神经网络在粮食储藏领域中的应用概述

苑江浩 常 青 李燕羽 杨 东 赵会义

(国家粮食和物资储备局科学研究院，北京 100037)

粮食是国家的重要战略物资，粮食储藏是保障粮食安全的重要环节，对国家的宏观调控具有重要的意义。随着信息技术的快速发展，国家愈发重视粮食信息化的发展。2019年10月国务院发布粮食安全白皮书中提到：在中国9.1亿t粮食总仓容中应用机械通风7.5亿t，应用计算机粮情监测6.6亿t[1]。这一发布，证明了信息技术在粮食储藏中具有重要的意义。

粮食储藏是一个极为复杂的过程，如图1所示，粮食在储藏过程中受到外界环境和内部微生物活动等诸多因素影响，造成粮食温湿度和品质的变化[2]。如此庞大的系统，产生的数据具备数据量巨大、多维度等特点，在早期的分析处理特别是粮情数据处理中，多通过人工简单拟合曲线进行预测预警，数据得不到充分的挖掘和利用。随着科研人员对粮食储藏过程中相关机理的深入研究，开始出现以场理论为基础的多场叠加耦合作用的处理方法，但是该方法应用方向较为受限，且成熟度不够。目前，信息技术在粮食干燥、储粮害虫的检测与识别、粮情动态分析等方面得到应用，为粮食储藏的管理水平带来了重大的变化。但信息化体系建设仍未完善，存在标准化水平低、“信息孤岛”等问题[3]。

图1 多因素作用的粮食储藏系统

神经网络是机器学习中的一种重要的算法结构，也是深度学习的基础，其具有较强的自适应能力、非线性映射能力和自学习能力，较适合处理复杂数据，对处理粮食储藏产生的数据具有较好的支持作用。因此，在粮食储藏领域中得到了广泛的关注，并进行了深入研究，逐步应用于储粮害虫检测与识别、粮食干燥控制及霉菌预测等方面。本文将介绍神经网络的基本原理、结构框架和特点，总结其应用现状，分析存在不足，并对下一步研究作出展望，以期完善该技术在粮食储藏领域的应用，提升粮食储藏的管理水平。

1 神经网络原理与特点

1.1 基本原理

神经网络[4](Artificial Neural Networks，ANNs)是一种重要的机器学习技术[5]，其主要特征是模拟人脑结构，人们通过大脑的神经元进行消息的传递，从而识别事物和处理信息[6]。在神经网络算法中，将输入的信息看作为神经元，根据不同输入信息的重要程度，赋予权值，加权求和后与阈值对比，重复此过程，进而决定识别或分类的结果。神经网络的结构图如图2所示，其包括输入层、隐含层和输出层三层。

图2 神经网络映射结构图

1.2 神经网络的特点

神经网络在分类和预测领域得到广泛的应用，其具备一定的优势，主要包括：

1)自学习功能强。如在图像识别中，仅需将图像数据和其对应的结果输入，神经网络会通过自学习建立网络结构，可以识别相似的图像，从而达到图像识别的目的。

2)快速寻优。寻找一个复杂问题的优化解，往往需要很大的计算量，若利用神经网络进行，可以提高效率。

3)非线性映射能力强。神经网络克服了传统人工智能方法对非结构化信息处理的短板，在信息量较少时也能建立较为成熟的模型，该特点使得神经网络可以在模式识别、智能控制、组合优化等方面得到成功应用。

1.3 神经网络与深度学习

神经网络是深度学习技术的核心，一般的神经网络仅有一层隐含层，而深度神经网络有多层隐含层，将对深度神经网络进行训练的方法称为深度学习(Deep Learning)。深度学习技术采用深层的神经网络结构，可以将浅层数据特征逐层进行非线性映射并自动地构建深层特征，可以看出，深度学习是将深层网络结构模型化的神经网络[7, 8]。常见的深度学习网络结构有卷积神经网络(Convolutional Neural Networks, CNN)和循环神经网络(Recurrent Neural Network, RNN)等。目前深度学习技术主要在图像识别、语音识别以及时序分析等方面得到应用。

2 神经网络在粮食储藏领域中的应用

目前神经网络已经在粮食储藏领域中的得到广泛的应用，尤其是在储粮害虫检测与识别、粮食干燥控制及霉菌预测等方面，切实提升了粮食储藏信息化、智能化水平，该算法已经成为粮食储藏领域信息化研究的重点方向之一。

2.1 干燥控制

粮食干燥是在粮食产后的重要一环，对粮食安全储藏具有重大的影响，因此在粮食储藏领域中，粮食干燥的研究必不可少。传统干燥方式为人工晾晒，当前采用较多的方式为干燥机干燥，但在高温干燥过程中，若参数选择不当，会导致粮食受到损伤，影响粮食品质或储藏时间等[9]。为此，研究者在粮食干燥过程建模及模型优化等方面进行了大量的研究，主要采取模糊逻辑和神经网络等人工智能算法实现模型优化与干燥过程智能控制，以保障粮食安全储藏。

Farkas等[10]建立神经网络模型，通过神经网络结构，研究采样时间、训练算法及隐含层神经元对性能的影响，实验中选用三层前向神经网络，进行随机训练，结果表明人工神经网络可以有效地模拟谷物干燥过程，较好的预测出粮食含水率分布，面临的问题主要为大量的输入数据时，需灵活调整隐藏层神经元数目。

Han等[11]采用模型预测、神经网络和传统PID控制相结合的方法，建立了基于神经网络的自适应PID预测控制系统。试验表明，该系统控制方法可为干燥过程的精确控制提供参考，适用于干燥过程控制和智能控制，能够有效控制粮食水分，提升粮食干燥质量，实现节能降耗。

刘拥军等[12]针对粮食干燥过程中的非线性、多变量等特点，设计了基于模糊控制和神经网络相结合的控制系统，通过BP神经网络算法对参数学习，优化权值，试验证明，神经网络算法能够有效地提升预测精度，与模糊控制算法结合后能够对粮食干燥过程自动控制，使得烘干的粮食达到设定的水分值。

王佩东[13]以连续式水稻干燥机实物为研究对象，建立基于BP神经网络的水稻连续干燥模型，计算干燥过程中水稻含水率变化情况，计算值和实测值误差基本在±1%以内。但该模型仅适用于水稻，同时在BP神经网络的参数增多后，收敛速度会变慢，对训练算法和隐层神经元的选取有较高的要求。

代爱妮[14]通过BP神经网络算法对粮食干燥控制建模，预测IRC粮食干燥机出口位置的粮食水分比和干燥速率。实验中对比了神经网络，支持向量等模型，证明BP神经网络算法建模简单，自学习能力强，但易陷入局部极值，受样本数目影响较为严重。

2.2 害虫图像识别

在粮食储藏的过程中，因虫害受到损害的粮食约为150～600万t，占据粮食产量的10%，造成了巨大的经济损失[15]。为确保粮食安全，粮食行业的研究者对害虫的综合防治进行深入研究，而储粮害虫的检测与识别是进行防控的一个前提。常见的检测与识别的方法有诱捕器检测[16]、声检测[17, 18]、近红外检测[19]和图像识别[20]等技术，因前三种方法在检测与识别过程中存在不用程度的问题，如受噪声影响较大，无法检测粮堆内部的害虫情况等。随着计算机技术的快速发展及仓内电子设备条件的提升，图像识别技术得到了广泛应用，并成为未来害虫检测与识别的主流方法之一。在图像识别技术的研究中，研究者更多的采用神经网络算法实现，尤其以BP神经网络和CNN为主，并取得了较好效果。

张成花[21]利用神经网络技术和模糊技术等实现储粮害虫的分类。实验数据采用长角扁谷盗、锯谷盗、玉米象、杂拟谷盗、赤拟谷盗、大谷盗等12种9类常见的储粮害虫，针对BP神经网络、RBF神经网络、Gauss模糊分类器存在问题进行深入研究，并建立3种分类器，在害虫识别方面准确率分别为95.6%，96.5%和95.6%，最终选用基于RBF神经网络的分类器，并进行实仓验证，实仓验证的害虫识别率为85.6%。上述方法在实验室的准确率尚可，但实仓验证的情况略差，不能在有噪音或者杂质等情况下保证高识别率，同时仅能识别12种常见的储粮害虫，在实际应用方面还存在一定的局限性。

Shen[22]基于CNN开展储粮害虫检测工作，提出了一种基于Faster R-CNN目标检测的害虫识别算法，实验样本数据主要包括长角扁谷盗、锯谷盗、杂拟谷盗、谷蠹等6种常见储粮害虫图像(含有粮食及饲料等杂质)，通过改进的初始网络提取图像特征，采用27层卷积神经网络对储粮害虫图像进行特征提取，并采用Softmax作为分类器进行昆虫识别，进而提升识别精度。其平均精度达到了87.99%，可用于不同光照条件下活体混合昆虫的鉴别，该方法的提出，突破了在混有杂质和噪音情况下害虫识别的困境，为储粮害虫的智能识别提供了新思路，但在实验数据的选取方面，仅实现了6种储粮害虫的识别，日后需要再扩展实验数据，实现更多种类的害虫识别，同时平均精度较低，在精度上仍需提高。

Ding等[23]在识别蛾类的研究中，使用滑动窗口方法获得感兴趣的区域，再将5层CNN应用于不同的图像块，根据概率大小确定该区域内是否包含蛾类，该实验仅对是否存在蛾类进行了判别，未对存在的蛾类进行鉴定。Ding等[24]研究基于射频/微波和神经网络技术的储粮害虫检测与识别，主要利用神经网络进行检测与鉴定分析在不同波段情况下害虫的识别率，实验中采用8种常见的储粮害虫，结果显示利用180.3、1 020 mHz和1 032 mHz的频率，对昆虫的识别率为73%，对空装置的识别率为76%。该方法识别率较低，且识别种类有限，同时在实仓应用中较为受限。

Li等[25]应用CNN研制了一种多尺度昆虫检测器，建立特征金字塔网络，以更好的提取图像特征，利用组合损失函数平衡样本权重的思想提升训练效果，实验对10种常见储粮害虫成虫进行检测，平均精密度达94.77%，对于虫体较小的害虫检测更为有效，具有较好的鲁棒性。

程尚坤[26]针对储粮害虫检测问题，探索了基于CNN的储粮害虫检测与识别方法，提出了基于图像扭曲技术的粮食害虫图像样本集的构造方法，设计了7层卷积神经网络，调整激活函数与损失函数，采用Caffe框架结构实现，该方法能够显著提高复杂特征的获取能力，并实现甲虫类的检测分类，准确率高达95%。该方法存在的最大问题即仅能针对甲虫类进行检测分类，需扩大检测种类研究。

赵文君[27]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，调整CNN模型层数，构建储粮害虫识别神经网络模型，实现储粮害虫识别。实验数据采用锯谷盗、绿豆象、麦蛾、拟谷盗、印度谷螟、玉米象等6大类，通过验证，储粮害虫识别率能够达到98.8%。该方法在实验室的数据中应用较好，识别率较高，但未在实仓中进行验证，不能保证在有噪声或环境杂质的情况下拥有较高的准确率。

2.3 粮情预测预警

2.3.1 温度预测预警

粮食储藏过程中，不同的温度或湿度条件下可能会造成害虫生长，霉菌孳生等，直接影响粮食的品质。若能够对温湿度数据尽早掌握，将可提前做出防护措施，保障粮食安全，以免造成不必要的损失。

众多研究者利用BP神经网络算法建模，以预测温度变化。高松等[28]结合主成分分析提升BP神经网络建模的准确性，通过主成分分析方法筛选出温度的主要影响因素，再利用BP神经网络建模分析，实验温度预测趋势相同，但数值有较大差异；郭平飞等[29]将遗传算法、粒子群算法与BP神经网络相结合，构建新型算法GANPSO-BP神经网络，以预测3 d后的温度值，实验数据采取粮库真实数据，结果证明，相较于原始BP神经网络等算法模型，该算法模型精度提高，且具有较强的稳定性，能够很好地预测粮食温度的变化情况，但该方法仅能预测3 d的温度值，对实际基层管理人员工作的作用有限；李海棠[30]提出了将粒子群算法与BP神经网络结合、主成分分析法与BP神经网络相结合的两种思路，并通过实仓数据证实上述两种算法相较于单一算法结构而言，均可实现粮情温度预测的提升，实验证明基于主成分分析与BP神经网络相结合精度更高。

随着神经网络结构的变化，肖乐等[31]提出了基于RBF神经网络的温度预测技术，该技术解决了传统算法无法克服非线性时间序列问题，但其未考虑各环境因素对温度带来的影响；Li等[32]基于深度学习网络进行温度预测建模，以预测粮堆的温度变化，该方法为日后粮情预测提供了研究新思路。

2.3.2 霉菌预测预警

霉菌的孳生会伴随着结露、霉变等情况的发生，严重影响粮食在储藏过程中的品质，储粮过程中传统的霉变检测方法有人工抽样检测、光谱成像技术[33]、电子鼻技术[34]等。随着粮食霉变数据的大量积累，加之计算机技术的快速发展，可以对霉变数据更好的分析与处理，开始采用机器学习算法作深入研究，近几年主要进行粮堆霉菌发生发展的预测研究，为更好的完成预测，需要了解水分、温度、时间、害虫等因素和微生物间的相互作用[35]。

国外研究更多倾向于安全储藏周期与霉变程度[36]等方面，鲜有关于粮食储藏过程中霉菌预测的研究。

国内关于霉菌预测研究亦属于起步阶段，尚未成熟。邓玉睿等[37]利用BP神经网络预测粮食储藏过程中是否发生霉变，并通过华北地区实仓数据进行验证，证明当样本数据量越大时，准确率越高，针对实验室数据准确率高达94.3%，针对实仓数据准确率可达82.1%，该方法在实仓数据验证中准确率较低，且在BP神经网络的参数选取中缺乏最优值选取，若能够优化参数，或能提升准确率，得到更好的效果。

3 神经网络在粮食储藏领域应用存在问题

神经网络算法已经在粮食储藏领域得到广泛应用，可以很好的完成在粮食储藏过程中的预测、判别、分类等工作，尤其是在储粮害虫识别、粮温预测、及粮食干燥模型优化等方面表现突出，同时该技术在粮食产量预测中也得到了大量的应用[38, 39]。为粮食储藏提供科学性的指导作用，保证在粮食储藏过程中的粮食品质，减少损耗。但在实际的应用中，还存在一些问题：

(1)绝大多数的研究仅采用神经网络一种计算机技术进行建模研究，但该网络参数多，且激活函数、隐含层数目、特征提取、分类函数等因素对建模的准确性都具有较大的影响，需要对上述几方面进行综合考虑才能找到最优模型，这就对研究者提出新的挑战，尤其是在粮食行业的研究中，更要做深入的探究。

(2)神经网络不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

4 总结与展望

目前神经网络技术虽然已在粮食储藏领域中得到较为广泛应用，但是参照目前的研究现状，使用神经网络单一算法并不能达到最优效果，因此在日后的研究中，要更加倾向于融合技术的研究，尤其需要结合参数寻优算法，对神经网络模型参数进行优化，建立更为精准的模型。

深入开展神经网络算法与粮食仓储相关机理机制协同研究。特别是在利用神经网络建模过程中对“最优解”的寻取研究上，一是要优化神经网络算法结构，加快计算过程；二是利用相关机理机制，对于计算过程中权值和阈值进行优化，保障模型计算过程最大程度的逼近“最优解”，同时利用机理机制对“最优解”的真实性进行判别。

在应用场景上，与工艺装备紧密结合，突破应用瓶颈。例如在储粮害虫检测方面，实际应用中识别率较低，应用场景仅限于检测和识别粮堆表面害虫，无法实时检测粮堆内部害虫的情况，在日后的研究和应用上，除进一步增加基础数据量丰富训练集外，一方面可以与诱捕技术装备相结合，突破应用场景限制；另一方面可以进一步与粮食仓储普遍应用的视频系统与装备相结合，开展害虫的动态识别领域研究。

优化算法，提高神经网络算法的准确率。以粮情预测为例，RNN作为深度学习中的一种重要网络结构，其在时间序列分析方面有足够的优势，可用于粮情数据预测分析，未来可依据循环神经网络结构完善该方面的研究，在参数优化等方面，可采用群智能优化算法或遗传算法、模拟退火算法等机器学习算法进行，以期能建立更加准确的模型。

期望未来能够在这些技术中有所突破，提升目前现有技术水平，实现信息技术在粮食储藏领域的成熟应用，建立完整的粮食储藏信息化结构。