CN117111660A - 一种无人值守智能粮仓系统及方法 - Google Patents
一种无人值守智能粮仓系统及方法 Download PDFInfo
- Publication number
- CN117111660A CN117111660A CN202311008957.6A CN202311008957A CN117111660A CN 117111660 A CN117111660 A CN 117111660A CN 202311008957 A CN202311008957 A CN 202311008957A CN 117111660 A CN117111660 A CN 117111660A
- Authority
- CN
- China
- Prior art keywords
- granary
- intelligent
- grain
- information
- unmanned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007689 inspection Methods 0.000 claims abstract description 102
- 238000012544 monitoring process Methods 0.000 claims abstract description 91
- 238000012423 maintenance Methods 0.000 claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 235000013339 cereals Nutrition 0.000 claims description 148
- 238000007726 management method Methods 0.000 claims description 80
- 241000607479 Yersinia pestis Species 0.000 claims description 36
- 239000007789 gas Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 235000020985 whole grains Nutrition 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003958 fumigation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种无人值守智能粮仓系统，包括智慧粮仓运维管理平台、粮仓监测预警系统、粮仓无人巡检装备和人机交互系统；粮仓监测预警系统采样环境信息数据和图像信息数据上传至智慧粮仓运维管理平台；智慧粮仓运维管理平台进行数据分析，若发现异常区域，则识别异常粮面区域和粮仓无人巡检装备的位置信息，根据两者位置信息及经过训练的智能决策模型规划最佳巡检路线，控制粮仓无人巡检装备对异常粮面区域进行巡检；智慧粮仓运维管理平台根据粮仓信息数据进行数据处理并分析异常原因并通过智能决策给出决策意见，完成粮仓从入库到出库全过程的闭环控制，具有很好的应用前景。
Description
技术领域
本发明属于智慧粮仓领域，具体涉及一种无人值守智能粮仓系统及粮仓内全局视觉定位方法。
背景技术
随着人口的增长和城市化进程的加速，粮食供应与需求的平衡已经成为一个全球性的问题。面对这一挑战，传统的粮仓管理方式显得力不从心，因此迫切需要引入智能化技术来提高粮食生产的效益和安全性，确保粮食供应需求。储粮安全是关乎民生的关键问题，国家对于粮仓管理有着严格的制度约束。粮仓内储粮需要面临诸多挑战，工作人员需要进行定期巡检、粮面信息采集、害虫管理等，尤其是在用害气体熏蒸时也需要时刻监测粮仓信息并反馈。如何利用现代科技，更加高效、准确的代替人工完成巡检、采集、管理粮仓的任务，成为未来智慧粮仓的研究重点。智慧粮仓最终目的就是实现无人值守。
为了实现智慧粮仓，国内外学者主要集中于两个方面来开展研究，一方面在粮仓内布置传感器和摄像头，通过搭建粮仓环境监测系统来完成巡检工作，然而，粮仓环境监测系统只能监测固定点位，或者有限范围，对于未能检测到的粮面情况，仍然需要人工巡检来保障粮食安全，例如中国专利公开号为CN 208172635U，公开日期为2018.11.30所公开的智能自动化粮仓系统。另一方面，集成各类传感器于巡检装备，通过巡检装备的自主定位、自主导航、自主巡检、自主采集等功能完成对粮仓信息的监测。粮面无人巡检装备虽然可以通过运动平台和规划路径实现全粮仓的巡检，但是受限于电源模块，存在工作间隙，并不能实时完成巡检任务。例如中国专利公开号为CN 216682212 U，公开日期为2022.06.07所公开的一种粮食多功能自主巡检机器人。
通过国内外相关文献检索，智慧粮仓领域尚未发现，可以综合利用粮仓环境监测系统与粮面无人巡检装备采集粮仓信息，并针对异常粮情自动做出应对措施的无人值守智能粮仓系统。
发明内容
本发明通过智慧粮仓运维管理平台A，将粮仓监测预警系统B、粮面巡检装备C与人机交互系统D连接起来，共同组成无人值守智能粮仓系统，完成从粮仓监测、粮面巡检，到运维管理决策，并反馈至人机交互系统等功能。其中，管理平台可根据不同粮情做出应对措施，人机交互系统将保留运维管理平台A全过程的最终决策权。
为实现上述目的，解决目前存在的技术问题，本发明通过以下技术方案予以实现：
一种无人值守智能粮仓系统，包括智慧粮仓运维管理平台、粮仓监测预警系统、粮仓无人巡检装备和人机交互系统；
所述的粮仓监测预警系统采样环境信息数据和图像信息数据上传至智慧粮仓运维管理平台；
所述的智慧粮仓运维管理平台进行数据分析，若发现异常区域，则通过粮仓监测预警系统的粮仓全局定位模块识别异常粮面区域和粮仓无人巡检装备的位置信息；智慧粮仓运维管理平台根据两者位置信息及经过训练的智能决策模型规划最佳巡检路线，将巡检路线转化为控制命令下发至粮仓无人巡检装备，控制粮仓无人巡检装备对异常粮面区域进行巡检；
所述的粮仓无人巡检装备将获取的粮面信息再次上传至智慧粮仓运维管理平台；智慧粮仓运维管理平台根据粮仓信息数据进行数据处理并分析异常原因，通过智能决策模型远程控制粮仓内设施解决异常；
所述的智慧粮仓运维管理平台向人机交互系统发出预警信息，并通过智能决策给出决策意见。
所述的智慧粮仓运维管理平台实时收集粮仓监测预警系统和粮仓无人巡检装备上传的粮仓内温度、湿度、气体浓度信息，进行粮情监测及粮情预警。
所述的粮仓监测预警系统搭建于粮仓结构内部，包括粮面害虫监测模块、粮面信息采集模块、粮仓温湿度控制模块、粮仓害虫防治模块和粮仓全局定位模块；
所述的粮面害虫监测模块包括在粮仓内安装的监控摄像头，通过调节监控摄像头的监控视野、焦距参数来采集粮仓内的图像信息；
所述的粮面信息采集模块采用均匀采样方法，在粮食表面均匀地放置若干个温湿度、气体浓度传感器，覆盖整个粮食表面，获取表面温湿度、气体浓度的整体数据；
所述的粮仓温湿度控制模块根据储粮要求及粮仓当前环境信息，调节温湿度控制装置，将粮仓内的温湿度保持在合理范围内；
所述的粮仓害虫防治模块根据储粮要求和粮仓当前的害虫信息，通过调控粮仓内不同气体的浓度来对粮仓内害虫进行防治；
所述的粮仓全局定位模块基于粮仓的监控系统，通过不同角度拍摄得到的画面，并结合机器视觉算法识别出二维图像中的定位目标，利用坐标变换的方法将多张图片中定位目标的像素坐标转换为导航定位的世界坐标，实现全局定位。
所述的粮仓无人巡检装备为可移动巡检装备，由移动组件、避障组件、定位组件、导航组件和监测组件构成；
所述的移动组件通过搭载运动平台实现移动；所述的避障组件通过摄像头、激光雷达、超声波雷达中的一个或多个传感器实现对巡检路径上障碍物的检测；所述的定位组件通过惯性测量单元和编码器里程计传感器实现粮仓无人巡检装备的相对定位；定位组件融合来自智慧粮仓运维管理平台处理后得到的全局定位信息实现精确定位；所述的导航组件通过定位组件获取的位姿信息以及粮仓内监控摄像头的图像信息实现视觉导航；所述的监测组件通过工业相机和集成传感器实时采集粮面图像、温湿度、气体浓度信息，并通过移动组件完成对全部粮面的监测。
所述的人机交互系统实现运维工作人员与智慧粮仓运维管理平台之间的信息交流和操作，包括输入设备和输出设备；运维工作人员通过输入设备向智慧粮仓运维管理平台发布控制命令；通过输出设备展示采集到的粮仓信息以及智慧粮仓运维管理平台的操作界面。
一种异常粮面区域及粮仓无人巡检装备全局视觉定位导航方法，包括以下步骤：
S1：粮仓监测预警系统接收智慧粮仓运维管理平台的控制命令，全局定位模块触发；
S2：粮仓监测预警系统同时获取a、b、c、d四点处监控摄像头的图像，并分别对图像中异常粮面区域及巡检无人装备进行标定；
S3：粮仓监测预警系统对标定后的图像进行像素坐标提取，得到异常粮面区域及巡检无人装备在像素坐标系中的坐标；
S4：粮仓监测预警系统将像素坐标系转化为世界坐标系；
S5：粮仓监测预警系统将获得的异常粮面区域及巡检无人装备的世界坐标上传到智慧粮仓运维管理平台；智慧粮仓运维管理平台经智能决策规划出最优路径，再将路径转化为控制命令下发至粮面无人巡检装备，经过不断地感知、规划、控制，最终实现粮仓内的全局视觉定位导航；粮面无人巡检装备在巡检过程中，实时通过全局定位获取自身位姿。
所述的步骤S4的具体步骤为：
异常粮面区域及粮面巡检无人装备的定位目标点设为P，在世界坐标系中坐标为(Xw,Yw,Zw)，在相机坐标系中坐标为(Xc,Yc,Zc)，在图像坐标系中的坐标为(x,y)，在像素坐标系中的坐标为(u,v)，f为相机焦距，R表示旋转矩阵，T表示偏移向量，则像素坐标系转换为图像坐标系：
图像坐标系转换为相机坐标系：
相机坐标系转换为世界坐标系：
综上可得像素坐标系转化为世界坐标系：
所述的智能决策模型通过智慧粮仓运维管理平台智能决策方法获得，具体包括以下步骤：
S1：数据处理与分析：粮仓监测预警系统和粮面无人巡检装备采集粮面环境信息，包括但不限于粮仓温湿度信息、粮仓气体浓度信息和粮仓害虫图像信息，将采集到的数据先进行去除异常值、修复缺失数据、调整数据格式操作，以确保数据的质量；
S2：特征提取与选择：将处理后的粮面环境信息进行特征提取，通过统计分析处理粮仓温湿度信息、粮仓气体浓度信息及粮仓害虫图像信息，提取数据中的平均值、峰值、变化率特征，并将特征与各类粮仓异常场景相关联，形成后期模型可识别的指标；
S3：模型选择与建立：针对温湿度异常、气体浓度异常、害虫数量超标场景，及不同场景的远程控制任务，训练不同的机器学习、深度学习模型，根据实际效果进行评估和比较，选择最优模型；
S4:模型训练与优化：将确定的模型继续利用粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息进行训练，重复进行数据处理分析、特征提取与选择、模型训练过程，同时使用优化算法来最小化损失函数；
S5:模型测试与评估：利用部分粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息作为测试集来测试模型性能，使用准确率、召回率评估模型表现；
S6:模型应用：在模型评估后，若模型表现良好达到预期标准，即将模型部署在智慧粮仓运维管理平台(A)，根据实际情况和问题需求进行迭代和调整。
本发明的有益效果在于实现了智慧粮仓无人值守的最终目的，综合利用粮仓监测预警系统、粮仓无人巡检装备代替人工完成日常巡检，利用智慧粮仓运维管理平台实现智能决策、远程调节，完成粮仓从入库到出库全过程的闭环控制，具有很好的应用前景。
附图说明
图1为无人值守智能粮仓系统的一种实施例
图2为无人值守智能粮仓系统的另一种实施例
图3为无人值守智能粮仓系统的工作流程图
图4为粮仓全局定位功能模块的一种实施例
图5(a)为a点的监控摄像头拍摄画面
图5(b)为b点的监控摄像头拍摄画面
图5(c)为c点的监控摄像头拍摄画面
图5(d)为d点的监控摄像头拍摄画面
图6为异常粮面区域及粮仓无人巡检装备全局视觉定位导航方法的一种实施例
图7为智慧粮仓运维管理平台智能决策方法的一种实施例
图中：
A、智慧粮仓运维管理平台；B、粮仓监测预警系统；C、粮仓无人巡检装备；
D、人机交互系统；B01、粮面害虫监测模块；B02、粮面信息采集模块；
B03、粮仓温湿度控制模块；B04、粮仓害虫防治模块；
B05、粮仓全局定位模块；C01、移动组件；C02避障组件；C03定位组件；
C04、导航组件；C05、监测组件；1、粮仓；2、粮面；3、走道板；
4、监控系统；5、定位目标。
具体实施方式
下面结合附图对本发明进行详细介绍。如图1和图2所示，为本发明的一种无人值守智能粮仓系统的一种实施例，包括智慧粮仓运维管理平台A、粮仓监测预警系统B、粮仓无人巡检装备C和人机交互系统D。结合图3所示的工作流程，粮仓监测预警系统B处于实时监测状态，并不断将采样获取的环境信息数据和图像信息数据上传至智慧粮仓运维管理平台A；智慧粮仓运维管理平台A进行数据分析，若发现异常区域，则通过粮仓监测预警系统B的粮仓全局定位模块识别异常粮面区域和粮仓无人巡检装备C的位置信息；智慧粮仓运维管理平台A根据两者位置信息及经过训练的智能决策模型来规划最佳巡检路线，然后将巡检路线转化为控制命令下发至粮仓无人巡检装备C，控制粮仓无人巡检装备C对异常粮面区域进行巡检；粮仓无人巡检装备C将获取的详细粮面信息再次上传至智慧粮仓运维管理平台A；智慧粮仓运维管理平台A根据多次的粮仓信息数据进行数据处理并分析异常原因，通过智能决策模型远程控制粮仓内设施，解决异常问题；可选地，智慧粮仓运维管理平台A向人机交互系统D发出预警信息，并通过智能决策给出决策意见，运维工作人员可根据此意见远程控制粮仓内设备开关来解决粮情异常，或由智慧粮仓运维管理平台A自行决策；无人值守智能粮仓系统工作全过程均受人机交互系统D的控制监管，运维工作人员可以通过人机交互系统D实现对粮仓的实时远程控制，其余时刻该系统会在智慧粮仓运维管理平台A的自动控制下按照固定程序完成对粮仓的监管。
具体地，智慧粮仓运维管理平台A具有粮情监测、粮情预警、远程控制、数据分析、粮食信息追溯、智能报警、智能决策、移动办公、人员管理等功能。
粮情监测，通过实时收集粮仓监测预警系统B和粮仓无人巡检装备上传的粮仓内温度、湿度、气体浓度等信息，及时掌握粮情，避免粮食受损。
粮情预警，根据监测数据，通过算法模型进行分析预测，及时发出预警信息，提醒运维人员采取措施，保障粮食安全。
远程控制，通过智能设备和网络技术，实现对粮仓内环境参数的远程控制，包括温度、湿度、通风等参数的调节、设备开关控制等。
数据分析，通过收集和分析粮仓内的各种数据，生成数据报表、趋势图等分析图表，帮助管理人员了解粮食存储、流转等情况，优化粮食管理流程。
粮食信息追溯，通过RFID等技术，实现对粮食信息的追溯与管理，追踪粮食的来源、生产过程、储存环境等信息，保障粮食质量和安全。
智能报警，通过粮仓监测预警系统B，实现对粮仓内环境异常情况的智能报警，及时通知管理人员采取措施，避免粮食受损。
智能决策，是利用机器学习、深度学习等技术，让计算机通过对大量数据的学习和训练，从而实现智能化决策，工作人员可以通过人机交互系统对其授权。
移动办公，通过手机、笔记本电脑等移动设备，实现对智慧粮仓运维管理平台A的远程监控和管理，方便管理人员随时随地获取粮仓信息，提高工作效率。
人员管理，对粮仓运维人员进行管理，包括人员信息管理、培训考核管理、权限管理等，确保运维人员的专业素质和工作效率。
本发明所述的智慧粮仓运维管理平台A，可搭载于实体服务器，也可以通过无线网络上传至云服务器进行管理，包括但不限于以上服务器形式。
粮仓监测预警系统B搭建于粮仓结构内部，如图2所示，其包括粮面害虫监测模块B01、粮面信息采集模块B02、粮仓温湿度控制模块B03、粮仓害虫防治模块B04和粮仓全局定位模块B05。
所述的粮面害虫监测模块B01包括在粮仓内安装的监控摄像头，通过调节监控摄像头的监控视野、焦距等相机固有参数来采集粮仓内的图像信息。
所述的粮面信息采集模块B02采用均匀采样的方法，在粮食表面均匀地放置若干个温湿度、气体浓度传感器，使其能够覆盖整个粮食表面，从而获取表面温湿度、气体浓度的整体数据。这种采样方法可以较为准确地反映粮食表面的情况，也能够保证采样的随机性和代表性。
所述的粮仓温湿度控制模块B03根据储粮要求及粮仓当前环境信息，通过调节温湿度控制装置，将粮仓内的温湿度保持在合理范围内。
所述的粮仓害虫防治模块B04根据储粮要求和粮仓当前的害虫信息，通过调控粮仓内不同气体的浓度来实现对粮仓内害虫的防治。
所述的粮仓全局定位模块B05基于粮仓的监控系统，通过不同角度拍摄得到的画面，并结合机器视觉算法识别出二维图像中的定位目标，利用坐标变换的方法将多张图片中定位目标的像素坐标转换为可以用于导航定位的世界坐标，实现全局定位。如图4及图5所示，为粮仓全局定位模块B05的一种实施例，其中监控系统4安装于粮仓1的四面墙内，从不同角度对准粮面2及走道板3，对定位目标5进行拍摄；
区别于粮仓监测预警系统B固定监测，粮仓无人巡检装备C是可移动巡检装备，其目的是代替人工巡检，该装备由移动组件C01、避障组件C02、定位组件C03、导航组件C04和监测组件C05构成。
所述的移动组件C01通过搭载各类运动平台(飞行器、轮式底盘等移动设备)，实现粮仓无人巡检装备C的移动功能。
所述的避障组件C02通过摄像头、激光雷达、超声波雷达等传感器，实现对巡检路径上障碍物的检测，保障粮仓无人巡检装备C的安全性。
所述的定位组件C03通过惯性测量单元(Inertial Measurement Unit，IMU)和编码器里程计(Encoder Odometry，ENC)等传感器，实现粮仓无人巡检装备C的相对定位。同时，定位组件C03融合来自智慧粮仓运维管理平台A处理后得到的全局定位信息，实现更加精确的定位。
所述的导航组件C04通过定位组件C03获取粮仓无人巡检装备C的位姿信息，以及粮仓内监控摄像头的图像信息，进而实现视觉导航。
所述的监测组件C05通过工业相机和集成传感器，实时采集粮面图像、温湿度、气体浓度等信息，并通过移动组件C01完成对全部粮面的监测。
本发明不对粮面无人巡检装备C的结构形式和运动形式进行限定，其包括但不限于粮面无人巡检小车、粮面无人巡检无人机、粮面无人巡检机器人等各种巡检装备。
人机交互系统D实现运维工作人员与智慧粮仓运维管理平台A之间的信息交流和操作，主要包括输入设备和输出设备。运维工作人员可以通过输入设备向智慧粮仓运维管理平台A发布控制命令；通过输出设备展示采集到的粮仓信息以及智慧粮仓运维管理平台A的操作界面。
如图6所示，为本发明的一种异常粮面区域及粮仓无人巡检装备全局视觉定位导航方法的一种实施例，包括以下步骤：
S1：粮仓监测预警系统B接收到智慧粮仓运维管理平台A的控制命令，全局定位模块触发；
S2：粮仓监测预警系统B同时获取a、b、c、d四点处监控摄像头的图像，并分别对图像中异常粮面区域及巡检无人装备C进行标定；
S3：粮仓监测预警系统B对标定后的图像进行像素坐标提取，得到异常粮面区域及巡检无人装备C在像素坐标系中的坐标；
S4：粮仓监测预警系统B将像素坐标系转化为世界坐标系；具体地，异常粮面区域及粮面巡检无人装备C的定位目标点设为P，在世界坐标系中坐标为(Xw,Yw,Zw)，在相机坐标系中坐标为(Xc,Yc,Zc)，在图像坐标系中的坐标为(x,y)，在像素坐标系中的坐标为(u,v)，f为相机焦距，R表示旋转矩阵，T表示偏移向量，则像素坐标系转换为图像坐标系：
图像坐标系转换为相机坐标系：
相机坐标系转换为世界坐标系：
综上可得像素坐标系转化为世界坐标系：
S5：粮仓监测预警系统B将获得的异常粮面区域及巡检无人装备C的世界坐标上传到智慧粮仓运维管理平台A；智慧粮仓运维管理平台A经智能决策规划出最优路径，再将路径转化为控制命令下发至粮面无人巡检装备C，经过不断地感知、规划、控制，最终实现粮仓内的全局视觉定位导航；粮面无人巡检装备C在巡检过程中，实时通过全局定位获取自身位姿，进而提高定位精度。
如图7所示，为本发明的一种智慧粮仓运维管理平台智能决策方法的一种实施例，具体包括以下步骤：
S1：数据处理与分析：粮仓监测预警系统B和粮面无人巡检装备C采集粮面环境信息，包括但不限于粮仓温湿度信息、粮仓气体浓度信息和粮仓害虫图像信息，将采集到的数据先进行去除异常值、修复缺失数据、调整数据格式操作，以确保数据的质量；
S2：特征提取与选择：将处理后的粮面环境信息进行特征提取，通过统计分析处理粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息，提取数据中的平均值、峰值、变化率等有用特征，并结合粮仓管理办法将特征与各类粮仓异常场景相关联，形成后期模型可以识别的指标；
S3：模型选择与建立：针对温湿度异常、气体浓度异常、害虫数量超标等场景，及不同场景的远程控制任务，尝试训练不同的机器学习、深度学习模型，根据实际效果进行评估和比较，选择最优的模型；
S4:模型训练与优化：将确定的模型继续利用大量的粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息进行训练，重复进行数据处理分析、特征提取与选择、模型训练等过程，同时使用常见的优化算法如梯度下降法、自适应优化算法等来最小化损失函数；训练过程中，要实时监测模型避免出现过拟合问题；
S5:模型测试与评估：利用部分粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息作为测试集来测试模型性能，可以使用各种指标如准确率、召回率等来评估模型表现；
S6:模型应用：在模型评估后，如果模型表现良好达到预期标准，就可以将模型部署在智慧粮仓运维管理平台A，在部署过程中，注意模型的实时性、可扩展性以及与其他系统的集成情况，此后，根据实际情况和问题需求进行迭代和调整。
上述实施例仅用于说明本发明，其中各部件的结构、连接方式等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (8)
1.一种无人值守智能粮仓系统，包括智慧粮仓运维管理平台(A)、粮仓监测预警系统(B)、粮仓无人巡检装备(C)和人机交互系统(D)，其特征在于：
所述的粮仓监测预警系统(B)采样环境信息数据和图像信息数据上传至智慧粮仓运维管理平台(A)；
所述的智慧粮仓运维管理平台(A)进行数据分析，若发现异常区域，则通过粮仓监测预警系统(B)的粮仓全局定位模块识别异常粮面区域和粮仓无人巡检装备(C)的位置信息；智慧粮仓运维管理平台(A)根据两者位置信息及经过训练的智能决策模型规划最佳巡检路线，将巡检路线转化为控制命令下发至粮仓无人巡检装备(C)，控制粮仓无人巡检装备(C)对异常粮面区域进行巡检；
所述的粮仓无人巡检装备(C)将获取的粮面信息再次上传至智慧粮仓运维管理平台(A)；智慧粮仓运维管理平台(A)根据粮仓信息数据进行数据处理并分析异常原因，通过智能决策模型远程控制粮仓内设施解决异常；
所述的智慧粮仓运维管理平台(A)向人机交互系统(D)发出预警信息，并通过智能决策给出决策意见。
2.根据权利要求1所述的一种无人值守智能粮仓系统，其特征在于：
所述的智慧粮仓运维管理平台(A)实时收集粮仓监测预警系统(B)和粮仓无人巡检装备(C)上传的粮仓内温度、湿度、气体浓度信息，进行粮情监测及粮情预警。
3.根据权利要求1所述的一种无人值守智能粮仓系统，其特征在于：
所述的粮仓监测预警系统(B)搭建于粮仓结构内部，包括粮面害虫监测模块(B01)、粮面信息采集模块(B02)、粮仓温湿度控制模块(B03)、粮仓害虫防治模块(B04)和粮仓全局定位模块(B05)；
所述的粮面害虫监测模块(B01)包括在粮仓内安装的监控摄像头，通过调节监控摄像头的监控视野、焦距参数来采集粮仓内的图像信息；
所述的粮面信息采集模块(B02)采用均匀采样方法，在粮食表面均匀地放置若干个温湿度、气体浓度传感器，覆盖整个粮食表面，获取表面温湿度、气体浓度的整体数据；
所述的粮仓温湿度控制模块(B03)根据储粮要求及粮仓当前环境信息，调节温湿度控制装置，将粮仓内的温湿度保持在合理范围内；
所述的粮仓害虫防治模块(B04)根据储粮要求和粮仓当前的害虫信息，通过调控粮仓内不同气体的浓度来对粮仓内害虫进行防治；
所述的粮仓全局定位模块(B05)基于粮仓的监控系统，通过不同角度拍摄得到的画面，并结合机器视觉算法识别出二维图像中的定位目标，利用坐标变换的方法将多张图片中定位目标的像素坐标转换为导航定位的世界坐标，实现全局定位。
4.根据权利要求1所述的一种无人值守智能粮仓系统，其特征在于：
所述的粮仓无人巡检装备(C)为可移动巡检装备，由移动组件(C01)、避障组件(C02)、定位组件(C03)、导航组件(C04)和监测组件(C05)构成；
所述的移动组件(C01)通过搭载运动平台实现移动；所述的避障组件(C02)通过摄像头、激光雷达、超声波雷达中的一个或多个传感器实现对巡检路径上障碍物的检测；所述的定位组件(C03)通过惯性测量单元和编码器里程计传感器实现粮仓无人巡检装备(C)的相对定位；定位组件(C03)融合来自智慧粮仓运维管理平台(A)处理后得到的全局定位信息实现精确定位；所述的导航组件(C04)通过定位组件(C03)获取的位姿信息以及粮仓内监控摄像头的图像信息实现视觉导航；所述的监测组件(C05)通过工业相机和集成传感器实时采集粮面图像、温湿度、气体浓度信息，并通过移动组件(C01)完成对全部粮面的监测。
5.根据权利要求1所述的一种无人值守智能粮仓系统，其特征在于：
所述的人机交互系统(D)实现运维工作人员与智慧粮仓运维管理平台(A)之间的信息交流和操作，包括输入设备和输出设备；
运维工作人员通过输入设备向智慧粮仓运维管理平台(A)发布控制命令；通过输出设备展示采集到的粮仓信息以及智慧粮仓运维管理平台(A)的操作界面。
6.利用权利要求1至5所述一种无人值守智能粮仓系统的一种异常粮面区域及粮仓无人巡检装备全局视觉定位导航方法，其特征在于，包括以下步骤：
S1：粮仓监测预警系统(B)接收智慧粮仓运维管理平台(A)的控制命令，全局定位模块触发；
S2：粮仓监测预警系统(B)同时获取a、b、c、d四点处监控摄像头的图像，并分别对图像中异常粮面区域及巡检无人装备(C)进行标定；
S3：粮仓监测预警系统(B)对标定后的图像进行像素坐标提取，得到异常粮面区域及巡检无人装备(C)在像素坐标系中的坐标；
S4：粮仓监测预警系统(B)将像素坐标系转化为世界坐标系；
S5：粮仓监测预警系统(B)将获得的异常粮面区域及巡检无人装备(C)的世界坐标上传到智慧粮仓运维管理平台(A)；智慧粮仓运维管理平台(A)经智能决策规划出最优路径，再将路径转化为控制命令下发至粮面无人巡检装备(C)，经过不断地感知、规划、控制，最终实现粮仓内的全局视觉定位导航；粮面无人巡检装备(C)在巡检过程中，实时通过全局定位获取自身位姿。
7.根据权利要求6所述的一种异常粮面区域及粮仓无人巡检装备全局视觉定位导航方法，其特征在于，所述的步骤S4的具体步骤为：
异常粮面区域及粮面巡检无人装备(C)的定位目标点设为P，在世界坐标系中坐标为(Xw,Yw,Zw)，在相机坐标系中坐标为(Xc,Yc,Zc)，在图像坐标系中的坐标为(x,y)，在像素坐标系中的坐标为(u,v)，f为相机焦距，R表示旋转矩阵，T表示偏移向量，则像素坐标系转换为图像坐标系：
图像坐标系转换为相机坐标系：
相机坐标系转换为世界坐标系：
综上可得像素坐标系转化为世界坐标系：
8.根据权利要求1所述的一种无人值守智能粮仓系统，其特征在于所述的智能决策模型通过智慧粮仓运维管理平台智能决策方法获得，具体包括以下步骤：
S1：数据处理与分析：粮仓监测预警系统(B)和粮面无人巡检装备(C)采集粮面环境信息，包括但不限于粮仓温湿度信息、粮仓气体浓度信息和粮仓害虫图像信息，将采集到的数据先进行去除异常值、修复缺失数据、调整数据格式操作，以确保数据的质量；
S2：特征提取与选择：将处理后的粮面环境信息进行特征提取，通过统计分析处理粮仓温湿度信息、粮仓气体浓度信息及粮仓害虫图像信息，提取数据中的平均值、峰值、变化率特征，并将特征与各类粮仓异常场景相关联，形成后期模型可识别的指标；
S3：模型选择与建立：针对温湿度异常、气体浓度异常、害虫数量超标场景，及不同场景的远程控制任务，训练不同的机器学习、深度学习模型，根据实际效果进行评估和比较，选择最优模型；
S4:模型训练与优化：将确定的模型继续利用粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息进行训练，重复进行数据处理分析、特征提取与选择、模型训练过程，同时使用优化算法来最小化损失函数；
S5:模型测试与评估：利用部分粮仓温湿度信息、粮仓气体浓度信息、粮仓害虫图像信息作为测试集来测试模型性能，使用准确率、召回率评估模型表现；
S6:模型应用：在模型评估后，若模型表现良好达到预期标准，即将模型部署在智慧粮仓运维管理平台(A)，根据实际情况和问题需求进行迭代和调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311008957.6A CN117111660A (zh) | 2023-08-11 | 2023-08-11 | 一种无人值守智能粮仓系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311008957.6A CN117111660A (zh) | 2023-08-11 | 2023-08-11 | 一种无人值守智能粮仓系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117111660A true CN117111660A (zh) | 2023-11-24 |
Family
ID=88810356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311008957.6A Pending CN117111660A (zh) | 2023-08-11 | 2023-08-11 | 一种无人值守智能粮仓系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117111660A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647284A (zh) * | 2024-01-29 | 2024-03-05 | 山东凯莱电气设备有限公司 | 一种电气自动化配电柜监测预警系统及方法 |
| CN118379640A (zh) * | 2024-06-26 | 2024-07-23 | 山东光安智能科技有限公司 | 一种粮仓智能巡检方法、系统、设备、介质 |
-
2023
- 2023-08-11 CN CN202311008957.6A patent/CN117111660A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647284A (zh) * | 2024-01-29 | 2024-03-05 | 山东凯莱电气设备有限公司 | 一种电气自动化配电柜监测预警系统及方法 |
| CN117647284B (zh) * | 2024-01-29 | 2024-04-16 | 山东凯莱电气设备有限公司 | 一种电气自动化配电柜监测预警系统及方法 |
| CN118379640A (zh) * | 2024-06-26 | 2024-07-23 | 山东光安智能科技有限公司 | 一种粮仓智能巡检方法、系统、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112207846B (zh) | 一种可升降式机房智能巡检机器人系统及巡检方法 | |
| CN117111660A (zh) | 一种无人值守智能粮仓系统及方法 | |
| WO2020192000A1 (zh) | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 | |
| CN111198004A (zh) | 一种基于无人机的电力巡查信息采集系统 | |
| CN112213979A (zh) | 一种场站智能机器人巡检系统及方法 | |
| CN109752300A (zh) | 一种涂料生产安全智能巡检机器人、系统及方法 | |
| CN106441428A (zh) | 一种变电站巡检方法 | |
| CN116755474A (zh) | 一种无人机用电力巡线方法及系统 | |
| CN112329117A (zh) | 一种基于bim的建筑施工监管方法 | |
| CN207268846U (zh) | 电力巡检机器人 | |
| Moreno et al. | A new vision-based method using deep learning for damage inspection in wind turbine blades | |
| CN115685736B (zh) | 一种基于热成像与卷积神经网络的轮式巡检机器人 | |
| CN115562349A (zh) | 一种无人机与地面巡检机器人协同作业的巡检方法及装置 | |
| CN115272888A (zh) | 一种基于数字孪生的5g+无人机输电线路巡检方法及系统 | |
| CN112332541A (zh) | 一种用于变电站的监测系统和方法 | |
| CN117282580A (zh) | 一种用于喷涂流水线的智能机械手及控制方法 | |
| CN112543272B (zh) | 一种具有光线调节的变电站巡检摄像装置及方法 | |
| CN214075655U (zh) | 一种工地扬尘在线智能监测及喷淋一体化装置 | |
| CN112560751A (zh) | 一种阳台高空坠物风险检测方法及系统 | |
| CN110333320B (zh) | 粮仓漏气及三维温度的空中与仓壁无线联动检测装置和方法 | |
| CN116147697B (zh) | 一种氢氧化铝无人值守监测方法及系统 | |
| CN115454138B (zh) | 一种基于无人机图像识别技术的施工违章判定方法和系统 | |
| CN114663818B (zh) | 基于视觉自监督学习机场运行核心区监测预警系统及方法 | |
| CN112417661B (zh) | 无人装备实装测试用数据采集分析系统 | |
| CN111367289A (zh) | 一种人工智能设备 |
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 |