CN105424249A - 一种粮仓储粮状态的检测方法及其装置 - Google Patents

Abstract

本发明涉及一种粮仓储粮状态的检测方法及其装置。在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器，将粮仓储粮状态分为三类：进粮、储粮、出粮；构建粮仓储粮状态检测的分类特征向量，将三类状态转换成两类状态，即进粮分类问题和出粮分类问题，利用支持向量机构建粮仓储粮状态检测模型；然后，将压力传感器采集的数据代入到所建立的粮仓储粮状态检测模型，依据储粮状态分类原则即可判断粮仓储粮状态。本发明可以在线远程同时检测多个粮仓的储粮情况，检测精确度高，鲁棒性强，操作简单，对传感器性能要求低，并且降低检测成本。

Description

一种粮仓储粮状态的检测方法及其装置

技术领域

本发明涉及一种粮仓储粮状态的检测方法及其装置，属于粮仓检测技术领域。

背景技术

粮仓储粮状态分为进粮、储粮和出粮三种状态。进粮状态表示粮仓正在装粮，其主要特征是粮堆高度逐渐增高，底面压强逐渐增大；出粮状态表示粮仓正在卸粮，其主要特征是粮堆高度逐渐降低，底面压强逐渐减少；储粮状态表示粮仓进粮到预定高度且粮堆顶面摊平后的状态，其高度基本稳定，底面压强波动小。粮仓储粮状态检测是保证粮食安全的重要手段，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，要求粮仓状态在线检测准确、快速和可靠。同时又因为粮食数量巨大，价格低，还要保证粮仓状态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状态在线检测系统开发必需解决的关键问题。

发明内容

本发明提出了一种粮仓储粮状态的检测方法，解决了无法兼顾粮仓状态检测精确度高且简单易行的问题，本发明还提出了一种粮仓储粮状态的检测装置。

本发明是通过如下方案予以实现的：

一种粮仓储粮状态的检测方法，其特征在于，步骤如下：

步骤1，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d；

步骤2，利用支持向量机构建状粮仓储粮状态的检测模型，所构建的检测模型为：

$St\left(X\right)=\underset{j=1}{\overset{l}{\Σ}}\mathrm{\β}\left(j\right)\exp (-\mathrm{\γ}||X-X^j|{|}^2)+b)$

$X=\{{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right),{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right),\mathrm{\Δ}{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right),\mathrm{\Δ}{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right),\mathrm{\Δ}{\stackrel{\‾}{Q}}_B\left(\max K\right(s\left)\right)\}$

其中，β(j)、b和γ为通过支持向量机训练所获得的参数，β(j)≠0；X^j为相应的支持向量点，j＝1,...,l，l为支持向量的个数；X为分类特征向量；和分别为内外圈传感器压强检测值的均值；和分别为内外圈传感器压强检测值均值在一定时间间隔的变化量；为在一定时间间隔所有传感器中k个最大压强检测值的均值变化量；

步骤3，将内圈和外圈压力传感器采集的数据作为采集样本，代入到所建立的粮仓储粮状态检测模型中，根据所述的分类特征向量X的特点和所建立的检测模型的输出值即可判断粮仓储粮状态。

进一步的，步骤2中所述构建的检测模型分为进粮分类检测模型和或出粮分类检测模型，如下：

1)进粮分类检测模型，即St_Ent＝{进粮,其它}，

${\mathrm{St}}_{Ent}\left(X\right)=\underset{j=1}{\overset{l_{Ent}}{\Σ}}{\mathrm{\β}}_{Ent}\left(j\right)\exp (-{\mathrm{\γ}}_{Ent}||X-X_{Ent}^j|{|}^2)+b_{Ent})$

其中，β_Ent(j)、b_Ent和γ_Ent为通过支持向量机训练所获得的参数，β_Ent(j)≠0；为相应的支持向量点，j＝1,...,l_Ent，l_Ent为支持向量的个数；

2)出粮分类检测模型，即St_Out＝{出粮,其它}

${\mathrm{St}}_{Out}\left(X\right)=\underset{j=1}{\overset{l_{Out}}{\Σ}}{\mathrm{\β}}_{Out}\left(j\right)\exp (-{\mathrm{\γ}}_{Out}||X-X_{Out}^j|{|}^2)+b_{Out})$

其中，β_Out(j)、b_Out和γ_Out为通过支持向量机训练所获得的参数，β_Out(j)≠0；为相应的支持向量点，j＝1,...,l_Out，l_Out为支持向量的个数。

进一步的，步骤3中所述的分类特征向量X的特点为：若粮仓储粮状态为进粮，分类特征向量X中的和值均大于0；若粮仓储粮状态为出粮，分类特征向量X中的和值均小于0；若粮仓储粮状态为储粮，分类特征向量X中的和值在0值上下波动，则判断粮仓储粮状态Statatus(X)的依据为：

一种粮仓储粮状态的检测装置，该装置包括：压力传感器和检测单元，其中，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器，检测单元与压力传感器单元的输出连接，检测单元中执行有一个或多个模块，所述模块用于执行以下步骤：

1)利用支持向量机构建状粮仓储粮态的检测模型，所构建的检测模型为：

$St\left(X\right)=\underset{j=1}{\overset{l}{\Σ}}\mathrm{\β}\left(j\right)\exp (-\mathrm{\γ}||X-X^j|{|}^2)+b)$

$X=\{{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right),{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right),\mathrm{\Δ}{\stackrel{\‾}{Q}}_B\left(s_{Inner}\right),\mathrm{\Δ}{\stackrel{\‾}{Q}}_B\left(s_{Outer}\right),\mathrm{\Δ}{\stackrel{\‾}{Q}}_B\left(\max K\right(s\left)\right)\}$

其中，β(j)、b和γ为通过支持向量机训练所获得的参数，β(j)≠0；X^j为相应的支持向量点，j＝1,...,l，l为支持向量的个数；X为分类特征向量；和分别为内外圈传感器压强检测值的均值；和分别为内外圈传感器压强检测值均值在一定时间间隔的变化量；为在一定时间间隔所有传感器中k个最大压强检测值的均值变化量；

2)将内圈和外圈压力传感器采集的数据作为采集样本，代入到所建立的粮仓储粮状态检测模型中，根据所述的分类特征向量X的特点和所建立的检测模型的输出值即可判断粮仓储粮状态。

进一步的，所述的外圈压力传感器靠近侧面墙间隔布置，所述的内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d。

进一步的，所述构建的检测模型分为进粮分类检测模型和或出粮分类检测模型，如下：

1)进粮分类检测模型，即St_Ent＝{进粮,其它}，

${\mathrm{St}}_{Ent}\left(X\right)=\underset{j=1}{\overset{l_{Ent}}{\Σ}}{\mathrm{\β}}_{Ent}\left(j\right)\exp (-{\mathrm{\γ}}_{Ent}||X-X_{Ent}^j|{|}^2)+b_{Ent})$

其中，β_Ent(j)、b_Ent和γ_Ent为通过支持向量机训练所获得的参数，β_Ent(j)≠0；为相应的支持向量点，j＝1,...,l_Ent，l_Ent为支持向量的个数；

2)出粮分类检测模型，即St_Out＝{出粮,其它}

${\mathrm{St}}_{Out}\left(X\right)=\underset{j=1}{\overset{l_{Out}}{\Σ}}{\mathrm{\β}}_{Out}\left(j\right)\exp (-{\mathrm{\γ}}_{Out}||X-X_{Out}^j|{|}^2)+b_{Out})$

其中，β_Out(j)、b_Out和γ_Out为通过支持向量机训练所获得的参数，β_Out(j)≠0；为相应的支持向量点，j＝1,...,l_Out，l_Out为支持向量的个数。

进一步的，其特征在于，所述的分类特征向量X的特点为：若粮仓储粮状态为进粮，分类特征向量X中的和值均大于0；若粮仓储粮状态为出粮，分类特征向量X中的和值均小于0；若粮仓储粮状态为储粮，分类特征向量X中的和值在0值上下波动；则判断粮仓储粮状态Statatus(X)的依据为：

本发明和现有技术相比的有益效果是：

现有技术中对粮仓储粮状态的检测过程中很难同时兼顾检测既精确又简单易行，本发明提出了一种粮仓储粮状态检测方法，还针对该方法建立了粮仓储粮检测装置。本发明分别将粮仓储粮状态作为特征向量，根据支持向量机构造的储粮状态检测模型求得粮仓的具体储粮状态。该方法可以实现在线远程同时检测多个粮仓的储粮情况，检测精确度高，操作简单，对传感器性能要求低，可以降低检测成本。

而且，本发明具有较强的鲁棒性和适应性，适合多种粮仓储粮结构类型的储粮状态检测。

附图说明

图1本发明平房仓底面压力传感器布置模型；

图2本发明筒仓底面压力传感器布置模型；

图3本发明粮仓储粮状态的分类器的结构框图；

图4本发明样本中各种粮仓储粮状态的分布情况；

图5本发明样本中进粮状态的支持向量分类器的计算值分布；

图6本发明样本中出粮状态的支持向量分类器的计算值分布；

图7本发明的实施过程流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细的说明。

(一)、一种粮仓储粮状态的检测方法

本发明是基于支持向量机的粮仓储粮状态检测方法，下面分别就粮仓传感器布置、粮仓储粮状态的检测模型和粮仓储粮状态的判断依据进行依次说明。

(1)粮仓传感器布置

如图1和图2所示，通常使用的粮仓为平房仓和筒仓,粮食放入粮仓后，粮堆顶部被摊平，平房仓的粮堆形状大致为不同尺寸的立方体，筒仓粮堆的形状大致为不同尺寸的圆柱体。选择配有数据采集和数据传输功能的压力传感器，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D>2米，外圈压力传感器与侧面墙距离为0<d<1米，内圈和外圈传感器的个数均为6-10个，各个传感器之间的距离不小于1米。

(2)粮仓储粮状态的检测模型：

将粮仓储粮状态分为三类：进粮、储粮、出粮，即Status＝{进粮,储粮,出粮}。分别用0、1和2分别表示进粮、储粮和出粮状态，则粮仓储粮状态Status＝{0,1,2}。

根据粮仓中传感器的分布情况，粮仓内外圈传感器压强检测值的均值较大，且在一定时间间隔的均值变化量也较小；进粮状态下粮仓内外圈传感器压强检测值均值在一定时间间隔的变化量为正且变化量大；出粮状态下粮仓内外圈传感器压强检测值均值在一定时间间隔的变化量为负且变化量大。因此，建立分类特征向量X为：

$X=\{{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(\max K\right(s\left)\right)\}$

其中，和分别为内外圈传感器压强检测值的均值；和分别为内外圈传感器压强检测值均值在一定时间间隔的变化量；为在一定时间间隔所有传感器中k个最大压强检测值的均值变化量。

本发明将粮仓状态检测的3类别分类问题转换成2类别分类问题，即进粮分类问题St_Ent＝{进粮,其它}和出粮分类问题St_Out＝{出粮,其它}，对于进粮分类问题St_Ent＝{进粮,其它}，令进粮状态的Status^k＝1，令其他状态的Status^k＝-1；对于出粮分类问题St_Out＝{出粮,其它}，令出粮状态的Status^k＝-1，其他状态的Status^k＝1。利用支持向量机针对进粮分类问题和出粮分类问题，分别构建粮仓储粮状态检测模型为：

1)进粮分类检测模型，即St_Ent＝{进粮,其它}，

${\mathrm{St}}_{Ent}\left(X\right)=\underset{j=1}{\overset{l_{Ent}}{\&Sigma;}}{\mathrm{\&beta;}}_{Ent}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Ent}||X-X_{Ent}^j|{|}^2)+b_{Ent})$

其中，β_Ent(j)、b_Ent和γ_Ent为通过支持向量机训练所获得的参数，β_Ent(j)≠0；为相应的支持向量点，j＝1,...,l_Ent，l_Ent为支持向量的个数；

2)出粮分类检测模型，即St_Out＝{出粮,其它}

${\mathrm{St}}_{Out}\left(X\right)=\underset{j=1}{\overset{l_{Out}}{\&Sigma;}}{\mathrm{\&beta;}}_{Out}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Out}||X-X_{Out}^j|{|}^2)+b_{Out})$

其中，β_Out(j)、b_Out和γ_Out为通过SVM训练所获得的参数，β_Out(j)≠0；为相应的支持向量点，j＝1,...,l_Out，l_Out为支持向量的个数。

(3)粮仓储粮状态的判断方式

通过分析三类粮仓储粮状态，若粮仓储粮状态为进粮，分类特征向量X中的和值均大于0；若粮仓储粮状态为出粮，分类特征向量X中的和值均小于0；若粮仓储粮状态为储粮，分类特征向量X中的和值在0附近有小的波动。则判断储粮状态Statatus(X)的方式为：

采集内圈和外圈压力传感器采集粮仓侧面和底面的压力数据，作为样本集其中，M为样本数，并将X^k各项值分别规范到[-1,1]，并将样本集分为两部分，即支持向量机建模样本S_M和测试样本S_T，代入到所建立的粮仓储粮状态检测模型，从而判断粮仓的储粮状态。

(二)、一种粮仓储粮重量检测装置

本发明还提出了一种粮仓储粮重量检测装置，该装置包括：两组压力传感器和检测单元。

在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d。内圈传感器压力的输出均值作为粮仓底面压强估计值。设置的外圈传感器压力的输出均值作为粮仓侧面压强估计值。

检测单元执行有一个或多个模块，所述的模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、寄存器、硬盘等。检测单元中的处理器可以采用单片机、可编程逻辑控制器、DSP等。检测单元与两组压力传感器单元的输出连接，传感器将采集到的压力数据传输给检测单元，检测单元中的模块需要执行的任务是：

1)建立分类特征向量X为：

$X=\{{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(\max K\right(s\left)\right)\}$

其中，和分别为内外圈传感器压强检测值的均值；和分别为内外圈传感器压强检测值均值在一定时间间隔的变化量；为在一定时间间隔所有传感器中k个最大压强检测值的均值变化量

2)将所述的三类储粮状态(进粮、储粮、出粮)转换成两类状态问题，即进粮分类问题St_Ent＝{进粮,其它}和出粮分类问题St_Out＝{出粮,其它}，利用支持向量机针对进粮分类问题和出粮分类问题，分别构建粮仓储粮状态检测模型为：

进粮分类检测模型，即St_Ent＝{进粮,其它}，

${\mathrm{St}}_{Ent}\left(X\right)=\underset{j=1}{\overset{l_{Ent}}{\&Sigma;}}{\mathrm{\&beta;}}_{Ent}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Ent}||X-X_{Ent}^j|{|}^2)+b_{Ent})$

其中，β_Ent(j)、b_Ent和γ_Ent为通过支持向量机训练所获得的参数，β_Ent(j)≠0；为相应的支持向量点，j＝1,...,l_Ent，l_Ent为支持向量的个数；；

出粮分类检测模型，即St_Out＝{出粮,其它}，

${\mathrm{St}}_{Out}\left(X\right)=\underset{j=1}{\overset{l_{Out}}{\&Sigma;}}{\mathrm{\&beta;}}_{Out}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Out}||X-X_{Out}^j|{|}^2)+b_{Out})$

将采集得到训练样本集代入到模型中，根据储粮状态的判断依据得出粮仓中储粮状态，判断依据为：

(三)、实验分析与结论

实验对象为小汤山和洪泽的8个粮仓，储粮种类为小麦、稻谷和玉米。经检测获得检测样本3563个，样本中各种粮仓储粮状态的分布情况如图4所示，其中0、1和2分别表示进粮、储粮和出粮状态。选取766个作为建模样本，其它作为测试样本。根据进粮状态的支持向量分类器模型和出粮状态的支持向量分类器模型，选取取支持向量训练参数C＝5000,γ＝0.4，设定训练后进粮状态的支持向量分类器获得6个支持向量点，出粮状态的支持向量分类器获得11个支持向量点。将样本集代入到所建立的模型中，通过本发明中粮仓状态的判断方法，最终，实验表明各次测试中粮仓储粮状态检测正确率为100％。

图5为样本中进粮状态的支持向量分类器的计算值分布情况，从图中可以看出，当粮仓储粮状态为进粮时，计算值明显大于0。图6为样本中出粮状态的支持向量分类器的计算值分布情况，从图中可以看出，当粮仓储粮状态为出粮时，计算值明显小于0。实验结果证明了本发明的有效性。

在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (7)

1.一种粮仓储粮状态的检测方法，其特征在于，步骤如下：

步骤1，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器；外圈压力传感器靠近侧面墙间隔布置，内圈压力传感器距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d；

步骤2，利用支持向量机构建粮仓储粮状态的检测模型，所构建的检测模型为：

$St\left(X\right)=\underset{j=1}{\overset{l}{\&Sigma;}}\mathrm{\&beta;}\left(j\right)\exp (-\mathrm{\&gamma;}||X-X^j|{|}^2)+b)$

$X=\{{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(\max K\right(s))\}$

其中，β(j)、b和γ为通过支持向量机训练所获得的参数，β(j)≠0；X^j为相应的支持向量点，j＝1,...,l，l为支持向量的个数；X为分类特征向量；和分别为内外圈传感器压强检测值的均值；和分别为内外圈传感器压强检测值均值在一定时间间隔的变化量；为在一定时间间隔所有传感器中k个最大压强检测值的均值变化量；

步骤3，将内圈和外圈压力传感器采集的数据作为采集样本，代入到所建立的粮仓储粮状态检测模型中，根据所述的分类特征向量X的特点和所建立的检测模型的输出值即可判断粮仓储粮状态。

2.根据权利要求1所述的一种粮仓储粮状态的检测方法，其特征在于，步骤2中所述构建的检测模型分为进粮分类检测模型和或出粮分类检测模型，如下：

1)进粮分类检测模型，即St_Ent＝{进粮,其它}，

${\mathrm{St}}_{Ent}\left(X\right)=\underset{j=1}{\overset{l_{Ent}}{\&Sigma;}}{\mathrm{\&beta;}}_{Ent}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Ent}||X-X_{Ent}^j|{|}^2)+b_{Ent})$

其中，β_Ent(j)、b_Ent和γ_Ent为通过支持向量机训练所获得的参数，β_Ent(j)≠0；为相应的支持向量点，j＝1,...,l_Ent，l_Ent为支持向量的个数；

2)出粮分类检测模型，即St_Out＝{出粮,其它}，

${\mathrm{St}}_{Out}\left(X\right)=\underset{j=1}{\overset{l_{Out}}{\&Sigma;}}{\mathrm{\&beta;}}_{Out}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Out}||X-X_{Out}^j|{|}^2)+b_{Out})$

其中，β_Out(j)、b_Out和γ_Out为通过SVM训练所获得的参数，β_Out(j)≠0；为相应的支持向量点，j＝1,...,l_Out，l_Out为支持向量的个数。

3.根据权利要求2所述的一种粮仓储粮状态的检测方法，其特征在于，步骤3中所述的分类特征向量X的特点为：若粮仓储粮状态为进粮，分类特征向量X中的和值均大于0；若粮仓储粮状态为出粮，分类特征向量X中的和值均小于0；若粮仓储粮状态为储粮，分类特征向量X中的和值在0值上下波动，则判断粮仓储粮状态Statatus(X)的依据为：

4.一种粮仓储粮状态的检测装置，其特征在于，该装置包括：压力传感器和检测单元，其中，在粮仓底面上分别布置一组内圈压力传感器和一组外圈压力传感器，检测单元与压力传感器单元的输出连接，检测单元中执行有一个或多个模块，所述模块用于执行以下步骤：

1)利用支持向量机构建状粮仓储粮态的检测模型，所构建的检测模型为：

$St\left(X\right)=\underset{j=1}{\overset{l}{\&Sigma;}}\mathrm{\&beta;}\left(j\right)\exp (-\mathrm{\&gamma;}||X-X^j|{|}^2)+b)$

$X=\{{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Inner}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(s_{Outer}\right),\mathrm{\&Delta;}{\stackrel{\&OverBar;}{Q}}_B\left(\max K\right(s\left)\right)\}$

其中，β(j)、b和γ为通过支持向量机训练所获得的参数，β(j)≠0；X^j为相应的支持向量点，j＝1,...,l，l为支持向量的个数；X为分类特征向量；和分别为内外圈传感器压强检测值的均值；和分别为内外圈传感器压强检测值均值在一定时间间隔的变化量；为在一定时间间隔所有传感器中k个最大压强检测值的均值变化量；

2)将内圈和外圈压力传感器采集的数据作为采集样本，代入到所建立的粮仓储粮状态检测模型中，根据所述的分类特征向量X的特点和所建立的检测模型的输出值即可判断粮仓储粮状态。

5.根据权利要求4所述的一种粮仓储粮状态的检测装置，其特征在于，所述的外圈压力传感器靠近侧面墙间隔布置，所述的内圈压力传感器均距离侧面墙设定距离且间隔布置；内圈压力传感器与侧面墙距离为D，外圈压力传感器与侧面墙距离为d。

6.根据权利要求5所述一种粮仓储粮状态的检测装置，其特征在于，所述构建的检测模型分为进粮分类检测模型和或出粮分类检测模型，如下：

1)进粮分类检测模型，即St_Ent＝{进粮,其它}，

${\mathrm{St}}_{Ent}\left(X\right)=\underset{j=1}{\overset{l_{Ent}}{\&Sigma;}}{\mathrm{\&beta;}}_{Ent}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Ent}||X-X_{Ent}^j|{|}^2)+b_{Ent})$

其中，β_Ent(j)、b_Ent和γ_Ent为通过支持向量机训练所获得的参数，β_Ent(j)≠0；为相应的支持向量点，j＝1,...,l_Ent，l_Ent为支持向量的个数；

2)出粮分类检测模型，即St_Out＝{出粮,其它}，

${\mathrm{St}}_{Out}\left(X\right)=\underset{j=1}{\overset{l_{Out}}{\&Sigma;}}{\mathrm{\&beta;}}_{Out}\left(j\right)\exp (-{\mathrm{\&gamma;}}_{Out}||X-X_{Out}^j|{|}^2)+b_{Out})$

其中，β_Out(j)、b_Out和γ_Out为通过SVM训练所获得的参数，β_Out(j)≠0；为相应的支持向量点，j＝1,...,l_Out，l_Out为支持向量的个数。

7.根据权利要求6所述一种粮仓储粮状态的检测装置，其特征在于，所述的分类特征向量X的特点为：若粮仓储粮状态为进粮，分类特征向量X中的和值均大于0；若粮仓储粮状态为出粮，分类特征向量X中的和值均小于0；若粮仓储粮状态为储粮，分类特征向量X中的和值在0值上下波动；则判断粮仓储粮状态Statatus(X)的依据为：