基于神经网络的一种粮情分级方法研究

沈二波，王爱民，张 浩，孙 航

（1.开封大学 国际教育学院，河南 开封 475004；2.河南工业大学 电气工程学院，河南 郑州 450001；3.河南工业大学 粮油食品学院，河南 郑州 450001）

0 前言

粮仓内的粮食受各种环境因素的影响，包括库房温度、湿度、有害气体、有害微生物、虫害等因素，它们共同作用影响了粮食的储藏质量.有学者将影响粮食储藏质量的各种因素称之为“粮情”[1].

基于信息技术的粮食储藏监测方法在保证粮食储藏的质量和数量上具有显著的效果.随着研究的不断深入和应用的逐渐推广，衡量仓储管理水平的高低成为新的争论焦点.

为了客观公正地评价粮仓环境质量，作者拟综合粮情因素，即温度、湿度、有害气体、有害微生物、虫害等信息，采用人工智能的方式对其进行等级划分.仓库管理人员可依据粮情等级，采取相应的改进措施，以提高粮食储藏安全等级.

1 影响粮食存放质量的因素

1.1 温度和湿度

温湿度环境因素是影响粮食储藏的重要参数，也是判断粮情的重要指标之一.粮食在存储期间，由于环境、气候和通风条件等因素的变化，粮仓内的温度和湿度会发生异常，这极易造成粮食的质量劣变或发生虫害.为了保证粮食质量，有必要对粮食仓储内部温度、湿度实行控制[2].通常情况下，仓储内温、湿度分别以14～24 ℃、45%～60%为宜.

1.2 有害气体

有害气体是影响粮食存放质量的重要因素之一，有些气体对人体也产生许多不良影响.以甲醛为研究对象，研究它对仓库和人体的影响.它广泛分布在厂房、办公室、居室等地方.在年久的仓库内，由于霉菌的孢子和菌丝体附着仓库建筑的较深层面，甲醛常被用来作消毒剂.在粮仓内某些杀虫剂通常含有硫化物，它们与甲醛结合形成酸，进而腐蚀仓储设备.此外，研究表明，甲醛已经成为第一类致癌物质，甲醛可引发人类的鼻咽癌、鼻腔癌和鼻窦癌，并可引发白血病等疾病.由此可知，甲醛对仓储安全和仓库管理员安全都有着重要的影响，短时间内甲醛暴露的人体急性反应见表1.

表1 短时间内甲醛暴露的人体急性反应Table 1 Acute response of human exposure to formaldehyde

由表1 可知，仓库正常甲醛含量应控制在0.01 mg/L 以内.

1.3 虫害

害虫是粮食储藏的大敌.虫害一旦发生，则影响粮食的品质和价值，造成巨大的经济损失.因此，对虫害的检测和预防对粮食储藏安全是非常重要的[3].有学者研究低音频传感器收集害虫啃食食物或爬行时产生的声信号对虫害情况进行检测，以信号数值的大小表示虫害量的多少.该值仅表示传感器传来的数值，是虫害情况的一个量值，该值没有单位，量值的大小反映了仓内虫害的情况.在实际测量中，10 min 内每30 s 检测一次，取20 次信号强度的平均值作为库房害虫量的量值.为了更加精确反映该区域内虫害情况，一般检测时间可放在夜间进行.

除了温度、湿度、有害气体、虫害因素影响到粮食安全外，还有粉尘、粮仓外部温湿度、粮食自身水分含量等因素同样影响粮食安全，鉴于这4种因素为影响粮食安全的主要因素，对粮情分级起到重要的作用，因此仅以这4 种因素展开研究.

2 粮情分级标准的讨论

粮仓内部受温度、湿度、有害气体、虫害等因素影响的程度是不同的，即这4 种因素对粮情影响因子作用不同，这为神经网络的粮情分级造成了难度.如何衡量这些因素对粮情的影响，是实现粮情科学分级的一个难点.文中另一个难点是粮情分级标准的设定，假设将粮情设置为1—4 级，那么此4 个级别的标准范围如何限定？

对于第一个难点，重点研究基于神经网络的粮仓环境分级方法，因此，为了简化分级过程，环境因素对粮情分级的影响所占比重理想化为相同，即在进行神经网络的建模过程中，4 种因素的影响因子都设置为0.25.对于第二个难点，由于国内很少有学者进行粮情分级标准方面的研究，在考查了多处大中型粮仓及咨询该领域学者的基础上，拟定了粮情分级标准见表2，作为神经网络的训练目标，该表不是统一的标准，不具有代表性和科学的严谨性，仅在文中研究粮情分级方法时作为训练目标.

表2 粮情分级标准Table 2 Standards for grain classification

3 基于神经网络的粮情分级方法的实现

人工神经网络（Artificial Neural Networks，ANN），是一种模拟动物神经网络行为特征，具有模式识别、人工智能、工程控制、信号处理、优化计算和联想记忆等功能的数学模型，可进行大规模并行处理、分布式信息存储、自组织适应性自学习能力等特点.它可以根据环境的变化，对权值进行调整，改善系统的行为，通过预先提供的一批相互对应的输入-输出数据，对其网络进行“学习”与“训练”，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果.

利用神经网络的模式识别、分类功能实现粮情分级.通过建立特定的网络模型，运用大量粮仓环境数据对网络进行训练，使其掌握该领域的知识，成为该领域的“专家”，进而对粮情科学地分级.

3.1 网络模型（参数）的建立

网络模型的建立尚无一种统一而完整的理论指导，一般只能由经验选定，为此，有人称神经网络的结构选择为一种艺术.目前有多种人工神经网络模型，其中BP 网络是应用最广泛的模型，它是一种按误差逆传播算法训练的多层前馈网络，包含输入层、隐含层和输出层.其实，输入层、隐含层和输出层等参数的确定过程就是BP 网络模型的建立过程[4].

输入层：该网络的输入层神经元个数与“粮情”环境参数（评价指标）相等，也就是说，每个“粮情”环境参数均对应一个输入层的神经元.研究了粮仓环境的4 个评价指标，也就确定了输入层4个神经元.

隐含层：隐含层的神经元数和层数一般来讲根据数据的大小、个人经验而定，经过反复试验，确定该层为单隐含层，25 个神经元.

输出层：该层由网络的输出目标决定，根据作者的研究，将输入的粮仓环境参数分为1～4 类，因此该层应具有4 个神经元.

确定网络层数、每层的神经元数、初始权系数、传递函数、学习算法等要素后，一个BP 网络也就随之确定了.确定这些选项时有一定的指导原则，但更多的是靠经验和试凑，也就是说，只有不断地修改网络参数才能成功训练一个具有“专家知识”的神经网络系统.网络模型如图1 所示.

图1 中输入值以列向量X=（X1，X2，X3，X4）T表示，分别为温度、湿度、气体、虫害情况4 种环境参数，经隐含层计算处理输出，以列向量Y=（Y1，Y2，Y3，Y4）T表示.

图1 人工神经网络模型结构图Fig.1 Artificial neural network model structure

3.2 BP 网络输出目标及其训练过程

所谓BP 网络输出目标是指期望训练好的网络以什么样的形式表现出来，作者采用坐标向量表示网络的输出目标，以4 种（4 个等级）形式表示：Y1（1 0 0 0）、Y2（0 1 0 0）、Y3（0 0 1 0）、Y4（0 0 0 1），其中“1”的坐标位置表示其等级级别.

例如输出结果为：

最接近1 的值在第3 行，则表示样本等级为3级.

一个网络训练的过程其实就是不断丰富其知识系统的过程，经训练成功的网络就成了具有该领域相关知识的“专家”.选取了50 组粮仓环境数据，随机抽取其中的80%用来做训练样本，10%做变量，10%做测试样本.值得说明的是，该网络是在反复训练并不断调整网络参数基础上建成的，因此，网络的训练过程也是网络的建立过程.训练过程如图2 所示，由图2 可知该网络的学习率设置为0.05，最大训练迭代次数5 000 次，实际训练了724 次达到训练目标（训练误差10-6）.

图2 BP 神经网络的训练过程Fig.2 Training process of BP network

3.3 粮情分级结果——BP 神经网络的验证

为了验证经过训练的BP 神经网络的有效性及健壮性，选取了4 组待分级样本进行试验，如表3 所示.

“预判等级”指人们根据分级标准和经验划分的等级，目的是为了与BP 人工神经网络判断的结论做比较.将这4 组数据输入训练好的BP 神经网络，输入X1、X2、X3、X4对应的输出结果分别是Y2、Y3、Y2、Y1，如表4 所示.

表3 待测试样本Table 3 Samples to be tested

表4 BP 神经网络输出结果Table 4 The output result of BP network

由表4 可知，经过人工神经网络判断，输入的X1、X2、X3、X4数据所对应的等级分别为：2 级、3级、2 级、1 级，结果除了第4 组外，其他3 组与预判等级一致.第4 组数据中根据表2 粮情分级标准判断，其温度粮情参数值属1 级标准，其他湿度、有害气体、虫害3 个粮情值均属于2 级，因此预判等级为2 级.而BP 神经网络的1 级标准的输出目标值为0.974 278，2 级标准的输出目标值为0.734 173，因此BP 网络最终结果判定为1 级.这种情况的出现认为：经过学习的BP 神经网络已经具备了一定的知识，它与人的思考方式有一定相似性也有差别，体现了“人”与“机器“在思维逻辑上的区别，“人”是从表面上的感性判断，“机器”则是从“专家”的角度进行的理性判断.

4 总结

本研究是具有探索性的初步研究.在给定的分级标准基础上，运用BP 人工神经网络对粮仓环境的温度、湿度、有害气体浓度和虫害情况进行客观分级，分级结果证明了该方法具有一定的科学性、可行性及现实意义.然而在粮食储藏实际当中还存在很多待解决的问题，如不同地区、不同季节、不同类型的粮仓环境分级标准不能一刀切，根据实际情况制定出适合不同地区、不同季节的分级标准是后续工作的重点之一.另外，训练成功的神经网络的广泛性和适应性还需要进一步验证.

［1］张芳，王锋，张校铭，等.单总线数字温度传感器在粮情监测系统中的应用［J］.河南工业大学学报：自然科学版，2011，32（1）：74-77.

［2］刘朝纯.基于FPGA 的粮仓温湿度模糊监控系统［D］.哈尔滨：东北农业大学，2008.

［3］何晓彤.单片机控制的仓库粮食虫害检测报警系统［J］.电子报，2012，12：1-2.

［4］李明.基于遗传算法改进的BP 神经网络的城市人居环境质量评价研究［D］.大连:辽宁师范大学，2007.