基于溫度場(chǎng)云圖的儲(chǔ)糧數(shù)量監(jiān)控方法研究

崔宏偉，吳文福，吳子丹，韓 峰，張 娜，王雨佳

?

基于溫度場(chǎng)云圖的儲(chǔ)糧數(shù)量監(jiān)控方法研究

崔宏偉，吳文福，吳子丹※，韓 峰，張 娜，王雨佳

（吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院，長春 130022）

為保障儲(chǔ)備糧按照計(jì)劃進(jìn)出倉庫，同時(shí)減少儲(chǔ)糧監(jiān)管與稽核的工作量，該文提出了基于溫度場(chǎng)云圖RGB顏色特征的儲(chǔ)糧監(jiān)管方法。調(diào)用歷史糧溫?cái)?shù)據(jù)并進(jìn)行預(yù)處理，生成糧堆各平面溫度場(chǎng)云圖，利用溫度場(chǎng)云圖的RGB顏色特征分布計(jì)算云圖的相似度，據(jù)此設(shè)定異常判定閾值，計(jì)算相鄰時(shí)間糧堆各平面云圖的相似度，依據(jù)閾值進(jìn)行異常檢測(cè)，從而實(shí)現(xiàn)儲(chǔ)糧監(jiān)管。同時(shí)該文通過模擬5種糧堆異常情況，進(jìn)行了模擬檢測(cè)試驗(yàn)，并與基于溫度場(chǎng)云圖LBP紋理特征的檢測(cè)算法進(jìn)行對(duì)比，結(jié)果顯示：基于溫度場(chǎng)云圖RGB顏色特征的算法平均查全率、平均查準(zhǔn)率、運(yùn)算速率均優(yōu)于基于云圖LBP紋理特征的算法，分別為98.6%、97.3%、320 ms/次。進(jìn)行了儲(chǔ)糧監(jiān)管檢測(cè)試驗(yàn)，結(jié)果表明，該方法不僅能夠應(yīng)用于儲(chǔ)糧數(shù)量的監(jiān)管，也能夠檢測(cè)出糧堆局部發(fā)熱。該研究結(jié)果為儲(chǔ)糧數(shù)量監(jiān)控方法的提出奠定基礎(chǔ)。

糧食；儲(chǔ)藏；溫度傳感器；溫度場(chǎng)云圖；RGB顏色特征；相似度；LBP紋理特征

0 引 言

中國糧倉儲(chǔ)量大，儲(chǔ)藏周期長，為保證儲(chǔ)藏過程中的糧食安全，通過監(jiān)測(cè)糧倉內(nèi)的溫濕度[1]、CO2濃度[2]等信息，并通風(fēng)預(yù)測(cè)模型[3-6]、溫濕度或含水率預(yù)測(cè)模型[7-10]等調(diào)控儲(chǔ)糧環(huán)境，從而保障儲(chǔ)糧安全，以上研究多集中在品質(zhì)安全、生物安全等方面，但由于糧庫儲(chǔ)量較大，若個(gè)別糧庫發(fā)生虛報(bào)貼息、以差換好等違規(guī)、違法現(xiàn)象，會(huì)造成較大的經(jīng)濟(jì)損失，因此也應(yīng)進(jìn)行必要的儲(chǔ)糧數(shù)量監(jiān)管，而且中國糧庫分布廣使得糧庫儲(chǔ)量監(jiān)管與稽核的工作量大，因此可靠儲(chǔ)糧監(jiān)管方法研究也具有重要的價(jià)值。

目前糧食數(shù)量檢測(cè)方法主要有稱重計(jì)量法、主動(dòng)測(cè)量法以及視頻監(jiān)控等[11]。稱重計(jì)量方法在美國等發(fā)達(dá)國家的大型糧庫以及中國少量的國家級(jí)大型儲(chǔ)備庫采用[12-13]，但該方法對(duì)設(shè)備要求較高、維護(hù)成本較高，而且系統(tǒng)檢測(cè)結(jié)果易受人為干擾影響[14]。主動(dòng)測(cè)量法原理為測(cè)距原理，主要技術(shù)包括激光掃描、紅外掃描等[15]，但該方法設(shè)備成本較高，而且多應(yīng)用于煤堆體積的測(cè)量[16]。視頻監(jiān)控系統(tǒng)能夠?qū)崟r(shí)監(jiān)測(cè)糧食數(shù)量，但視頻監(jiān)控系統(tǒng)易受供電影響，且監(jiān)管的視頻采用文件方式管理，安全性不足[11]。目前該領(lǐng)域的主要技術(shù)有：基于壓力傳感器檢測(cè)[17-18]、電磁波檢測(cè)技術(shù)[19]、基于三維激光掃描技術(shù)[20-21]等，3種技術(shù)的應(yīng)用需在糧倉加裝檢測(cè)設(shè)備，容易增加檢測(cè)成本，另一方面激光掃描設(shè)備價(jià)格較高，而電磁波檢測(cè)易受糧食種類、溫度等因素影響檢測(cè)精度，上述技術(shù)大范圍的推廣應(yīng)用仍需待技術(shù)進(jìn)一步突破。

針對(duì)上述研究存在的問題，本文利用糧庫基本配備糧情監(jiān)控系統(tǒng)采集的糧溫?cái)?shù)據(jù)進(jìn)行儲(chǔ)糧監(jiān)管方法研究。正常儲(chǔ)藏過程中，糧倉各測(cè)溫點(diǎn)每日溫度變化較小，相鄰時(shí)段測(cè)溫平面（不一定相鄰）各測(cè)溫點(diǎn)溫度相關(guān)性較高[22]，形成的溫度場(chǎng)云圖具有較高相似度，因此可以通過檢測(cè)相鄰2 d溫度場(chǎng)云圖相似度實(shí)現(xiàn)儲(chǔ)糧監(jiān)管。國內(nèi)外學(xué)者通過研究圖像顏色、紋理、形狀等特征檢測(cè)圖像的相似度。Murala等[23]采用灰度共生矩陣來描述圖像的紋理特征，并在灰度共生矩陣的基礎(chǔ)上進(jìn)一步推導(dǎo)出二階矩、慣性矩、慣性嫡等參數(shù)，形成了基于灰度共生矩陣的紋理特征表達(dá)參數(shù)族?；叶裙采仃嚪?zhǔn)確地描述了圖像紋理的灰度級(jí)結(jié)構(gòu)，因此檢索效果比較理想。Huang等[24]提出多特征融合的圖像檢索方法，通過提取RGB顏色空間的顏色矩與HSV顏色空間中的顏色直方圖作為顏色特征，提取改進(jìn)的Zernike矩作為形狀特征，灰度共生矩作為紋理特征，以3特征融合計(jì)算圖像相似度。Ghosh等[25]提出了顏色一致向量的表達(dá)方法，該方法將相同顏色信息的像素按照連通關(guān)系進(jìn)行區(qū)域合并，從而形成顏色區(qū)域和顏色離散點(diǎn)，再進(jìn)行區(qū)域一致性比對(duì)來完成圖像相似度檢測(cè)。Yan等[26]提出一種分層HSV特征與分層紋理特征提取的圖像相似度，并通過仿真試驗(yàn)驗(yàn)證該算法對(duì)復(fù)雜背景的相似圖像檢索性能更優(yōu)。雖然有關(guān)圖像相似度的研究較多，但尚未見到涉及糧情云圖相似度的應(yīng)用研究。

本文通過基于溫度場(chǎng)云圖RGB顏色特征的相似度算法檢測(cè)異常云圖，實(shí)現(xiàn)儲(chǔ)糧監(jiān)管，主要研究內(nèi)容分為以下幾點(diǎn)：1）調(diào)用歷史糧情數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，補(bǔ)全測(cè)溫點(diǎn)陣外側(cè)與內(nèi)側(cè)的糧溫?cái)?shù)據(jù)，生成平面溫度場(chǎng)云圖；2）提出基于溫度場(chǎng)云圖RGB顏色特征的儲(chǔ)糧監(jiān)管方法；3）模擬5種糧堆數(shù)量異常情況，與基于LBP紋理特征的監(jiān)管方法進(jìn)行對(duì)比檢測(cè)試驗(yàn)；4）進(jìn)行儲(chǔ)糧監(jiān)管試驗(yàn)驗(yàn)證。

1 材料和方法

1.1 糧情數(shù)據(jù)的獲取

本研究選用來自中國第七儲(chǔ)糧生態(tài)區(qū)的廣東省某糧倉的糧情數(shù)據(jù)。該倉為平房倉，所儲(chǔ)作物為玉米，入倉時(shí)玉米水分約為14%，于2010-01-06入倉完畢（開始儲(chǔ)藏），2011-01-31出倉。該糧倉東西方向長48 m，南北方向?qū)?6.5 m，倉房高6 m，糧面高4.8 m。內(nèi)置測(cè)溫電纜維護(hù)相對(duì)完好，共77根，東西方向11根，間距4.5 m，兩側(cè)離墻面1.5 m；南北方向7根，間距4 m，兩側(cè)離墻面1.25 m。第四層測(cè)溫點(diǎn)距糧面高度0.4 m，第一層測(cè)溫點(diǎn)距倉底0.5 m，每根測(cè)溫電纜上測(cè)溫點(diǎn)均勻分布，測(cè)溫點(diǎn)間隔約1.3 m。糧倉結(jié)構(gòu)與傳感器測(cè)溫點(diǎn)布置示意如圖1所示。本研究選取2010-01-06至2011-01-06之間約365 d的數(shù)據(jù)進(jìn)行分析。

圖1 平房倉測(cè)溫點(diǎn)布置示意圖

1.2 溫度場(chǎng)云圖生成

1.2.1 糧溫?cái)?shù)據(jù)預(yù)處理

調(diào)用糧情溫度數(shù)據(jù)后，首先將糧情溫度數(shù)據(jù)中數(shù)值過大、過小及亂碼的數(shù)據(jù)清除；接著若糧溫?cái)?shù)據(jù)缺失幾天，則選擇缺失數(shù)據(jù)日期的前一天與后一天的糧溫?cái)?shù)據(jù)，采用線性插值的方法補(bǔ)全缺失的糧溫?cái)?shù)據(jù)。利用上述方法對(duì)糧情溫度數(shù)據(jù)進(jìn)行清除和補(bǔ)全，保證每天均有一組完整糧溫?cái)?shù)據(jù)。

1.2.2 溫度場(chǎng)云圖生成方法

以糧倉西北方向底頂點(diǎn)作為坐標(biāo)原點(diǎn)，豎直向上為軸正向，向東為軸正向，向南為軸正向。根據(jù)上述坐標(biāo)系，建立測(cè)溫點(diǎn)三維矩陣，矩陣、、方向分別有、、個(gè)測(cè)溫點(diǎn)，則倉內(nèi)各測(cè)溫點(diǎn)坐標(biāo)(,,)表示為(,,)，其中0<≤，0<≤，0<≤(,,取整數(shù))。將糧倉測(cè)溫點(diǎn)所在截面分為3類平面，分別為平行于的平面，稱為P()平面；平行于的平面，稱為P()平面；平行于的平面，稱為P()平面。糧倉測(cè)溫點(diǎn)溫度表示為(x,y,z)。

根據(jù)糧倉測(cè)溫點(diǎn)坐標(biāo)系可知，測(cè)溫點(diǎn)之間以及測(cè)溫點(diǎn)矩陣之外的糧溫?cái)?shù)據(jù)沒有直接測(cè)得，若生成溫度場(chǎng)云圖，需補(bǔ)全傳感器陣列間、陣列外的糧溫?cái)?shù)據(jù)。P()平面邊界需補(bǔ)全的數(shù)據(jù)可分為云圖頂點(diǎn)數(shù)據(jù)（共4個(gè)，分別為(0,0,)，(0,+1,)，(+1,0,)，(+1,+1,)和云圖邊界點(diǎn)數(shù)據(jù)。首先計(jì)算云圖邊界點(diǎn)數(shù)據(jù)，利用待測(cè)點(diǎn)相鄰點(diǎn)陣中連續(xù)的3個(gè)點(diǎn)進(jìn)行外推計(jì)算，如：計(jì)算外邊界點(diǎn)溫度(0,,)，選取糧情數(shù)據(jù)點(diǎn)陣中的溫度(1,,)，(2,,)，(3,,)，以點(diǎn)(3,,)為原點(diǎn)，依次計(jì)算點(diǎn)(0,,)，(1,,)，(2,,)點(diǎn)到點(diǎn)(3,,)的距離，通過最小二乘法擬合曲線方程，根據(jù)曲線方程計(jì)算得到溫度(0,,)，其余3個(gè)邊界上的點(diǎn)計(jì)算方法相同。然后計(jì)算云圖的4個(gè)頂點(diǎn)溫度，頂點(diǎn)溫度為相鄰2個(gè)點(diǎn)溫度的平均，計(jì)算公式（1）～（4）。P()平面與P()平面邊界點(diǎn)數(shù)據(jù)補(bǔ)全方法與P()平面中外邊界數(shù)據(jù)補(bǔ)全方法一致。由于糧面溫度相同（等于倉溫），因此以所有外推得到的糧面溫度的均值作為糧面溫度估計(jì)值()。外邊界頂點(diǎn)中靠近糧面的2個(gè)頂點(diǎn)溫度等于()。

采用上述方法補(bǔ)全各平面外邊界點(diǎn)溫度數(shù)據(jù)，將外邊界點(diǎn)數(shù)據(jù)與實(shí)測(cè)溫度數(shù)據(jù)結(jié)合，形成離散糧溫?cái)?shù)據(jù)點(diǎn)陣。然后選擇任意平面，采用雙三次樣條進(jìn)行插值（步長選擇為0.02），得到平面完整糧溫?cái)?shù)據(jù)，生成溫度場(chǎng)云圖。本研究所選糧倉測(cè)溫點(diǎn)陣中為11，為7，為4，選用P()平面糧溫?cái)?shù)據(jù)生成溫度場(chǎng)云圖，云圖尺寸為517×316 pixels。

1.3 基于溫度場(chǎng)云圖RGB顏色特征的儲(chǔ)糧監(jiān)管方法

儲(chǔ)糧監(jiān)管為利用歷史糧情數(shù)據(jù)，檢測(cè)糧堆異動(dòng)時(shí)間的一種糧倉儲(chǔ)量變化稽查方式。糧堆溫度穩(wěn)定變化，相鄰2 d的糧堆溫度場(chǎng)云圖具有較高的相似度，若相鄰2 d云圖差異較大（相似度較低），則其中必有一天糧食數(shù)量異常。因此通過檢測(cè)儲(chǔ)藏過程中溫度場(chǎng)云圖相似度差異較大的日期，即可實(shí)現(xiàn)糧食數(shù)量異常的檢測(cè)。

溫度場(chǎng)云圖中顏色變化代表了溫度的變化，云圖顏色特征對(duì)形變有著較強(qiáng)的魯棒性[26]，顏色特征主要包括RGB、HSV、HSI等。因HSV、HSI顏色空間需由RGB顏色空間轉(zhuǎn)化，容易增加算法的運(yùn)算量，為盡量減少系統(tǒng)運(yùn)算量，本文選用RGB顏色空間進(jìn)行相似度檢測(cè)。RGB顏色空間中，每個(gè)分量均可取256個(gè)值，那么整個(gè)顏色空間共有1 600萬多種顏色。針對(duì)這么多種顏色進(jìn)行直方圖比較，計(jì)算量較大，因此選擇分區(qū)的方式減少計(jì)算量。將0～255分成4個(gè)區(qū)：0～63為第0區(qū)，64～127為第1區(qū)，128～191為第2區(qū)，192～255為第3區(qū)，即、、3分量分別有4個(gè)區(qū)，總共可以構(gòu)成64種組合（4的3次方）。統(tǒng)計(jì)溫度場(chǎng)云圖中RGB分量在64個(gè)區(qū)間的分布直方圖，作為云圖的RGB顏色特征向量，最后通過皮爾遜相關(guān)系數(shù)求2張?jiān)茍D特征向量的相似度，從而實(shí)現(xiàn)基于云圖RGB顏色特征的相似度檢測(cè)。皮爾遜相關(guān)系數(shù)計(jì)算公式如式（5）[27]。

2 結(jié)果與分析

2.1 儲(chǔ)糧監(jiān)管模擬試驗(yàn)

2.1.1 糧食數(shù)量異常的溫度場(chǎng)云圖

為測(cè)試采用溫度場(chǎng)云圖相似度方法進(jìn)行儲(chǔ)糧監(jiān)管的可行性，同時(shí)測(cè)試算法檢測(cè)異常的準(zhǔn)確率。本研究通過人為適當(dāng)修改原始糧溫?cái)?shù)據(jù)，模擬5種糧食數(shù)量異常的情形，5種數(shù)量異常位置示意如圖2中黑色位置。圖2中數(shù)字表示測(cè)溫點(diǎn)的標(biāo)號(hào)，白色代表測(cè)溫點(diǎn)數(shù)據(jù)保持為原始數(shù)據(jù)，黑色表示為數(shù)據(jù)修改位置，即模擬圖中黑色位置糧食被更換。第一、二、三、四層糧食更換位置與圖2保持一致，其中第一層為靠近糧倉底部的測(cè)溫點(diǎn)平面，第二、三、四層依次向上。為方便后續(xù)表述，將圖2b、2c、2d、2e、2f5種情況分別定義為1、0.5、0.25、0.5x、0.25x。由圖2可知情況1為糧堆整體更換，0.5與0.5x糧堆的二分之一更換，0.25與0.25x為糧堆的四分之一更換。

注：圖中數(shù)字表示測(cè)溫點(diǎn)序號(hào)，黑色位置為模擬糧食數(shù)量變化的位置，Qi為數(shù)量變化（異常）種類，下同。

選擇2010-01-06至2011-01-06中約365 d的糧溫?cái)?shù)據(jù)進(jìn)行修改，規(guī)則為：1）以2010-01-06為起點(diǎn)，每隔4 d進(jìn)行一次人為修改，共修改約72 d數(shù)據(jù)，5種情況各修改一次原始數(shù)據(jù)；2）為模擬真實(shí)糧食被更換的情形，還原糧食進(jìn)出庫時(shí)新糧與原始存糧的溫度差異，設(shè)置2011-12-06至2011-01-06糧食被更換位置的溫度高于原始糧倉均溫10 ℃，02-06至04-06的溫度高于原始糧倉均溫5 ℃，04-06至10-06的溫度同環(huán)境溫度，10-06至12-06的溫度低于糧倉均溫5 ℃。如圖3所示為01-15的P(=4)平面原始云圖與模擬的5種異常云圖，分別與圖2a～2f對(duì)應(yīng)。

2.1.2 模擬儲(chǔ)糧數(shù)量異常的監(jiān)管檢測(cè)試驗(yàn)

1）檢測(cè)閾值設(shè)定

正常儲(chǔ)藏過程中，相鄰2 d溫度場(chǎng)云圖相似度較高，但其相似度并未達(dá)到100%。為準(zhǔn)確檢測(cè)出異常云圖，不誤判正常變化云圖為異常，需設(shè)定合適的相似度閾值（相似度小于該閾值，則判定為異常云圖）。

由上節(jié)知相鄰異常間隔4 d，為避免檢測(cè)時(shí)相鄰異常相互影響，選擇檢測(cè)相鄰2 d云圖的相似度。采用基于云圖RGB顏色特征的相似度算法計(jì)算正常糧情數(shù)據(jù)中相鄰2 d云圖相似度。相似度曲線及其分布直方圖如圖4所示。

圖3 1月15日PXOY(k=4)平面（Z=4.4 m，距倉底4.4 m）原始云圖與模擬的糧食被更換的異常云圖

圖4 糧食未被更換時(shí)PXOY(k)平面云圖相似度及分布直方圖

由圖4a可以看出，第四層（距糧面0.4 m）平面相似度波動(dòng)較大，分析其原因是該平面靠近糧面，其溫度受環(huán)境溫度影響，相鄰2d變化幅度較大，因此相鄰2d云圖相似度較低。統(tǒng)計(jì)正常儲(chǔ)藏狀態(tài)下各層云圖相似度的分布，如圖4b，可以看出在正常儲(chǔ)藏狀態(tài)下的四層云圖相似度均位于區(qū)間(0.97,1]內(nèi)，因此設(shè)定異常的判定閾值為0.97。若2 d同一平面相似度小于0.97，則可判定當(dāng)天此平面為異常。

2）檢測(cè)試驗(yàn)與分析

算法檢測(cè)相鄰2 d云圖的相似度時(shí)，若當(dāng)天糧堆異動(dòng)，則當(dāng)天以及第二天均會(huì)被判定為異常，因此統(tǒng)計(jì)檢測(cè)結(jié)果時(shí)，若相鄰2 d均被檢測(cè)為異常，則計(jì)為一次異常。依次檢測(cè)所選日期P()平面與前一天對(duì)應(yīng)平面的相似度，統(tǒng)計(jì)檢測(cè)出的異常個(gè)數(shù)。若糧食數(shù)量異常，且平面被檢測(cè)為異常云圖，則認(rèn)為該異常被準(zhǔn)確檢測(cè)出，否則為未準(zhǔn)確檢測(cè)的異常。若當(dāng)天糧食數(shù)量正常，但檢測(cè)的相似度小于97%，則該日期被誤檢測(cè)。

1）檢測(cè)結(jié)果評(píng)價(jià)。使用查全率和查準(zhǔn)率評(píng)價(jià)檢測(cè)結(jié)果，查全率、查準(zhǔn)率計(jì)算公式分別為

式中為算法查全率，%；為被準(zhǔn)確檢測(cè)出異常平面數(shù)；為異常平面總數(shù)；為算法查準(zhǔn)率，%；為被檢測(cè)出的異常平面數(shù)；為總的被正確檢測(cè)出的異常平面數(shù)。本研究中為72，等于。

2）試驗(yàn)結(jié)果與分析。使用2.1.1節(jié)中模擬的糧溫?cái)?shù)據(jù)，采用基于溫度場(chǎng)云圖RGB顏色特征的相似度檢測(cè)算法進(jìn)行異常檢測(cè)試驗(yàn)，結(jié)果分析如表1所示。

由表1可以看出，該算法的查全率大于94%，少部分異常云圖未被檢測(cè)出，這是因?yàn)樵撍惴ńy(tǒng)計(jì)RGB顏色分布直方圖時(shí)未考慮顏色的位置信息，由于異常云圖與前一天的正常云圖RGB顏色分布直方圖的相似度較高，因此異常云圖未被檢測(cè)出。如圖5所示，對(duì)比圖5b與5d可以發(fā)現(xiàn)，異常云圖與正常云圖的RGB分布特征向量相似，采用基于云圖RGB顏色特征的相似度檢測(cè)算法提取兩者相似度為98%，因此圖5c被判定為正常云圖。

表1 基于溫度場(chǎng)云圖RGB顏色特征的相似度檢測(cè)結(jié)果

注：P為平行于平面的測(cè)溫點(diǎn)平面，為距糧倉底部高度。

Note:Pis a temperature measuring plane parallel to theplane,is the height from the bottom of the granary.

圖5 Q0.25x異常情況下XOY平面正常云圖與未被基于RGB顏色特征的相似度算法檢測(cè)出的異常云圖

3）對(duì)比檢測(cè)試驗(yàn)。糧堆溫度場(chǎng)云圖中存在溫度梯度，溫度梯度反映在灰度化的云圖中為邊緣特征，因此云圖存在紋理特征，可作為相似度檢測(cè)依據(jù)。紋理特征常用的分析方法有統(tǒng)計(jì)法、結(jié)構(gòu)法和頻域法等。為保證算法的運(yùn)算速度，本研究選用結(jié)合統(tǒng)計(jì)與結(jié)構(gòu)的紋理特征提取算法-LBP算法。LBP（local binary pattern）算法由Ojala等[28-29]提出，它以為半徑的點(diǎn)領(lǐng)域可描述如公式（8）和（9）。

式中c為中心像素點(diǎn)的灰度值，g為以半徑為的圓環(huán)上的個(gè)采樣點(diǎn)的灰度值，為采樣點(diǎn)個(gè)數(shù)，LBPP,R為中心像素點(diǎn)的LBP特征值，為c與g的像素值之差。

如圖6所示為=8，=1時(shí)的LBP紋理特征計(jì)算方式。圖6中取中心點(diǎn)g像素值與其領(lǐng)域點(diǎn)g點(diǎn)像素值比較，若小于中心點(diǎn)像素值則為0，若大于則為1，以右上角為起點(diǎn)，逆時(shí)針排列0～1序列，轉(zhuǎn)換為十進(jìn)制數(shù)即為中心像素點(diǎn)的LBP特征值。

圖6 LBP特征值計(jì)算過程

提取云圖LBP紋理特征之前首先需將RGB圖像灰度化，本研究分別提取云圖的、、顏色分量作為灰度圖。為增加計(jì)算云圖LBP紋理特征的計(jì)算精度，首先將云圖劃分為若干個(gè)子區(qū)域，接著統(tǒng)計(jì)各個(gè)子區(qū)域中的LBP紋理特征直方圖，并進(jìn)行歸一化處理，連接、、三灰度圖的LBP直方圖作為該子區(qū)域的特征向量，然后連接云圖全部子區(qū)域的特征向量，作為云圖的特征向量，采用皮爾遜相關(guān)系數(shù)求2張?jiān)茍D特征向量的相似度，即為溫度場(chǎng)云圖的相似度。本研究中云圖尺寸為517×316 pixels，無法均勻劃分，因此以云圖的某一頂點(diǎn)為起點(diǎn)將云圖有序劃分為100×100 pixels的子區(qū)域，剩余部分作為一個(gè)區(qū)域。將云圖分為16個(gè)子區(qū)域后，按照上述步驟即可計(jì)算云圖LBP紋理特征相似度。采用上述基于云圖LBP紋理特征的相似度算法進(jìn)行異常檢測(cè)，結(jié)果分析如表2所示。

表2 基于溫度場(chǎng)云圖LBP紋理特征的相似度檢測(cè)結(jié)果

由表2可以看出，該算法未檢測(cè)出的少部分異常云圖，這是因?yàn)槟M的糧溫?cái)?shù)據(jù)，生成的云圖中當(dāng)天異常與前一天正常云圖的LBP紋理特征相似度較高，被判定為正常變化的云圖。如圖7所示，對(duì)比圖7a與7c可以發(fā)現(xiàn)，2張?jiān)茍D差異不大，圖7b與7d LBP特征向量直方圖較為相似，云圖相似度算法檢測(cè)的2 d云圖相似度為97.5%，因此異常云圖圖7c未被檢測(cè)出。

圖7 Q0.25x異常情況下XOY平面正常云圖與未被基于LBP紋理特征的相似度檢測(cè)算法檢測(cè)出異常云圖

對(duì)比表1、2可知，基于云圖RGB顏色特征的算法查全率、查全率較高，分別為98.6%和97.3%，這是因?yàn)榧Z堆局部異常后，云圖局部RGB顏色特征改變，使得云圖的RGB顏色特征分布直方圖改變。LBP紋理特征相當(dāng)于對(duì)云圖中RGB顏色形成的邊緣特征進(jìn)行相似性判斷，若相鄰兩個(gè)區(qū)域的顏色特征改變，但其邊緣位置與結(jié)構(gòu)可能并未改變，則邊緣的LBP特征值不變，也即此時(shí)溫度變化并沒有影響LBP特征值，因此LBP紋理特征的算法查全率較低。由于基于LBP紋理特征的算法查全率較低，其正確檢測(cè)的異常云圖相對(duì)較少，使其查準(zhǔn)率較低。又由于算法需計(jì)算、、分量灰度圖中每個(gè)子區(qū)間的LBP特征值，計(jì)算步驟較多，且運(yùn)算次數(shù)較多，使基于LBP紋理特征的算法運(yùn)行速率較慢。綜上說述，由于基于云圖RGB顏色特征的算法的查準(zhǔn)率、查全率均較高，而且算法的運(yùn)算速率較高，因此該算法更加適用于儲(chǔ)糧監(jiān)管。

同時(shí)由表1、2中算法的平均查全率可以看出糧堆整體異常的查全率>糧堆1/2異常的查全率>糧堆1/4異常的查全率，由此可以看出，糧堆異常范圍越大，對(duì)溫度場(chǎng)云圖影響范圍越大，算法的查全率越高；相反地，糧堆異常的范圍越小，對(duì)溫度場(chǎng)云圖影響范圍越小，算法的查全率越低。

以糧堆異常類型為因素，測(cè)溫平面為因素，以查全率和查準(zhǔn)率為指標(biāo)進(jìn)行方差分析，結(jié)果如表3。

表3 查全率與查準(zhǔn)率的方差分析

注：A>0.01(3, 12)=5.95，B>0.01(4, 12)=5.41，說明因素極顯著，記為**；A>0.1(3, 12)=2.61，說明因素極顯著，記為**；B<0.1(4, 12)=2.48，說明因素不顯著。

Note:** denotes the factor to be highly significant whenA>0.01(3, 12)=5.95,B>0.01(4, 12)=5.41; ** denotes the factor to be highly significant whenA>0.1(3, 12)=2.61; the factor isn’t significant whenB<0.1(4, 12)=2.48.

通過方差分析，由表3數(shù)據(jù)查F值表可知，異常種類和測(cè)溫平面對(duì)查全率的影響極顯著。通過查準(zhǔn)率的方差分析，異常類型對(duì)查準(zhǔn)率的影響極顯著，測(cè)溫平面對(duì)查準(zhǔn)率的影響不顯著。

2.2 儲(chǔ)糧監(jiān)管試驗(yàn)驗(yàn)證

為了驗(yàn)證基于云圖RGB顏色特征的檢測(cè)算法進(jìn)行儲(chǔ)糧監(jiān)管的實(shí)用性，進(jìn)行了驗(yàn)證試驗(yàn)。在吉林省長春市大嶺試驗(yàn)基地建立小型糧倉進(jìn)行儲(chǔ)藏試驗(yàn)。糧倉尺寸為3.8 m×3.8 m×6 m，倉內(nèi)糧面高度4.5 m，儲(chǔ)藏于2017-05-11開始，至2017-08-15結(jié)束，儲(chǔ)藏糧食為玉米，品種為先玉33，入倉時(shí)玉米水分為15 %。倉內(nèi)布置25根測(cè)溫電纜，橫、縱各5根，測(cè)溫電纜間距0.8 m，距倉壁0.3 m，每個(gè)電纜上布置4個(gè)測(cè)溫點(diǎn)，第一層測(cè)溫點(diǎn)距倉底0.5 m（靠近倉底），第四層距糧面0.3 m，中間2層測(cè)溫點(diǎn)均勻布置。試驗(yàn)糧倉外觀見文獻(xiàn)[30]圖10。

使用基于云圖RGB顏色特征的相似度檢測(cè)算法計(jì)算從儲(chǔ)藏開始到結(jié)束，相鄰2 d 4個(gè)平面的相似度，檢測(cè)結(jié)果如圖8所示。

圖8 基于RGB顏色特征的溫度場(chǎng)云圖相似度檢測(cè)算法檢測(cè)大嶺糧倉PXOY(k)平面云圖的結(jié)果

由圖8可以看出，在05-12至06-30之間，糧倉各平面溫度場(chǎng)云圖相似度高于0.97，06-30左右，糧倉第三層溫度場(chǎng)云圖相似度出現(xiàn)較低值，07-11左右，糧倉第三層溫度場(chǎng)云圖相似度再次出現(xiàn)極低值。從儲(chǔ)藏開始至結(jié)束，糧倉第四層平面相似度波動(dòng)較為明顯，這是因?yàn)樵搶涌拷Z面，糧溫受倉溫影響較大，導(dǎo)致溫度場(chǎng)云圖的相似度波動(dòng)較大，因此第四層不作為檢測(cè)依據(jù)。綜上所述，該算法檢測(cè)出試驗(yàn)倉06-30左右和07-11左右糧溫異常。

查詢糧倉的操作記錄發(fā)現(xiàn)：該糧倉于06-30左右通風(fēng)1 d，使得糧堆第三、四層的玉米溫度升高，間接的相當(dāng)于更換進(jìn)去玉米，且其溫度略高于倉儲(chǔ)玉米溫度。查詢糧倉糧溫糧溫記錄發(fā)現(xiàn)：通風(fēng)后糧堆中部發(fā)熱，07-11左右糧堆發(fā)熱區(qū)域達(dá)到極值點(diǎn)，發(fā)熱區(qū)域與糧面連通，熱量開始逐漸向空氣中散發(fā)，而后糧堆發(fā)熱區(qū)域逐漸減小。參考文獻(xiàn)[30]中，利用糧溫時(shí)空相關(guān)性進(jìn)行儲(chǔ)糧數(shù)量監(jiān)管，同樣檢測(cè)出07-01左右和07-11左右糧溫異常。綜上所述，該算法檢測(cè)結(jié)果準(zhǔn)確。

因此，基于RGB顏色特征的溫度場(chǎng)云圖相似度檢測(cè)算法不僅能夠?qū)崿F(xiàn)儲(chǔ)糧數(shù)量監(jiān)管，同時(shí)能夠檢測(cè)出糧倉局部異常溫升。由參考文獻(xiàn)[31-32]可知，糧倉局部結(jié)露或霉變均會(huì)導(dǎo)致糧倉局部溫度發(fā)生階躍性跳變，打破自然儲(chǔ)藏糧倉溫度場(chǎng)保持的穩(wěn)定變化狀態(tài)，引起糧情溫度場(chǎng)變化規(guī)律異常，破壞糧倉溫度場(chǎng)云圖保持的較為穩(wěn)定的相似度，因此基于溫度場(chǎng)云圖RGB顏色特征的檢測(cè)算法也應(yīng)能檢測(cè)出糧堆結(jié)露、霉變引起的糧溫異常，此思路可待進(jìn)一步驗(yàn)證。

3 結(jié) 論

1）提出了基于溫度場(chǎng)云圖RGB顏色特征的儲(chǔ)糧監(jiān)管方法。根據(jù)糧堆溫度場(chǎng)在時(shí)間序列上的相關(guān)性，采用RGB顏色特征分布直方圖計(jì)算相鄰時(shí)間同一平面溫度場(chǎng)云圖的相似度，根據(jù)相似度檢測(cè)結(jié)果判定糧堆是否異常，實(shí)現(xiàn)了儲(chǔ)糧監(jiān)管。

2）進(jìn)行了儲(chǔ)糧監(jiān)管模擬試驗(yàn)。模擬5種糧食被更換的異常，采用基于RGB顏色特征的算法進(jìn)行檢測(cè)試驗(yàn)，同時(shí)采用基于LBP紋理特征的算法進(jìn)行對(duì)比檢測(cè)，結(jié)果顯示基于云圖RGB顏色特征的算法平均查全率為98.6%，平均查準(zhǔn)率為97.3%，其運(yùn)行速率約為320 ms/次，基于云圖LBP紋理特征的算法平均查全率為97.3%，平均查準(zhǔn)率為96.2 %，其運(yùn)行速率約為540 ms/次。綜合查全率、查準(zhǔn)率與算法運(yùn)行速度，基于溫度場(chǎng)云圖RGB顏色特征的檢測(cè)算法更加適合儲(chǔ)糧監(jiān)管。

3）進(jìn)行了儲(chǔ)糧監(jiān)管試驗(yàn)驗(yàn)證。試驗(yàn)結(jié)果表明：基于溫度場(chǎng)云圖RGB顏色特征的算法不僅能夠?qū)崿F(xiàn)儲(chǔ)糧數(shù)量監(jiān)管，同時(shí)能夠檢測(cè)出糧堆局部溫度異常變化。

[1] Gonzales H B, Armstrong P R, Maghirang R G. Simultaneous monitoring of stored grain with relative humidity, temperature, and carbon dioxide sensors[J]. Applied Engineering in Agriculture, 2009, 25(4): 595－604.

[2] Neethirajan S, Freund M S, Jayas D S, et al. Development of carbon dioxide (CO2) sensor for grain quality monitoring[J]. Biosystems Engineering, 2010, 106(4): 395－404.

[3] Zhou H, Liu J, Jayas D S, et al. Distributed parameter model predictive control method for forced air ventilation through stored grain[J]. Applied Engineering in Agriculture, 2014, 30(4): 593－600.

[4] Hammami F, Mabrouk S B, Mami A. Modelling and simulation of heat exchange and moisture content in a cereal storage silo[J]. Mathematical & Computer Modelling of Dynamical Systems, 2016, 22(3): 1－14.

[5] 陳思羽. 基于絕對(duì)水勢(shì)的儲(chǔ)糧濕熱遷移及通風(fēng)管理的研究[D]. 長春：吉林大學(xué)，2016.

[6] 陳龍，吳文福，秦驍，等. 基于絕對(duì)水勢(shì)圖的糧倉遠(yuǎn)程智能通風(fēng)測(cè)控系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(4)：299－305.

Chen Long, Wu Wenfu, Qin Xiao, et al. Remote intelligent measurement and control system for granary ventilation based on absolute water potential diagram[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 299－305. (in Chinese with English abstract)

[7] Lawrence J, Maier D E, Hardin J, et al. Development and validation of a headspace model for a stored grain silo filled to its eave[J]. Journal of Stored Products Research, 2012, 49: 176－183.

[8] Abalone R, Gastón A, Bartosik R, et al. Gas concentration in the interstitial atmosphere of a wheat silo-bag. Part I: Model development and validation[J]. Journal of Stored Products Research, 2011, 47(4): 268－275.

[9] 趙新蕖，劉亞卓，張麗偉. 基于改進(jìn)的GM(2,1)模型的糧倉溫濕度預(yù)測(cè)[J]. 中國糧油學(xué)報(bào)，2012，27(8)：85－87，97.

Zhao Xinqu, Liu Yazhuo, Zhang Liwei. The forecasts of temperature and humidity of the barn based on the improved GM(2,1)[J]. Journal of the Chinese Cereals and Oils Association, 2012, 27(8): 85－87,97. (in Chinese with English abstract)

[10] 梁琨，沈明霞，路順濤，等. 基于平衡水分模型的稻谷含水率實(shí)時(shí)監(jiān)測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(1)：125－130.

Liang Kun, Shen Mingxia, Lu Shuntao, et al. Real-time monitoring system for grain moisture content based on equilibrium moisture model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(1): 125－130. (in Chinese with English abstract)

[11] 林鷹. 儲(chǔ)備糧智能監(jiān)管與稽核系統(tǒng)關(guān)鍵技術(shù)研究[D]. 天津：天津大學(xué)，2008.

Lin Ying. Rearch on the Key Technologies of Reserved Grain Intelligent Supervision and Audit System[D]. Tianjian: Tianjin University, 2008. (in Chinese with English abstract)

[12] 張昌彩. 國外糧食儲(chǔ)備管理及其對(duì)我國的啟示[J]. 經(jīng)濟(jì)研究參考，2004，24：33－43.

Zhang Changcai. The management of foreign grain reserve and its enlightenment to China[J]. Review of Economic Research, 2004, 24: 33－43. (in Chinese with English abstract)

[13] 唐為明. 加拿大的糧食流通技術(shù)[J]. 糧油科技，2003(3)：2－7.

Tang Weiming. Food circulation technology in Canada[J]. Science and Technology of Grain and Oil, 2003(3): 2－7. (in Chinese with English abstract)

[14] 王鐵濱，蘇建民，白玲，等. 數(shù)字林業(yè)智能地衡管理系統(tǒng)設(shè)計(jì)[J]. 林業(yè)機(jī)械與木工設(shè)備，2007，35(1)：34－36.

Wang Tiebin, Su Jianmin, Bai Ling, et al. Design of digital forestry intelligent land balance management system[J]. Forestry Machinery & Woodworking Equipment, 2007, 35(1): 34－36. (in Chinese with English abstract)

[15] 汪志明，徐亞明，汪志良，等. GPS RTK技術(shù)在武鋼堆料場(chǎng)礦料體積測(cè)量中的應(yīng)用[J]. 測(cè)繪信息與工程，2003，28(1)：13－14.

Wang Zhiming, Xu Yaming, Wang Zhiliang, et al. Software of plumb line monitoring system and its application[J]. Journal of Geomatics,2003, 28(1): 13－14. (in Chinese with English abstract)

[16] 李集田，賈欣志，檀慧明. 一種大面積煤堆體積自動(dòng)檢測(cè)系統(tǒng)[J]. 光學(xué)機(jī)械，1991(5)：39－45.

Li Jitian, Jia Xinzhi, Tan Huiming. An automatic system used to measure volumes of large heaps of coal[J]. Optics and Precision Engineering, 1991(5): 39－45. (in Chinese with English abstract)

[17] 陳得民，張?jiān)? 基于壓力傳感器網(wǎng)絡(luò)的糧倉儲(chǔ)糧數(shù)量監(jiān)測(cè)系統(tǒng)[J]. 微計(jì)算機(jī)信息，2009，25(5)：142－143.

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

[18] Chaudhury A R, Pantazis A K, Chronis N. An image contrast-based pressure sensor[J]. Sensors and Actuators A:Physical, 2016, 245: 63－67.

[19] 秦瑤，陳潔，方廣有，等. 雷達(dá)層析成像技術(shù)對(duì)糧倉儲(chǔ)量信息的探測(cè)[J]. 電波科學(xué)學(xué)報(bào)，2010，25(1)：66－72，201.

Qing Yao, Chen Jie, Fang Guangyou, et al. Radar tomography technology to detect reserves of barn[J]. Chinese Journal of Radio Science, 2010, 25(1): 66－72, 201. (in Chinese with English abstract)

[20] Wang Y T, Feng H Y. Effects of scanning orientation on outlier formation in 3D laser scanning of reflective surfaces[J]. Optics and Lasers in Engineering, 2016, 81: 31－45.

[21] 祝玉華，陳軍濤，甄彤，等. 儲(chǔ)糧數(shù)量檢測(cè)技術(shù)研究進(jìn)展[J]. 河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，37(6)：116－122.

Zhu Yuhua, Chen Juntao, Zhen Tong, et al. Present situation and prospect of grain storage quantity detection technology[J]. Journal of Henan University of Technology, 2016, 37(6): 116－122. (in Chinese with English abstract)

[22] 尹君，吳子丹，張忠杰，等. 不同倉型的糧堆溫度場(chǎng)重現(xiàn)及對(duì)比分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(1)：281－287.

Yin Jun, Wu Zidan, Zhang Zhongjie, et al. Comparison and analysis of temperature field reappearance in stored grain of different warehouses[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 281－287. (in Chinese with English abstract)

[23] Murala S, Wu Q M J. Spherical symmetric 3D local ternary patterns for natural,texture and biomedical image indexing and retrieval[J]. Neurocomputing, 2015, 149: 1502－1514.

[24] Huang M, Huazhong S, Yaqiong M, et al.Content-based image retrieval technology using multi-feature fusion[J]. Optik-International Journal for Light and Electron Optics, 2016, 126(19): 2144－2148.

[25] Ghosh S, Ghosh A. Content based retrieval of malaria positive images from a clinical database via recognition in RGB colour space[J]. Advances in Intelligent Systems and Computing, 2014, 249(2): 1－8.

[26] Yan Z, Fanzhi Z, Zhao H M. An image retrieval algorithm based on hierarchical compressive sensing in HSV space[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2016, 3(55): 77－82.

[27] 吳瑞林，王建中，袁克海. 多分格相關(guān)與皮爾遜相關(guān)的蒙特卡羅仿真[J]. 北京航空航天大學(xué)學(xué)報(bào)，2009，35(12)：1507－1510，1515.

Wu Ruilin, Wang Jianzhong, Yuan Kehai. Monte Carlo simulation of polychoric correlation and Pearson correlation coefficient[J]. Journal of Beijing University of Aeronautics and Astronautics, 2009, 35(12): 1507－1510, 1515. (in Chinese with English abstract)

[28] Ojala T, Pietikainen M, Harwood D. A comparative study of texture measures with classification based on featured distributions[J]. Pattern Recognition, 1996, 29(1): 51－59.

[29] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971－987. (in Chinese with English abstract)

[30] 崔宏偉，吳文福，吳子丹，等. 基于糧溫時(shí)空相關(guān)性的儲(chǔ)糧數(shù)量監(jiān)管方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50(1)：321－330. Cui Hongwei, Wu Wenfu, Wu Zidan, et al. Reserves monitoring method for grain storage based on temporal and spatial correlation of crain temperature[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 321－330. (in Chinese with English abstract)

[31] 陳桂香，王海濤，張虎. 通風(fēng)過程中糧堆內(nèi)熱濕傳遞及霉變預(yù)測(cè)CFD研究[J]. 中國糧油學(xué)報(bào)，2015，30(7)：85－90.

Chen Guixiang, Wang Haitao, Zhang Hu. CFD study on heat and moisture transfer and mildew prediction of stored grains in the ventilation process[J]. Journal of the Chinese Cereals and Oils Association, 2015, 30(7): 85－90. (in Chinese with English abstract)

[32] 尹君，吳子丹，張忠杰，等. 基于多場(chǎng)耦合理論淺析淺圓倉局部結(jié)露機(jī)理[J]. 中國糧油學(xué)報(bào)，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)

Monitoring method of stored grain quantity based on temperature field cloud maps

Cui Hongwei, Wu Wenfu, Wu Zidan※, Han Feng, Zhang Na, Wang Yujia

(,,130022,)

A reliable method of grain storage supervision can effectively guarantee the quantity of grain storage in and out of warehouses according to plan and reduce the loss of unplanned entry and exit. In recent years, there has been a method of monitoring grain storage by video equipment, but the security of storage and management of video surveillance is poor and inconvenient to use. In this paper, we proposed a method for grain storage supervision based on the similarity of RGB color features of temperature field cloud map. Firstly, the historical grain data of the grain storage was called and pre-processed to remove the random code, error and other data. According to the correlation of the temperature at the adjacent temperature measurement points, the grain temperature data of each plane in the grain bulk was interpolated and the temperature field cloud map was generated. Then the similarity of the temperature field cloud map at the adjacent days was calculated by the similarity algorithm based on the RGB color feature distribution, similarity threshold was set according to the similarity of cloud maps during normal storage. Finally, the abnormal movement in the grain bulk was judged according to the similarity threshold. In order to verify the feasibility of grain storage regulation based on similarity of temperature field cloud map, five kinds of abnormal movement in grain bulk were simulated. The five kinds of abnormal movement respectively were: the half part of the grain bulk at right side and latter side, the quarter part of the grain bulk at right side and the latter side, and overall of the grain bulk. Similarity algorithm based on the RGB color feature distribution was used to detect abnormal movement of grain bulk. Meanwhile, the method based on the similarity of LBP texture feature was also used to compare with the method, the results showed that the mean of recall rate of the method based on the RGB color feature distribution was 98.6%, the mean of precision rate was 97.3%, and the operation speed was about 320 ms/time. The mean of recall rate of the similarity detection algorithm based on the LBP texture feature was 97.3%, the mean of precision rate was 96.2% and the operation speed was about 540 ms/time. The data were analyzed by analysis of variance, the results showed that the influence of anomaly types and temperature plane on recall rate was very significant and the influence of abnormal type on precision rate was very significant, and the influence of temperature measurement plane on precision rate was not significant. Taking into precision rate, recall rate and algorithm speed consideration, similarity detection algorithm of cloud map based on RGB color feature distribution was more suitable for the detection of grain storage supervision. The test of grain storage supervision was carried out, and the results showed that the algorithm can not only regulate the grain storage, but also detect the local heat in the grain bulk. The purpose of this study was to lay the foundation for a reliable and simple regulatory approach to grain storage regulation.

grain; storage; temperature sensor; temperature field cloud map; RGB color features; similarity; LBP texture feature

崔宏偉，吳文福，吳子丹，韓 峰，張 娜，王雨佳. 基于溫度場(chǎng)云圖的儲(chǔ)糧數(shù)量監(jiān)控方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(4)：290－298. doi：10.11975/j.issn.1002-6819.2019.04.036 http://www.tcsae.org

Cui Hongwei, Wu Wenfu, Wu Zidan, Han Feng, Zhang Na, Wang Yujia. 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): 296－298. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.04.036 http://www.tcsae.org

2018-09-23

2019-01-30

國家重點(diǎn)研發(fā)計(jì)劃子課題（2017YFD0401003-3）

崔宏偉，博士生，主要從事糧食信息化與自動(dòng)化研究。Email：chw19900405@126.com

吳子丹，研究員，博士生導(dǎo)師，主要從事糧食儲(chǔ)藏與運(yùn)輸研究。Email：Wuzidan91@163.com

10.11975/j.issn.1002-6819.2019.04.036

S24; TP391.4

A

1002-6819(2019)-04-0290-09