CN110631640A - 基于物联网的仓储烟叶霉变状态智能监测系统及方法 - Google Patents
基于物联网的仓储烟叶霉变状态智能监测系统及方法 Download PDFInfo
- Publication number
- CN110631640A CN110631640A CN201911039221.9A CN201911039221A CN110631640A CN 110631640 A CN110631640 A CN 110631640A CN 201911039221 A CN201911039221 A CN 201911039221A CN 110631640 A CN110631640 A CN 110631640A
- Authority
- CN
- China
- Prior art keywords
- data
- tobacco
- mildew
- data acquisition
- wireless communication
- 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.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 195
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 64
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 52
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 52
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 26
- 239000001569 carbon dioxide Substances 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 14
- 239000000523 sample Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 22
- 239000007789 gas Substances 0.000 description 31
- 230000008569 process Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000013480 data collection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- OSQPUMRCKZAIOZ-UHFFFAOYSA-N carbon dioxide;ethanol Chemical compound CCO.O=C=O OSQPUMRCKZAIOZ-UHFFFAOYSA-N 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/004—Specially adapted to detect a particular component for CO, CO2
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0047—Specially adapted to detect a particular component for organic compounds
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Abstract
本发明公开了一种基于物联网的仓储烟叶霉变状态智能监测系统及方法,包括监控中心数据服务器,监控中心数据服务器经中继设备接收多个数据采集终端采集的烟叶仓储空间环境信息参数,并通过基于BP神经网络算法的烟叶状态识别模型对烟叶仓储空间内的烟叶霉变状态进行智能识别,最后输出烟叶霉变状态。中继设备为手持中继设备,其一端分别与多个数据采集终端进行无线通信,其另一端与监控中心数据服务器无线通信。每个标准烟堆内部放置至少3个数据采集终端,并将数据采集终端均匀放置在距离烟堆底部三分之一高度处的平面内。解决了人工检测工作量大、不及时、覆盖面小而造成的不能及时准确判断烟叶霉变状态的问题。
Description
技术领域
本发明属于烟叶仓储监测技术领域,涉及一种基于物联网的仓储烟叶霉变状态智能监测、预警系统及方法。
背景技术
烟叶在复烤之后需要经过一定时间的仓储醇化过程。烟叶仓储环节有着存放量大、存放密度高的特点,在此过程中,若仓库温湿度控制不当,烟叶极易发生霉变,造成巨大经济损失。传统的霉变检测方式主要是依靠人工采用插针式温湿度传感器测量烟包内部温度并手动记录,之后结合经验来判断烟叶状态。此外,在烟叶霉变检测方式研究中,也有通过红外光谱与图像识别等方式来实现,人工巡检方式由于检测工作量大且不及时、覆盖面小的原因无法准确检测存放在仓储空间内部的烟叶是否发生霉变,容易发生处理不及时所导致的霉变范围扩大问题,因此有必要对仓储烟叶霉变的监测方式进行改进。
随着物联网技术与人工智能技术的发展及其在各个领域中的广泛应用,智能仓储管理系统也应运而生。当前各大烟叶公司对于仓储烟叶的霉变检测过程复杂、误差较大且存在一定的局限性。因此,研究基于物联网技术的仓储烟叶霉变监测手段,对于减少因烟叶霉变造成的经济损失具有十分重要的意义。
发明内容
为实现上述目的,本发明实施例的目的在于提供一种基于物联网的仓储烟叶霉变状态智能监测系统,以解决人工检测工作量大、不及时、覆盖面小而造成的不能及时准确判断烟叶霉变状态的问题。
本发明实施例的另一目的在于,提供一种基于物联网的仓储烟叶霉变状态智能监测方法,以解决现有仓储烟叶霉变状况检测方法检测效率低、检测过程复杂、误差较大且存在局限性的问题。
本发明实施例所采用的技术方案是,基于物联网的仓储烟叶霉变状态智能监测系统,包括监控中心数据服务器,监控中心数据服务器根据接收的烟叶仓储空间环境信息参数,智能识别烟叶仓储空间内的烟叶霉变状态。
进一步的,所述监控中心数据服务器接收数据采集终端采集并发送的烟叶仓储空间环境信息参数,通过基于BP神经网络算法的烟叶状态识别模型对烟叶仓储空间内的烟叶霉变状态进行智能识别,最后输出烟叶霉变状态。
进一步的,所述数据采集终端设有多个,所述监控中心数据服务器经中继设备接收多个数据采集终端采集的烟叶仓储空间环境信息参数。
进一步的,所述中继设备为手持中继设备,所述手持中继设备和多个数据采集终端均部署在烟叶仓储空间中,其一端分别与多个数据采集终端进行无线通信,其另一端与监控中心数据服务器无线通信。
进一步的,每个标准烟堆内部放置至少3个数据采集终端,并将数据采集终端均匀放置在距离烟堆底部三分之一高度处的平面内;
所述数据采集终端包括第一微处理器,与第一微处理器输入端连接的温湿度传感器、二氧化碳气体传感器、乙醇气体传感器,以及与第一微处理器输出端连接的第一无线通信模块;
所述数据采集终端经第一无线通信模块与中继设备无线通信。
进一步的,所述每个标准烟堆内部放置3个数据采集终端,并将3个数据采集终端以三角的形式均匀放置在距离烟堆底部三分之一高度处的平面内;
所述中继设备包含第二微处理器,与第二微处理器双向连接的第二无线通信模块、GPRS数据传输模块,以及与第二微处理器输出端连接显示屏;
所述中继设备经第二无线通信模块与数据采集终端的第一无线通信模块无线通信;所述中继设备通过GPRS数据传输模块与监控中心数据服务器无线通信;
所述显示屏用于实时显示接收的烟叶仓储空间环境信息参数。
进一步的,所述第二无线通信模块与第二微处理器采用SPI通讯方式连接,所述GPRS数据传输模块与第二微处理器采用UART通讯方式连接;
所述第一无线通信模块以及第二无线通信模块均采用2.4G无线射频通信模块;
所述二氧化碳气体传感器采用二氧化碳气体感应探头,所述乙醇气体传感器采用乙醇气体感应探头。
进一步的,所述基于BP神经网络算法的烟叶状态识别模型是输入层神经元节点数为4、输出层神经元节点数为1、隐含层节点数为5~8,且至少包含三个隐含层的BP神经网络结构。
本发明实施例所采用的另一技术方案是,基于物联网的仓储烟叶霉变状态智能监测方法,采用所述的基于物联网的仓储烟叶霉变状态智能监测系统,具体按照以下步骤监测:
步骤S1、数据获取:数据采集终端以30秒一次的频率采集仓储烟叶的温湿度、二氧化碳气体含量和乙醇气体含量;
步骤S2、数据传输:巡检员手持中继设备靠近数据采集终端,将与其进行无线通信的数据采集终端传输的数据发送至监控中心数据服务器;
步骤S3、烟叶霉变状态监测:监控中心数据服务器对中继设备传送的数据进行数据预处理后,将其输入基于BP神经网络算法的烟叶状态识别模型,得到烟叶的霉变状态。
进一步的,所述数据预处理包括数据去重、数据缺失处理、数据异常处理和数据归一化;
所述数据缺失处理采用均值填补法和个案删除法相结合的方法进行,如果数据缺失时间在预设时间段内,则计算前期获取的数据的平均值,用该平均值填充该段数据缺失;数据缺失时间超过预设时间,则抛弃前期采集的数据,重新开始采集;
所述数据异常处理,是将异常数据当作空缺数据进行处理,即对异常数据进行数据缺失处理。
本发明的有益效果是,首先通过在数据采集终端中设置温湿度传感器以及二氧化碳气体感应探头、乙醇气体感应探头,可自动采集详细的烟叶仓储环境信息参数,且综合仓储烟叶空间的温湿度、二氧化碳含量以及乙醇含量进行烟叶霉变状态检测,检测结果更加精准;其次通过对监控中心数据服务器的烟叶仓储环境信息参数进行去重、数据缺失、数据异常和数据归一化等的数据预处理,确保了监控中心数据服务器接收的仓储烟叶空间环境信息参数的准确度,进一步提高检测精度,然后利用处理后的烟叶仓储环境信息参数并基于BP神经网络的烟叶霉变状态识别模型对输出烟叶的霉变状态进行智能识别,有效解决了人工检测工作量大、不及时、覆盖面小而造成的不能及时准确判断烟叶霉变状态的问题。并利用监控中心数据服务器的显示屏直观显示仓储环境信息参数以及识别的烟叶霉变状态信息,对于发生霉变烟叶进行及时报警,从而为仓库管理人员提供更加有效的监测与预警信息,避免烟叶遭到不必要的损失。且通过在采集终端以及手持中继设备中设置2.4G无线射频通信模块,可以让采集终端摆脱布线困难、传输距离有限且布置位置固定等问题,通过在仓库合理的布置数据采集终端,可以做到对所有仓储烟叶环境参数全方位的监测。该检测方法自动化程度高,无需人工进行复杂操作,高效及时且监测范围广,有效解决了现有仓储烟叶霉变状况检测方法检测效率低、检测过程复杂、误差较大且存在局限性的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于物联网的仓储烟叶霉变状态智能监测与预警系统的结构示意图。
图2为本发明实施例的数据采集终端结构示意图。
图3为本发明实施例的手持中继设备结构示意图。
图4为本发明实施例的监控中心数据服务器功能流程图。
图5是本发明实施例的烟叶仓储环境模拟示意图。
图6是本发明实施例的仓储烟叶状态识别模型的训练样本获取流程图。
图7是本发明实施例的仓储烟叶状态识别流程图。
图8是本发明实施例的基于BP神经网络的仓储烟叶状态识别模型结构示意图。
图中,101.数据采集终端,102.中继设备,103.监控中心数据服务器,201.第一微处理器,202.温湿度传感器,203.二氧化碳气体传感器,204.乙醇气体传感器,205.第一无线通信模块,301.第二微处理器,302.第二无线通信模块,303.GPRS数据传输模块,304.显示屏。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例根据烟叶在霉变过程中一些特征参数的变化,开发设计了一套仓储烟叶霉变状态智能监测系统,提供一种基于物联网的仓储烟叶霉变状态智能监测与预警系统,如图1所示,包括监控中心数据服务器103、中继设备102以及部署在烟叶存放空间中的多个数据采集终端101。具体地,中继设备102选用巡检人员可手持的手持中继设备。在每个标准的烟堆内部放置至少3个数据采集终端101,并将数据采集终端101均匀放置在距离烟堆底部三分之一高度处的平面内为最佳。因为标准烟堆一般是底部为长方形逐渐向上缩小的椎体形状,其重心一般处于距其底部三分之一的位置,发明人发现该位置一般温度最高,也是最易发生霉变的地方,因此将数据采集终端101放置在距离烟堆底部三分之一高度处。如采用3个数据采集终端101,将3个数据采集终端101以三角的形式均匀放置,以三角形均匀放置一方面能够尽量真实地把烟堆内部的环境信息参数检测出来,另一方面也能够降低成本(实际上数量越多检测越准确)。
如图2所示,每个数据采集终端101包括第一微处理器201。与第一微处理器201输入端连接的温湿度传感器202、二氧化碳气体传感器203、乙醇气体传感器204,以及与第一微处理器201输出端连接的第一无线通信模块205,本实施例的第一无线通信模块205选用2.4G无线射频通信模块,这些传感器分别用于采集烟叶仓储空间的温湿度、二氧化碳含量、乙醇含量等信息。每个数据采集终端101的第一微处理器201通过指令控制第一无线通信模块205,将温湿度传感器202、二氧化碳气体传感器203和乙醇气体传感器204采集的数据发送至中继设备102中,本实施例二氧化碳气体传感器203采用二氧化碳气体感应探头,乙醇气体传感器204选用乙醇气体感应探头。每个数据采集终端101在烟叶堆放时同烟叶一起装入烟堆内部,并通过第一无线通信模块205与手持中继设备建立连接。
图3为本发明实施例的中继设备102即手持中继设备的结构示意图,如图3所示,中继设备102包括手第二微处理器301,与第二微处理器301双向连接的第二无线通信模块302、GPRS数据传输模块303,以及与第二微处理器301输出端连接的显示屏304,第二无线通信模块302选用2.4G无线射频通信模块,中继设备102采用第二无线通信模块302与每个数据采集终端101的第一无线通信模块205进行无线通信,以接收每个数据采集终端101采集的烟叶仓储空间环境信息参数,并采用GPRS数据传输模块303再将烟叶仓储空间环境信息参数发送至监控中心数据服务器103上,同时显示屏304可以实时显示当前中继设备102所连接的数据采集终端101的编号及该数据采集终端101所在烟叶仓储空间即烟堆环境信息参数,本实施例显示屏304采用LCD显示屏。
本发明实施例的温湿度传感器202的型号为AM2320,二氧化碳气体传感器203的型号为MH-Z19B,乙醇气体传感器204的型号为TGS2620。数据采集终端101的第一微处理器201和中继设备102的第二微处理器301均采用型号为STM32F103C8T6的CPU芯片。数据采集终端101的第一无线通信模块205和手持中继设备的第二无线通信模块302均采用nRF24L01芯片,GPRS数据传输模块303的型号为SIM800A。
手持中继设备的第二无线通信模块302与第二微处理器301的通讯方式为SPI通讯方式,GPRS数据传输模块303与第二微处理器301的通讯方式为UART通讯方式。
仓库管理人员使用手持中继设备依次走近数据采集终端101,即在手持中继设备与数据采集终端101的无线通信范围(实际仓储环境下由于遮挡,无线通讯范围有所缩减,通常为20米)内,即可以实时接收到数据采集终端101采集到的烟叶仓储空间环境信息参数。
图4为本发明的监控中心数据服务器103的功能流程图,监控中心数据服务器103用来将接收到的烟叶仓储空间的温湿度、二氧化碳含量、乙醇气体含量等环境信息进行提取、存储,并通过基于BP神经网络算法的烟叶状态识别模型进行处理,输出烟叶霉变状态,并将烟叶仓储空间的温湿度、二氧化碳含量、乙醇气体含量以及烟叶霉变状态,通过监控中心数据服务器103的软件系统提供用户界面显示,以完成对烟叶仓储环境的温湿度、二氧化碳含量、乙醇气体含量与烟叶霉变状态的实时监测显示。当上述参数超出正常范围时,向用户报警,实现报警功能。需要说明的是,此处可以利用本领域的多种报警方式进行报警,如通过页面显示警告信息的方式向用户报警,又如为了报警信息的及时传达,增加短信服务直接向用户发送短信等。烟叶状态识别模型采用3层前馈BP人工神经网络进行分析建模,神经元的个数分别为:输入层为4,中间隐含层为6,输出层为3。
本发明实施例基于物联网的仓储烟叶霉变状态智能监测与预警系统,相较于现有的仓储烟叶霉变状态智能监测与预警系统,其创新点主要有两点,其一为采用了温湿度传感器与多种气体传感器结合的方式,组成传感器阵列,采集到的数据更有针对性;其二为利用人工神经网络实现烟叶霉变状态的判断。现今烟叶仓储霉变检测普遍采用的方式主要包括两种,一是温湿度记录管理的方式,这种方式易受天气的影响且准确度较低;二是人工抽样检查的方式,这种方式工作量大且漏检率高。本次创新跳出常规的温湿度监控,将一些霉变产生的特殊气体也考虑进来,通过人工神经网络的方式来识别其“气味”,从而更为精确的监测仓储烟叶的状态。
基于BP神经网络的仓储烟叶状态识别模型设计:
1.数据获取及预处理:
1.1.烟叶霉变等级划分
通常在烟叶出入库或巡查中,发现霉变烟叶,需要立即进行处理。根据《GB_T23220-2008-烟叶存储保管方法》,将烟叶霉变分为3级,如表1所示。烟叶霉情分级后,根据霉变不同等级,制定合理处置措施。
表1霉变分级表
危害等级 | 霉变状况 | 危害程度 |
0 | 无霉变、霉味烟叶 | 无霉变 |
Ⅰ | 有轻微霉变,霉变烟叶<0.5% | 轻微霉变 |
Ⅱ | 有较大霉味,0.5%≤霉变烟叶<5% | 中等霉变 |
Ⅲ | 有呛人的霉味 | 严重霉变 |
根据以上在烟叶仓库中常用到的烟叶霉变分级方法,结合本系统的仓储烟叶状态识别与霉变预警功能,需要在烟叶发生霉变初期以及霉变尚可控制的阶段时发现并提示管理人员处理,对于上述的Ⅲ级霉变没有实际意义,所以在研究仓储烟叶状态识别算法时,我们去掉Ⅲ级霉变的定义,将仓储烟叶霉变状态分为无霉变、轻微霉变、中等霉变三级。
1.2.样本数据采集
本发明实施例的智能监测系统研究烟叶状态识别方法,数据采集的方式是通过设计的数据采集终端101获取模拟烟叶仓储环境数据。对于样本数据的采集,我们在实验室模拟烟叶仓储环境,对每一种状态的烟叶仓储环境分别进行数据采集,每次先在存储箱中放入一批烟叶,同时放入数据采集终端101并封箱3小时,等到箱内环境参数稳定后开启手持中继设备,将数据采集终端101采集的数据传输至监控中心数据服务器103当中,监控中心数据服务器103接收到手持中继设备发送的通讯包之后对通讯包进行解析,获取通讯包中的数据段数据并存储至数据库,模拟烟叶仓储环境如图5所示。
数据采集终端101对三种状态的烟叶分别以30秒一次的频率进行2~3个月的采集,共采集3万余条数据,采集的烟叶仓储环境数据作为之后训练基于BP神经网络的烟叶状态识别模型的原始数据。经过去除重复,每种状态的烟叶环境数据取4000组,其中3000组为训练样本,1000组作为测试样本,由于记录的数据较多,本发明只选择不同霉变状态环境参数区别较大的几组数据为例,见表2。
表2模拟烟叶仓储环境监测数据
时间 | 霉变状态 | 温度(℃) | 湿度(%RH) | 二氧化碳(ppm) | 乙醇(V) |
2018-4-29 18:08:07 | 正常 | 186 | 684 | 561 | 0.56 |
2018-4-30 09:15:21 | 正常 | 196 | 688 | 581 | 0.67 |
2018-4-30 12:09:13 | 正常 | 221 | 691 | 582 | 0.68 |
2018-4-30 15:53:11 | 正常 | 205 | 711 | 676 | 1.01 |
2018-4-30 17:24:42 | 正常 | 202 | 699 | 701 | 1.07 |
2018-4-31 13:23:32 | 正常 | 225 | 709 | 684 | 0.89 |
2018-6-26 17:54:15 | 轻微霉变 | 232 | 694 | 651 | 1.27 |
2018-6-26 19:59:34 | 轻微霉变 | 224 | 696 | 702 | 1.28 |
2018-6-28 09:05:17 | 轻微霉变 | 232 | 759 | 801 | 1.37 |
2018-6-26 11:34:55 | 轻微霉变 | 267 | 785 | 654 | 0.96 |
2018-6-28 16:54:15 | 轻微霉变 | 289 | 687 | 619 | 1.33 |
2018-10-12 14:52:23 | 中度霉变 | 269 | 787 | 684 | 1.26 |
2018-10-12 16:43:17 | 中度霉变 | 252 | 906 | 732 | 1.48 |
2018-10-14 15:13:18 | 中度霉变 | 275 | 892 | 747 | 1.48 |
2018-10-16 13:41:34 | 中度霉变 | 283 | 890 | 753 | 1.49 |
2018-10-19 14:04:52 | 中度霉变 | 357 | 693 | 823 | 1.88 |
烟叶霉变的影响因素有很多,其中温湿度是影响烟叶霉变的一个重要因素。此外烟叶霉变的过程中会释放二氧化碳以及乙醇等相关气体,并伴随有发热现象。具体的霉变状态与温度、湿度、二氧化碳含量以及乙醇含量之间的关系度需要经过人工神经网路学习后建立模型才可进行较精准的判断。
1.3.数据预处理
图6是本发明基于BP神经网络的仓储烟叶状态识别模型设计的数据预处理方法实现流程图,第一步是先要通过检索数据库并读取数据采集终端101所采集的烟叶仓储环境数据,然后对数据进行判断,检查是否存在缺失,若采集的烟叶仓储环境数据存在空缺的内容,则对烟叶仓储环境数据进行数据缺失处理;第二步是对烟叶仓储环境数据有无存在异常值进行判断,若烟叶仓储环境数据发现异常值,则需对存储的异常数据进行数据异常处理;最后,将所得的数据进行归一化处理,获得完整的样本数据。
1.3.1.数据缺失处理
如果在对模拟烟叶仓储环境进行检测过程中,数据采集终端101出现断电、传感器故障或者网络不稳定等情况,导致采集的烟叶仓储环境数据出现空白,若此时不解决所收集的数据集中缺失的数据,而直接使用缺少数据的训练集来训练状态识别模型,则会导致训练的模型误差大,结果不准确。对此,以提高训练模型的精准度和稳定度为目的,就要对空缺的数据的采取相应措施,本发明使用均值填补法和个案删除法相结合的方法来对数据进行缺失处理。本发明监测系统的数据采集方式为实时采集,实际的手持中继设备向监控中心数据服务器103发送通讯包的频率是每30s一次。
1.3.2.数据异常处理
因为数据采集终端101的传感器或者第一无线通信模块205本身故障时,在所收集的烟草存储环境数据中会存在异常值,这些异常数据将对烟叶状态识别模型训练结果准确性造成影响。考虑被监测范围的数据采集终端101所采集的烟叶仓储环境数据一旦出现异常情况,相关仓库管理人员将立即进行处理,因此数据采集终端101所采集的环境数据长期存在异常情况的概率很小。故本发明将异常数据当作空缺数据来进行处理。针对采集的模拟烟叶仓储环境数据,若超过一小时连续出现异常数据就将这一时间段内的数据抛弃,不作为烟叶状态识别模型的训练集。若采集的模拟烟叶仓储环境数据异常没有超过一小时,则使用计算平均值的方法对异常数据采取操作。
1.3.3.数据归一化处理
本系统基于BP神经网络算法建立仓储烟叶状态识别模型。通过BP神经网络训练烟叶状态识别模型时,若输入参数的数值与神经元的阈值数值相差较大时,可能会出现在模型训练过程中输出层的神经元的输出值跨度过大的情况出现。为了加快识别模型网络的收敛速度,避免发生过度拟合的现象,本发明将进一步对采集的烟叶仓储环境数据进行数据归一化处理,保证整个仓储烟叶状态识别模型训练过程的输入数据值限制在[0-1]之间,使用的数据归一化处理公式如公式(1)所示:
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,归一化后的部分数据如表3所示。
表3部分归一化数据
温度 | 湿度 | 二氧化碳 | 乙醇 |
0.066666667 | 0.379310345 | 0.027874564 | 0.956521739 |
0.133333333 | 0.24137931 | 0.027874564 | 0.956521739 |
0.266666667 | 0.172413793 | 0.031358885 | 0.956521725 |
0.266666667 | 0.655172414 | 0.031355825 | 0.942028986 |
0.266666667 | 0.034482759 | 0.156794425 | 0.782652578 |
0.666666667 | 0.379310345 | 0.972125436 | 0.971014493 |
0.733333333 | 0.793103448 | 0.972125436 | 0.971014493 |
0.2 | 0.379310345 | 0.972125436 | 0.971014493 |
0.666666667 | 0.586206897 | 0.972125436 | 0.971014493 |
0.666666667 | 0.379310345 | 0.972125436 | 0.971014493 |
0.533333333 | 0.172413793 | 0.456445993 | 0.057971014 |
0.333333333 | 0.448275862 | 0.463414634 | 0.057971014 |
2.仓储烟叶状态识别算法设计
烟叶霉变过程中发生变化的主要特征参数是其存储环境的温度、湿度以及二氧化碳气体和乙醇气体的含量,但是上述特征参数与烟叶霉变过程是一种非线性和不确定性的关系,这就为通过这些环境参数判断烟叶是否发生霉变增加了复杂度。然而,BP神经网络具有良好的非线性映射能力,在解决一些非线性分类问题上有一定优势,所以本系统基于BP神经网络算法设计了仓储烟叶状态识别模型。
搭建一个BP神经网络学习算法内容是确定神经网络的层数、输入层和输出层当中神经元节点数,以及隐含层中神经元个数,还要确定需要使用的激活函数以及训练函数,最后完成整个BP神经网络模型的搭建。基于BP神经网络的仓储烟叶状态识别流程可分为状态识别算法的构建,状态识别算法的训练和状态识别三步,如图7所示。
2.1.确定BP神经网络层数
BP神经网络层数的确定就是对其隐含层数量的确定,不同的隐含层数量对整个网络的训练时间、预测误差以及识别效果都有明显的影响。一个适合的隐含层的数量可以令整个网络的识别率达到最优、误差降到最低,但是如果隐含层数过多,会增加网络复杂程度,会使模型训练时间过长,因此在确保网络识别率的前提下,一般选用较少的隐含层。当前,在许多研究中通常使用仅具有一个或两个隐含层的BP神经网络。在此方面一些学者做了具体的研究,根据Lippmann的研究,一个包含两层隐含层的神经网络,可以解决大部分的分类问题。Robert Hecht Nielsen已近证明,位于闭区间之间的任一函数均可由三层神经网络,即隐含层为一层的神经网络进行逼近。这些理论可以作为设计BP神经网络结构的基本原则。在设计仓储烟叶状态识别模型时,由于输入参数与输出参数并不复杂,所用对设计而言使用三层的BP神经网络结构即可达到要求。
2.2.确定输入层与输出层节点数
在仓储烟叶状态识别算法中,输入层参数为烟叶仓储环境的温度、湿度、二氧化碳浓度、乙醇浓度,所以输入层网络节点数为4。事先设定的仓储烟叶状态级别由输出量的数值进行表示,分别为正常、轻微霉变、中度霉变三种情况。这三种烟叶状态分别用数字0、1、2进行表达,因此输出层节点数为1。仓储烟叶状态对照如表4所示。
表4烟叶状态对照表
烟叶状态 | 正常 | 轻微霉变 | 中度霉变 |
输出数值 | 0 | 1 | 2 |
所以基于BP神经网络的仓储烟叶状态识别模型结构为4-X-1,即输入层有4个神经元节点,隐含层节点数待定,输出层有神经元节点数为1,仓储烟叶状态识别模型网络结构如图8所示。
2.3.确定隐含层节点数
在实际使用BP神经网络算法时,会有着一些不明确的地方,例如在确定隐含层节点数时,没有确切的理论指导,一般是由公式、经验结合实验的方法来确定。如果隐含层中的神经元节点设置过少,可能造成神经网络的训练过程收敛变慢或者不收敛。如果隐含层中节点过多,模型的预测精度会提高,但同时网络拓扑结构过大,收敛速度慢,普遍性会减弱。如果BP神经网络中输入层节点数为m个,输出层节点是为n个,则由公式(2)可推出隐含层节点数为s个。
其中,b为1-9之间的调节常数,在仓储烟叶状态识别模型中m=4,n=1,因此确定隐含层节点数s的范围为3~10之间的整数。根据以往的经验,将隐含层节点数范围设置为5~8的范围,最后根据仿真结果择优确定。
2.4.设定激活函数和训练函数
本系统中选取trainlm()函数为训练函数,logsig()函数为激活函数。一个神经元节点的作用是将输入向量加权求和后,再通过激活函数运算后得出结果,之后进行下一层神经元的计算。
人工监测出来时往往是烟叶已经发生了霉变,已经造成了不可逆的损失,而本发明最主要的创新点是将物联网技术与人工神经网络技术结合来发现即将发生霉变(还没有真正霉变)的烟堆,及时进行报警,从而提醒相关人员及时进行处理以降低霉变发生的损失,解决了目前人工检测工作量大且不及时、覆盖面小的问题。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,包括监控中心数据服务器(103),监控中心数据服务器(103)根据接收的烟叶仓储空间环境信息参数,智能识别烟叶仓储空间内的烟叶霉变状态。
2.根据权利要求1所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,所述监控中心数据服务器(103)接收数据采集终端(101)采集并发送的烟叶仓储空间环境信息参数,并通过基于BP神经网络算法的烟叶状态识别模型对烟叶仓储空间内的烟叶霉变状态进行智能识别,最后输出烟叶霉变状态。
3.根据权利要求2所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,所述数据采集终端(101)设有多个,所述监控中心数据服务器(103)经中继设备(102)接收多个数据采集终端(101)采集的烟叶仓储空间环境信息参数。
4.根据权利要求3所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,所述中继设备(102)为手持中继设备,所述手持中继设备和多个数据采集终端(101)均部署在烟叶仓储空间中,其一端分别与多个数据采集终端(101)进行无线通信,其另一端与监控中心数据服务器(103)无线通信。
5.根据权利要求3或4所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,每个标准烟堆内部放置至少3个数据采集终端(101),并将数据采集终端(101)均匀放置在距离烟堆底部三分之一高度处的平面内;
所述数据采集终端(101)包括第一微处理器(201),与第一微处理器(201)输入端连接的温湿度传感器(202)、二氧化碳气体传感器(203)、乙醇气体传感器(204),以及与第一微处理器(201)输出端连接的第一无线通信模块(205);
所述数据采集终端(101)经第一无线通信模块(205)与中继设备(102)无线通信。
6.根据权利要求5所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,所述每个标准烟堆内部放置3个数据采集终端(101),并将3个数据采集终端(101)以三角的形式均匀放置在距离烟堆底部三分之一高度处的平面内;
所述中继设备(102)包含第二微处理器(301),与第二微处理器(301)双向连接的第二无线通信模块(302)、GPRS数据传输模块(303),以及与第二微处理器(301)输出端连接的显示屏(304);
所述中继设备(102)经第二无线通信模块(302)与数据采集终端(101)的第一无线通信模块(205)无线通信;所述中继设备(102)通过GPRS数据传输模块(303)与监控中心数据服务器(103)无线通信;
所述显示屏(304)用于实时显示接收的烟叶仓储空间环境信息参数。
7.根据权利要求6所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,所述第二无线通信模块(302)与第二微处理器(301)采用SPI通讯方式连接,所述GPRS数据传输模块(303)与第二微处理器(301)采用UART通讯方式连接;
所述第一无线通信模块(205)以及第二无线通信模块(302)均采用2.4G无线射频通信模块;
所述二氧化碳气体传感器(203)采用二氧化碳气体感应探头,所述乙醇气体传感器(204)采用乙醇气体感应探头。
8.根据权利要求2~4任一项、6或7所述的基于物联网的仓储烟叶霉变状态智能监测系统,其特征在于,所述基于BP神经网络算法的烟叶状态识别模型是输入层神经元节点数为4、输出层神经元节点数为1、隐含层节点数为5~8,且至少包含三个隐含层的BP神经网络结构。
9.基于物联网的仓储烟叶霉变状态智能监测方法,其特征在于,采用如权利要求8所述的基于物联网的仓储烟叶霉变状态智能监测系统,具体按照以下步骤监测:
步骤S1、数据获取:数据采集终端(101)以30秒一次的频率采集仓储烟叶的温湿度、二氧化碳气体含量和乙醇气体含量;
步骤S2、数据传输:巡检员手持中继设备(102)靠近数据采集终端(101),将与其进行无线通信的数据采集终端(101)传输的数据发送至监控中心数据服务器(103);
步骤S3、烟叶霉变状态监测:监控中心数据服务器(103)对中继设备(102)传送的数据进行数据预处理后,将其输入基于BP神经网络算法的烟叶状态识别模型,得到烟叶的霉变状态。
10.根据权利要求9所述的基于物联网的仓储烟叶霉变状态智能监测方法,其特征在于,所述数据预处理包括数据去重、数据缺失处理、数据异常处理和数据归一化;
所述数据缺失处理采用均值填补法和个案删除法相结合的方法进行,如果数据缺失时间在预设时间段内,则计算前期获取的数据的平均值,用该平均值填充该段数据缺失;数据缺失时间超过预设时间,则抛弃前期采集的数据,重新开始采集;
所述数据异常处理,是将异常数据当作空缺数据进行处理,即对异常数据进行数据缺失处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039221.9A CN110631640A (zh) | 2019-10-29 | 2019-10-29 | 基于物联网的仓储烟叶霉变状态智能监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039221.9A CN110631640A (zh) | 2019-10-29 | 2019-10-29 | 基于物联网的仓储烟叶霉变状态智能监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110631640A true CN110631640A (zh) | 2019-12-31 |
Family
ID=68978280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039221.9A Pending CN110631640A (zh) | 2019-10-29 | 2019-10-29 | 基于物联网的仓储烟叶霉变状态智能监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110631640A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530045A (zh) * | 2020-11-26 | 2021-03-19 | 重庆电子工程职业学院 | 一种工厂的智能巡检系统 |
CN112686303A (zh) * | 2020-12-29 | 2021-04-20 | 辽宁工程技术大学 | 一种智能木材仓储系统 |
CN114428083A (zh) * | 2021-12-17 | 2022-05-03 | 中国电子科技集团公司第四十一研究所 | 一种在线原料烟包的霉变复合检测方法 |
CN114500611A (zh) * | 2022-04-02 | 2022-05-13 | 武汉慧联无限科技有限公司 | 一种烟叶存储监控系统、监控方法及装置、存储介质 |
CN114894249A (zh) * | 2022-04-25 | 2022-08-12 | 江苏大学 | 基于仓储环境多参数传感器的食物霉变预警系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2842595Y (zh) * | 2005-11-07 | 2006-11-29 | 中科院成都信息技术有限公司 | 烟叶库房温湿度监测系统 |
JP2009180414A (ja) * | 2008-01-30 | 2009-08-13 | Sanyo Electric Co Ltd | 監視システム |
CN103196486A (zh) * | 2013-02-22 | 2013-07-10 | 昆明维萌科技有限公司 | 基于无线传感网络的烟草仓储监测系统及方法 |
US20140288868A1 (en) * | 2013-03-19 | 2014-09-25 | Robert Stetson Gorham, JR. | Process for Monitoring Items that are Stored or in Transit |
CN205388481U (zh) * | 2015-11-24 | 2016-07-20 | 中贮(上海)机电设备有限公司 | 一种烟叶仓库用智能发声环境信息检测装置 |
CN205826018U (zh) * | 2016-06-23 | 2016-12-21 | 安徽省烟草公司池州市公司 | 一种烟草仓库无线温湿度监控系统 |
CN106949937A (zh) * | 2017-04-28 | 2017-07-14 | 深圳市中软易通科技有限公司 | 基于移动终端实现仓储测温湿度定位的方法及系统 |
CN207397079U (zh) * | 2017-08-30 | 2018-05-22 | 河南中烟工业有限责任公司 | 一种烟叶气调贮存环境远程监测系统 |
CN109062296A (zh) * | 2018-08-27 | 2018-12-21 | 华夏易通国际物流有限公司 | 一种基于温湿度监控的粮食仓储方法 |
CN109552219A (zh) * | 2019-01-14 | 2019-04-02 | 辽宁工业大学 | 一种基于混合动力汽车的分布式安全监控方法 |
CN109671507A (zh) * | 2018-12-24 | 2019-04-23 | 万达信息股份有限公司 | 一种基于电子健康档案的产科专病关联指标挖掘方法 |
CN110083096A (zh) * | 2019-04-30 | 2019-08-02 | 江苏师范大学 | 一种粮仓智能监测方法 |
-
2019
- 2019-10-29 CN CN201911039221.9A patent/CN110631640A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2842595Y (zh) * | 2005-11-07 | 2006-11-29 | 中科院成都信息技术有限公司 | 烟叶库房温湿度监测系统 |
JP2009180414A (ja) * | 2008-01-30 | 2009-08-13 | Sanyo Electric Co Ltd | 監視システム |
CN103196486A (zh) * | 2013-02-22 | 2013-07-10 | 昆明维萌科技有限公司 | 基于无线传感网络的烟草仓储监测系统及方法 |
US20140288868A1 (en) * | 2013-03-19 | 2014-09-25 | Robert Stetson Gorham, JR. | Process for Monitoring Items that are Stored or in Transit |
CN205388481U (zh) * | 2015-11-24 | 2016-07-20 | 中贮(上海)机电设备有限公司 | 一种烟叶仓库用智能发声环境信息检测装置 |
CN205826018U (zh) * | 2016-06-23 | 2016-12-21 | 安徽省烟草公司池州市公司 | 一种烟草仓库无线温湿度监控系统 |
CN106949937A (zh) * | 2017-04-28 | 2017-07-14 | 深圳市中软易通科技有限公司 | 基于移动终端实现仓储测温湿度定位的方法及系统 |
CN207397079U (zh) * | 2017-08-30 | 2018-05-22 | 河南中烟工业有限责任公司 | 一种烟叶气调贮存环境远程监测系统 |
CN109062296A (zh) * | 2018-08-27 | 2018-12-21 | 华夏易通国际物流有限公司 | 一种基于温湿度监控的粮食仓储方法 |
CN109671507A (zh) * | 2018-12-24 | 2019-04-23 | 万达信息股份有限公司 | 一种基于电子健康档案的产科专病关联指标挖掘方法 |
CN109552219A (zh) * | 2019-01-14 | 2019-04-02 | 辽宁工业大学 | 一种基于混合动力汽车的分布式安全监控方法 |
CN110083096A (zh) * | 2019-04-30 | 2019-08-02 | 江苏师范大学 | 一种粮仓智能监测方法 |
Non-Patent Citations (2)
Title |
---|
张利华 等: "基于BP神经网络的仓储烟草霉变预测", 《华东交通大学学报》 * |
张竞超 等: "基于物联网技术的仓储香蕉成熟度智能监测与预警系统设计", 《安徽农业大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530045A (zh) * | 2020-11-26 | 2021-03-19 | 重庆电子工程职业学院 | 一种工厂的智能巡检系统 |
CN112686303A (zh) * | 2020-12-29 | 2021-04-20 | 辽宁工程技术大学 | 一种智能木材仓储系统 |
CN112686303B (zh) * | 2020-12-29 | 2024-04-02 | 辽宁工程技术大学 | 一种智能木材仓储系统 |
CN114428083A (zh) * | 2021-12-17 | 2022-05-03 | 中国电子科技集团公司第四十一研究所 | 一种在线原料烟包的霉变复合检测方法 |
CN114500611A (zh) * | 2022-04-02 | 2022-05-13 | 武汉慧联无限科技有限公司 | 一种烟叶存储监控系统、监控方法及装置、存储介质 |
CN114894249A (zh) * | 2022-04-25 | 2022-08-12 | 江苏大学 | 基于仓储环境多参数传感器的食物霉变预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110631640A (zh) | 基于物联网的仓储烟叶霉变状态智能监测系统及方法 | |
CN111445106B (zh) | 一种用电采集设备故障处理作业现场安全控制方法及系统 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN108376184A (zh) | 一种桥梁健康监控的方法及系统 | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN103235098A (zh) | 地下水在线水质监测系统 | |
CN104748305B (zh) | 空调的开关状态的识别方法及系统及估算方法及系统 | |
CN114579818A (zh) | 一种可视化碳排放检测管理系统及方法 | |
CN114048952B (zh) | 基于边缘物联技术和神经网络的炼铁厂安全态势感知方法 | |
CN106297252A (zh) | 一种工业园区大气污染监测系统 | |
Cacciola et al. | Aspects about air pollution prediction on urban environment | |
CN115575584B (zh) | 一种大气环境镉含量监测预警方法及系统 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN115511367B (zh) | 生产线的质量智能管理系统 | |
CN115342859A (zh) | 一种多功能粮情检测系统及检测方法 | |
CN114966422A (zh) | 基于动力电池参数的实时监控预警系统 | |
CN205983585U (zh) | 配网变压器巡检系统、rfid模块和手持器模块 | |
CN110930644A (zh) | 一种电缆生产安全预警系统 | |
CN110657836B (zh) | 一种生鲜运输智能物流箱的监控系统及其监控方法 | |
CN111667391A (zh) | 一种环保大数据监测系统 | |
CN115310367A (zh) | 一种基于lstm神经网络的矿井空气质量监测系统 | |
CN114118678B (zh) | 一种基于边缘物联网的炼铁厂管理系统及其架构方法 | |
CN111522860B (zh) | 一种基于生物行为的水质预警分析方法及其系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN112857450A (zh) | 一种环境空气质量自动监测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |