構，加快計算過程；二是利用相關機理機制，對于計算過程中權值和閾值進行優化，保障模型計算過程最大程度的逼近“最優解”，同時利用機理機制對“最優解”的真實性進行判別。

在應用場景上，與工藝裝備緊密結合，突破應用瓶頸。例如在儲糧害蟲檢測方面，實際應用中識別率較低，應用場景僅限于檢測和識別糧堆表面害蟲，無法實時檢測糧堆內部害蟲的情況，在日后的研究和應用上，除進一步增加基礎數據量豐富訓練集外，一方面可以與誘捕技術裝備相結合，突破應用場景限制；另一方面可以進一步與糧食倉儲普遍應用的視頻系統與裝備相結合，開展害蟲的動態識別領域研究。

優化算法，提高神經網絡算法的準確率。以糧情預測為例，RNN作為深度學習中的一種重要網絡結構，其在時間序列分析方面有足夠的優勢，可用于糧情數據預測分析，未來可依據循環神經網絡結構完善該方面的研究，在參數優化等方面，可采用群智能優化算法或遺傳算法、模擬退火算法等機器學習算法進行，以期能建立更加準確的模型。

期望未來能夠在這些技術中有所突破，提升目前現有技術水平，實現信息技術在糧食儲藏領域的成熟應用，建立完整的糧食儲藏信息化結構。