CN111695266B - 基于底面压强偏态统计量的粮仓储量检测方法及装置 - Google Patents
基于底面压强偏态统计量的粮仓储量检测方法及装置 Download PDFInfo
- Publication number
- CN111695266B CN111695266B CN202010549662.XA CN202010549662A CN111695266B CN 111695266 B CN111695266 B CN 111695266B CN 202010549662 A CN202010549662 A CN 202010549662A CN 111695266 B CN111695266 B CN 111695266B
- Authority
- CN
- China
- Prior art keywords
- grain
- value
- granary
- pressure
- sensor
- 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 70
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 3
- 235000013339 cereals Nutrition 0.000 description 185
- 238000004364 calculation method Methods 0.000 description 35
- 238000012360 testing method Methods 0.000 description 16
- 238000005457 optimization Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/51—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for storing agricultural or horticultural products
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明属于粮仓储量检测技术领域,具体涉及一种基于底面压强偏态统计量的粮仓储量检测方法及装置,方法包括如下步骤:1)检测粮仓底面设置的单圈压力传感器输出值;2)筛选传感器输出值得到传感器有效输出值序列QSE(s):QSE(s)={Q(s(j))|‑TSDSDMed(s)≤Q(s(j))‑QMed≤CSkTSDSDMed(s)}其中,Q(s(j))为单圈压力传感器输出值的第j个元素值,j=1,2,...,NS,NS为传感器个数;TSD为预设的单圈压力传感器输出值去除系数;SDMed(s)为单圈压力传感器输出值的标准差;CSk为单圈传感器输出值偏态分布系数;QMed根据单圈压力传感器输出值中值得出;3)根据QMed将QSE(s)分为小值序列和大值序列;4)根据小值序列和大值序列计算粮仓储粮数量。本发明在传感器输出值的过滤和筛选上引入传感器输出值偏态分布系数,提高了传感器输出值选择的合理性。
Description
技术领域
本发明属于粮仓储量检测技术领域,具体涉及一种基于底面压强偏态统计量的粮仓储量检测方法及装置。
背景技术
粮食数量在线检测是国家粮食储备安全的重要保障技术,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,要求粮食数量在线检测准确、快速和可靠。同时由于仓储粮食数量巨大,要求粮食数量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食数量在线检测系统开发必需解决的关键问题。
申请公布号为CN110823343A的中国发明专利文本公开了基于底面单圈大小值多项式模型的粮仓检测方法及系统,该方法在粮仓底面设置单圈压力传感器,利用传感器输出值序列确定三个待辨识参数,分别为底面压强、粮堆高度和侧面单位面积平均摩擦力,确定完这三个参数后才能计算粮仓储粮数量,需要确定的参数较多,计算量较大,粮仓储粮数量检测模型的鲁棒性与泛化能力相对较差。
发明内容
本发明提供了一种基于底面压强偏态统计量的粮仓储量检测方法及装置,用以解决现有技术计算粮仓储量计算量大、计算模型的鲁棒性及泛化能力差的问题。
为解决上述技术问题,本发明的技术方案包括:
本发明提供了一种基于底面单圈压强偏态统计量的粮仓储量检测方法,包括如下步骤:
1)检测粮仓底面设置的单圈压力传感器输出值;
2)筛选传感器输出值得到传感器有效输出值序列QSE(s):
QSE(s)={Q(s(j))|-TSDSDMed(s)≤Q(s(j))-QMed≤CSkTSDSDMed(s)}
其中,Q(s(j))为单圈压力传感器输出值的第j个元素值,j=1,2,...,NS,NS为传感器个数;TSD为预设的单圈压力传感器输出值去除系数;SDMed(s)为单圈压力传感器输出值的标准差;CSk为单圈传感器输出值偏态分布系数;QMed根据单圈压力传感器输出值中值得出;
3)根据QMed将QSE(s)分为小值序列和大值序列;
4)根据小值序列和大值序列计算粮仓储粮数量。
基于大量的实验数据和结果分析,认识到粮仓底面单圈压力传感器输出值明显具有偏态分布特性,本发明在传感器输出值的过滤和筛选上引入传感器输出值偏态分布系数,提高了传感器输出值选择的合理性。
进一步的,步骤3)中,将QSE(s)分为小值序列和大值序列的方法为,QSE(s)中小于QMed·CMV的值归入小值序列,QSE(s)中大于QMed·CMV的值归入大值序列,所述CMV为划分调整系数。
本发明基于粮仓底面传感器输出值的偏态特性,在划分传感器输出值的大值序列和小值序列上引入划分调整系数,提高了大值、小值划分的合理性。
进一步的,QMed为单圈压力传感器输出值中值及其左右设定数量的输出值的平均值。
底面传感器输出值序列中,在中值附近区域传感器输出值波动和随机性相对小,而在较小和较大值的区域输出值波动性和随机性相对大,因此利用中值附近的输出值的平均值来过滤传感器输出值和进行大、小值的划分,能够提高储量计算模型的精确性。
进一步的,步骤4)中,根据小值序列和大值序列计算粮仓储粮数量的方法为:
A)根据小值均值和大值均值/>确定底面压强均值/>
B)根据小值均值大值均值/>小值标准差SDSS(s)和大值标准差SDSL(s),确定侧面压强均值/>
C)将粮堆底面压强均值和侧面压强均值/>代入至构建的粮仓储粮数量模型中,得到粮仓储粮数量W;所述粮仓储粮数量模型为:
W=ABQBNF(s)
H=bHQBNF(s)或
其中,AB为粮堆底面面积;QBNF(s)为粮仓底面等效平均压强;H为粮堆高度;Kc为粮堆几何形状参数;Kc=CB/AB;AB为粮堆底面面积;CB为粮堆底面周长;fF为粮堆侧面与粮仓侧面之间的平均摩擦系数;bH、bH1、bH2为系数。
进一步的,粮仓储粮数量模型的建模通过下式实现:
其中,CR为待确定参数组,SM为给定的包含k个样本点的建模样本集,Wk为样本点k的预测进粮重量,C(NB,NF)为模型项阶数惩罚项,C(TSD,KSD,CSk)为模型参数惩罚项,C(NB,NF)、C(TSD,KSD,CSk)包括以下函数形式:
C(NB,NF)=1+COder(NF-1)
C(NB,NF)=1+COder(NB+NF-2)
C(NB,NF)=[1+COder(NB-1)][1+COder(NF-1)]
其中,COder为阶数惩罚函数系数,0<COder≤1,CTSD、CKSD、CCSk分别为参数TSD、KSD和的CSk惩罚函数系数,1<CTSD≤3,0<CKSD≤1,0<CCSk≤1。
本发明的一种基于底面压强偏态统计量的粮仓储量检测装置,包括存储器和处理器,所述处理器用于执行储存在存储器中的指令以实现如上所述的基于底面单圈压强偏态统计量的粮仓储量检测方法。
附图说明
图1是本发明的平房仓底面压力传感器(单圈)布置的示意图;
图2是本发明的筒仓底面压力传感器(单圈)布置的示意图;
图3是本发明的单圈实施例的利用所有样本建模的粮仓储粮重量计算误差的结果图;
图4是本发明的单圈实施例的7至12号样本作为测试样本时粮仓储粮重量计算误差的结果图;
图5是本发明的单圈实施例的建模样本的粮仓储粮重量计算误差的结果图;
图6是本发明的单圈实施例的所有样本的粮仓储粮重量计算误差的结果图;
图7是本发明的单圈实施例的基于底面单圈压强偏态统计量的粮仓储量检测方法的流程图;
图8是本发明的平房仓底面压力传感器(两圈)布置的示意图;
图9是本发明的筒仓底面压力传感器(两圈)布置的示意图;
图10是本发明的两圈实施例的利用所有样本建模的粮仓储粮重量计算误差的结果图;
图11是本发明的两圈实施例的25至30号样本作为测试样本时粮仓储粮重量计算误差的结果图;
图12是本发明的两圈实施例的建模样本的粮仓储粮重量计算误差的结果图;
图13是本发明的两圈实施例的所有样本的粮仓储粮重量计算误差的结果图;
图14是本发明的两圈实施例的基于底面两圈压强统计量二次方程的粮仓储量检测方法的流程图;
图15是本发明的基于底面单圈压强偏态统计量的粮仓储量检测装置的结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
单圈方法实施例:
1.传感器布置模型。
对于通常使用的平房仓和筒仓,在粮仓底面布置如图1和图2所示的单圈压力传感器组,压力传感器1布置在图中虚线所在位置上。在保证方便粮食装卸的条件下,各压力传感器1与侧面墙距离d一般可取为1-2米。为了保证检测模型的通用性,各粮仓的各个压力传感器与侧面墙距离d应当相同。各个粮仓的压力传感器个数均为10-15个,相邻压力传感器之间的间距应大于1m。
2.单圈传感器输出值的筛选和大、小值划分及其均值和标准差的计算。
实际试验结果表明,对于图1、图2所示的粮仓底面单圈传感器布置模型,由于粮食的有限流动性,单圈压力传感器输出值具有显著的波动性和随机性。多次重复实验结果表明,单圈压力传感器输出值明显具有以下特点:1)单圈压力传感器输出值明显具有偏态分布特性;2)单圈压力传感器输出值在中值附近区域的输出值波动和随机性相对小,而在较小和较大值的区域输出值波动性和随机性相对大。基于这些特性,本发明提出了基于偏态分布特性的单圈压力传感器输出值的过滤选择和大、小值划分方法以及单传感器输出值均值和标准差的计算方法。
对于图1、图2所示的粮仓底面单圈压力传感器布置和单圈压力传感器输出值,依传感器输出值的大小进行排序构建出单圈传感器输出值序列Q(s)。依式(1)、式(2)计算输出值序列Q(s)的中值邻近点均值与输出值序列Q(s)的标准差SDMed(s)。
其中,Q(s(i))为单圈压力传感器输出值序列Q(s)的第i个元素值,i=1,2,...,NS,NS为传感器个数;iM为中值点序号;NM为预设的输出值序列Q(s)中值点左、右相邻的输出值个数,一般取NM=2-3。
对于单圈压力传感器输出值序列Q(s),依式(3)去除波动量大的值点,构建单圈传感器有效输出值序列QSE(s)。
其中,CSk为单圈传感器输出值偏态分布系数,TSD为单圈压力传感器布置的传感器点去除阈值系数。式(3)为本发明提出的单圈传感器有效输出值序列选择方法,其主要创新点在于,根据粮仓底面传感器输出值的偏态特性,引入了传感器输出值偏态分布系数CSk,提高了传感器输出值选择的合理性。作为其他实施例,也可以不进行传感器输出值的筛选。
为构造粮堆侧面压强估计量,将单圈传感器有效输出值序列QSE(s)划分为单圈传感器的小值序列QSS(s)和大值序列QSL(s)。
其中,CMV为单圈传感器输出值序列划分调整系数。式(4)、式(5)为本发明提出的单圈传感器的小值序列QSS(s)和大值序列QSL(s)划分方法,其主要创新点在于,根据粮仓底面传感器输出值的偏态特性,引入了单圈传感器输出值序列划分调整系数CMV,提高了大值、小值划分的合理性。
单圈传感器的小值序列QSS(s)的均值和标准差SDSS(s)为:
其中,NSS为单圈传感器的小值序列QSS(s)的数据个数。
单圈传感器的大值序列QSL(s)的均值和标准差SDSL(s)为:
其中,NSL为单圈传感器的大值传感器输出值序列QSL(s)的数据个数。
在完成单圈传感器有效输出值序列以及大、小值序列的建立后(即得到QSE(s)、QSS(s)和QSL(s)后),依照申请公布号为CN110823343A的中国专利公开文件记载的粮仓储粮检测模型和计算方法(具体可以参考CN110823343A说明书具体实施方式部分[0078]-[0101]段),即可建立粮仓储粮数量计算模型,并计算粮仓储粮数量。
下面给出一种不同于CN110823343A记载的方法,具体说明如何根据本发明得到的单圈传感器大值和小值序列,计算粮仓储粮数量。
3.粮仓储粮数量检测模型。
粮仓有平房仓、筒仓等类型,粮食入仓后,粮堆顶部要求摊平,平房仓粮堆形状大致上为不同尺寸的立方体,筒仓粮堆形状大致上为不同尺寸的圆柱体。不失一般性,通过粮堆受力分析可以推出,粮仓储粮数量为:
W=ABQBNF(s) (10)
其中,W为粮仓储粮数量,或称为粮仓储粮重量;AB为与粮堆接触的粮仓底面面积;QBNF(s)为与粮堆接触的粮仓底面等效平均压强,QBNF(s)如式(11)所示。
其中,s为粮堆表面与粮仓表面接触点集合;Kc为粮堆几何形状参数,Kc=CB/AB,CB为粮堆接触的粮仓底面周长;H为粮堆高度;fF为粮堆侧面与粮仓侧面之间的平均摩擦系数。对于给定的粮仓和粮食种类,fF为常数。分别为粮堆底面、侧面压强均值,如式(12)至式(13)所示。
其中,nB、nF分别为粮堆底面、侧面压强测量点个数,nB→∝、nF→∝;QB(si)、QF(sj)分别为粮堆底面压强测量点si、侧面压强测量点sj的压强值。
实验和理论分析表明,对实际应用中平房仓和筒仓,其粮堆高度和粮仓储粮数量具有很强的线性关系,即有:
H≈bHQBNF(s) (14)
其中,bH为比例系数。将式(14)代入式(11),则有
对于图1、图2所示的粮仓底面单圈压力传感器布置模型,单圈压力传感器输出值均值为:
其中,分别为单圈传感器的小值序列均值和大值序列均值。
显然有粮堆底面压强均值实际检测结果表明,/>与粮仓储粮数量具有很强的线性关系,且检测重复性强,检测成本低。采用/>多项式构建粮堆底面压强均值/>的估计为:
其中,aB(m)为估计项的系数,m=1,...,NB,NB为估计的多项式阶数。
由于粮堆侧面压强分布具有明显的不均匀性和随机性,侧面压强均值检测需要较多的压力传感器。同时从理论上讲,对于图1、图2所示的粮仓底面单圈传感器布置模型,由于侧面压强作用,势必导致单圈传感器的小值序列和大值序列的均值、标准差的变化,/>增大势必使小值序列和大值序列的均值、标准差的差别程度增大。因此单圈传感器的小值序列和大值序列的均值、标准差以及标准差的差的大小可以体现/>的大小,可以利用这些统计量构造侧面压强均值/>的估计。令
其中,为单圈压力传感器输出值均值;/>分别为单圈传感器的大值序列、大值序列均值。显然由/>实际检测结果表明,/>与粮仓储粮数量具有很强的线性关系,且检测重复性强,检测成本低。采用ID(s)多项式构建侧面压强均值的估计为:
其中,bF(n)为估计项的系数,n=1,...,NF,NF为/>估计多项式的阶数。
将式(17)、式(19)代入式(15),并将系数bH与粮堆侧面与粮仓侧面之间的平均摩擦系数fF和bF(n)合并。则有:
其中,aF(n)为合并后的估计项的系数。代入式(10)并整理后有:
式(21)为本发明提出的粮仓储粮数量与单圈压力传感器输出值均值侧面压强均值/>的估计量IDS(s)的一次关系方程,该方程给出了粮仓储粮数量估计/>与单圈压力传感器输出值均值/>侧面压强均值估计量ID(s)的多项式关系描述。式(21)即为本发明提出的基于底面单圈压强偏态统计量一次方程的粮仓储量检测模型。该模型的主要特点体现在其直接引入了粮堆高度和粮仓储粮数量的线性关系,无需基于压力传感器输出值估计粮堆高度,减少了计算量,提高了粮堆高度估计的准确性与有效性,从而提高了粮仓储粮数量检测模型的鲁棒性与泛化能力。
4.建模方法。
从实验数据中选择并构建建模样本集SΛ,
其中,k为样本点号,k=1,2,3,...,M,M为样本个数;为第k个样本点的单圈传感器输出值序列,i=1,2,...,NS,NS为粮仓底面单圈压力传感器布置个数;Wk为样本点k的实际进粮重量,/>为相应的与粮堆接触粮仓底面面积。
根据样本集SΛ,由式(10)、式(17)、式(19)构建建模样本集SΓ,
其中,分别为第k个样本点的单圈压力传感器输出值均值侧面压强均值估计量ID(s)以及粮仓底面等效平均压强QBNF(s)的取值。将样本集SΓ分为多元回归样本集SM和测试样本集ST。
对于给定的建模样本集SM与测试样本集ST,由式(20)、式(21)可以看出,式(20)所示的基于底面单圈压强统计量一次方程的粮仓储量检测模型包括项的最大阶数NB、IDS(s)项的最大阶数NF、IDS(s)项参数KSD以及单圈压力传感器布置的传感器点去除阈值系数TSD、传感器输出值偏态分布系数CSk、单圈传感器输出值序列划分调整系数CMV、采用的中值点左、右边相邻点数NM以及多项式项系数aB(m)和aF(n,m)等建模参数。令:
CR=(NB,NF,KSD,TSD,CSk,CMV,NM) (24)
其中,CR为参数组。从式(20)可以看出,若给定参数组CR的取值,则式(21)所示模型的建模问题可简化为下式所示的过零点多元线性回归问题。
回归自变量包括和/>共NB+NF项。因此,式(21)所示模型的建模问题可转化为下式所示的优化问题,可以采用优化和多元回归相结合的方法实现建模。
其中,CR为待确定参数组,SM为给定的包含k个样本点的建模样本集,Wk为样本点k的预测进粮重量,C(NB,NF)、C(TSD,KSD,CSk)分别为模型项阶数和模型参数惩罚项,C(NB,NF)、C(TSD,KSD,CSk)包括以下函数形式:
(1) C(NB,NF)=1+COder(NF-1)
(2) C(NB,NF)=1+COder(NB+NF-2)
(3) C(NB,NF)=[1+COder(NB-1)][1+COder(NF-1)]
(4)
(5)
(6)
其中,COder为阶数惩罚函数系数,0<COder≤1,CTSD、CKSD、CCSk分别为参数TSD、KSD和的CSk惩罚函数系数,1<CTSD≤3,0<CKSD≤1,0<CCSk≤1。式(26)为本发明所提出的基于阶数惩罚的优化模型,有助于提高模型阶数选择的合理性,提高模型的泛化能力。
5.具体实例。
本发明的基于底面单圈压强偏态统计量的粮仓储量检测方法如图7所示,包括如下具体步骤:
步骤一,系统配置。选定具体压力传感器,并配置相应的数据采集、数据传输等系统。
步骤二,底面压力传感器安装。平房仓传感器布置如图1所示,筒仓如图2所示,底面压力传感器按单圈布置,传感器均与侧面墙距离为d>1米。传感器个数均为6-10,传感器间距应不小于1m。
步骤三,对于给定的传感器、粮食种类以及仓型,如果系统尚未标定,则在多于6个粮仓中布置压力传感器,进粮至满仓,压力传感器输出值稳定后,采集各仓的压力传感器输出值,采集各仓的压力传感器输出值,构建建模样本集其中,k为样本点号,k=1,2,3,...,M,M为样本个数;/>为第k个样本点的单圈传感器输出值序列,i=1,2,...,NS,NS为粮仓底面单圈压力传感器布置个数;Wk为样本点k的实际进粮重量,/>为相应的粮仓面积。根据样本集和对应粮仓的满仓储粮数量,带入公式(21)表示的模型中计算出常数项,完成模型标定。
步骤四,得到标定的模型后,采集底面单圈传感器输出值序列,依照本发明方法进行输出值筛选过滤、大小值序列的建立,可确定单圈压力传感器的小值序列均值大值序列均值/>小值序列标准差SDSS(s)和大值序列标准差SDSL(s),进而确定单圈压力传感器输出值均值/>根据公式(18)确定侧面压强均值/>的估计量ID(s),将/>和ID(s)代入式(21)所示模型,便可得到粮仓储量数量。
6.检测实例。
检测实例1。
实验所采用的平房仓长9m,宽4.2m,面积为37.8m2,CB/AB=0.698。粮仓均属于小型粮仓,CB/AB相对较大。根据图1所示的压力传感器布置模型,压力传感器按单圈布置,共16个压力传感器。小麦粮堆高度约6米,进粮时每1米取一次数据,重复5次实验共获得30个样本。
对于式(21)所示的基于底面单圈压强偏态统计量一次方程的粮仓储量检测模型,将全部30个样本作为建模样本。优化后的建模参数如表1所示,获得的参数如表2所示。粮仓储粮重量计算误差如图3所示,所建模型的最大百分比误差为1.6%。
表1优化后的模型参数
表2模型系数
对于式(21)所示的基于底面单圈压强偏态统计量一次方程的粮仓储量检测模型,以实验4的19至24号样本作为测试样本,利用实验4的7至12号样本作为参数优化样本,其余18个样本作为建模样本。优化后的建模参数如表3所示,获得的参数如表4。粮仓储粮重量计算误差如图4所示,所有样本预测误差均小于1.1%。由于建模样本过少,使得最大测试误差较大,如果增大建模样本数量,则可进一步减少预测误差。
表3优化后的模型参数
表4模型系数
检测实例2。
对于通州粮库的4个稻谷粮仓和洪泽的2个稻谷粮仓,储粮重量分别为6450吨、4420吨、3215吨、64500吨、2455.6吨和2099.9吨。从长时间检测数据中选取样本1231个。选取922个样本作为建模样本(其中308个样本作为项最大阶数选择样本),其它作为测试样本。对于式(21)所示的基于底面单圈压强偏态统计量一次方程的粮仓储量检测模型,优化后的建模参数如表5所示,获得的参数如表6。建模样本的粮仓储粮重量计算误差如图5所示,所有样本的粮仓储粮重量计算误差如图6所示。从这些结果中可以看出,建模样本和测试样本的粮仓储粮重量计算误差均小于1.6%。
表5优化后的模型参数
表6模型系数
两圈方法实施例:
本实施例根据粮仓压强分布特点,提出了一种基于底面两圈压强统计量二次方程的粮仓储量检测模型。核心技术包括粮仓储粮数量与粮仓底面和侧面压强的二次关系模型、基于偏态分布特性的内外圈压力传感器均值与标准差计算方法、基于底面两圈压强统计量二次方程的粮仓储量检测模型三个部分。下面具体介绍。
1、粮仓储粮数量与压强的二次关系方程
粮仓有平房仓、筒仓等类型,粮食入仓后,粮堆顶部要求摊平,平房仓粮堆形状大致上为不同尺寸的立方体,筒仓粮堆形状大致上为不同尺寸的圆柱体。不失一般性,通过粮堆受力分析可以推出,粮仓储粮数量为:
W=ABQBNF(s) (1)
其中,W为粮仓储粮数量/粮仓储量重量;AB为与粮堆接触的粮仓底面面积;QBNF(s)为与粮堆接触的粮仓底面等效平均压强,如式(2)所示:
其中,s为粮堆表面与粮仓表面接触点集合;Kc为粮堆几何形状参数,Kc=CB/AB,CB为粮堆底面周长;H为粮堆高度;fF为粮堆侧面与粮仓侧面之间的平均摩擦系数,对于给定的粮仓和粮食种类,fF为常数;为粮堆底面压强均值,/>为粮堆侧面压强均值,如式(3)至式(4)所示:
其中,nB、nF分别为粮堆底面、侧面压强测量点个数,nB→∝、nF→∝;QB(si)、QF(sj)为粮堆底面压强测量点si、侧面压强测量点sj的压强值。
实验和理论分析表明,对实际应用中平房仓和筒仓,在通常装粮高度的情况下,其粮堆高度和粮仓储粮数量具有下式所示的二次关系:
其中,bH1、bH2为系数。将式(5)代入式(2),则有:
其中,KF为粮仓侧面单位面积摩擦力作用系数,
式(6)为本发明提出的粮仓储粮数量与粮仓底面、侧面压强的二次关系方程。其描述了在一定装粮高度下,粮仓储粮数量W与粮堆底面压强均值侧面压强均值/>的理论关系。求解式(6)所示的二次方程,有:
代入式(1)则有:
式(6)为本发明提出的粮仓储粮数量与粮仓底面和侧面压强的二次关系模型。式(8)为本发明提出的基于底面两圈压强统计量二次方程的粮仓储量检测理论模型。
2、传感器布置模型
为了有效降低与/>的检测成本,针对粮仓粮堆的压强分布特点,对于通常使用的平房仓和筒仓,在粮仓底面按外圈和内圈两圈布置压力传感器,如图8和图9所示,圆圈为压力传感器布置位置,外圈压力传感器均与侧面墙距离为d,内圈传感器均与侧面墙距离为D。可取d>0米且d<1米,取D>2米,一般取3米左右。为了保证检测模型的通用性,各粮仓的内外圈压力传感器与侧面墙距离d和D应相同。两圈传感器个数均为6-10,传感器间距应不小于1m。
3、内圈均值与标准差计算
实际试验结果表明,对于图8、图9所示的粮仓底面两圈传感器布置,由于粮食的有限流动性,内外圈压力传感器输出值具有显著的波动性和随机性。多次重复实验结果表明,内外圈压力传感器输出值明显具有以下特点:1)内外圈压力传感器输出值明显具有偏态分布特性;2)在中值附近区域传感器输出值波动和随机性相对小,而在较小和较大值的区域输出值波动性和随机性相对大。基于这些特性,本发明提出了基于偏态分布特性的内圈传感器选择方法和相应的内外圈传感器输出值均值和标准差计算方法。
对于图8、图9所示的粮仓底面两圈传感器布置和任一组内圈压力传感器测量值,依传感器输出值大小排序构建内圈传感器输出值序列QB(sInner)。依式(9)、式(10)计算中值邻近点均值与内圈传感器输出值的标准差SDMed(sInner):
其中,QB(sInner(i))为内圈传感器输出值序列QB(sInner)的第i个元素值,i=1,2,...,NI,NI为内圈传感器个数;iM为中值点序号;NM为中值点左、右边相邻点数,一般取NM=2-3。
依式(11)构建内圈传感器输出值均值计算序列QBS(sInner):
其中,CISk为内圈传感器输出值偏态分布系数;TSD为内圈传感器点去除阈值系数。本规则的主要创新点在于引入了内圈传感器输出值偏态分布系数CISk,提高了内圈传感器输出值点选择的合理性。依式(12)计算内圈传感器输出值均值
其中,NIS为去除后内圈传感器输出值序列数据个数。式(10)为内圈传感器输出值标准差计算公式,式(12)为内圈传感器输出值均值计算公式。
同理,对于图8、图9所示的粮仓底面两圈传感器布置和任一组外圈压力传感器测量值,依传感器输出值大小排序构建外圈传感器输出值序列QB(sOuter)。依式(13)、式(14)计算中值邻近点均值与外圈传感器输出值的标准差SDMed(sOuter)。
/>
其中,QB(sOuter(i))为外圈传感器输出值序列QB(sOuter)的第i个元素值,i=1,2,...,NO,NO为内圈传感器个数;iM为中值点序号;NM为中值点左、右边相邻点数。
依式(15)构建外圈传感器输出值均值计算序列QBS(sOuter)。
其中,COSk为外圈传感器点偏态分布系数,CTSD为外圈传感器点去除阈值系数,TSD为内圈传感器点去除阈值系数。依式(16)计算外圈传感器输出值均值
其中,NOS为去除后外圈传感器输出值序列数据个数。式(14)为外圈传感器输出值标准差计算公式,式(16)为内圈传感器输出值均值计算公式。
4、粮仓储粮数量检测模型
对于图8、图9所示的粮仓底面两圈传感器布置模型,构建粮堆底面压强均值的估计为:
其中,aB(m)为估计项的系数,m=1,...,NB,NB为/>估计多项式的阶数;为底面两圈压力传感器输出值均值,如下式所示:
其中,为外圈传感器输出值均值;/>为内圈传感器输出值均值。
构造侧面压强均值的估计为:
其中,bF(n)为估计项的系数,n=1,...,NF,NF为/>估计多项式的阶数;ID(s)为侧面压强均值/>的估计量,如下式所示:
其中,ID(s)为侧面压强均值的估计量;SDMed(sInner)、SDMed(sOuter)分别为内、外圈压力传感器输出值标准差;KSD为方差之差项系数。
将式(17)、式(19)代入式(6),系数bH1、bH2分别与粮堆侧面与粮仓侧面之间的平均摩擦系数fF和bF(n)合并,则有:
其中,aF1(n)、aF2(n)为合并后的多项式项的系数。
实际建模结果表明,在一些情况下对于式(21)中QBNF(s)一次项和二次项,取不同的ID(s)项阶数时,将有助于提高模型精度,因此修正式(21)为下式所示:
其中,NF1、NF2分别为QBNF(s)一次项和二次项的ID(s)项阶数,NF1≥NF2。求解式(22)所示的二次方程,有:
其中,
式(22)为本发明提出的粮仓储粮数量与内外圈压力传感器输出值均值侧面压强均值/>的估计量ID(s)的二次关系方程,该方程给出了粮仓储粮数量估计/>与内外圈压力传感器输出值均值/>侧面压强均值估计量ID(s)的多项式关系描述。式(23)为本发明提出的基于底面两圈压强统计量二次方程的粮仓储量检测模型。
5、建模方法
从实验数据中选择并构建建模样本集SΛ:
其中,k为样本点号,k=1,2,3,...,M,M为样本个数;为第k个样本点的内圈传感器输出值序列,i=1,2,...,NI,NI为内圈传感器个数;/>为第k个样本点的外圈传感器输出值序列,j=1,2,...,NO,NO为外圈传感器个数;Wk为样本点k的实际进粮重量,/>为相应的与粮堆接触粮仓底面面积。则根据样本集SΛ,由式(1)、式(16)、式(18)构建建模样本集SΓ:
其中,分别为第k个样本点的内外圈压力传感器输出值均值/>侧面压强均值估计量ID(s)以及粮仓底面等效平均压强QBNF(s)的取值。将样本集SΓ分为多元回归样本集SM和测试样本集ST。
对于给定的建模样本集SM与测试样本集ST,由式(22)、式(23)可以看出,式(23)所示的基于底面两圈压强统计量二次方程的粮仓储量检测模型包括项的最大阶数NB、ID(s)项的最大阶数NF1和NF2、ID(s)项参数KSD、内外圈传感器点去除阈值系数TSD和CTSD、内外圈传感器点偏态分布系数CISk和COSk、中值邻近点的传感器输出值序列的中值点左右边相邻点数NM以及多项式项系数aB(m)、aF1(n1)、aF2(n2)等建模参数。令:
CR=(NB,NF1,NF2,KSD,TSD,CTSD,CISk,COSk,NM) (26)
其中,CR为参数组。从式(22)可以看出,若给定参数组CR的取值,则式(23)所示模型的建模问题可简化为下式所示的过零点多元线性回归问题:
回归自变量和/>共NB+NF1+NF2项,式(22)所式模型的建模问题可转化为下式所示的优化问题:
可以采用优化和多元回归相结合的方法实现建模。
6、具体实例
本发明的一种基于底面两圈压强统计量二次方程的粮仓储量检测方法的流程图如图14所示,步骤如下:
步骤一,系统配置。选定具体压力传感器,并配置相应的数据采集、数据传输等系统。
步骤二,底面压力传感器安装。平房仓传感器布置如图8所示,筒仓如图9所示,底面压力传感器按外圈和内圈两圈布置,外圈压力传感器均与侧面墙距离为d>0且d<1米,内圈传感器均与侧面墙距离D>2米。两圈传感器个数均为6-10,传感器间距应不小于1m。
步骤三,系统标定与模型建模。对于给定的传感器、粮食种类以及仓型,如果系统尚未标定,则在多于6个粮仓中布置压力传感器,进粮至满仓,压力传感器输出值稳定后,采集各仓的压力传感器输出值,构建建模样本集其中,,k为样本点号,k=1,2,3,...,M,M为样本个数;/>为第k个样本点的内圈传感器输出值序列,i=1,2,...,NI,NI为内圈传感器个数;/>为第k个样本点的外圈传感器输出值序列,j=1,2,...,NO,NO为外圈传感器个数;Wk为样本点k的实际进粮重量,/>为相应的与粮堆接触粮仓底面面积。采用优化和多元回归相结合的方法,构造出式(23)所示的基于底面两圈压强统计量二次方程的粮仓储粮数量检测模型。利用建模样本集完成系统中各个建模参数的标定,粮仓储粮数量检测模型构建完成。
步骤四,实仓重量检测。如果系统已标定,根据粮仓底面设置的两圈压力传感器的输出值,便可确定内圈压力传感器输出值均值外圈压力传感器输出值均值内圈压力传感器输出值标准差SD(sInner)和外圈压力传感器输出值标准差SD(sOuter),进而根据公式(18)计算得到底面两圈传感器输出值均值/>公式(20)计算得到侧面压强均值/>的估计量ID(s),将其代入至根据公式(1)、(2)、(5)和(22)得到的公式(23)所示模型进行粮仓储粮数量检测。
7、检测实例
下面将本发明的方法应用于具体检测实例中以说明本发明方法的有效性。
1)检测实例1
实验所采用的平房仓长9m,宽4.2m,面积为37.8m2,CB/AB=0.698。粮仓均属于小型粮仓,CB/AB相对较大。根据图8所示的压力传感器布置模型,压力传感器分2圈布置,内圈6个,外圈16个,共22个压力传感器。小麦粮堆高度约6米,进粮时每1米取一次数据,重复5次实验共获得30个样本。
对于式(23)所示的基于底面两圈压强统计量二次方程的粮仓储粮数量检测模型,将全部30个样本作为建模样本。优化后的建模参数如表2-1所示,获得的参数如表2-2所示。粮仓储粮重量计算误差如图10所示,最大百分比误差为1.8%。
表2-1优化后的模型参数
表2-2模型系数
对于式(23)所示的基于底面两圈压强统计量二次方程的粮仓储粮数量检测模型,以实验5的25至30号样本作为测试样本,利用实验3的13至18号样本作为参数优化样本,其余18个样本作为建模样本。优化后的建模参数如表2-3所示,获得的参数如表2-4。粮仓储粮重量计算误差如图11所示,预测误差均小于1.9%。由于建模样本过少,使得最大测试误差较大,如果增大建模样本数量,则可进一步减少预测误差。
表2-3优化后的模型参数
表2-4模型系数
2)检测实例2
对于通州粮库的4个稻谷粮仓和洪泽的2个稻谷粮仓,储粮重量分别为6450吨、4420吨、3215吨、64500吨、2455.6吨和2099.9吨。从长时间检测数据中选取样本1231个。选取922个样本作为建模样本(其中308个样本作为项最大阶数选择样本),其它作为测试样本。对于式(23)所示的基于底面两圈压强统计量二次方程的粮仓储粮数量检测模型,优化后的建模参数如表2-5所示,获得的参数如表2-6。建模样本的粮仓储粮重量计算误差如图12所示,所有样本的粮仓储粮重量计算误差如图13所示。从这些结果中可以看出,建模样本和测试样本的粮仓储粮重量计算误差均小于0.2%。
表2-5优化后的模型参数
表2-6模型系数
本发明所提出的底面两圈压强统计量二次方程的粮仓储量检测模型,其主要特点体现在其直接引入了粮堆高度和粮仓储粮数量的二次关系,提高了粮仓储粮数量检测模型的鲁棒性与泛化能力,适应于平房仓等结构类型,便于远程在线粮仓数量检测等特点,可满足平房仓等粮仓储粮数量远程在线检测的需要。而且,基于内外圈压力传感器输出值的偏态分布特性式,提出了式(11)所示的内圈传感器输出值均值计算序列QBS(sInner)的构建规则和式(15)所示的外圈传感器输出值均值计算序列QBS(sOuter)构建规则,引入了内外圈传感器输出值偏态分布系数,提高了内圈传感器输出值点选择的合理性。
装置实施例:
该实施例提供了一种基于底面单圈压强统计量的粮仓储量检测装置,如图15所示,包括存储器、处理器和内部总线,处理器、存储器之间通过内部总线完成相互间的通信。
处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
存储器可为利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的各式存储器,例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等;利用光学方式存储信息的各式存储器,例如CD、DVD等。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等。
处理器可以调用存储器中的逻辑指令,以实现一种基于底面单圈压强统计量的粮仓储量检测方法。在方法实施例中对该方法做了详细介绍。
Claims (4)
1.一种基于底面单圈压强偏态统计量的粮仓储量检测方法,其特征在于,包括如下步骤:
1)检测粮仓底面设置的单圈压力传感器输出值;
2)筛选传感器输出值得到传感器有效输出值序列QSE(s):
QSE(s)={Q(s(j))|-TSDSDMed(s)≤Q(s(j))-QMed≤CSkTSDSDMed(s)}
其中,Q(s(j))为单圈压力传感器输出值的第j个元素值,j=1,2,...,NS,NS为传感器个数;TSD为预设的单圈压力传感器输出值去除系数;SDMed(s)为单圈压力传感器输出值的标准差;CSk为单圈传感器输出值偏态分布系数;QMed根据单圈压力传感器输出值中值得出;
3)根据QMed将QSE(s)分为小值序列和大值序列;
4)根据小值序列和大值序列计算粮仓储粮数量:
A)根据小值均值和大值均值/>确定底面压强均值/>
B)根据小值均值大值均值/>小值标准差SDSS(s)和大值标准差SDSL(s),确定侧面压强均值/>
C)将粮堆底面压强均值和侧面压强均值/>代入至构建的粮仓储粮数量模型中,得到粮仓储粮数量W;所述粮仓储粮数量模型为:
W=ABQBNF(s)
H=bHQBNF(s)或
其中,AB为粮堆底面面积;QBNF(s)为粮仓底面等效平均压强;H为粮堆高度;Kc为粮堆几何形状参数;Kc=CB/AB;CB为粮堆底面周长;fF为粮堆侧面与粮仓侧面之间的平均摩擦系数;bH、bH1、bH2为系数;粮仓储粮数量模型的建模通过下式实现:
其中,CR为待确定参数组,SM为给定的包含k个样本点的建模样本集,Wk为样本点k的预测进粮重量,C(NB,NF)为模型项阶数惩罚项,C(TSD,KSD,CSk)为模型参数惩罚项,C(NB,NF)、C(TSD,KSD,CSk)包括以下函数形式:
C(NB,NF)=1+COder(NF-1)
C(NB,NF)=1+COder(NB+NF-2)
C(NB,NF)=[1+COder(NB-1)][1+COder(NF-1)]
其中,COder为阶数惩罚函数系数,0<COder≤1,CTSD、CKSD、CCSk分别为参数TSD、KSD和的CSk惩罚函数系数,1<CTSD≤3,0<CKSD≤1,0<CCSk≤1。
2.根据权利要求1所述的基于底面单圈压强偏态统计量的粮仓储量检测方法,其特征在于,步骤3)中,将QSE(s)分为小值序列和大值序列的方法为,QSE(s)中小于QMed·CMV的值归入小值序列,QSE(s)中大于QMed·CMV的值归入大值序列,所述CMV为划分调整系数。
3.根据权利要求1或2所述的基于底面单圈压强偏态统计量的粮仓储量检测方法,其特征在于,QMed为单圈压力传感器输出值中值及其左右设定数量的输出值的平均值。
4.一种基于底面压强偏态统计量的粮仓储量检测装置,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1~3任一项所述的基于底面单圈压强偏态统计量的粮仓储量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549662.XA CN111695266B (zh) | 2020-06-16 | 2020-06-16 | 基于底面压强偏态统计量的粮仓储量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549662.XA CN111695266B (zh) | 2020-06-16 | 2020-06-16 | 基于底面压强偏态统计量的粮仓储量检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695266A CN111695266A (zh) | 2020-09-22 |
CN111695266B true CN111695266B (zh) | 2024-06-21 |
Family
ID=72481504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549662.XA Active CN111695266B (zh) | 2020-06-16 | 2020-06-16 | 基于底面压强偏态统计量的粮仓储量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695266B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823335A (zh) * | 2018-08-10 | 2020-02-21 | 张德贤 | 基于底面单圈标准差多项式模型的粮仓检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5694342A (en) * | 1996-10-24 | 1997-12-02 | The United States Of America As Represented By The Secretary Of The Navy | Method for detecting signals in non-Gaussian background clutter |
CN110823340B (zh) * | 2018-08-10 | 2021-04-09 | 河南工业大学 | 基于底面两圈标准差多项式模型的粮仓检测方法及系统 |
CN110823343B (zh) * | 2018-08-10 | 2021-04-09 | 河南工业大学 | 基于底面单圈大小值多项式模型的粮仓检测方法及系统 |
-
2020
- 2020-06-16 CN CN202010549662.XA patent/CN111695266B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823335A (zh) * | 2018-08-10 | 2020-02-21 | 张德贤 | 基于底面单圈标准差多项式模型的粮仓检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于SVR的粮仓储粮重量在线检测模型;张德贤;张苗;张庆辉;张元;吕磊;;电子学报;20180515(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111695266A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331591B (zh) | 基于支持向量回归的粮仓储粮数量检测方法 | |
CN105424147B (zh) | 基于粮堆高度与底面压强关系的粮仓重量检测方法及装置 | |
CN104330137B (zh) | 基于检测点压强值序列的粮仓储粮数量检测方法 | |
CN104296847B (zh) | 一种粮仓、储粮重量检测系统、方法及传感器布置方法 | |
CN105403294B (zh) | 基于多项式展开的粮仓储粮重量检测方法及其装置 | |
CN105424148B (zh) | 基于多项式的支持向量回归粮仓储粮重量检测方法及装置 | |
CN110823340B (zh) | 基于底面两圈标准差多项式模型的粮仓检测方法及系统 | |
CN106017625B (zh) | 粮仓储粮数量的检测方法及压力传感器 | |
CN111695266B (zh) | 基于底面压强偏态统计量的粮仓储量检测方法及装置 | |
CN105352571B (zh) | 一种基于指数关系估计的粮仓重量检测方法及装置 | |
CN104296845B (zh) | 基于最佳底面压强测量点的粮仓储粮重量检测方法与装置 | |
CN111721448B (zh) | 基于底面压强统计量与储量方程的粮仓检测方法及装置 | |
CN104111209A (zh) | 用于密度分析仪自校准的方法和装置 | |
CN110823338B (zh) | 基于底面单圈标准差对数模型的粮仓检测方法及系统 | |
CN115931092A (zh) | 基于拟合曲线的皮带秤去皮重量检测方法 | |
CN111693182B (zh) | 基于底面两圈压强对数模型的粮仓储量检测方法和装置 | |
CN110823343B (zh) | 基于底面单圈大小值多项式模型的粮仓检测方法及系统 | |
CN110823348B (zh) | 基于底面两圈标准差svm模型的粮仓检测方法及系统 | |
CN110823347B (zh) | 基于底侧面两圈标准差多项式模型的粮仓检测方法及系统 | |
CN110823335B (zh) | 基于底面单圈标准差多项式模型的粮仓检测方法及系统 | |
CN110823334B (zh) | 一种粮仓储粮检测方法及系统 | |
CN110823346B (zh) | 基于底面单圈标准差指数模型的粮仓检测方法及系统 | |
CN110823345B (zh) | 基于底面两圈标准差svm指数模型的粮仓检测方法及系统 | |
CN110823344B (zh) | 基于底面两圈标准差svm对数模型的粮仓检测方法及系统 | |
CN110823342B (zh) | 基于侧面单圈标准差多项式模型的粮仓检测方法及系统 |
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 |