CN104331591A - 基于支持向量回归的粮仓储粮数量检测方法 - Google Patents

Abstract

本发明涉及基于支持向量回归的粮仓储粮数量检测方法，在粮仓底面上布置两圈压力传感器，检测各传感器的输出值，依据检测模型计算粮仓储粮重量估计本发明针对国家对全国储粮在线数量检测的迫切需要和检测的具体要求，根据粮仓底面压强分布与压强测量值变化特点，基于支持向量回归的粮仓储粮数量检测方法，所提出方法检测精度高，适应多种粮仓结构类型的储粮数量检测。

Description

基于支持向量回归的粮仓储粮数量检测方法

技术领域

本发明涉及一种粮仓储粮数量检测方法，特别涉及一种采用基于支持向量回归的粮仓储粮数量检测方法。属于传感器网络技术领域。

背景技术

粮食安全包括数量安全和质量安全。粮食数量在线检测技术与系统研究应用是国家粮食数量安全的重要保障技术，开展这方面的研究与应用事关国家粮食安全，具有重要的意义，并将产生巨大的社会经济效益。

由于粮食在国家安全中的重要地位，要求粮堆数量在线检测准确、快速和可靠。同时由于粮食数量巨大，价格底，要求粮堆数量在线检测设备成本低、简单方便。因此检测的高精度与检测系统的低成本是粮仓数量在线检测系统开发必需解决的关键问题。

与本发明相关专利包括：

(1)专利“基于压力传感器的粮库储粮数量检测方法”(专利授权号：ZL201010240167.7)，该发明专利的核心技术包括基于粮仓底面、侧面压力传感器输出均值的粮仓储粮数量的计算模型与具体系统标定方法。其显著特点是使用侧面压力传感器，需要压力传感器多，检测系统成本较高。

(2)专利“平房仓浅圆仓储粮数量检测方法”(专利授权号：ZL201210148522)，该发明专利的核心技术包括提出了基于底面压力传感器输出均值平方的侧面摩擦力影响的补偿、基于底面压力传感器输出均值的粮堆重量预测模型、基于粮食重量误差比的预测模型建模、快速系统标定等新方法。该方法特点是模型简单，仅利用底面压力传感器输出均值进行粮食重量检测。由于该模型没有充分考虑侧面压强与底面压强的相互转移问题，仅适用于大型粮仓。

发明内容

本发明的目的是提供一种采用基于支持向量回归的粮仓储粮数量检测方法，用以解决提供一种新的检测方案。

为实现上述目的，本发明的方案包括：

基于支持向量回归的粮仓储粮数量检测方法，步骤如下：

1)在粮仓底面上布置两组压力传感器，一组为内圈传感器，另一组为外圈传感器；外圈传感器靠近侧面墙间隔布置，内圈传感器均距离侧面墙设定距离且间隔布置；内圈传感器距离侧面墙距离为d，外圈传感器与侧面墙距离为D；

2)检测各传感器的输出值，依据检测模型(10)

$\hat{W}=A_B(\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_j\exp (-\mathrm{\γ}{\left|\right|Q_{\mathrm{BM}}-Q_{\mathrm{BM}}^j\left|\right|}^2)+b)---\left(10\right)$ 计算被检测粮仓储粮重量估计其中A_B为被检测粮仓底面面积，γ为大于0的参数；α_j,b为通过SVM训练所获得的参数，α_j≠0；为相应的支持向量点，j＝1,...,l，l为支持向量个数，；模型参数通过标定过程确定。

所述标定方法包括压力传感器标定：压力传感器输出值与压强的关系为

Q＝k₀+k₁s(Q)   (11)

其中，Q为所施压强；s(Q)为传感器输出值；k₀、k₁为传感器的标定系数。

按上述步骤1)所述布置方式，在多于6个粮仓中布置安装已标定的传感器，进粮至满仓并摊平，压力传感器输出值稳定后，采集各仓的压力传感器输出值，并根据各压力传感器的标定系数k₀、k₁，计算各传感器的压强值；由对于任意给定的被检测粮仓储粮数量W_m，被检测粮仓底面面积为其相应的项值可表示为 则相应的样本可表示为对于粮仓多种重量，则构成样本集为其中为被检测粮仓底面面积，M为样本数；根据样本集可采用支持向量回归学习算法建模。

所述d＞0且d＜1米，D>2米。

内圈传感器之间的间距不小于1米；外圈传感器之间的间距不小于1米。

本专利根据粮仓底面压强分布与压强测量值变化特点，提出了一种基于支持向量回归的粮仓储粮数量检测方法，核心技术包括基于支持向量回归的粮仓储粮数量检测模型、系统标定与建模方法两个部分。所提出方法具有检测精度高，通用性强，适应多种粮仓结构类型的储粮数量检测等特点。

本发明主要包括基于支持向量回归粮仓储粮数量检测模型、系统标定与建模方法，针对国家对全国储粮在线数量检测的迫切需要和检测的具体要求，根据粮仓底面压强分布与压强测量值变化特点，基于支持向量回归的粮仓储粮数量检测方法，所提出方法检测精度高，适应多种粮仓结构类型的储粮数量检测。

附图说明

图1平房仓底面压力传感器布置模型示意图；

图2筒仓底面压力传感器布置模型示意图；

图3本发明的检测模型示意图；

图4本发明的一种具体实施步骤示意图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明的粮食数量检测检测方法，涉及一种独特的基于支持向量回归的粮仓储粮数量检测模型，关于该模型获得的理论前提、对应的粮仓传感器布置、模型推导、系统标定和建模及一些数据，下面依次具体介绍。

1.粮仓重量理论检测模型

通常使用的粮仓有平房仓、浅圆仓、筒仓等类型，粮食入仓后，粮堆顶部要求摊平，平房仓粮堆形状大致上为不同尺寸的立方体，浅圆仓、筒仓粮堆形状大致上为不同尺寸的圆柱体。对于给定的粮仓和粮食种类，假设粮堆底面与侧面中s点的压强分别为Q_B(s)、Q_F(s)，则粮堆底面与侧面压强均值如为式(1)和式(2)所示。

${\stackrel{\‾}{Q}}_B\left(s\right)=\frac{1}{n_B}\underset{i=0}{\overset{n_B}{\mathrm{\Σ}}}{Q}_B\left(s_i\right)---\left(1\right)$

${\stackrel{\‾}{Q}}_F\left(s\right)=\frac{1}{n_F}\underset{j=0}{\overset{n_F}{\mathrm{\Σ}}}{Q}_F\left(s_j\right)---\left(2\right)$

其中，Q_B(s_i)为粮仓底面s_i点的压力传感器输出值，i＝1,...,n_B，n_B为粮仓底面所布置的压力传感器个数；Q_F(s_j)为粮仓侧面s_j点的压力传感器输出值，j＝1,...,n_F，n_F为粮仓侧面所布置的压力传感器个数。通过粮堆受力分析可以得出，粮仓粮堆重量与粮仓压强分布具有下式所示的关系。

$\hat{W}=A_B({\stackrel{\‾}{Q}}_B\left(s\right)+\frac{C_B}{A_B}{\mathrm{Hf}}_F{\stackrel{\‾}{Q}}_F\left(s\right))---\left(3\right)$

其中，为粮堆重量估计,A_B为粮仓底面面积，C_B为底面周长，H为粮堆高度，f_F(s)为粮堆侧面与粮仓侧面之间的平均摩擦系数； Q_B(s)、Q_F(s)分别为粮堆底面和侧面中s点的压强。

2.粮仓压力传感器布置

对于通常使用的平房仓和筒仓，在粮仓底面按外圈和内圈两圈布置压力传感器，如图1和图2所示，圆圈为压力传感器布置位置，外圈压力传感器均与侧面墙距离为d，内圈传感器均与侧面墙距离为D。显然当d＝0时，外圈处底面压强也是侧面底部的压强。因此可利用外圈压力传感器输出值描述大小，利用内圈压力传感器输出值描述大小。

实际实验表明，外圈压力传感器与侧面墙距离d＝0时，其压力传感器输出值描述的准确性提高，但输出值的波动性也明显增大，从而影响检测模型精度，因此为保证模型精度，可取d＞0米且d＜1米。内圈传感器与侧面墙距离D越大，压力传感器输出值描述的有效性提高，因此在方便装卸粮食的条件下，应适当增大D，因此可取D>2米，一般取3米左右。为了保证检测模型的通用性，各粮仓的内外圈压力传感器与侧面墙距离d和D应相同。两圈传感器个数均为6-10，传感器间距应不小于1m。

3.粮仓重量检测模型

对于图1和图2所示压力传感器布置，根据粮仓侧面和底面压强分布特点，可以构建

${\widehat{\stackrel{\‾}{Q}}}_B\left(s\right)=b_{B0}+b_{B1}{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right)+b_{B2}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2+b_{B3}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3+b_{B4}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^4---\left(4\right)$

$\frac{C_B}{A_B}{\widehat{\stackrel{\‾}{Q}}}_F\left(s\right)=b_{F0}+b_{F1}{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right)+b_{F2}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2$

$\hat{H}=b_{H0}+b_{H1}({\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right)+{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right))+b_{H2}{({\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right)+{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right))}^2$

代入式(3)整理后可得

$\begin{array}{c}\hat{W}=A_B(b_0+b_1{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right)+b_2{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2+b_3{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3{+b}_4{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^4\\ +b_5{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right)+b_6{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right)+b_7{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right)\\ +b_8{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2+b_9{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2+b_{10}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2\\ +b_{11}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3)+b_{12}{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3+b_{13}{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^4)\end{array}$

令

$\begin{array}{c}{\mathrm{\ψ}}_1={\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right),{\mathrm{\ψ}}_2={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2,{\mathrm{\ψ}}_3={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3,{\mathrm{\ψ}}_4={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^4,{\mathrm{\ψ}}_5={\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right),\\ {\mathrm{\ψ}}_6={\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right),{\mathrm{\ψ}}_7={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right),{\mathrm{\ψ}}_8={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2,{\mathrm{\ψ}}_9={\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2,\\ {\mathrm{\ψ}}_{10}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2,{\mathrm{\ψ}}_{11}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3,{\mathrm{\ψ}}_{12}={\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3,{\mathrm{\ψ}}_{13}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^4)\end{array}$

则有

$\hat{W}=A_B(b_0+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i{\mathrm{\ψ}}_i)---\left(8\right)$

其中n为项的个数，n＝13。通过分析比较式(7)中的各项特点与规律，可以进一步增加以下项。

$\begin{array}{c}{\mathrm{\ψ}}_{14}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right),{\mathrm{\ψ}}_{15}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^4{\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Outer}}\right),{\mathrm{\ψ}}_{16}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2,{\mathrm{\ψ}}_{17}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^4{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^2,\\ {\mathrm{\ψ}}_{18}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3,{\mathrm{\ψ}}_{19}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3,{\mathrm{\ψ}}_{20}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Innter}}\right)}^4{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^3,{\mathrm{\ψ}}_{21}={\stackrel{\‾}{Q}}_B\left(s_{\mathrm{Inner}}\right){\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^4,\\ {\mathrm{\ψ}}_{22}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^2{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^4,{\mathrm{\ψ}}_{23}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^3{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^4,{\mathrm{\ψ}}_{24}={\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Inner}}\right)}^4{\stackrel{\‾}{Q}}_B{\left(s_{\mathrm{Outer}}\right)}^4\end{array}$

因此，式(8)可表示为

$\hat{W}/A_B=f({\mathrm{\ψ}}_1,{\mathrm{\ψ}}_2,...,{\mathrm{\ψ}}_n)---\left(9\right)$

其中，A_B为粮堆底面面积,n＝24。

对于式(9)中各项，按照其顺序构造一个项序列Q_BM，Q_BM＝(ψ₁,ψ₂,...,ψ_n)。对于任意给定的被检测粮仓储粮数量W_m，被检测粮仓底面面积为其相应的项值可表示为 则相应的样本可表示为多个样本则构成样本集其中M为样本数。

由于式(9)所示的粮仓重量与压力传感器检测值的关系模型具有很高的非线性，同时压力传感器检测值也具有一定的随机性，为此，根据样本集可采用支持向量回归方法建模。

对于给定的粮仓、粮食种类和样本集S，将取值以及的各分量取值都规范到[-Δ,Δ]，其中Δ为常数，0＜Δ≤2，利用通常的支持向量机模型和训练算法，则可构造基于支持向量回归的粮仓重量检测模型为如下形式。

$\hat{W}=A_B(\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_j\exp (-\mathrm{\γ}{\left|\right|Q_{\mathrm{BM}}-Q_{\mathrm{BM}}^j\left|\right|}^2)+b)---\left(10\right)$

其中A_B为粮仓底面面积，γ为大于0的参数；β_j,b为通常支持向量机模型参数，可利用支持向量机训练算法获得，β_j≠0；为相应的支持向量点，j＝1,...,l，l为支持向量个数。图3为式(10)所示模型示意图。

式(10)为本发明提出的基于支持向量回归的粮仓重量检测模型。可以看出，该检测模型的粮仓重量预测值取决于为项值与支持向量点的距离，支持向量点为典型的样本点，因此这种检测模型具有基于模板的模式识别特征，具有很好的预测能力。

4.系统标定与建模方法

系统标定和检测模型建模按以下步骤进行：

(1)压力传感器标定

为了保证压力传感器的互换性，则需要针对不同粮食种类进行压力传感器标定，获得如下式所示的压力传感器输出值与压强的关系。

Q＝k₀+k₁s(Q)   (11)

其中，Q为所施压强；s(Q)为传感器输出值；k₀、k₁为传感器的标定系数。

(2)系统标定数据获取。利用图1和图2所示传感器布置模型，在多于6个粮仓中布置已标定的传感器，进粮至满仓并摊平，压力传感器输出值稳定后，采集各仓的压力传感器输出值，并根据各压力传感器的标定系数k₀、k₁，计算各传感器的压强值，并形成样本集其中，W_m为被检测粮仓进粮重量，为被检测粮仓底面面积，M为样本数。

(3)检测模型建模。

对于给定的样本集可采用通常的支持向量回归学习算法实现式(10)所示模型建模。实现式(10)模型建模过程属于常规技术手段，在此不再赘述。

5.检测实验与结果

实验所采用的平房仓长9m，宽4.2m，面积为37.8m²。筒仓直径为6m，面积为28.26m²。根据图1和图2所示的压力传感器布置模型，对于平房仓，沿长度方向布置2排压力传感器，每排15个，共30个。筒仓压力传感器分2圈布置，内圈15个，外圈20个，共35个。

对于所实验的每种粮食(小麦、稻谷)，平房仓每次实验中分6次进粮，每次进粮约1米并摊平。筒仓每次实验中分8次进粮，每次进粮约1米并摊平。

根据小麦筒仓3次实验数据，利用2次实验(实验1和2)数据作为建模样本，利用实验3数据作为测试样本。采用式(10)所示的基于支持向量回归模型构建粮仓重量预测模型，取支持向量训练参数C＝3,γ＝0.02，各次实验的粮仓储粮重量计算结果如表1至表3所示。

根据稻谷平房仓4次实验数据，利用3次实验(实验1、2和3)数据作为建模样本，利用实验4数据作为测试样本，采用式(10)所示的基于支持向量回归模型构建粮仓重量预测模型，取支持向量训练参数C＝3,γ＝0.02，各次实验的粮仓储粮重量计算结果如表4至表5所示。

从以上粮仓储粮重量计算结果可以看出，除储粮重量小情况外，其它检测点的检测结果比较理想。因此，这种粮仓储粮重量检测方法测量精度高，对传感器的性能要求也相对低，适用于多种结构类型粮仓储粮数量的检测。

具体的，本发明方法的实施步骤如图4所示，包括：

(1)系统配置

选定具体压力传感器，并配置相应的数据采集、数据传输等系统。

(2)底面压力传感器标定与安装

针对不同粮食种类进行压力传感器标定，获得压力传感器的标定系数k₀、k₁。平房仓传感器布置如图1所示，筒仓如图2所示，底面压力传感器按外圈和内圈两圈布置，外圈压力传感器均与侧面墙距离为d＞0且d＜1米，内圈传感器均与侧面墙距离D>2米。两圈传感器个数均为6-10，传感器间距应不小于1m。

(3)系统标定与建模

对于给定的传感器、粮食种类以及仓型，如果系统尚未有标定，则在多于6个粮仓中布置已标定的传感器，进粮至满仓并摊平，压力传感器输出值稳定后，采集各仓的压力传感器输出值，并根据各压力传感器的标定系数k₀、k₁，计算各传感器的压强值，并形成样本集其中，W_m为被检测粮仓进粮重量，为被检测粮仓底面面积，M为样本数。对于给定的样本集S，将取值以及的各分量取值都规范到[-Δ,Δ]，其中Δ为常数，0＜Δ≤2，并采用通常的支持向量回归学习算法实现式(10)所示模型建模。

(4)实仓重量检测。

如果系统已标定，检测底面压力传感器输出，根据各压力传感器的标定系数k₀、k₁，计算各传感器的压强值，并利用式(10)所示模型进行粮仓储粮数量检测。

以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于基本的建模和标定方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (5)

1.基于支持向量回归的粮仓储粮数量检测方法，其特征在于，步骤如下：

1)在粮仓底面上布置两组压力传感器，一组为内圈传感器，另一组为外圈传感器；外圈传感器靠近侧面墙间隔布置，内圈传感器均距离侧面墙设定距离且间隔布置；内圈传感器距离侧面墙距离为d，外圈传感器与侧面墙距离为D；

2)检测各传感器的输出值，依据检测模型(10)

$\hat{W}=A_B(\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_j\exp (-\mathrm{\γ}{\left|\right|Q_{\mathrm{BM}}-Q_{\mathrm{BM}}^j\left|\right|}^2)+b)---\left(10\right)$

计算被检测粮仓储粮重量估计其中A_B为被检测粮仓底面面积，γ为大于0的参数；α_j,b为通过SVM训练所获得的参数，α_j≠0；为相应的支持向量点，j＝1,...,l，l为支持向量个数，；模型参数通过标定过程确定。

2.根据权利要求1所述的粮仓储粮数量检测方法，其特征在于，所述标定方法包括压力传感器标定：压力传感器输出值与压强的关系为

Q＝k₀+k₁s(Q)   (11)

其中，Q为所施压强；s(Q)为传感器输出值；k₀、k₁为传感器的标定系数。

3.根据权利要求2所述的粮仓储粮数量检测方法，其特征在于，按上述步骤1)所述布置方式，在多于6个粮仓中布置安装已标定的传感器，进粮至满仓并摊平，压力传感器输出值稳定后，采集各仓的压力传感器输出值，并根据各压力传感器的标定系数k₀、k₁，计算各传感器的压强值；由对于任意给定的被检测粮仓储粮数量W_m，被检测粮仓底面面积为其相应的项值可表示为 则相应的样本可表示为对于粮仓多种重量，则构成样本集为其中为被检测粮仓底面面积，M为样本数；根据样本集可采用支持向量回归学习算法建模。

4.根据权利要求1所述的粮仓储粮数量检测方法，其特征在于，所述d＞0且d＜1米，D>2米。

5.根据权利要求3所述的粮仓储粮数量检测方法，其特征在于，内圈传感器之间的间距不小于1米；外圈传感器之间的间距不小于1米。