CN110531039B - 一种基于WiFi设备的粮食霉变检测方法及装置 - Google Patents
一种基于WiFi设备的粮食霉变检测方法及装置 Download PDFInfo
- Publication number
- CN110531039B CN110531039B CN201910829383.6A CN201910829383A CN110531039B CN 110531039 B CN110531039 B CN 110531039B CN 201910829383 A CN201910829383 A CN 201910829383A CN 110531039 B CN110531039 B CN 110531039B
- Authority
- CN
- China
- Prior art keywords
- grain
- amplitude data
- mildew
- csi amplitude
- wifi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/10—Starch-containing substances, e.g. dough
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medicinal Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及一种基于WiFi设备的粮食霉变检测方法及装置,获取穿过粮食所在区域的WiFi信号,从WiFi信号中提取信道状态信息的CSI振幅数据,并获取与CSI振幅数据对应的粮食状态,粮食状态包括粮食正常和粮食霉变;构建神经网络模型,利用获取的CSI振幅数据和与粮食状态对神经网络模型进行训练,得到振幅状态关系模型;获取穿过待检测粮食所在区域的WiFi信号,从穿过待检测粮食所在区域的WiFi信号中提取CSI振幅数据,并输入至振幅状态关系模型中,得到待检测粮食的粮食状态。本发明利用现有的WiFi设备以及软件算法即可实现对粮食长时间、无间断的霉变检测,检测成本低;而且,利用训练好的振幅状态关系模型,实时性高,有助于农民等更高效、快速地发现粮食是否霉变。
Description
技术领域
本发明属于粮食霉变检测技术领域,具体涉及一种基于WiFi设备的粮食霉变检测方法及装置。
背景技术
粮食(例如小麦、大米)霉变可导致人类储存谷物的污染,营养物质的流失和食源性疾病。粮食霉变的主要原因包括微生物和环境因素。霉变通常由收获期间粮食颗粒中的微生物和贮藏期间的粮仓微生物引起。另一方面,粮食霉变也受到粮仓类型、温度、湿度和其他环境因素的影响。在粮食霉变的早期阶段,如果及时采取措施,粮食仍将具有使用价值。当粮食完全发霉时,它将失去使用价值,应尽快销毁,以免造成人类疾病。实时、非破坏性和低成本的粮食霉变检测系统对于确保粮食储存的高安全性非常有用。
由于专业知识的缺乏和测试设备的高成本,许多农民和经销商无法及时检测粮食状况,如若能够快速检测粮食中的霉变便可以帮助农民,使经销商和零售商实现更高效、更安全的粮食储存,减少粮食的浪费和成本。
以低成本快速检测粮食中的霉变是一项巨大的挑战。目前,粮食霉变的检测主要依靠人工检测,主要是根据视觉检查和检查员的嗅觉经验来判断粮食霉变程度。手动方法耗时耗力,容易出错,对快速检测谷物霉变没有多大帮助。为了提高检测效率,可使用成本较高的传感器来用于粮食霉变检测,如电子鼻传感器和近红外光谱。而且,需将这些传感器大面积铺设在检测区域内,以对整个检测区域的小麦均检测到,无疑增加了检测成本,阻碍了它们的广泛应用。
发明内容
本发明提供了一种基于WiFi设备的粮食霉变检测方法及装置,用以解决使用电子鼻传感器和近红外光谱来检测粮食霉变时造成的成本高的问题。
为解决上述技术问题,本发明的技术方案和有益效果为:
本发明的一种基于WiFi设备的粮食霉变检测方法,包括如下步骤:
获取穿过粮食所在区域的WiFi信号,从所述WiFi信号中提取信道状态信息的CSI振幅数据,并获取与所述CSI振幅数据对应的粮食状态,所述粮食状态包括粮食正常和粮食霉变;构建神经网络模型,利用获取的CSI振幅数据和与CSI振幅数据对应的粮食状态对所述神经网络模型进行训练,得到振幅状态关系模型;获取穿过待检测粮食所在区域的WiFi信号,从穿过待检测粮食所在区域的WiFi信号中提取CSI振幅数据,并输入至振幅状态关系模型中,得到待检测粮食的粮食状态。
其有益效果:本发明利用WiFi信号通过粮食时,粮食的霉变状态的变化会引起WiFi信号中CSI振幅数据的显著且可测量变化的原理,通过构建神经网络模型,以对粮食是否发生霉变进行检测。该方法利用现有的WiFi设备以及软件算法即可实现对粮食的霉变检测,能够对粮食的霉变状态进行长时间、无间断的检测,无需其他昂贵的传感器,检测成本较低,利于实际应用;而且,该方法利用训练好的振幅状态关系模型,简单且有效,检测实时性较高,有助于农民、经销商等更高效、快速地发现粮食是否霉变,以减少粮食浪费和成本。
作为方法的进一步改进,为了准确检测到的粮食的霉变状态,所述粮食霉变包括粮食霉变初期和粮食完全霉变。
作为方法的进一步改进,所述神经网络模型为径向基函数神经网络模型。
作为方法的进一步改进,为了选择灵敏度更高的子载波的CSI振幅数据以提高粮食霉变检测的准确性,在对所述神经网络模型进行训练时,还包括对获取的CSI振幅数据进行子载波选择的步骤:计算每个子载波的CSI振幅数据,选择CSI振幅数据的平均绝对偏差高于设定偏差的子载波的CSI振幅数据对所述神经网络模型进行训练。
作为方法的进一步改进,为了消除异常值和噪声以提高粮食霉变检测的准确性,在对获取的CSI振幅数据进行子载波选择之前,还包括对获取的CSI振幅数据进行滤波预处理的步骤:对获取的CSI振幅数据进行消除异常值滤波处理,和/或对获取的CSI振幅数据进行抑制噪声滤波处理。
作为方法的进一步改进,为了提高粮食霉变检测的快速性和准确性,还包括对进行子载波选择后的CSI振幅数据进行归一化处理的步骤。
作为方法的进一步改进,所述消除异常值滤波处理为采用Hampel滤波器进行滤波处理。
作为方法的进一步改进,所述抑制噪声滤波处理为采用巴特沃斯滤波器进行滤波处理。
作为方法的进一步改进,在采用径向基函数神经网络模型时,采用聚类算法确定径向基函数的隐藏神经元的数量,聚类的个数为所述隐藏神经元的数量。
本发明还提供了一种基于WiFi设备的粮食霉变检测装置,该装置包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现上述基于WiFi设备的粮食霉变检测方法,以达到与该方法相同的效果。
附图说明
图1是本发明的方法实施例中通过三种霉变状态的小麦堆收集的CSI原始振幅值示意图;
图2是本发明的方法实施例中粮食霉变检测方法对应的MiFi系统的架构图;
图3是本发明的方法实施例中校准前后的第20个子载波收集的CSI数据的示意图;
图4是本发明的方法实施例中来自三个霉变状态的第20个子载波的CSI数据的频谱示意图;
图5是本发明的方法实施例中校准后每个子载波的CSI振幅以选择最敏感的子载波的示意图;
图6是本发明的方法实施例中LOS和NLOS情景下小麦霉变检测准确性的结果图;
图7是本发明的方法实施例中LOS和NLOS情景中不同天线的平均检测精度的结果图;
图8是本发明的方法实施例中不同发射器-接收器距离的平均检测精度的结果图。
具体实施方式
在粮食发生霉变时,例如小麦,为了量化效果,可使用介电常数来表示小麦霉变状态的变化,频域中材料的复相对介电常数ε*可以描述如下:
ε*=ε′-jε″ (1)
式中,实部ε′为介电常数,表示材料在电场频域中存储能量的能力,虚部ε″是介电损耗因子,通常表示材料的能力,消耗电能,从而影响WiFi信号的衰减和吸收。
当WiFi信号通过小麦时,电场强度将随着到小麦表面的距离而变化,这种效应可以通过晶粒介电特性的衰减系数α来捕获:
式中,λ0为无线信号的波长。
小麦状态从正常到霉变初期和完全霉变的变化将导致小麦温度、水分和外部环境湿度的增加。这些将反过来影响介电常数ε′和介电损耗因子ε″。根据式(2),衰减系数α也将改变(作为ε′和ε″的函数),这可以影响电场的能量,与普通小麦相比,小麦霉变对电场的能量影响很大。
为了量化这种能量变化,通过分析WiFi CSI振幅信息来检测小麦的霉变状态,不需要昂贵的设备来测量介电常数,以便有效地防治小麦霉变。
使用具有开源设备驱动程序的一些商品NIC,可以从Ns子载波收集CSI样本,每个样本包括子载波的振幅和相位。收集的原始数据包括发送天线的数量Ntx,接收天线的数量Nrx,分组发送频率f和CSI数据H。CSI数据H是Ntx×Nrx×Ns张量,由下式给出:
对于给定的发射和接收天线对,H中的第k个子载波可以表征为:
Hk=|Hk|·exp{j∠Hk} (4)
式中,|Hk|为振幅,∠Hk为相位。
小麦霉变不仅会改变整个小麦环境的水分,还会改变整个小麦环境的温度和空气湿度,从而影响电场。收集了同一堆小麦(以及小麦堆和WiFi装置的相同位置)的CSI振幅数据,这些小麦通过这三种状态发展,分别为小麦正常,小麦霉变初期,小麦完全霉变。图1显示了从这三个状态收集的CSI振幅数据,图1中横坐标为接收的WiFi数据包,纵坐标为CSI振幅数据(单位为dB),Normal Wheat为正常小麦,Initial stage of mildew Wheat为霉变初期小麦,Completely Mildew Wheat为完全霉变小麦。从该图中可以看出,当小麦状态从正常变为霉变早期时,CSI振幅仅略微变化;当小麦完全发霉时,CSI振幅数据明显不同。因此,本发明将CSI振幅数据用于小麦霉变检测,下面对将CSI振幅数据应用于小麦霉变检测的方法进行详细说明。
方法实施例:
该实施例提供了一种基于WiFi设备的粮食霉变检测方法,该方法在现有的基于WiFi CSI传感技术的推动下,旨在提供一种低成本、无接触、长期的防霉监测方法。下面以小麦为例,来说明该方法。小麦霉变涉及外部和内部小麦状况的一系列生理变化。当WiFi信号通过小麦时,小麦的霉变状态的变化将引起WiFi信号的显着且可测量的变化,如信道状态信息CSI值中记录的。
为了实现上述方法,在硬件结构上,在生长有小麦的检测区域内设置用于向检测区域内发射WiFi信号并穿过小麦的发射器,关于发射器的数量不做限制,可根据检测区域的大小来设置,以使整个检测区域内均覆盖有WiFi信号;在检测区域内或者检测区域外可设置数据处理终端,该数据处理终端包括接收器和信号处理器,该接收器用于接收发射器发射的WiFi信号,并将接收的WiFi信号传输给信号处理器,供信号处理器进行处理以判断检测区域内小麦状态。具体的,关于信号处理器内部的软件处理逻辑,设计了如图2所示的MiFi系统架构(Device-free Wheat Mildew Detection Using Off-the-shelf WiFiDevices),该系统架构包括四个模块,分别为感知模块、预处理模块、检测建模模块和霉变检测模块。
首先,感知模块用于获取发射器发射的穿过小麦所在区域的WiFi信号,从WiFi信号中提取信道状态信息的CSI振幅数据,并获取与CSI振幅数据对应的小麦状态,小麦状态包括小麦正常、小麦霉变初期和小麦完全霉变。
具体的,可使用Atheros AR5BHB NIC从56个子载波收集CSI振幅数据。对于正常的小麦,通过小麦堆的WiFi数据包传输直接收集CSI振幅数据;对于霉变初期和完全霉变两个阶段的小麦,由于神经网络需要大量的样本,故可在具有温度和湿度控制调节能力的实验室中直接培养霉变的小麦,加速小麦霉变的发展,以获取大量的霉变初期和完全霉变两个阶段的小麦样本。实验时,温度保持在30℃,空气湿度保持在90%;2-3天后,小麦开始发霉,并收集霉变初期的样品;在第8天获得完全的霉变样品,并用发霉的小麦收集CSI振幅数据。这样便可收集三种类型的CSI振幅数据,用于检测不同小麦霉变阶段的研究。
然后,预处理模块用于对获取的CSI振幅数据进行预处理,以加速构建的神经网络模型的计算速度并提高检测精度。具体预处理过程包括四个过程,分别为:Hampel删除异常值、环境噪声消除、子载波选择和归一化。
1、Hampel删除异常值
收集的CSI振幅数据中,不可避免的会出现CSI数据异常值。例如,如图3所示,从第20个子载波收集的CSI振幅数据可以看到许多高峰和低谷,这些峰值是要去除的异常值。在MiFi系统架构中,使用Hampel滤波器来检测和移除与正常CSI振幅序列中的值明显不同的值。其中,图3中横坐标为接收的WiFi数据包,纵坐标为CSI振幅数据(单位为dB),OriginalAmplitude on subcarrier 20为从第20个子载波收集的CSI振幅数据。
具体的,在每个子载波上应用带有滑动窗口的Hampel滤波器以消除异常值。来自子载波的N样本CSI振幅序列由(X1,X2,…,XN)表示,其中Xi是来自子载波的CSI振幅的第ith个样本。令X′为CSI振幅序列中的中值。如果Hampel标识符与中值绝对差值(MAD)偏离预定阈值,则将数据点Xi分类为异常值:
式中,l是预定义阈值,R是MAD,定义如下:
R=1.4286·median{|Xi-X′|,i=1,2,…,N} (6)
式中,常数1.4286确保R的期望值等于正态分布数据的标准偏差。
图3中,After Hampel outlier filtering为使用Hampel滤波器删除异常值后的CSI振幅数据,在Hampel滤波之后来自第20个子载波的校准的CSI振幅数据可以看出,有效地去除了异常值。
2、环境噪声消除
校准的CSI数据仍包含环境噪声,去除异常值后,仍然需要降低环境噪声,以实现高检测精度。图4示出了针对三个霉变状态的来自第20个子载波的CSI数据的频谱,横坐标为时间,纵坐标为频率。观察到霉变小麦在一段时间内引起的频率变化范围为0Hz至30Hz。因此,采用巴特沃斯滤波器(Butterworth)来抑制其他频率的噪声,包括环境噪声。Butterworth滤波器利用Butterworth函数来近似滤波器的系统功能,该功能由通带中的幅频特性定义。Butterworth滤波器的低通模式平方函数由下式给出:
|L(f)|2=(1+(f/fc)2m)-1 (7)
式中,m是滤波器的阶数,fc是截止频率,在该MiFi系统中,m可设置为4,fc可设为30Hz。
3、子载波选择
在去噪之后,CSI振幅数据具有各种低频成分,并且对小麦的霉变状态表现出不同程度的敏感性。现使用来自每个子载波的CSI振幅数据的平均绝对偏差来测量子载波的灵敏度。通常,平均绝对偏差越大,灵敏度越高。如图5所示,横坐标为WiFi数据包,纵坐标为子载波索引。从图5中可以看出,索引低于35的子载波(在56个子载波中)更敏感(即图5中的灰色区域)并且更受小麦霉变的影响。因此,在MiFi系统中从低于35的更敏感的子载波中选择CSI振幅数据。
4、归一化
为了加速模型的计算并提高检测精度,选择零均值归一化方法(即,Z分数归一化)来归一化CSI振幅数据。归一化数据Vi由下式计算:
式中,Xi和σ分别是子载波的CSI振幅数据的平均值和标准差。
接着,检测建模用于构建神经网络模型,利用上述归一化后的CSI振幅数据和与CSI振幅数据对应的小麦状态分别作为训练数据和测试数据,对神经网络模型进行训练,得到CSI振幅数据与小麦状态的对应关系,即振幅状态关系模型。需说明的是,获取的训练数据和测试数据时的小麦重量、堆积形状需相同。
其中,构建的神经网路模型选择径向基函数神经网络模型,对于训练完毕的振幅状态关系模型称为CSI-RBF神经网络模型,而且,使用K-means聚类算法来确定RBF核函数的隐藏神经元参数的数量。
1、K-means聚类算法
K-means聚类算法广泛用于许多领域的数据聚类,它可以作为无监督学习应用于识别基函数的参数并确定隐藏神经元的数量,其等于聚类的个数。在建立的CSI-RBF模型中,基于相似性得分对CSI振幅序列进行聚类,该相似性得分通过振幅数据和聚类均值之间的欧几里德距离来计算。两个CSI振幅序列之间的欧几里德距离(以两个时间序列的形式,每个具有大小N)由下式给出:
式中,V1和V2表示两个CSI数据流。
2、CSI-RBF神经网络模型
RBF神经网络可以克服慢收敛和局部最小值的缺点,它具有全局逼近能力,可以在快速收敛特性的非线性关系建模中取得良好的性能。受上述优点的推动,该实施例中采用RBF神经网络快速检测小麦霉变。
具体地,MiFi系统使用RBF神经网络作为分类算法。RBF的基本结构由输入神经元、隐藏神经元和输出神经元组成。在MiFi系统中,输入层被聚类,并且CSI振幅矩阵V=(V1,V2,…,VN)被传递到F个隐藏神经元。隐藏层可以以非线性方式映射网络输入,每个隐藏神经元连接到每个簇中心和宽度。可以将多个激活功能应用于隐藏层,以最大化输出的准确性。使用的高斯函数如下:
式中,v、γ和β分别是使用K-mean聚类算法的预先确定的输入向量(即上述归一化后的CSI振幅数据)、聚类中心向量和隐藏神经元宽度(聚类中心向量与属于该类样本之间的平均距离),且γ是v所在类对应的聚类中心向量。需说明的是,隐藏神经元的数量等于簇的数量,即K-mean聚类算法的聚类个数。
输出层使用线性加权和函数作为隐藏层的输出。可以识别m=3小麦状态类别,输出层的线性函数由下式定义:
式中,Zm是第m个输出神经元,wjm是从第j个隐藏神经元到第m个输出神经元的权重,θj是隐藏神经元中的高斯函数,b是偏差。从不同霉变状态收集的CSI振幅数据被分类为m个类别。隐藏层和输出层之间的权重可以使用普通最小二乘法(OLS)通过线性回归容易地计算。
通过线性和非线性RBF神经网络模型的组合来计算小麦霉变检测分类矩阵,如下:
Z=[Z1,Z2,…,Zm] (12)
式中,m=3,Z1向量是被视为正常小麦的输出,Z2向量是被视为霉变早期的输出,Z3向量是被视为完全霉变的输出。
最后,霉变检测模块用于获取穿过待检测小麦所在区域的WiFi信号,从穿过待检测粮食所在区域的WiFi信号中提取CSI振幅数据,并输入至训练好的CSI-RBF神经网络模型中,得到待检测小麦的小麦状态。需说明的是,待检测小麦需要和模型训练的小麦重量和堆积形状相同。
下面对小麦进行实验,以说明该方法的可行性和准确性。
1、小麦制备
分别制备正常小麦和发霉的小麦。其中关于发霉的小麦,小麦在第8天从恒温恒湿室中取出,测量小麦样品内的温度和湿度。此外,使用标准干燥方法来测量水分含量。
在实验过程中,采用三种不同类型的相同重量小麦样品来测试其霉变条件,包括正常小麦,霉变初期小麦和完全霉变小麦。表I中提供了三种不同类型小麦样品的含水量,温度和湿度。
表I实验小麦样品条件
2、MiFi硬件结构
实验硬件包括两台配备Atheros AR5BHB NIC(无线网卡)的Dell PP181笔记本电脑:一台配备单个天线作为发射器,另一台配备三个天线作为接收器。这两款笔记本电脑都运行内核4.1.10+32位Ubuntu Linux 14.04操作系统和2GB RAM。
为了测试MiFi系统的有效性,分别考虑了视距LOS场景和非视距NLOS场景,LOS场景就是将小麦放在天线中间,NLOS场景就是将小麦不放在天线中间。对于两种实验方案,将发射器和接收器放在两端,并在中间放置不同的小麦样品用于CSI数据采集。
3、实验结果
图6显示了使用CSI振幅数据在LOS和NLOS情景中小麦霉变检测的准确性,横坐标为小麦状态,纵坐标为准确度,深色为LOS场景,浅色为NLOS场景。对于LOS情景,发现当小麦正常且完全发霉时,MiFi系统可以实现超过90%的检测准确度。霉变初期的检测精度小于90%,但仍达到87.5%。LOS场景下的平均准确率为90.48%。对于NLOS场景。达到的平均准确率为90.2%。因此,所提出的MiFi系统对于LOS和NLOS情况下的小麦霉变检测都是足够的,因为小麦霉变对WiFi信号传播的影响可以通过CSI振幅数据很好地捕获。
接下来研究MiFi系统配置对检测精度的影响。在本实验中,专注于不同的天线和不同的距离。图7显示了在LOS和NLOS情况下使用发射机的不同天线的平均检测精度,横坐标为天线,纵坐标为准确度,深色表示LOS场景,浅色表示NLOS场景。结果表明,所有三个天线的数据都是有效的。两种情景的平均检测准确率均高于90%。图8显示了LOS和NLOS情况下发射器和接收器之间不同距离的平均检测精度,横坐标为距离,纵坐标为准确度,深色表示LOS场景,浅色表示NLOS场景。可以看出,对于30cm至150cm范围内的不同发射器接收器距离,MiFi系统的检测精度始终高于90%。
在该实施例中,神经网络模型选择径向基函数神经网络模型。作为其他实施方式,可选择现有技术中的其他神经网络模型,例如BP神经网络,但是效果的实现上没有径向基神经网络好。
在该实施例中,将获取的CSI振幅数据进行的预处理步骤包括四方面内容,分别为删除异常值、环境噪声消除、子载波选择和归一化,这是一种层层递进式的较佳的处理方式,先使用删除异常值以进行粗滤,接着进行环境噪声消除以进行细滤,接着再使用最为敏感的子载波,并相应进行归一化处理。作为其他实施方式,可不进行粗滤直接进行细滤,或者省略掉归一化处理的过程,或者只进行粗滤不进行细滤,甚至不进行该预处理过程,等等,这些皆可,只是效果没有该实施例中方法好。而且,具体进行粗滤和细滤的滤波器也不做限制,只要是现有的滤波器可达到要求的滤波效果即可。
在该实施例中,神经网络模型的输出结果有三个,分别对应小麦的三种状态,分别为小麦正常、小麦霉变初期和小麦完全霉变。作为其他实施方式,可在构造神经网络模型时,设置两个输出结果,分别为小麦正常和小麦霉变,该种方式只是较为粗略的判别出小麦是否发生霉变,不如上述实施例中检测结果精确。
装置实施例:
该实施例提供了一种基于WiFi设备的粮食霉变检测装置,该装置包括存储器和处理器,存储器和处理器之间直接或间接地电性连接以实现数据的传输或交互。这里的处理器可以是通用处理器,例如中央处理器CPU,也可以是其他可编程逻辑器件,例如数字信号处理器DSP,处理器用于执行存储在存储器中的指令以实现方法实施例中介绍的一种基于WiFi设备的粮食霉变检测方法,由于方法实施例已对该方法做了详细说明,这里不再赘述。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种基于WiFi设备的粮食霉变检测方法,其特征在于,包括如下步骤:
获取穿过粮食所在区域的WiFi信号,从所述WiFi信号中提取信道状态信息的CSI振幅数据,并获取与所述CSI振幅数据对应的粮食状态,所述粮食状态包括粮食正常和粮食霉变;
构建神经网络模型,利用获取的CSI振幅数据和与CSI振幅数据对应的粮食状态对所述神经网络模型进行训练,得到振幅状态关系模型;
获取穿过待检测粮食所在区域的WiFi信号,从穿过待检测粮食所在区域的WiFi信号中提取CSI振幅数据,并输入至振幅状态关系模型中,得到待检测粮食的粮食状态;
在对所述神经网络模型进行训练时,还包括对获取的CSI振幅数据进行子载波选择的步骤:计算每个子载波的CSI振幅数据,选择CSI振幅数据的平均绝对偏差高于设定偏差的子载波的CSI振幅数据对所述神经网络模型进行训练;
所述粮食为小麦;所述平均绝对偏差越大,则所述平均绝对偏差对应的子载波对小麦的霉变状态的灵敏度越高。
2.根据权利要求1所述的基于WiFi设备的粮食霉变检测方法,其特征在于,所述粮食霉变包括粮食霉变初期和粮食完全霉变。
3.根据权利要求1所述的基于WiFi设备的粮食霉变检测方法,其特征在于,所述神经网络模型为径向基函数神经网络模型。
4.根据权利要求1所述的基于WiFi设备的粮食霉变检测方法,其特征在于,在对获取的CSI振幅数据进行子载波选择之前,还包括对获取的CSI振幅数据进行滤波预处理的步骤:对获取的CSI振幅数据进行消除异常值滤波处理,和/或对获取的CSI振幅数据进行抑制噪声滤波处理。
5.根据权利要求1或4所述的基于WiFi设备的粮食霉变检测方法,其特征在于,还包括对进行子载波选择后的CSI振幅数据进行归一化处理的步骤。
6.根据权利要求4所述的基于WiFi设备的粮食霉变检测方法,其特征在于,所述消除异常值滤波处理为采用Hampel滤波器进行滤波处理。
7.根据权利要求4所述的基于WiFi设备的粮食霉变检测方法,其特征在于,所述抑制噪声滤波处理为采用巴特沃斯滤波器进行滤波处理。
8.根据权利要求3所述的基于WiFi设备的粮食霉变检测方法,其特征在于,在采用径向基函数神经网络模型时,采用聚类算法确定径向基函数的隐藏神经元的数量,聚类的个数为所述隐藏神经元的数量。
9.一种基于WiFi设备的粮食霉变检测装置,其特征在于,包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现如权利要求1~8任一项所述的基于WiFi设备的粮食霉变检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829383.6A CN110531039B (zh) | 2019-09-03 | 2019-09-03 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
US17/010,164 US20210063322A1 (en) | 2019-09-03 | 2020-09-02 | Grain mildew detection method and device based on wifi apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829383.6A CN110531039B (zh) | 2019-09-03 | 2019-09-03 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531039A CN110531039A (zh) | 2019-12-03 |
CN110531039B true CN110531039B (zh) | 2022-04-29 |
Family
ID=68666507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910829383.6A Active CN110531039B (zh) | 2019-09-03 | 2019-09-03 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210063322A1 (zh) |
CN (1) | CN110531039B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111092668B (zh) * | 2019-12-18 | 2022-07-15 | 公安部第三研究所 | 一种对讲终端环境噪音抑制特性的测试方法及系统 |
CN113325008B (zh) * | 2021-06-02 | 2022-09-20 | 合肥工业大学 | 一种基于wifi设备的非接触式材料识别系统和方法 |
CN113533457B (zh) * | 2021-07-09 | 2024-03-19 | 北京工商大学 | 一种储粮霉变原位无损在线实时检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356289A (zh) * | 2017-07-18 | 2017-11-17 | 山东浪潮通软信息科技有限公司 | 一种基于ZigBee的多传感器的粮食监测预警方法 |
CN108694473A (zh) * | 2018-06-15 | 2018-10-23 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的建筑物能耗预测方法 |
CN109840854A (zh) * | 2019-03-04 | 2019-06-04 | 中国科学技术大学 | 粮食霉变预测方法及装置 |
CN109872319A (zh) * | 2019-02-25 | 2019-06-11 | 电子科技大学 | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001237053A1 (en) * | 2000-02-17 | 2001-08-27 | Bintech. Lllp | Bulk materials management apparatus and method |
US20160379024A1 (en) * | 2015-06-24 | 2016-12-29 | Intellifarm, Inc. | Apparatus, System and Method for Tracking Agricultural Grain |
CN105651788B (zh) * | 2016-03-02 | 2018-06-01 | 湖北叶威(集团)粮油机械有限公司 | 粮食水分检测装置及其检测方法 |
CN107968689B (zh) * | 2017-12-06 | 2020-07-31 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
US20190265082A1 (en) * | 2018-02-27 | 2019-08-29 | TeleSense, Inc. | Method and Apparatus for Remote Monitoring and Management of Storage Using Machine Learning and Data Analystics |
CN113473840B (zh) * | 2019-02-21 | 2023-09-05 | 克莱米特有限责任公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
-
2019
- 2019-09-03 CN CN201910829383.6A patent/CN110531039B/zh active Active
-
2020
- 2020-09-02 US US17/010,164 patent/US20210063322A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356289A (zh) * | 2017-07-18 | 2017-11-17 | 山东浪潮通软信息科技有限公司 | 一种基于ZigBee的多传感器的粮食监测预警方法 |
CN108694473A (zh) * | 2018-06-15 | 2018-10-23 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的建筑物能耗预测方法 |
CN109872319A (zh) * | 2019-02-25 | 2019-06-11 | 电子科技大学 | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 |
CN109840854A (zh) * | 2019-03-04 | 2019-06-04 | 中国科学技术大学 | 粮食霉变预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
"Wi-Wheat:Contact-free Wheat Moisture Detection with Commodity Wifi";Weidong Yang etc.;《2018 IEEE International Conference on Communications》;20180731;第1-6页 * |
无穿戴人体活动识别的一维卷积神经网络方法;高枕岳 等;《Proceedings of the 38th Chinese Coference》;20190730;第6428-6433页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110531039A (zh) | 2019-12-03 |
US20210063322A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531039B (zh) | 一种基于WiFi设备的粮食霉变检测方法及装置 | |
Liu et al. | Recent advances in wavelength selection techniques for hyperspectral image processing in the food industry | |
Jia et al. | Electronic noses as a powerful tool for assessing meat quality: A mini review | |
Li et al. | Quantifying total viable count in pork meat using combined hyperspectral imaging and artificial olfaction techniques | |
Pan et al. | Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network | |
Pu et al. | Application of wavelet analysis to spectral data for categorization of lamb muscles | |
Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
Leggieri et al. | An electronic nose supported by an artificial neural network for the rapid detection of aflatoxin B1 and fumonisins in maize | |
Dai et al. | Recent advances in data mining techniques and their applications in hyperspectral image processing for the food industry | |
Yang et al. | Wi-Wheat: Contact-free wheat moisture detection with commodity WiFi | |
Yang et al. | Multi-class wheat moisture detection with 5GHz Wi-Fi: A deep LSTM approach | |
Hu et al. | MiFi: Device-free wheat mildew detection using off-the-shelf WiFi devices | |
Soltani et al. | Egg quality prediction using dielectric and visual properties based on artificial neural network | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN105372202B (zh) | 转基因棉花品种识别方法 | |
CN109389176A (zh) | 基于wifi信道状态信息的粮食水分检测方法及系统 | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
CN111274911B (zh) | 基于无线微波衰减特征迁移学习的浓雾监测方法 | |
Hu et al. | Contact-free wheat mildew detection with commodity wifi | |
Sarkar et al. | Comparative analysis of statistical and supervised learning models for freshness assessment of oyster mushrooms | |
Chen et al. | Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks | |
Sarkar et al. | Supervised learning aided multiple feature analysis for freshness class detection of Indian gooseberry (Phyllanthus emblica) | |
Phate et al. | Classification and weighing of sweet lime (Citrus limetta) for packaging using computer vision system | |
Guo et al. | Bruise detection and classification of strawberries based on thermal images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |