基于虛擬多傳感器信息融合的糧情預(yù)警系統(tǒng)

1 引言

　　糧食在貯藏過程中，會(huì)因?yàn)槭軠囟取穸?、氧氣、微生物及昆蟲等因素的影響，而造成其質(zhì)量的不良變化。對(duì)糧食貯藏過程中的影響參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測、分析是保障糧食儲(chǔ)存品質(zhì)的有效手段。本文通過采用虛擬多傳感器信息融合技術(shù)對(duì)糧食儲(chǔ)藏過程中的糧情變化進(jìn)行實(shí)時(shí)跟蹤分析，當(dāng)糧食出現(xiàn)霉變、蟲害等不良變化時(shí)，系統(tǒng)能及時(shí)發(fā)出預(yù)警信息，確保儲(chǔ)糧安全。

2 虛擬多傳感器

　　虛擬多傳感器是對(duì)一個(gè)傳感器所獲的數(shù)據(jù)采用不同的信息處理算法進(jìn)行變換、特征提取， 得到具有不同特征的信息，將這些信息進(jìn)行融合得到更加可靠準(zhǔn)確的信息。其最大的特點(diǎn)就是信息冗余、信息互補(bǔ)和信息實(shí)時(shí)。其優(yōu)點(diǎn)就是能減少數(shù)據(jù)量及其計(jì)算量，提高信息的準(zhǔn)確性。在糧食儲(chǔ)藏過程中，通過溫濕度傳感器、高清晰圖像傳感器得到糧食及環(huán)境的溫濕度和圖像信息，對(duì)所獲得的溫濕度、圖像信息采用不同的信息處理算法進(jìn)行變換和特征提取，得到具有不同特征信息的虛擬溫濕度、圖像傳感器數(shù)據(jù)，然后利用(Dempester-Shafer；D-S)證據(jù)理論將這些信息進(jìn)行融合，可以得到在糧食儲(chǔ)藏過程中糧情的變化過程。其虛擬多傳感器信息融合過程如圖1所示。 

　　在糧食倉儲(chǔ)過程中，如果儲(chǔ)糧區(qū)域的溫度、濕度在一段時(shí)間內(nèi)保持在適合霉菌或害蟲生長的范圍內(nèi)，糧食就會(huì)發(fā)生霉變或蟲害。通過高精度溫濕度傳感器得到溫濕度的實(shí)時(shí)變化數(shù)據(jù)。同時(shí)在某種程度上也會(huì)造成糧食外觀顏色、體積、紋理等細(xì)微變化。這種變化利用肉眼很難分辨，通過一定算法對(duì)圖像進(jìn)行特征提取，得到具有不同特征的虛擬圖像傳感器信息。對(duì)這些具有不同特征的信息進(jìn)行融合，可以預(yù)測到糧食發(fā)生霉變或蟲害的時(shí)間。

2．1 溫濕度信度變換 

　　對(duì)實(shí)時(shí)采集到的實(shí)際溫度值t1，采用(1)式得到溫度的信度值m1；糧食溫度與倉溫的差值的信度值m2，糧食溫度與平均溫度的差值的信度值m3，糧食溫度梯度變化的信度值m4；實(shí)時(shí)采集到的實(shí)際濕度值h1，采用(2)式得到濕度的信度值n1；糧食濕度與倉濕的差值的信度值n2，糧食濕度與平均濕度的差值的信度值n3，糧食濕度梯度變化的信度值n4。 
    

　　式中：Ti一經(jīng)驗(yàn)值；ki一加權(quán)系數(shù)；ti=1一溫度值。ti=2一糧食溫度與倉溫的差值。ti=3一糧食溫度與平均值的差值。ti=4一糧食溫度梯度值。

    
　　式中：Hi一經(jīng)驗(yàn)值；ki—加權(quán)系數(shù)；hi=1一濕度值。hi=2一糧食濕度與倉濕的差值。hi=3一糧食濕度與平均值的差值。hi=4一糧食濕度梯度值。

2．2 圖像特征提取

　　圖像的特征提取，通過對(duì)目標(biāo)圖像與源圖像進(jìn)行RGB顏色的相似度、區(qū)域面積的相似度、紋理特征相似度的分析，得到糧情變化的情況。
　　RGB顏色的相似度分析。對(duì)于圖像的顏色用直方圖可以表示為式(3)： 
   

 
　　其中：A、B、C分別表示所有像素中三基色(RGB)所占的比例。N表示圖像像素?cái)?shù)。所得到RGB圖像(又稱真彩色圖像)是以m×n×3的3D矩陣的方式存儲(chǔ)，分別定義了m×n圖像的每個(gè)像素中所包含三基色各自的強(qiáng)度。因此RGB直方圖是對(duì)“色階一像素?cái)?shù)”的歸一化統(tǒng)計(jì)結(jié)果。
　　對(duì)目標(biāo)圖像和源圖像的直方圖統(tǒng)計(jì)結(jié)果，可認(rèn)為是矢量。比較兩幅圖像的顏色相似度，可轉(zhuǎn)化為對(duì)矢量空間中兩個(gè)點(diǎn)空間距離的計(jì)算。計(jì)算方法可以采用式(4)歐幾里德距離(euclidean distance)。 

　　其中：h和g分別代表兩幅圖像的顏色直方圖。
　　小麥圖片RGB顏色的相似度的提取如圖2所示。 

　　區(qū)域面積的提取利用最大類間方差(OTSU)對(duì)灰度圖像進(jìn)行自適應(yīng)閾值分割，實(shí)現(xiàn)目標(biāo)的提取。它是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分。背景和目標(biāo)之間的類問方差大，說明構(gòu)成圖像的這兩部分的差別越大。當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致圖像這兩部分差別變小。因此，使類間方差最大的分割意味著錯(cuò)分概率最小。小麥圖片區(qū)域面積的提取如圖3所示。

　　通過對(duì)糧食顆粒的灰度圖像進(jìn)行紋理分析，獲得與結(jié)構(gòu)相關(guān)的灰度分布的統(tǒng)計(jì)信息，可以實(shí)現(xiàn)對(duì)兩幅圖像的匹配分析，并作為判斷糧情變化的依據(jù)。對(duì)糧食顆?；叶葓D像的分析采用基于不變矩的圖像紋理的統(tǒng)計(jì)算法。該算法首先將原始圖像進(jìn)行分塊，利用加窗傅立葉變換進(jìn)行空域?yàn)V波增強(qiáng)，去除圖像在各個(gè)空間頻率處的噪聲，增強(qiáng)圖像中的紋理結(jié)構(gòu)信息。然后選擇圖像中曲率最大的點(diǎn)進(jìn)行特征提取，以提取的特征點(diǎn)為中心，對(duì)圖像進(jìn)行局部的網(wǎng)格化處理，針對(duì)每個(gè)單元格計(jì)算其7個(gè)不變矩，對(duì)所有單元格各自的不變矩求和得到特征向量。同時(shí)借助最大類間方差閾值分割方法(OTSU)，將圖中的單元格區(qū)分為前景和背景，并在求和時(shí)賦予不同的權(quán)重，可進(jìn)一步提高圖像匹配的精度。小麥圖像紋理特征提取過程如圖4所示。最后利用特征空間中兩特征向量間的距離作為相似度衡量的標(biāo)準(zhǔn)?？刹捎糜嘞揖嚯x來表示。特征向量間余弦距離的定義為：設(shè)特征空間中兩特征向量分別為 

3 信息融合

　　通過以上方法將溫濕度、圖像數(shù)據(jù)經(jīng)過變換，得到具有不同特性的虛擬多傳感器信息。利用D-S證據(jù)理論進(jìn)行信息融合，D-S證據(jù)理論是由Dempster提出來的用概率上下限來表示實(shí)際問題中的不確定性，后來通過ShaRer進(jìn)一步發(fā)展成為系統(tǒng)化、理論化的不確定性推理理論。由于篇幅有限，在此只給出部分信息融合過程。

　　通過實(shí)際測量的數(shù)據(jù)，經(jīng)過計(jì)算得到某一區(qū)域的四個(gè)虛擬傳感器信度值m1，m2，m3，m4如表l，用C表示可信度，N表示不可信度。 

    按照Dempster組合公式將m1和m2，m3和m4組合，結(jié)果如表2所示，其中φ表示空集。 

　　由表2可以得到m1和m2，m3和m4兩個(gè)證據(jù)的不一致因子，分別用k1，k2表示。則kl，k2為：k1=0．236+0．125=0．361：k2=0．325+0．082=0．407計(jì)算得到兩個(gè)基本信度m1和m2融合后的基本信度分配(用m12表示)，m3和m4融合后的基本信度分配(用m34表示)為： 

　　最后再對(duì)得到兩個(gè)基本信度m12和m34融合，基本信度分配(用m1234表示)，見表3。

　　則有：k=0．072+0．075=0．147
　　m1234(C)=0．847／(1-k)≈0．99
　　由結(jié)果可知，通過融合后糧情變化的基本信度為0．99，故可以明顯地判斷出該區(qū)域的糧情變化很大，發(fā)生霉變、蟲害的可能性較高。

4 結(jié)論

　　本文通過對(duì)小麥倉儲(chǔ)過程中的傳感器信息選取合適的特征和計(jì)算所對(duì)應(yīng)的特征統(tǒng)計(jì)量，應(yīng)用少量的傳感器，借助虛擬多傳感器的技術(shù)以及D-S證據(jù)理論融合算法，能夠在糧情監(jiān)測中完成目標(biāo)識(shí)別，并對(duì)小麥倉儲(chǔ)過程中所發(fā)生的不良變化，及時(shí)發(fā)出預(yù)警信息，以確保小麥儲(chǔ)藏安全。