CN110858289B - 一种基于深度学习的粮食水分检测方法及系统 - Google Patents
一种基于深度学习的粮食水分检测方法及系统 Download PDFInfo
- Publication number
- CN110858289B CN110858289B CN201810974979.0A CN201810974979A CN110858289B CN 110858289 B CN110858289 B CN 110858289B CN 201810974979 A CN201810974979 A CN 201810974979A CN 110858289 B CN110858289 B CN 110858289B
- Authority
- CN
- China
- Prior art keywords
- data
- phase difference
- deep
- memory network
- state information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 230000015654 memory Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 26
- 230000008569 process Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004880 explosion Methods 0.000 abstract description 4
- 230000008034 disappearance Effects 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 241000209140 Triticum Species 0.000 description 62
- 235000021307 Triticum Nutrition 0.000 description 62
- 235000013339 cereals Nutrition 0.000 description 54
- 238000012360 testing method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000001066 destructive effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement 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
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及一种基于深度学习的粮食水分检测方法及系统，首先根据设定个数种已知水分含量的粮食以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；然后，采集经过被测粮食后的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。深度长短期记忆网络可以有效处理数据集中的长范围依赖性，还能够克服传统循环神经网络中梯度消失或梯度爆炸的问题，因此，基于该深度长短期记忆网络的粮食水分检测方法的检测精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该方法的实现步骤比较简单，无需投入较多的设备，降低了投入成本。
Description
技术领域
本发明涉及一种基于深度学习的粮食水分检测方法及系统。
背景技术
随着全世界人口数量的增长和人们生活质量的提高，人类对粮食的需求也越来越大。保障粮食供应一靠生产，二靠储藏。如何安全储藏粮食以满足未来的粮食需求变得非常重要，特别是对于饥荒或自然灾害等紧急需求情况。水分含量和温度这两个物理因素对粮食的安全储存有很大影响。与温度因子相比，粮食含水量在粮食生产、存储、分销的不同阶段更为重要，这是决定粮食质量的最重要因素之一，也是决定何时进行收获的重要因素。同时，对安全储存和销售价格也有很大影响。
现有的谷物水分检测手段分为破坏性方法和非破坏性方法。其中，破坏性方法，例如烘干法，这种方法非常耗时，需要在特定温度的烘箱中干燥一定时间，因此，破坏性方法不适合在粮食贸易中广泛采用。非破坏性方法，使用电特性或磁场来确定粮食含水量。虽然非破坏性方法无需较多的人力并且耗时较少，但是，现有的非破坏性方法仍然存在一些局限性，例如，电容法有一个缺点，即测得的粮食水分值容易受环境温度和干燥器中粮食流速影响。此外，尽管电阻法、微波法和中子法可以获得高精度水分值并且能够快速检测，但是实现这些无损检测方法需要投入很大的成本，尤其是检测装置的成本较高。
发明内容
本发明的目的是提供一种基于深度学习的粮食水分检测方法及系统，用以解决现有的检测方法需要投入很大成本的问题。
为实现上述目的，本发明包括以下技术方案。
一种基于深度学习的粮食水分检测方法，包括以下步骤：
(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；
(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；
(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。
首先根据设定个数种已知水分含量的粮食以及对应信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；然后，采集经过被测粮食后的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。该方法利用深度长短期记忆网络进行粮食水分检测，深度长短期记忆网络可以实现较强的学习和表示能力，而且，深度长短期记忆网络可以有效处理数据集中的长范围依赖性，还能够克服传统循环神经网络中梯度消失或梯度爆炸的问题，因此，基于该深度长短期记忆网络的粮食水分检测方法的检测精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该方法的实现步骤比较简单，无需投入较多的设备，降低了投入成本。
进一步地，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。标准化信道状态信息的振幅数据和相位差数据能够提高水分检测精度。
进一步地，为了提高检测精度，所述步骤(2)中，所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络。
进一步地，在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：
其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；
用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：
其中，yi是第i个粮食水分含量的真实标记数据，η是L2正则化的超参数。
进一步地，设定采集N个经过被测粮食的信道状态信息的振幅数据和相位差数据，定义β为softmax分类器的输出结果矩阵，则：
得到平均向量
其中，为矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值，则被测粮食的水分含量D的计算公式为：
根据该计算公式能够准确得到被测粮食的水分含量。
一种基于深度学习的粮食水分检测系统，包括检测模块，所述检测模块包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器在执行所述计算机程序时实现的步骤包括：
(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；
(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；
(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。
首先根据设定个数种已知水分含量的粮食以及对应信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；然后，采集经过被测粮食后的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。该系统利用深度长短期记忆网络进行粮食水分检测，深度长短期记忆网络可以实现较强的学习和表示能力，而且，深度长短期记忆网络可以有效处理数据集中的长范围依赖性，还能够克服传统循环神经网络中梯度消失或梯度爆炸的问题，因此，基于该深度长短期记忆网络的粮食水分检测系统的检测精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该系统无需投入较多的设备，降低了投入成本。
进一步地，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。标准化信道状态信息的振幅数据和相位差数据能够提高水分检测精度。
进一步地，为了提高检测精度，所述步骤(2)中，所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络。
进一步地，在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：
其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；
用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：
其中，yi是第i个粮食水分含量的真实标记数据，η是L2正则化的超参数。
进一步地，设定采集N个经过被测粮食的信道状态信息的振幅数据和相位差数据，定义β为softmax分类器的输出结果矩阵，则：
得到平均向量
其中，为矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值，则被测粮食的水分含量D的计算公式为：
根据该计算公式能够准确得到被测粮食的水分含量。
附图说明
图1是粮食水分检测方法整体流程图；
图2-a是在LOS环境中不同天线上的副载波上的CSI振幅测量波形图；
图2-b是在LOS环境中不同天线对的副载波的CSI相位差测量波形图；
图3-a是不同的已知小麦水分的CSI振幅测量值示意图；
图3-b是不同的已知小麦水分的CSI相位差测量值示意图；
图4是DeepWMD系统架构示意图；
图5是离线训练的深度LSTM网络结构示意图；
图6-a是LOS情景下利用CSI振幅的小麦水分检测的精度示意图；
图6-b是LOS情景下利用CSI相位差的小麦水分检测的精度示意图；
图7-a是NLOS情景下利用CSI振幅的小麦水分检测的精度示意图；
图7-b是NLOS情景下利用CSI相位差的小麦水分检测的精度示意图；
图8-a是LOS情景下不同比率的训练数据与测试数据的平均检测精度示意图；
图8-b是NLOS场景下不同比率的训练数据与测试数据的平均检测精度示意图；
图9-a是LOS场景下深度LSTM网络中不同层数的测试数据的平均检测精度示意图；
图9-b是NLOS场景下深度LSTM网络中不同层数的测试数据的平均检测精度示意图；
图10-a是LOS场景下不同天线数的测试数据的平均检测精度示意图；
图10-b是NLOS场景下不同天线数的测试数据的平均检测精度示意图。
具体实施方式
一种基于深度学习的粮食水分检测方法，如图1所示，包括以下步骤：
(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；
(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；
(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分。
基于上述基本技术方案，以下结合附图，对该粮食水分检测方法的具体过程进行描述。
首先，简单介绍一下信道状态信息(简称为CSI)。
本实施例中，使用Wi-Fi的CSI信息进行非破坏性粮食含水量检测，这里，粮食以小麦为例，当然，还可以是其他的粮食，比如，大米。CSI表示细粒度的信道信息，反映了室内信道特征，如：阴影衰落，多径效应和失真。此外，与接收信号强度(RSS)相比，CSI振幅数据和相位差数据已被证明是高度稳定的。通过修改Wi-Fi网络接口卡(NIC)的开源设备驱动程序，读取来自IEEE 802.11n NIC三根天线接收到的所有Wi-Fi数据包的CSI值。例如，使用Intel Wi-Fi Link 5300 NIC和Atheros 9380 NIC，可以从频段带宽为20MHz的Wi-Fi信道的三根天线收到的每个数据包中分别提取90个CSI值和168个CSI值，NIC也可以在2.4GHz或5GHz频段下工作。此外，当发射机和接收机配备Intel Wi-Fi Link 5300 NIC，并分别设置为注入模型和监控模型时，可以在5GHz频段中获得稳定相位差数据。
最近，CSI数据已经用于室内定位和无设备传感。对于室内定位，DeepFi和FIFS系统基于CSI振幅值进行指纹定位；PhaseFi和BiLoc系统分别采用经过校准的CSI相位数据和双模CSI数据，并使用深度自动编码器网络来进行室内定位。为了提高定位精度并减少数据存储，CiFi系统和ResLoc系统分别利用深度卷积网络和深度残差共享学习，采用CSI图像和张量进行室内定位。另一方面，CSI数据已用于无设备传感，包括跌倒检测、活动识别以及呼吸和心率监测。对于跌倒检测，RT-Fall和WiFall分别考虑CSI相位差和振幅来检测患者的跌倒。对于活动识别，E-eyes系统和CARM系统可以有效地识别室内环境中的不同活动。对于呼吸和心率监测，PhaseBeat和TensorBeat利用CSI相位差数据监测单个或多人的呼吸频率。
本实施例使用5GHz频段Wi-Fi的CSI振幅和相位差数据进行多分类小麦含水量(即水分)检测。为了实现小麦水分检测，调制了5种已知的不同水分的小麦(从10.6％到14.9％)作为检测对象，并采集CSI振幅和相位差数据。尽管大多数不同水分小麦具有不同的CSI振幅或相位差，但对于部分水分不同的小麦，CSI值依然高度相似，这给使用传统的小麦水分精准检测带来了挑战。因此，本实施例利用深度长短期记忆网络(LSTM)方法来处理上述相似的CSI值，以实现更高的检测精度。事实上，深度LSTM网络比传统的方法具有更强的数据表示能力，该方法已成功应用于语音识别，人类活动识别和室内定位。
现代无线通信系统，如Wi-Fi和LTE在物理层(PHY)中主要采用OFDM技术。OFDM技术可以将总频谱分离为多个正交副载波，其中可以通过副载波发送数据，以解决复杂室内场景中的频率选择衰落问题。对于Wi-Fi系统中的OFDM技术，子载波可以视为窄带平坦衰落信道。将Hi定义为第i个子载波的CSI值，即：
Hi＝|Hi|exp{j∠Hi}
其中，|Hi|和∠Hi分别表示第i个副载波的幅度和相位信息。
图2-a和图2-b分别显示了使用Atheros 9380 NIC在LOS环境中的子载波上的CSI幅度和相位差测量结果，可以看到，不同天线上的副载波上的CSI值差别很大，这可以被用来进行深度LSTM网络的多分类小麦水分检测。
在使用传统的方法进行小麦水分含量的异常检测时，收集5种不同水分小麦(范围从10.6％到14.9％)的CSI振幅和相位差数据。图3-a展示5种不同小麦水分的CSI振幅测量结果。值得注意的是，对于大部分小麦水分，相应的CSI振幅值是不同的。然而，当小麦水分分别为11.3％和14.1％时，CSI振幅值彼此接近，这对区分这两种小麦水分检测带来了巨大挑战。
图3-b显示了5种不同小麦水分的CSI相位差测量值。可以看到，不同的小麦水分水平也有不同的CSI相位差值。仅当小麦水分含量为11.3％和12.7％时，CSI相位差值彼此接近。为了提升检测精度，提出利用深层LSTM网络来实现更高的多分类小麦水分检测精度。
为了实现本发明提供的小麦水分检测方法，本实施例提供一种DeepWMD系统，这是一种基于深度LSTM网络的小麦水分检测系统。
首先，为了采集CSI振幅和相位差数据，该系统包括两个Wi-Fi设备，一个作为发射器，另一个作为接收器，这两个设备都配备了Intel Wi-Fi Link 5300NIC。另外，为了获得5GHz的CSI振幅和相位差数据，发送器和接收器分别被配置为注入模式和监视模式。
小麦麦堆放置在发射器和接收器之间，发射器发出的Wi-Fi信号要经过小麦麦堆，然后由接收器接收，完成CSI振幅和相位差数据的采集。
DeepWMD系统还包括数据预处理模块、离线训练模块和在线测试模块，如图4所示。数据预处理模块用于对收集到的CSI振幅和相位差数据进行预处理。DeepWMD系统有一个离线训练阶段，由离线训练模块完成，具体对深度LSTM网络进行离线训练，深度LSTM网络可以实现更强的学习和表示能力。在线测试模块用于根据接收的被测小麦的CSI振幅和相位差数据来检测被测小麦水分。
以下对上述几个模块的功能作用分别进行具体说明。
为了实现深度LSTM网络的训练，需要设定个数种已知水分的小麦，以及各已知水分小麦的CSI振幅和相位差数据，本实施例，设定个数以5为例。那么，分别采集这5种不同水分的小麦的CSI振幅和相位差数据。作为一个具体的实施方式，每种水分对应传输1000个数据包，并收集相应的CSI振幅和相位差数据。因此，对于5个水分水平，即5种水分含量的小麦，训练数据的大小为5000个数据包。而对于在线水分测试，在每个测试的水分水平中DeepWDM系统可以收集200个数据包的CSI数据。
为了提高小麦水分检测精度，对于LSTM分类，输入值应限制在(0，1)的范围内。因此，数据预处理模块用于对收集到的CSI振幅和相位差数据进行标准化处理，这里选择零均值标准化方法(Z分数标准化)来标准化CSI振幅和相位差数据。标准化值Zi由下式计算：
其中，χi表示第i个数据包中的原始CSI数据，μ和ρ分别是原始数据集的均值和方差。
对于离线训练，为了实现更强的CSI数据学习表示，提高分类精度，本实施例给出一个两层深度LSTM网络，如图5所示，并利用softmax分类器进行顶层分类，以对两层深度LSTM网络进行训练。那么，离线训练模块由两层深度LSTM网络和softmax分类器组成。此外，softmax分类器使用交叉熵来度量真实标记数据与标准化输出数据之间的差异，并采用L2正则化来避免过度拟合。为了训练两层深度LSTM网络，引入了时间反向传播(BPTT)算法。
深度LSTM网络是一种循环神经网络(RNN)，它可以有效处理数据集中的长范围依赖性，它还克服了传统RNN中梯度消失或梯度爆炸的问题。深度LSTM网络可以利用CSI数据的时间信息进行多分类小麦水分检测，其中隐藏的LSTM单元可以将输入CSI数据映射为来自5种不同小麦水分含量的输出标签。
利用深度LSTM网络来实现从标准化的CSI数据Z＝(z1，z2，…，zT)在从t＝1到T的不同时段映射到输出标签y，由以下组成：
it＝σ(ωixZt+ωimht-1+bi)
ft＝σ(ωfxZt+ωfmht-1+bf)
ot＝σ(ωoxZt+ωomht-1+bo)
gt＝tanh(ωcxZt+ωcmht-1+bc)
ct＝ft⊙ct-1+it⊙gt
ht＝ot⊙tanh(ct)
其中，ω项是权重矩阵；b项是偏向量；tanh是双曲正切数；σ是sigmoid函数；i、f、o、g、c分别是输入门、忘记门、输出门、候选值和单元激活；h表示细胞输出激活矢量；⊙是向量的点积。对于深度LSTM网络，不同的门控制不同的数据流，例如，输入门决定在当前存储器单元中将利用多少新数据，并且忘记门决定将从旧存储器单元中移除多少数据，输出门控制从当前内存单元输出多少信息。利用这些门，深度LSTM网络可以利用CSI数据有效地实现小麦水分检测。
使用softmax分类器来训练两层深度LSTM网络中的CSI数据，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入。将softmax函数的输出表示为s＝[s1，s2，...，sm]，它将M个输入数据向量映射到M个标准化的输出数据，M为上文中的设定个数。制定的softmax函数为：
其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符。
为了训练LSTM权重，用L(ω)表示权重参数ω的损失函数。为了测量标准化的输出数据和真实标签数据之间的差异，采用交叉熵度量。此外，采用L2正则化超参数来减少解的空间，从而避免过度拟合。制定的损失函数为：
其中，yi是第i个小麦水分含量的真实标记数据，η是L2正则化的超参数。基于这种损失函数，将时间反向传播(BPTT)算法应用于深度LSTM网络来训练参数，其中AdamOptimizer被用来使深度LSTM网络在计算上更高效。
在对深度LSTM网络训练完成后，该训练好的深度LSTM网络就构成了一个LSTM模型，就能够利用该训练好的深度LSTM网络对被测的未知水分含量的小麦进行水分检测。那么，采集被测小麦的CSI振幅数据和相位差数据，并输入给LSTM模型，就能够检测得到被测小麦的水分含量，以下给出一种具体的实现过程：
采集未知水分含量的小麦CSI振幅数据和相位差数据，这里，设定采集N个未知水分含量的小麦CSI振幅数据和相位差数据。在预处理这N个新检测得到的输入数据之后，利用训练过的深度LSTM网络进行在线预测。将β定义为深度LSTM网络的softmax分类器的输出结果，也就是说：
其中，M为用于对深度LSTM网络进行训练的已知小麦水分含量的个数，即M为5。
为了减少输出结果的方差，需要获得每个水分含量下N个输出结果的平均值。将表示为上述矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值。因此，可以得到平均向量/>为：
最后，小麦水分检测结果D由下式得出：
以下给出一个实验过程说明该小麦水分检测方法的可行性。
该部分内容中，首先介绍小麦水分的校准操作，然后描述DeepWMD系统样机的实现以及实验参数设置细节，最后，通过实验来评估DeepWMD系统的性能。
先使用高速通用粉碎机和多功能红外水分分析仪用烘干法对5组小麦样品的水分进行测定，然后给出了5份小麦样品的水分含量，如表1所示。
表1
| 小麦样品 | 1 | 2 | 3 | 4 | 5 |
| 水分含量 | 10.6％ | 11.3％ | 12.7％ | 14.1％ | 14.9％ |
利用商用笔记本电脑和无线网卡来构造DeepWMD系统样机。样机使用戴尔PP18l笔记本电脑作为发射器，使用戴尔Latitude 5480笔记本电脑(处理器：Intel(R)，CPU：奔腾双核)作为接收器。每台电脑都安装了一个Intel 5300无线网卡及其改良驱动，其操作系统是内核为4.1.10+的32位Ubuntu Linux14.04操作系统。将发射器设置为注入模式，将接收器设置为监测模式，使用装有一根天线的发射器向装有三根天线的接收器中发送数据包，并收集每个接收数据包的CSI数据。然后使用两层深度LSTM网络，利用Tensorflow对CSI数据进行分析，实现了小麦水分检测。
针对视距(LOS)和非视距(NLOS)两种应用场景，对DeepWMD系统的性能进行验证评估。将发射器和接收器检测3放置，在两种验证场景下，小麦被装在塑料容器中，放置于发射器和接收器中间。以1000个数据包每秒的速度从发送器向接收器发送ICMP ping数据包。
首先评估DeepWMD系统在LOS场景下的性能。图6-a和图6-b表示了在LOS场景下，分别用CSI振幅和CSI相位差作为特征值的5种小麦样品水分检测的准确性。利用CSI振幅，可以发现，当小麦含水量为10.6％时，DeepWMD系统在检测小麦水分时具有最高的分类精度。小麦水分含量为14.1％时，水分检测的分类精度最低为92.23％。另外，这五项数据的平均精度为97.53％。而根据CSI相位差，可以看出小麦水分检测的平均精度约为99.42％，高于CSI的幅值数据，并且在小麦含水量为10.6％、11.3％和14.1％时，这三项的检测精度甚至达到100％。因此，利用CSI振幅和相位差数据，本实施例提供的水分检测方法可以在深度LSTM网络的基础上获得较高的LOS场景检测精度。
然后，评估在NLOS场景下DeepWMD系统的性能。图7-a和图7-b展示了在NLOS场景下，分别用CSI振幅和CSI相位差表示的小麦水分检测的准确性。利用CSI振幅可以看出，小麦水分精度检测值都在90％以上，平均检测精度约为96.9％。另一方面，检测精度高于95％的小麦水分使用CSI相位差，平均检测精度约为99％，这表明，CSI相位差比CSI振幅可以获得更好的性能，因为CSI相位差可以捕获无线信道的变化。
针对参数对DeepWMD系统性能的影响，主要关注训练数据与试验数据的比值，深度LSTM网络的层数以及LOS和NLOS场景中不同的天线数。图8-a显示了在LOS场景中不同比率(训练数据与测试数据比)的平均检测精度。可以看出，当使用80％CSI振幅和相位差数据进行训练时，CSI振幅和相位差的最佳精度分别为97.5％和99.4％。此外，仅用20％的CSI数据进行训练时，得到CSI振幅和相位差的平均精度分别为95.0％和93.9％，这仍然是可接受的结果。图8-b显示了NLOS场景中不同比率(训练数据与测试数据比)的平均检测精度。可以看出，当比值大于0.6时，CSI振幅的平均精度大于96％；当比值大于0.4时，CSI振幅的平均精度在98.0％以上。因此，DeepWMD系统可以在LOS和NLOS场景中实现相当高的检测精度。
图9-a给出了在LOS场景下深度LSTM网络中不同层数的平均检测精度。根据CSI振幅，可以看出，随着层数从1增加到2，平均检测精度从96.6％增加到97.5％。根据CSI相位差，平均准确度从99.1％提高到99.4％。图9-b显示了在NLOS场景下深度LSTM网络不同层数对测试数据平均检测精度的影响。与LOS环境相比，NLOS环境的检测精度有所降低。事实上，随着层数从1增加到2，根据CSI振幅和相位差数据，平均检测精度分别会从96.2％增加到96.8％，从98.1％增加到99.0％。因此，在深度LSTM网络中增加层数可以获得较高的LOS和NLOS环境的检测性能。
图10-a给出了LOS场景中不同天线数下的平均检测精度，其中对于相位差，序号1、2和3分别表示天线对1和2、天线对2和3以及天线对3和1之间的相位差。可以发现，对于不同的天线或天线对，在LOS环境下的检测性能几乎是相同的。图10-b显示了NLOS方案中不同天线在测试数据上的平均检测精度，其相位差与图10-a相同。可以看到，对于CSI相位差数据，使用天线对1和2可以获得最高的检测精度。还发现，对于CSI振幅数据，天线2可以达到最好的性能。实际上，在NLOS环境中，检测性能几乎相同。因此，在上述实验中，当采用CSI振幅时，选择天线1；当采用CSI相位差时，选择天线对1和2。
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上述基本方案，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。
上述方法可以作为一种计算机程序，存储在基于深度学习的粮食水分检测系统中的检测模块中的存储器中并可在检测模块中的处理器上运行。
Claims (4)
1.一种基于深度学习的粮食水分检测方法，其特征在于，包括以下步骤：
(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；
(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络；在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：
其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；
用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：
其中，yi是第i个粮食水分含量的真实标记数据，η是L2正则化的超参数；(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分；设定采集N个经过被测粮食的信道状态信息的振幅数据和相位差数据，定义β为softmax分类器的输出结果矩阵，则：
得到平均向量
其中，为矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值，则被测粮食的水分含量D的计算公式为：
2.根据权利要求1所述的基于深度学习的粮食水分检测方法，其特征在于，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。
3.一种基于深度学习的粮食水分检测系统，包括检测模块，所述检测模块包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，其特征在于，处理器在执行所述计算机程序时实现的步骤包括：
(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅数据和相位差数据；
(2)根据所述设定个数的已知水分含量以及对应的信道状态信息的振幅数据和相位差数据对深度长短期记忆网络进行训练；所述深度长短期记忆网络为一个两层深度长短期记忆网络，利用softmax分类器来训练所述两层深度长短期记忆网络；在利用softmax分类器训练两层深度长短期记忆网络时，其中第二层中最后一个单元的隐藏节点的输出作为整个连接层的输入；softmax分类器对应的softmax函数的输出表示为s＝[s1，s2，…，sm]，所述softmax函数为：
其中，ωi是整个连接层的权重向量，Kf是第二层中最后一个单元的隐藏节点的输出向量，()T是转置运算符，M为所述设定个数；
用L(ω)表示权重参数ω的损失函数，通过该损失函数来训练深度长短期记忆网络的权重，采用L2正则化超参数来减少解的空间，其中，损失函数为：
其中，yi是第i个粮食水分含量的真实标记数据，η是L2正则化的超参数；
(3)采集经过被测粮食的信道状态信息的振幅数据和相位差数据，并输入给训练好的深度长短期记忆网络，检测得到被测粮食的水分；设定采集N个经过被测粮食的信道状态信息的振幅数据和相位差数据，定义β为softmax分类器的输出结果矩阵，则：
得到平均向量
其中，为矩阵第i行中的输出数据矢量[βi1，βi2，…，βiN]的平均值，则被测粮食的水分含量D的计算公式为：
4.根据权利要求3所述的基于深度学习的粮食水分检测系统，其特征在于，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅数据和相位差数据进行预处理步骤，具体是对采集到的信道状态信息的振幅数据和相位差数据进行标准化处理，使振幅数据和相位差数据的数值范围为(0，1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810974979.0A CN110858289B (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度学习的粮食水分检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810974979.0A CN110858289B (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度学习的粮食水分检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110858289A CN110858289A (zh) | 2020-03-03 |
| CN110858289B true CN110858289B (zh) | 2023-11-03 |
Family
ID=69635676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810974979.0A Active CN110858289B (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度学习的粮食水分检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110858289B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111865863B (zh) * | 2020-07-20 | 2021-07-20 | 山东大学 | 一种基于rnn神经网络的ofdm信号检测方法 |
| CN112446426A (zh) * | 2020-11-23 | 2021-03-05 | 中国科学技术大学 | 摔倒检测方法、装置、电子设备及存储介质 |
| CN113504251A (zh) * | 2021-08-13 | 2021-10-15 | 河南工业大学 | 一种基于射频信号的粮食水分快速检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
| CN105574770A (zh) * | 2014-10-16 | 2016-05-11 | 航天信息股份有限公司 | 对粮食入仓进行综合管理的方法和装置 |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
-
2018
- 2018-08-24 CN CN201810974979.0A patent/CN110858289B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
| CN105574770A (zh) * | 2014-10-16 | 2016-05-11 | 航天信息股份有限公司 | 对粮食入仓进行综合管理的方法和装置 |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于长短时记忆网络的人体姿态检测方法;郑毅等;《计算机应用》;20180610(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110858289A (zh) | 2020-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | CiFi: Deep convolutional neural networks for indoor localization with 5 GHz Wi-Fi | |
| Yang et al. | Wi-Wheat: Contact-free wheat moisture detection with commodity WiFi | |
| Zhou et al. | Device-free localization based on CSI fingerprints and deep neural networks | |
| Mager et al. | Fingerprint-based device-free localization performance in changing environments | |
| Wu et al. | A deep neural network-based indoor positioning method using channel state information | |
| CN110858289B (zh) | 一种基于深度学习的粮食水分检测方法及系统 | |
| Yang et al. | Multi-class wheat moisture detection with 5GHz Wi-Fi: A deep LSTM approach | |
| Lin et al. | WiAU: An accurate device-free authentication system with ResNet | |
| CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
| Xiao et al. | Motion-Fi: Recognizing and counting repetitive motions with passive wireless backscattering | |
| CN109389176A (zh) | 基于wifi信道状态信息的粮食水分检测方法及系统 | |
| CN108924736A (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
| CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
| CN110531039B (zh) | 一种基于WiFi设备的粮食霉变检测方法及装置 | |
| Haseeb et al. | Wisture: RNN-based learning of wireless signals for gesture recognition in unmodified smartphones | |
| Fang et al. | Enhanced device-free human detection: Efficient learning from phase and amplitude of channel state information | |
| Rufaida et al. | Construction of an indoor radio environment map using gradient boosting decision tree | |
| Samadh et al. | Indoor localization based on channel state information | |
| WO2021043126A1 (en) | System and method for event recognition | |
| Shi et al. | Towards environment-independent human activity recognition using deep learning and enhanced CSI | |
| Li et al. | Location-free CSI based activity recognition with angle difference of arrival | |
| Yu et al. | Human pose and seat occupancy classification with commercial mmwave WiFi | |
| Hu et al. | MiFi: Device-free wheat mildew detection using off-the-shelf WiFi devices | |
| Yang et al. | Wi-Wheat+: Contact-free wheat moisture sensing with commodity WiFi based on entropy | |
| Hu et al. | Contact-free wheat mildew detection with commodity wifi |
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 |