導語：物聯(lián)網(wǎng)技術與倉儲煙葉智能監(jiān)測方法一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：為對煙葉倉儲中的霉變狀態(tài)進行全方面的快速檢測，解決傳統(tǒng)霉變檢測手段流程復雜需要人工判定的問題，基于物聯(lián)網(wǎng)技術與BP神經(jīng)網(wǎng)絡算法搭建了一套煙葉倉儲環(huán)境特定參數(shù)的監(jiān)測平臺，從而實現(xiàn)對倉儲煙葉霉變狀態(tài)的智能監(jiān)測。首先，設計了煙葉倉儲環(huán)境數(shù)據(jù)采集終端和手持無線中繼器，手持無線中繼器用于喚醒數(shù)據(jù)采集終端，并利用無線射頻傳輸?shù)姆绞将@取終端采集的環(huán)境參數(shù)，同時通過GPRS將數(shù)據(jù)發(fā)送到服務器，服務器完成數(shù)據(jù)解析處理。之后，基于BP神經(jīng)網(wǎng)絡算法建立了煙葉狀態(tài)識別模型，通過對所采集環(huán)境參數(shù)進行分析處理，得出煙葉狀態(tài)，并通過仿真試驗驗證了模型的有效性。最后，開發(fā)并完成了煙葉倉儲環(huán)境智能監(jiān)測信息管理系統(tǒng)，實現(xiàn)煙葉環(huán)境參數(shù)和煙葉霉變狀態(tài)的直觀顯示和報警。測試結果表明，利用物聯(lián)網(wǎng)技術并結合BP神經(jīng)網(wǎng)絡算法，能夠有效地完成倉儲煙葉霉變狀態(tài)的監(jiān)測，具有一定的實際應用價值。

關鍵詞：倉儲煙葉；BP神經(jīng)網(wǎng)絡；物聯(lián)網(wǎng)技術；霉變狀態(tài)監(jiān)測

煙葉經(jīng)過初烤、復烤工序后將其貯存在倉庫中，在存儲過程中煙葉會發(fā)生自然醇化，醇化后的煙葉品質在燃吸性、香味、顏色等方面得到了一定的改善。但是由于煙葉自然醇化周期較長，煙葉在儲藏過程中容易發(fā)生霉變，霉變后的煙葉品質大大降低，失去其使用價值，每年因煙葉霉變給煙草公司帶來了巨大的經(jīng)濟損失，因此，倉儲煙葉霉變監(jiān)測方法研究具有重要的經(jīng)濟價值和應用意義。傳統(tǒng)的煙葉霉變主要依靠人工進行檢測，通常采用眼看、手捏、鼻聞等方式判斷煙葉的霉變程度［1，2］。在倉儲環(huán)境下煙葉霉變的位置相對隱蔽，倉庫管理人員并不能及時發(fā)現(xiàn)煙葉霉變的跡象，從而導致霉變在煙堆中擴散。目前，對于煙葉霉變檢測方法的研究取得了一定的進展。Yang等［3］利用近紅外漫反射光譜法實現(xiàn)對煙葉霉變的預測；毛雪峰等［4］設計并實現(xiàn)了基于電子鼻技術的煙葉霉變提前預警系統(tǒng)；劉斌等［5］利用機器視覺技術進行多特征信息融合實現(xiàn)對煙葉霉變的識別。上述檢測方式雖然具有一定的檢測效果，但是難以應用于大范圍的倉儲煙葉霉變的監(jiān)測，因此，本研究基于物聯(lián)網(wǎng)技術實現(xiàn)對倉儲環(huán)境下的煙葉霉變狀態(tài)監(jiān)測，及時有效地發(fā)現(xiàn)煙葉霉變現(xiàn)象，提高煙葉的醇化質量，減少經(jīng)濟損失。

1煙葉霉變因素分析

煙葉霉變產生的原因主要包含內因和外因兩大因素。由于煙葉具有較強的吸濕性，且煙葉中含有霉菌生長繁殖所需要的營養(yǎng)物質，主要包含糖類等簡單的碳水化合物以及復雜的有機物。煙葉中還包含含氮化合物、礦物質等，均能為霉菌的生長繁殖提供養(yǎng)料。同時，煙葉中含有一定的水分，適宜的水分避免煙葉在存儲過程中發(fā)生破碎，當煙葉含水率超過安全范圍后，霉菌就會開始大量繁殖，從而導致煙葉發(fā)生霉變。煙葉在存儲的過程中，適宜的溫、濕度倉儲環(huán)境會為霉菌的生長繁殖提供合適的條件。大多數(shù)霉菌的生長繁殖都需要有一定的溫度條件（表1）。不同種類霉菌發(fā)育所需的溫度范圍不同，且范圍較寬，最低為8℃，最高為50℃，適宜溫度范圍一般在30~37℃。并且不同種類的霉菌所適宜的濕度條件也有所不同，曲霉為95%左右，青霉為90%左右。較大的濕度以及適宜霉菌生長的溫度是煙葉霉變的外部因素。煙葉自身水分大于13%、環(huán)境濕度大于75%均會增強煙葉及相關微生物的呼吸作用，從而引起煙葉溫度的升高，嚴重時引起煙葉的積熱、碳化、霉變［6］。當發(fā)生霉變時，霉菌繁殖會消耗煙葉自身的營養(yǎng)物質，同時與外界進行氣體交換，導致煙葉倉儲環(huán)境會發(fā)生改變。因此，通過對煙葉存儲環(huán)境的溫、濕度以及霉變特征氣體綜合檢測，即可判斷煙葉是否發(fā)生霉變。

2倉儲煙葉狀態(tài)監(jiān)測方法設計

2.1總體設計

基于物聯(lián)網(wǎng)技術的倉儲煙葉霉變智能監(jiān)測方法主要包含3大部分：第一部分為倉儲環(huán)境信息采集終端，主要由系統(tǒng)主控板、氣體傳感器陣列以及無線射頻傳輸模塊組成，終端設備部署在煙堆內部，負責采集煙堆周圍的環(huán)境信息，包括煙堆內部的溫度、濕度信息以及煙堆揮發(fā)出來的相關氣體濃度信息；第二部分為無線手持中繼器，主要由系統(tǒng)主控板、無線射頻傳輸模塊、數(shù)據(jù)顯示模塊、GPRS模塊組成，中繼器負責接收終端設備的采集數(shù)據(jù)，當倉庫管理人員手持中繼設備靠近待監(jiān)測煙堆附近，終端設備與中繼器通過無線射頻模塊成功建立連接后，將采集到的煙堆環(huán)境信息發(fā)送給中繼器，中繼器接收到終端設備發(fā)送過來的數(shù)據(jù)后，將數(shù)據(jù)顯示在屏幕中，同時通過GPRS模塊把數(shù)據(jù)發(fā)送到遠端數(shù)據(jù)監(jiān)測服務器；第三部分為數(shù)據(jù)監(jiān)測管理中心服務器，當服務器接收到中繼器發(fā)送過來的采集數(shù)據(jù)后，數(shù)據(jù)實時顯示在管理中心頁面中，同時把發(fā)送過來的數(shù)據(jù)輸入到已經(jīng)訓練完成的BP神經(jīng)網(wǎng)絡模型進行煙葉霉變狀態(tài)的預測，并將預測后的結果顯示在管理中心頁面中，若預測煙葉狀態(tài)為霉變狀態(tài)，則對數(shù)據(jù)進行標記，并發(fā)出警報信息提醒倉庫管理人員。監(jiān)測方法示意如圖1所示.

2.2試驗設備

本研究試驗儀器由課題組自主研制，包括數(shù)據(jù)采集終端與手持無線中繼器［7］。采集終端與中繼器的主控芯片型號均采用STM32F103C8T6，終端氣體傳感器陣列由AM2320型溫濕度傳感器、MH-Z19B型二氧化碳傳感器、TGS822型乙醇傳感器組成。終端與中繼器通過無線射頻模塊nRF24L01建立傳輸通道，完成數(shù)據(jù)的本地傳輸。中繼器的顯示模塊選用LCD12864，用于顯示終端設備傳輸?shù)臄?shù)據(jù)信息，無線傳輸模塊選用SIM900A模組，與遠端服務器建立通訊，完成數(shù)據(jù)的傳輸工作。系統(tǒng)硬件結構如圖2所示。

2.3試驗方法

選用樣本由云南省某卷煙廠提供，以煙葉中出現(xiàn)的霉點作為煙葉霉變程度的區(qū)分依據(jù)。若煙葉表面未發(fā)現(xiàn)肉眼可見的霉點和菌絲體，則將其定義為正常煙葉；若煙葉表面中的霉點和菌絲體≤5，則將其定義為輕度霉變煙葉；若煙葉表面出現(xiàn)的霉點和菌絲體＞5，則將其定義為中度霉變煙葉。3種等級煙葉樣本如圖3所示。試驗在自行搭建的模擬箱環(huán)境中進行。首先將煙葉樣本放置在實驗箱中，打開數(shù)據(jù)采集終端的電源開關，確保設備處于正常工作狀態(tài)，并放置在實驗箱內。密封實驗箱3h，待樣本煙葉揮發(fā)的氣體處于穩(wěn)定狀態(tài)，此時打開手持無線中繼器，與采集終端建立連接后，數(shù)據(jù)采集終端對3種狀態(tài)的煙葉分別以30s/次的頻率進行72h的數(shù)據(jù)采集，中繼器將接收到的采集數(shù)據(jù)上傳至服務器中，服務器完成數(shù)據(jù)的解析與存儲。3種試驗煙葉樣本，總共采集3個批次的樣本數(shù)據(jù)，每完成一次樣本的采集工作后對實驗箱中的氣體進行清洗，防止影響下一次樣本的采集工作。模擬煙葉倉儲環(huán)境如圖4所示。

3倉儲煙葉狀態(tài)識別模型設計

由于煙葉在霉變過程中揮發(fā)出來的氣體濃度是不確定、非線性的，一般的識別模型并不能準確區(qū)分煙葉的霉變狀態(tài)。BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力，并且在網(wǎng)絡訓練的過程中具有自學習和自適應能力，泛化和容錯能力強，在解決一些非線性問題上具有較強的優(yōu)勢。因此，本研究選用BP神經(jīng)網(wǎng)絡模型作為煙葉霉變狀態(tài)的預測模型［8］。

3.1倉儲煙葉狀態(tài)識別模型結構設計

模型的輸入節(jié)點數(shù)量為4，各個節(jié)點的輸入?yún)?shù)為數(shù)據(jù)采集終端中氣體陣列傳感器所采集到的電壓值，電壓值的大小可以反映氣體的濃度。因此，輸入層參數(shù)分別為溫度、濕度、二氧化碳和乙醇傳感器采集的電壓值。本試驗中煙葉樣本的狀態(tài)總共有3類，分別為正常煙葉、輕度霉變煙葉和中度霉變煙葉，3種煙葉狀態(tài)分別用數(shù)字0、1、2表示，因此輸出層節(jié)點數(shù)量設置為1。當前BP神經(jīng)網(wǎng)絡結構為4-X-1，其中，隱含層節(jié)點數(shù)量未知。具體的網(wǎng)絡結構模型如圖5所示。當BP神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)量為m，輸出層節(jié)點數(shù)量為n時，則隱藏層節(jié)點數(shù)量s可由式（1）計算得出。其中，變量b的取值范圍為1-9。（1）在此模型結構中，m的值設定為4，n的值設定為1，隱藏層節(jié)點的數(shù)量范圍在3-10。隱藏層的節(jié)點數(shù)量一般設置為5-8，最終隱藏層的節(jié)點數(shù)量根據(jù)模型訓練仿真結果進行擇優(yōu)選擇［9］。

3.2倉儲煙葉狀態(tài)識別模型訓練仿真

分別對3種煙葉狀態(tài)進行分批次的數(shù)據(jù)采集，每種狀態(tài)的煙葉數(shù)據(jù)共采集4000組，將其數(shù)據(jù)中的90%作為網(wǎng)絡模型的訓練樣本，10%作為測試樣本。由于終端設備所采集的各個傳感器數(shù)值的量程不同，因此在進行數(shù)據(jù)輸入之前，需要對輸入數(shù)據(jù)進行歸一化預處理，將其統(tǒng)一在同一個數(shù)量級中，具體歸一化公式如式（2）所示。（2）其中，xi為樣本數(shù)據(jù)中的第i個值，xmin表示樣本數(shù)據(jù)中的最小值，xmax代表樣本數(shù)據(jù)中的最大值。使用MATLAB對其進行仿真試驗，設置試驗目標誤差為0.001，網(wǎng)絡的訓練次數(shù)最大設置為6000。在隱藏層中使用logsig非線性函數(shù)作為神經(jīng)元的激活函數(shù)，使用traingdx作為網(wǎng)絡的訓練函數(shù)。為使模型的性能達到最優(yōu)，分別設置不同的隱藏層節(jié)點的數(shù)量和網(wǎng)絡訓練次數(shù)進行對比，以模型的訓練誤差作為判別指標。當隱藏層節(jié)點設置為6，網(wǎng)絡訓練次數(shù)設定為2000時，模型的訓練誤差最小。因此，最終確定網(wǎng)絡模型結構為4-6-1，在此結構下，模型的訓練誤差曲線如圖6所示。模型在經(jīng)過1200輪次左右的訓練后，達到試驗設定的目標誤差。

3.3倉儲煙葉狀態(tài)識別模型驗證

完成模型的訓練后，需要對模型的可靠性進行相應驗證。分別選用3種狀態(tài)煙葉的測試樣本進行測試。當模型輸出值的范圍為0—1，則判定煙葉的狀態(tài)為正常煙葉；當輸出值的范圍為1—2，則判定煙葉的狀態(tài)為輕度霉變；當輸出值的范圍為2—3，則判定煙葉的狀態(tài)為中度霉變，部分對比驗證結果如圖7所示。對模型共進行5次測試，模型的識別準確率選用多次測試的平均值，最終得到模型的識別準確率為98.4%，本研究所提模型具有較高的識別率。

4智能監(jiān)測信息管理系統(tǒng)設計

管理人員通過智能監(jiān)測信息管理系統(tǒng)可以實時查看前端硬件傳輸過來的采集數(shù)據(jù)，數(shù)據(jù)通過服務端解析處理后，若出現(xiàn)異常數(shù)據(jù)則進行相應判斷處理，同時當后端模型預測當前煙垛發(fā)生霉變時，進行相應的報警處理。具體設計的信息管理系統(tǒng)界面如圖8所示［10］。

5系統(tǒng)功能測試

測試環(huán)節(jié)在模擬煙葉倉儲環(huán)境下進行。首先分別將3種狀態(tài)下的煙葉與數(shù)據(jù)采集終端一同放入實驗箱內，封箱3h后，等待箱內參數(shù)穩(wěn)定，打開手持無線中繼器，與采集終端建立無線連接，終端所采集的數(shù)據(jù)通過中繼器轉發(fā)到數(shù)據(jù)監(jiān)測服務器，服務器對數(shù)據(jù)進行解析處理，并將已處理的數(shù)據(jù)加載到已經(jīng)訓練好的煙葉狀態(tài)識別模型中，識別當前煙葉狀態(tài)。打開智能監(jiān)測信息管理系統(tǒng)頁面，信息管理系統(tǒng)監(jiān)測到的煙葉狀態(tài)與當前煙葉狀態(tài)一致。具體測試環(huán)境與結果如圖9所示。

6小結

本研究利用物聯(lián)網(wǎng)技術結合BP神經(jīng)網(wǎng)絡算法，設計了一種針對倉儲煙葉霉變狀態(tài)的智能監(jiān)測系統(tǒng)，通過在煙堆內部署數(shù)據(jù)采集終端，利用手持無線中繼器接收終端采集的數(shù)據(jù)，并通過GPRS網(wǎng)絡傳輸至監(jiān)控中心數(shù)據(jù)服務器，服務器對上傳數(shù)據(jù)進行解析后，將倉庫環(huán)境參數(shù)以及煙葉狀態(tài)實時顯示在系統(tǒng)界面中，當識別到煙葉為霉變狀態(tài)時，系統(tǒng)向管理人員發(fā)出警報信息。測試結果表明，本研究所提方法可以很好地監(jiān)測煙葉倉儲環(huán)境信息并識別出煙葉的霉變狀態(tài)，從而可有效地預防煙葉霉變的發(fā)生，提高了煙葉倉儲管理效率。

作者：張競超 翟乃琦 王一博 云利軍 單位：云南師范大學信息學院