物联网技术与仓储烟叶智能监测方法

摘要：为对烟叶仓储中的霉变状态进行全方面的快速检测，解决传统霉变检测手段流程复杂需要人工判定的问题，基于物联网技术与BP神经网络算法搭建了一套烟叶仓储环境特定参数的监测平台，从而实现对仓储烟叶霉变状态的智能监测。首先，设计了烟叶仓储环境数据采集终端和手持无线中继器，手持无线中继器用于唤醒数据采集终端，并利用无线射频传输的方式获取终端采集的环境参数，同时通过GPRS将数据发送到服务器，服务器完成数据解析处理。之后，基于BP神经网络算法建立了烟叶状态识别模型，通过对所采集环境参数进行分析处理，得出烟叶状态，并通过仿真试验验证了模型的有效性。最后，开发并完成了烟叶仓储环境智能监测信息管理系统，实现烟叶环境参数和烟叶霉变状态的直观显示和报警。测试结果表明，利用物联网技术并结合BP神经网络算法，能够有效地完成仓储烟叶霉变状态的监测，具有一定的实际应用价值。

关键词：仓储烟叶；BP神经网络；物联网技术；霉变状态监测

烟叶经过初烤、复烤工序后将其贮存在仓库中，在存储过程中烟叶会发生自然醇化，醇化后的烟叶品质在燃吸性、香味、颜色等方面得到了一定的改善。但是由于烟叶自然醇化周期较长，烟叶在储藏过程中容易发生霉变，霉变后的烟叶品质大大降低，失去其使用价值，每年因烟叶霉变给烟草公司带来了巨大的经济损失，因此，仓储烟叶霉变监测方法研究具有重要的经济价值和应用意义。传统的烟叶霉变主要依靠人工进行检测，通常采用眼看、手捏、鼻闻等方式判断烟叶的霉变程度［1，2］。在仓储环境下烟叶霉变的位置相对隐蔽，仓库管理人员并不能及时发现烟叶霉变的迹象，从而导致霉变在烟堆中扩散。目前，对于烟叶霉变检测方法的研究取得了一定的进展。Yang等［3］利用近红外漫反射光谱法实现对烟叶霉变的预测；毛雪峰等［4］设计并实现了基于电子鼻技术的烟叶霉变提前预警系统；刘斌等［5］利用机器视觉技术进行多特征信息融合实现对烟叶霉变的识别。上述检测方式虽然具有一定的检测效果，但是难以应用于大范围的仓储烟叶霉变的监测，因此，本研究基于物联网技术实现对仓储环境下的烟叶霉变状态监测，及时有效地发现烟叶霉变现象，提高烟叶的醇化质量，减少经济损失。

1烟叶霉变因素分析

烟叶霉变产生的原因主要包含内因和外因两大因素。由于烟叶具有较强的吸湿性，且烟叶中含有霉菌生长繁殖所需要的营养物质，主要包含糖类等简单的碳水化合物以及复杂的有机物。烟叶中还包含含氮化合物、矿物质等，均能为霉菌的生长繁殖提供养料。同时，烟叶中含有一定的水分，适宜的水分避免烟叶在存储过程中发生破碎，当烟叶含水率超过安全范围后，霉菌就会开始大量繁殖，从而导致烟叶发生霉变。烟叶在存储的过程中，适宜的温、湿度仓储环境会为霉菌的生长繁殖提供合适的条件。大多数霉菌的生长繁殖都需要有一定的温度条件（表1）。不同种类霉菌发育所需的温度范围不同，且范围较宽，最低为8℃，最高为50℃，适宜温度范围一般在30~37℃。并且不同种类的霉菌所适宜的湿度条件也有所不同，曲霉为95%左右，青霉为90%左右。较大的湿度以及适宜霉菌生长的温度是烟叶霉变的外部因素。烟叶自身水分大于13%、环境湿度大于75%均会增强烟叶及相关微生物的呼吸作用，从而引起烟叶温度的升高，严重时引起烟叶的积热、碳化、霉变［6］。当发生霉变时，霉菌繁殖会消耗烟叶自身的营养物质，同时与外界进行气体交换，导致烟叶仓储环境会发生改变。因此，通过对烟叶存储环境的温、湿度以及霉变特征气体综合检测，即可判断烟叶是否发生霉变。

2仓储烟叶状态监测方法设计

2.1总体设计

基于物联网技术的仓储烟叶霉变智能监测方法主要包含3大部分：第一部分为仓储环境信息采集终端，主要由系统主控板、气体传感器阵列以及无线射频传输模块组成，终端设备部署在烟堆内部，负责采集烟堆周围的环境信息，包括烟堆内部的温度、湿度信息以及烟堆挥发出来的相关气体浓度信息；第二部分为无线手持中继器，主要由系统主控板、无线射频传输模块、数据显示模块、GPRS模块组成，中继器负责接收终端设备的采集数据，当仓库管理人员手持中继设备靠近待监测烟堆附近，终端设备与中继器通过无线射频模块成功建立连接后，将采集到的烟堆环境信息发送给中继器，中继器接收到终端设备发送过来的数据后，将数据显示在屏幕中，同时通过GPRS模块把数据发送到远端数据监测服务器；第三部分为数据监测管理中心服务器，当服务器接收到中继器发送过来的采集数据后，数据实时显示在管理中心页面中，同时把发送过来的数据输入到已经训练完成的BP神经网络模型进行烟叶霉变状态的预测，并将预测后的结果显示在管理中心页面中，若预测烟叶状态为霉变状态，则对数据进行标记，并发出警报信息提醒仓库管理人员。监测方法示意如图1所示.

2.2试验设备

本研究试验仪器由课题组自主研制，包括数据采集终端与手持无线中继器［7］。采集终端与中继器的主控芯片型号均采用STM32F103C8T6，终端气体传感器阵列由AM2320型温湿度传感器、MH-Z19B型二氧化碳传感器、TGS822型乙醇传感器组成。终端与中继器通过无线射频模块nRF24L01建立传输通道，完成数据的本地传输。中继器的显示模块选用LCD12864，用于显示终端设备传输的数据信息，无线传输模块选用SIM900A模组，与远端服务器建立通讯，完成数据的传输工作。系统硬件结构如图2所示。

2.3试验方法

选用样本由云南省某卷烟厂提供，以烟叶中出现的霉点作为烟叶霉变程度的区分依据。若烟叶表面未发现肉眼可见的霉点和菌丝体，则将其定义为正常烟叶；若烟叶表面中的霉点和菌丝体≤5，则将其定义为轻度霉变烟叶；若烟叶表面出现的霉点和菌丝体＞5，则将其定义为中度霉变烟叶。3种等级烟叶样本如图3所示。试验在自行搭建的模拟箱环境中进行。首先将烟叶样本放置在实验箱中，打开数据采集终端的电源开关，确保设备处于正常工作状态，并放置在实验箱内。密封实验箱3h，待样本烟叶挥发的气体处于稳定状态，此时打开手持无线中继器，与采集终端建立连接后，数据采集终端对3种状态的烟叶分别以30s/次的频率进行72h的数据采集，中继器将接收到的采集数据上传至服务器中，服务器完成数据的解析与存储。3种试验烟叶样本，总共采集3个批次的样本数据，每完成一次样本的采集工作后对实验箱中的气体进行清洗，防止影响下一次样本的采集工作。模拟烟叶仓储环境如图4所示。

3仓储烟叶状态识别模型设计

由于烟叶在霉变过程中挥发出来的气体浓度是不确定、非线性的，一般的识别模型并不能准确区分烟叶的霉变状态。BP神经网络具有较强的非线性映射能力，并且在网络训练的过程中具有自学习和自适应能力，泛化和容错能力强，在解决一些非线性问题上具有较强的优势。因此，本研究选用BP神经网络模型作为烟叶霉变状态的预测模型［8］。

3.1仓储烟叶状态识别模型结构设计

模型的输入节点数量为4，各个节点的输入参数为数据采集终端中气体阵列传感器所采集到的电压值，电压值的大小可以反映气体的浓度。因此，输入层参数分别为温度、湿度、二氧化碳和乙醇传感器采集的电压值。本试验中烟叶样本的状态总共有3类，分别为正常烟叶、轻度霉变烟叶和中度霉变烟叶，3种烟叶状态分别用数字0、1、2表示，因此输出层节点数量设置为1。当前BP神经网络结构为4-X-1，其中，隐含层节点数量未知。具体的网络结构模型如图5所示。当BP神经网络的输入层节点数量为m，输出层节点数量为n时，则隐藏层节点数量s可由式（1）计算得出。其中，变量b的取值范围为1-9。（1）在此模型结构中，m的值设定为4，n的值设定为1，隐藏层节点的数量范围在3-10。隐藏层的节点数量一般设置为5-8，最终隐藏层的节点数量根据模型训练仿真结果进行择优选择［9］。

3.2仓储烟叶状态识别模型训练仿真

分别对3种烟叶状态进行分批次的数据采集，每种状态的烟叶数据共采集4000组，将其数据中的90%作为网络模型的训练样本，10%作为测试样本。由于终端设备所采集的各个传感器数值的量程不同，因此在进行数据输入之前，需要对输入数据进行归一化预处理，将其统一在同一个数量级中，具体归一化公式如式（2）所示。（2）其中，xi为样本数据中的第i个值，xmin表示样本数据中的最小值，xmax代表样本数据中的最大值。使用MATLAB对其进行仿真试验，设置试验目标误差为0.001，网络的训练次数最大设置为6000。在隐藏层中使用logsig非线性函数作为神经元的激活函数，使用traingdx作为网络的训练函数。为使模型的性能达到最优，分别设置不同的隐藏层节点的数量和网络训练次数进行对比，以模型的训练误差作为判别指标。当隐藏层节点设置为6，网络训练次数设定为2000时，模型的训练误差最小。因此，最终确定网络模型结构为4-6-1，在此结构下，模型的训练误差曲线如图6所示。模型在经过1200轮次左右的训练后，达到试验设定的目标误差。

3.3仓储烟叶状态识别模型验证

完成模型的训练后，需要对模型的可靠性进行相应验证。分别选用3种状态烟叶的测试样本进行测试。当模型输出值的范围为0—1，则判定烟叶的状态为正常烟叶；当输出值的范围为1—2，则判定烟叶的状态为轻度霉变；当输出值的范围为2—3，则判定烟叶的状态为中度霉变，部分对比验证结果如图7所示。对模型共进行5次测试，模型的识别准确率选用多次测试的平均值，最终得到模型的识别准确率为98.4%，本研究所提模型具有较高的识别率。

4智能监测信息管理系统设计

管理人员通过智能监测信息管理系统可以实时查看前端硬件传输过来的采集数据，数据通过服务端解析处理后，若出现异常数据则进行相应判断处理，同时当后端模型预测当前烟垛发生霉变时，进行相应的报警处理。具体设计的信息管理系统界面如图8所示［10］。

5系统功能测试

测试环节在模拟烟叶仓储环境下进行。首先分别将3种状态下的烟叶与数据采集终端一同放入实验箱内，封箱3h后，等待箱内参数稳定，打开手持无线中继器，与采集终端建立无线连接，终端所采集的数据通过中继器转发到数据监测服务器，服务器对数据进行解析处理，并将已处理的数据加载到已经训练好的烟叶状态识别模型中，识别当前烟叶状态。打开智能监测信息管理系统页面，信息管理系统监测到的烟叶状态与当前烟叶状态一致。具体测试环境与结果如图9所示。

6小结

本研究利用物联网技术结合BP神经网络算法，设计了一种针对仓储烟叶霉变状态的智能监测系统，通过在烟堆内部署数据采集终端，利用手持无线中继器接收终端采集的数据，并通过GPRS网络传输至监控中心数据服务器，服务器对上传数据进行解析后，将仓库环境参数以及烟叶状态实时显示在系统界面中，当识别到烟叶为霉变状态时，系统向管理人员发出警报信息。测试结果表明，本研究所提方法可以很好地监测烟叶仓储环境信息并识别出烟叶的霉变状态，从而可有效地预防烟叶霉变的发生，提高了烟叶仓储管理效率。

作者：张竞超 翟乃琦 王一博 云利军 单位：云南师范大学信息学院