CN110657836B - 一种生鲜运输智能物流箱的监控系统及其监控方法 - Google Patents

一种生鲜运输智能物流箱的监控系统及其监控方法 Download PDF

Info

Publication number
CN110657836B
CN110657836B CN201910876140.8A CN201910876140A CN110657836B CN 110657836 B CN110657836 B CN 110657836B CN 201910876140 A CN201910876140 A CN 201910876140A CN 110657836 B CN110657836 B CN 110657836B
Authority
CN
China
Prior art keywords
fresh food
extrusion damage
fresh
freshness
logistics box
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
Application number
CN201910876140.8A
Other languages
English (en)
Other versions
CN110657836A (zh
Inventor
何美玲
王长辉
武晓晖
曾磊
林天鹤
魏志秀
李磊
蒲俊
安勇峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910876140.8A priority Critical patent/CN110657836B/zh
Publication of CN110657836A publication Critical patent/CN110657836A/zh
Application granted granted Critical
Publication of CN110657836B publication Critical patent/CN110657836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65D—CONTAINERS FOR STORAGE OR TRANSPORT OF ARTICLES OR MATERIALS, e.g. BAGS, BARRELS, BOTTLES, BOXES, CANS, CARTONS, CRATES, DRUMS, JARS, TANKS, HOPPERS, FORWARDING CONTAINERS; ACCESSORIES, CLOSURES, OR FITTINGS THEREFOR; PACKAGING ELEMENTS; PACKAGES
    • B65D81/00—Containers, packaging elements, or packages, for contents presenting particular transport or storage problems, or adapted to be used for non-packaging purposes after removal of contents
    • B65D81/24—Adaptations for preventing deterioration or decay of contents; Applications to the container or packaging material of food preservatives, fungicides, pesticides or animal repellants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65D—CONTAINERS FOR STORAGE OR TRANSPORT OF ARTICLES OR MATERIALS, e.g. BAGS, BARRELS, BOTTLES, BOXES, CANS, CARTONS, CRATES, DRUMS, JARS, TANKS, HOPPERS, FORWARDING CONTAINERS; ACCESSORIES, CLOSURES, OR FITTINGS THEREFOR; PACKAGING ELEMENTS; PACKAGES
    • B65D85/00—Containers, packaging elements or packages, specially adapted for particular articles or materials
    • B65D85/30—Containers, packaging elements or packages, specially adapted for particular articles or materials for articles particularly sensitive to damage by shock or pressure
    • B65D85/34—Containers, packaging elements or packages, specially adapted for particular articles or materials for articles particularly sensitive to damage by shock or pressure for fruit, e.g. apples, oranges or tomatoes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Food Science & Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)

Abstract

本发明提供了一种生鲜运输智能物流箱的监控系统，包括物流箱体、制冷器、传感器组件、CO2溶度检测传感器和控制系统；所述制冷器安装在物流箱体上；所述物流箱体内部阵列排布若干传感器组件，所述控制系统通过读取分析CO2溶度检测传感器、温度传感器和湿度传感器的检测数据，判断物流箱体内生鲜食品新鲜程度，所述控制系统根据物流箱体内生鲜食品新鲜程度控制制冷器工作；所述控制系统通过读取分析压力传感器的检测数据，判断物流箱体内生鲜食品挤压损坏程度，所述控制系统根据生鲜食品挤压损坏程度发给指令。本发明根据监测数据进行准确预测生鲜食品新鲜程度与挤压损失等级，且能控制系统做出保护措施。

Description

一种生鲜运输智能物流箱的监控系统及其监控方法
技术领域
本发明涉及智能物流箱监控技术领域，特别涉及一种生鲜运输智能物流箱的监控系统及其监控方法。
背景技术
随着网上购物的普及，物流行业在全球迅速崛起，其方便、快捷的特点成为一种不可或缺的生活方式。电商的发展对生鲜食品的运输和配送提出了更高的要求，现有针对零散客户生鲜食品的物流配送只是简单包装，采用泡沫保温箱加冰袋的形式，然后与其他货物一起运输，对量少的生鲜无法专门配送以及缺乏在运输过程中对货物的监测并及时采取措施，在长途物流运输过程中，生鲜食品受到振动挤压和高温的影响，无法保障原有的新鲜度和质量，甚至无法使用，极易造成生鲜食品的损坏，造成物流行业的经济损失。
在大量生鲜食品的物流配送中，由于生鲜食品如蔬菜水果的呼吸作用，导致物流箱内温度升高，进而导致生鲜食品营养流失以及新鲜等级下降。另外，物流箱摩擦挤压导致生鲜食品局部过热或挤压损坏等情况，然而物流人员无法从物流箱外观察生鲜来判断生鲜食物底部以及侧边过热或者挤压损坏情况。
发明内容
针对现有技术中存在的不足，本发明提供了一种生鲜运输智能物流箱的监控系统及其监控方法，通过终端实时监测物流箱底部与侧边CO2浓度、温度、湿度、挤压情况，并根据监测数据进行准确预测生鲜食品新鲜程度与挤压损失等级，且能控制系统做出保护措施。
本发明是通过以下技术手段实现上述技术目的的。
一种生鲜运输智能物流箱的监控系统，包括物流箱体，还包括制冷器，传感器组件、CO2溶度检测传感器和控制系统；所述制冷器安装在物流箱体上，用于给物流箱体降温；所述物流箱体内部阵列排布若干传感器组件，任一所述传感器组件包括温度传感器、压力传感器和湿度传感器；所述控制系统通过读取分析CO2溶度检测传感器、温度传感器和湿度传感器的检测数据，判断物流箱体内生鲜食品新鲜程度，所述控制系统根据物流箱体内生鲜食品新鲜程度控制制冷器工作；所述控制系统通过读取分析压力传感器的检测数据，判断物流箱体内生鲜食品挤压损坏程度，所述控制系统根据生鲜食品挤压损坏程度发给指令。
进一步，所述控制系统通过无线将生鲜食品挤压损坏程度和生鲜食品新鲜程度传递给终端。
一种生鲜运输智能物流箱的监控系统的监控方法，包括如下步骤：
所述控制系统建立基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型和生鲜食品新鲜程度的预测监控模型；
所述生鲜食品挤压损坏程度的预测监控模型根据输入的CO2溶度检测传感器、温度传感器和湿度传感器信息，输出生鲜食品新鲜值，所述控制系统根据生鲜食品新鲜值控制所述制冷器；
所述生鲜食品新鲜程度的预测监控模型根据输入的压力传感器信息，输出生鲜食品挤压损坏值，所述控制系统根据生鲜食品挤压损坏值发给指令。
进一步，所述控制系统建立基于RBF神经网络与多参数信息融合的生鲜运输智能物流箱的食品安全预测模型具体为：
所述控制系统分别设置生鲜食品新鲜程度与挤压损坏程度的范围和等级；
实验室采集所述物流箱体内的CO2浓度、温度矩阵和湿度矩阵信息，并记录生鲜食品新鲜程度；实验室采集所述物流箱体内的压力矩阵信息，并记录挤压破坏程度信息；
数据整合处理，整合后的CO2浓度、温度矩阵、湿度矩阵和压力矩阵作为训练输入样本；所述生鲜食品新鲜程度和挤压破坏程度信息作为训练输出样本；
建立基于RBF神经网络的生鲜食品新鲜程度的预测监控模型：将CO2浓度、温度矩阵和湿度矩阵作为RBF神经网络的输入层，输出层为生鲜食品新鲜值y，RBF神经网络的隐含层函数为高斯基函数；
建立基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型：将压力矩阵作为RBF神经网络的输入层，输出层为生鲜食品挤压损坏值b，RBF神经网络的隐含层函数为高斯基函数；
确定生鲜食品新鲜程度预测神经网络模型的阈值T1和生鲜食品挤压损坏程度预测神经网络的阈值T2；
通过MATLAB对基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型和生鲜食品新鲜程度的预测监控模型进行训练。
进一步，所述控制系统分别设置生鲜食品新鲜程度与挤压损坏程度的范围和等级具体为：
将生鲜新鲜程度分为95-100％、90-95％、80-90％和70-80％四个范围，其对应的生鲜食品新鲜等级为非常新鲜、新鲜、不太新鲜和不新鲜；
将生鲜食品挤压损坏程度分为0-5％、5-10％和10-20％三个范围，其对应的生鲜食品挤压损坏程度等级为无挤压损坏，轻微挤压损坏和挤压损坏严重。
进一步，确定生鲜食品新鲜程度预测神经网络模型的阈值T1和生鲜食品挤压损坏程度预测神经网络的阈值T2，具体为：根据生鲜食品新鲜程度确定生鲜食品新鲜程度预测神经网络模型的阈值T1；根据生鲜食品挤压损坏程度确定生鲜食品挤压损坏程度预测神经网络的阈值T2。
本发明的有益效果在于：
本发明采用RBF神经网络建立对生鲜食品新鲜程度与挤压损坏程度的预测模型，能够根据智能物流箱内CO2浓度、不同位置的温度、与湿度情况对当前生鲜食品新鲜程度进行预测，并根据压力信息对生鲜食品挤压损坏程度进行预测，并采取对应等级的措施来保护生鲜食品的新鲜和减少生鲜食品挤压损坏情况；该方法利用WSN无线传感网络技术，将智能物流箱内的生鲜食品新鲜程度与挤压损坏程度上传到智能手机终端，可实现智能手机终端的实时监测，为物流运输提供了方便；充分考虑了影响生鲜食品运输过程中的多个影响参数，对做出预测控制的决策提供了更加准确的依据，改善了传统生鲜食品运输过程中的盲点问题，减少了生鲜运输过程中的损失。
附图说明
图1为本发明所述的生鲜运输智能物流箱的结构图。
图2为本发明所述的生鲜运输智能物流箱的监控系统的控制原理图。
图中：
1-制冷器；2-物流箱盖子；3-物流箱体；4-传感器集成安装板；5-单个传感器组件安装板；6-温度传感器；7-压力传感器；8-湿度传感器；9-WiFi；10-智能手机终端；11-无线通信链路；12-WSN无线传感网络；13-WiFi模块；14-控制系统；15-CO2传感器。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，本发明所述的生鲜运输智能物流箱的监控系统，包括物流箱体3、制冷器1、传感器组件、CO2溶度检测传感器15和控制系统14；所述制冷器1安装在物流箱体3的物流箱盖子2上，用于给物流箱体3降温；所述物流箱体3内部阵列排布若干传感器组件，单个所述传感器组件安装在单个传感器组件安装板5上，若干所述单个传感器组件安装板5安装在传感器集成安装板4上，所述传感器集成安装板4位于物流箱体3底部和侧部。任一所述传感器组件包括温度传感器6、压力传感器7和湿度传感器8；在物流箱体3侧部上方位置安装CO2溶度检测传感器15；制冷器1与控制系统14相连，由控制系统14进行控制，实现物流箱体3内的制冷。所述控制系统14通过读取分析CO2溶度检测传感器15、温度传感器6和湿度传感器8的检测数据，判断物流箱体3内生鲜食品新鲜程度，所述控制系统14根据物流箱体3内生鲜食品新鲜程度控制制冷器1工作；所述控制系统14通过读取分析压力传感器7的检测数据，判断物流箱体3内生鲜食品挤压损坏程度，所述控制系统14根据生鲜食品挤压损坏程度发给指令。控制系统14通过自带的WiFi模块13，将生鲜食品新鲜程度等级和挤压损坏程度等级通过WSN无线传感网络12上传到智能手机终端10，实现智能物流箱内生鲜食品新鲜度和挤压损坏程度的实时监测。所述控制系统14为MCU。
如图2为本发明的控制原理图。其中CO2溶度检测传感器15、压力传感器7、湿度传感器8和温度传感器6将实时采集的数据输入给控制系统14，然后采集到的CO2浓度、温度矩阵、湿度矩阵等信息数据带入生鲜食品新鲜程度的预测监控模型，预测结果与生鲜食品新鲜程度等级建立关系，同时采集到的压力矩阵信息带入生鲜食品挤压损坏程度的预测监控模型，预测结果与挤压损坏程度等级建立关系。采集的数据输入到net1生鲜食品新鲜程度预测模型，得到的结果为不太新鲜及以下时，控制系统14控制制冷器1制冷以保护生鲜食品新鲜，如果预测结果为非常新鲜或者新鲜，则不制冷；同时，将实时采集到的压力矩阵数据输入到net2生鲜食品挤压损坏程度预测模型，得到的结果为轻微挤压损坏或者挤压损坏严重，控制系统14将损坏等级发送给智能手机终端10，并语音播报，建议司机师傅减速慢行；如果得到的预测结果为无挤压损坏，则控制系统14不发送消息给智能手机终端10。
一种生鲜运输智能物流箱的监控系统的监控方法，具体包括如下步骤：
步骤1：所述控制系统14建立基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型和生鲜食品新鲜程度的预测监控模型；
步骤1.1：所述控制系统14分别设置生鲜食品新鲜程度与挤压损坏程度的范围和等级；将生鲜新鲜程度分为95-100％、90-95％、80-90％、70-80％四个范围，其对应的生鲜食品新鲜等级为非常新鲜、新鲜、不太新鲜和不新鲜；将生鲜食品挤压损坏程度分为0-5％、5-10％、10-20％三个范围，其对应的生鲜食品挤压损坏程度等级为无挤压损坏，轻微挤压损坏和挤压损坏严重；
步骤1.2：采集数据。在实验室采集生鲜智能物流箱内的CO2浓度、温度矩阵、湿度矩阵等信息，并记录相应的生鲜食品新鲜程度信息；同时采集压力矩阵信息，并记录相应生鲜食品挤压损坏程度信息；
步骤1.3：整合数据，确定训练输入样本与输出样本。将生鲜智能物流箱内的CO2浓度、温度矩阵、湿度矩阵数据均做S型函数标准化处理，适当选择参数，使得标准化处理后的数据具有很好的平滑性，此时标准化处理后的数据作为训练输入样本，其对应的生鲜食品新鲜程度信息作为训练输出样本；同时将压力矩阵数据做S型函数标准化处理，标准化处理后的数据作为训练输入样本，其对应的生鲜食品挤压损坏程度作为训练输出样本；
步骤1.4：建立基于RBF神经网络的生鲜食品新鲜程度的预测监控模型：RBF神经网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、数据分类、模式识别、时间序列分析、信息处理、系统建模、图像处理、控制与故障诊断等，预测模型所依托的运行环境为监控终端的微型计算机。生鲜食品新鲜程度的预测监控模型分为输入层、隐含层与输出层，输入层为矩阵x＝[x1,x2,…,xn]T，其中x1为实时CO2浓度，x2-x13为物流箱不同位置的实时温度值，x14-x25为物流箱不同位置的实时湿度值，输出层为生鲜食品新鲜值y。RBF神经网络的隐含层函数为高斯基函数；其中，RBF神经网络的隐含层函数为：
Figure BDA0002204336520000051
式中，cj为第j个隐层神经元的中心点向量值，Bj为隐含层神经元j的高斯基函数宽度值。
RBF神经网络隐含层节点数的确定需满足以下三个条件：(1)隐含层节点数必须小于N-1(N为训练样本数)；(2)训练样本数必须多于网络模型的连接权数，一般为2～10倍；(3)在满足精度的前提下，隐含层节点数尽可能少。在本专利中，训练样本数一般不少于100组，因此，隐含层节点数设置为20。
建立基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型：生鲜食品挤压损坏程度的预测监控模型，输入层为矩阵a＝[a1,a2,…,an]T，其中a1-a12为物流箱不同位置的实时压力值，输出层为生鲜食品挤压损坏值b，RBF神经网络的隐含层函数为高斯基函数；挤压损坏程度的训练样本数一般不少于50组，在满足上述三个条件的情况下，隐含层节点数设置为10。
步骤1.5：设置阈值。分析采集到的CO2浓度、温度矩阵、湿度矩阵与生鲜食品新鲜程度的关系，压力矩阵与生鲜食品挤压损坏程度的关系，然后选择相应参数测量传感器的最大量程Lmax，并将[0,Lmax]之间安装训练数据的点数划分等级，确定各参数与生鲜食品新鲜程度以及挤压损坏程度初始关系分布，将生鲜新鲜程度分为95-100％、90-95％、80-90％、70-80％四个范围，根据生鲜食品新鲜程度确定生鲜食品新鲜程度预测神经网络模型的阈值T1；将生鲜食品挤压损坏程度分为0-5％、5-10％、10-20％三个范围，根据生鲜食品挤压损坏程度确定生鲜食品挤压损坏程度预测神经网络的阈值T2。
步骤1.6：对基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型和生鲜食品新鲜程度的预测监控模型进行训练。
生鲜食品新鲜程度的预测监控模型输入层为S型函数标准化处理后的CO2浓度、温度矩阵、湿度矩阵数据，输出层为其对应的生鲜食品新鲜程度；生鲜食品挤压损坏程度的预测监控模型输入层为S型函数标准化处理后的压力矩阵，输出层为其对应的生鲜食品挤压损坏程度；通过给定的输入层、输出层数据计算出隐含层中的权值参数，从而得到输入与输出之间的关系式，具体公式如下：
y{1}＝radbas(netprod(dist(net1,IW{1,1},x),net1,T1{1}))；
b{1}＝radbas(netprod(dist(net2,IW{1,1},a),net2,T2{1}))；
其中y为生鲜食品新鲜程度的输出，b为生鲜食品挤压损坏程度的输出，x为S型函数标准化处理后的CO2浓度、温度矩阵、湿度矩阵等训练数据的输入，求得net1，a为S型函数标准化处理后的压力矩阵的训练数据的输入，求得net2，T1为生鲜食品新鲜程度预测神经网络模型的阈值，T2为生鲜食品挤压损坏程度预测神经网络的阈值。
随后将他们带入调用Matlab函数库中的训练模型公式：
net1＝newrb(x,y)；
net2＝newrb(a,b)；
其中，net1为得到的生鲜食品新鲜程度预测模型，net2为得到的生鲜食品挤压损坏程度预测模型，y为生鲜食品新鲜程度，b为生鲜食品挤压损坏程度，x为S型函数标准化处理后的为CO2浓度、温度矩阵、湿度矩阵等实时数据的采集，a为S型函数标准化处理后的压力矩阵的实时数据采集。
步骤2：所述生鲜食品挤压损坏程度的预测监控模型根据输入的CO2溶度检测传感器15、温度传感器6和湿度传感器8信息，输出生鲜食品新鲜值，所述控制系统14根据生鲜食品新鲜值控制所述制冷器1；所述生鲜食品新鲜程度的预测监控模型根据输入的压力传感器7信息，输出生鲜食品挤压损坏值，所述控制系统14根据生鲜食品挤压损坏值发给指令。
步骤2.1：根据步骤1.1的设置可知，生鲜食品新鲜程度可分为四个等级：一级95-100％，为非常新鲜；二级90-95％，为新鲜；三级80-90％，为不太新鲜；四级70-80％，为不新鲜。当实时采集的数据带入net1生鲜食品新鲜程度预测模型，得到的预测结果为不太新鲜及以下时，控制系统14控制制冷器1制冷以使生鲜食品保持新鲜，如果预测结果为非常新鲜或者新鲜，则不制冷。
步骤2.2：根据步骤1.1的设置可知，生鲜食品挤压损坏程度可分为三个等级：一级0-5％，为无挤压损坏；二级5-10％，为轻微挤压损坏；三级10-20％，挤压损坏严重；当实时采集的压力矩阵数据带入net2生鲜食品挤压损坏程度预测模型中，得到的预测结果为轻微挤压损坏或者挤压损坏严重，控制系统14将损坏等级发送给智能手机终端10，并语音播报，并建议司机师傅减速慢行；如果得到的预测结果为无挤压损坏时，则不发送消息给智能手机终端。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (5)

1.一种生鲜运输智能物流箱的监控方法，其特征在于，包括如下步骤：
控制系统(14)建立基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型和生鲜食品新鲜程度的预测监控模型，具体为：
所述控制系统(14)分别设置生鲜食品新鲜程度与挤压损坏程度的范围和等级；
实验室采集物流箱体(3)内的CO2浓度、温度矩阵和湿度矩阵信息，并记录生鲜食品新鲜程度；实验室采集所述物流箱体(3)内的压力矩阵信息，并记录挤压破坏程度信息；
数据整合处理，整合后的CO2浓度、温度矩阵、湿度矩阵和压力矩阵作为训练输入样本；所述生鲜食品新鲜程度和挤压破坏程度信息作为训练输出样本；
建立基于RBF神经网络的生鲜食品新鲜程度的预测监控模型：将CO2浓度、温度矩阵和湿度矩阵作为RBF神经网络的输入层，输出层为生鲜食品新鲜值y，RBF神经网络的隐含层函数为高斯基函数；
建立基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型：将压力矩阵作为RBF神经网络的输入层，输出层为生鲜食品挤压损坏值b，RBF神经网络的隐含层函数为高斯基函数；
确定生鲜食品新鲜程度预测神经网络模型的阈值T1和生鲜食品挤压损坏程度预测神经网络的阈值T2；
通过MATLAB对基于RBF神经网络的生鲜食品挤压损坏程度的预测监控模型和生鲜食品新鲜程度的预测监控模型进行训练；
所述生鲜食品新鲜程度的预测监控模型根据输入的CO2浓度检测传感器(15)、温度传感器(6)和湿度传感器(8)信息，输出生鲜食品新鲜值，所述控制系统(14)根据生鲜食品新鲜值控制制冷器(1)；
所述生鲜食品挤压损坏程度的预测监控模型根据输入的压力传感器(7)信息，输出生鲜食品挤压损坏值，所述控制系统(14)根据生鲜食品挤压损坏值发送指令。
2.根据权利要求1所述的生鲜运输智能物流箱的监控方法，其特征在于，所述控制系统(14)分别设置生鲜食品新鲜程度与挤压损坏程度的范围和等级具体为：
将生鲜新鲜程度分为95-100％、90-95％、80-90％和70-80％四个范围，其对应的生鲜食品新鲜等级为非常新鲜、新鲜、不太新鲜和不新鲜；
将生鲜食品挤压损坏程度分为0-5％、5-10％和10-20％三个范围，其对应的生鲜食品挤压损坏程度等级为无挤压损坏，轻微挤压损坏和挤压损坏严重。
3.根据权利要求2所述的生鲜运输智能物流箱的监控方法，其特征在于，确定生鲜食品新鲜程度预测神经网络模型的阈值T1和生鲜食品挤压损坏程度预测神经网络的阈值T2，具体为：根据生鲜食品新鲜程度确定生鲜食品新鲜程度预测神经网络模型的阈值T1；根据生鲜食品挤压损坏程度确定生鲜食品挤压损坏程度预测神经网络的阈值T2。
4.一种根据权利要求1所述的生鲜运输智能物流箱的监控方法的系统，包括物流箱体(3)，其特征在于，还包括制冷器(1)，传感器组件、CO2浓度检测传感器(15)和控制系统(14)；所述制冷器(1)安装在物流箱体(3)上，用于给物流箱体(3)降温；所述物流箱体(3)内部阵列排布若干传感器组件，任一所述传感器组件包括温度传感器(6)、压力传感器(7)和湿度传感器(8)；所述控制系统(14)通过读取分析CO2浓度检测传感器(15)、温度传感器(6)和湿度传感器(8)的检测数据，判断物流箱体(3)内生鲜食品新鲜程度，所述控制系统(14)根据物流箱体(3)内生鲜食品新鲜程度控制制冷器(1)工作；所述控制系统(14)通过读取分析压力传感器(7)的检测数据，判断物流箱体(3)内生鲜食品挤压损坏程度，所述控制系统(14)根据生鲜食品挤压损坏程度发送指令。
5.根据权利要求4所述的生鲜运输智能物流箱的监控方法的系统，其特征在于，所述控制系统(14)通过无线将生鲜食品挤压损坏程度和生鲜食品新鲜程度传递给终端。
CN201910876140.8A 2019-09-17 2019-09-17 一种生鲜运输智能物流箱的监控系统及其监控方法 Active CN110657836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910876140.8A CN110657836B (zh) 2019-09-17 2019-09-17 一种生鲜运输智能物流箱的监控系统及其监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910876140.8A CN110657836B (zh) 2019-09-17 2019-09-17 一种生鲜运输智能物流箱的监控系统及其监控方法

Publications (2)

Publication Number Publication Date
CN110657836A CN110657836A (zh) 2020-01-07
CN110657836B true CN110657836B (zh) 2021-08-03

Family

ID=69038052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910876140.8A Active CN110657836B (zh) 2019-09-17 2019-09-17 一种生鲜运输智能物流箱的监控系统及其监控方法

Country Status (1)

Country Link
CN (1) CN110657836B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6915718B1 (ja) * 2020-03-31 2021-08-04 ダイキン工業株式会社 学習装置、生鮮品の収容装置およびプログラム
CN117333094B (zh) * 2023-12-01 2024-02-06 四川省农业机械科学研究院 一种基于仿真模型的青脆李冷链物流保鲜控制方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19843016A1 (de) * 1998-09-19 2000-03-23 Horst Ahlers Frischeüberwachungssystem
CN103135640B (zh) * 2013-03-08 2014-10-15 山东省计算中心 基于北斗系统的绿色储运与冷链物流监管系统及方法
CN106324011B (zh) * 2016-08-25 2017-10-03 江南大学 一种确定调理水产品低温货架期的鲜度联合检测方法
CN107146050A (zh) * 2017-04-24 2017-09-08 南京农业大学 一种冷链运输环境预测方法以及系统
CN107563697A (zh) * 2017-09-07 2018-01-09 信阳师范学院 基于物联网的生鲜产品冷链物流检测系统及方法
CN109941611A (zh) * 2019-03-28 2019-06-28 江西省气象灾害应急预警中心 一种智能生鲜运输箱及其监控系统

Also Published As

Publication number Publication date
CN110657836A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN110135788B (zh) 一种冷链物流运输设备和冷链物流系统
CN107064758A (zh) 一种干式变压器在线监测装置及监测方法
CN110657836B (zh) 一种生鲜运输智能物流箱的监控系统及其监控方法
CN104392071B (zh) 一种基于复杂网络的高速列车系统安全评估方法
CN107817685A (zh) 智能温度监控方法、装置、系统及终端
CN108304970B (zh) 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统
CN107992968A (zh) 基于集成时间序列分析技术的电能表计量误差预测方法
CN105302848A (zh) 一种设备智能预警系统的评估值校准方法
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
CN112978128B (zh) 基于大数据和图像分析技术的冷链物流运输商品品质监测管理系统
CN107437147A (zh) 还原货运物流情景的车辆行驶风险动态评估方法及其系统
CN111210181A (zh) 一种货物流向管控方法及系统
CN111027908A (zh) 一种基于机器学习的智能粮仓管控方法及终端
CN112985494A (zh) 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台
CN110866366A (zh) 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法
CN114966422A (zh) 基于动力电池参数的实时监控预警系统
CN112115577A (zh) 一种冷链全程果品品质动态分级方法和装置
Phate et al. Classification and weighing of sweet lime (Citrus limetta) for packaging using computer vision system
CN106557637A (zh) 一种储能产品的安全性能评价方法
CN109632001B (zh) 一种物流运输过程中草莓机械伤害的监测方法
CN117495019B (zh) 基于农产品供应链的农产品协同调度方法与系统
CN104697765A (zh) 汽车空调故障检测系统及方法
Zhang et al. Information fusion enabled system for monitoring the vitality of live crabs during transportation
CN113536989B (zh) 基于摄像视频逐帧分析的制冷机结霜监控方法及系统
CN212724070U (zh) 一种冷链食品物流品质显示系统

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
GR01 Patent grant
GR01 Patent grant