[发明专利]一种基于毫米波雷达的粮库粮食在线水分监测方法

说明书

本发明公开了一种基于毫米波雷达的粮库粮食在线水分监测方法，将毫米波雷达放置于粮库的储粮堆中，按五点采样规则进行探测采样获得每个采样点的ADC采样的原始回波数据发送至上位机中进行数据预处理，然后将预处理后的数据Dc输入至粮食水分含量分类网络进行分类预测，输出每个采样点的水分预测含量并在上位机中显示和储存结果；粮食水分含量分类网络包括依次连接的基于TCN时域卷积网络和多层感知机。本发明利用毫米波雷达传感器的对水分探测敏感度高的优势应用到实际仓储的场景中去，克服粮库实验室场景下水分检测时需要分区域分点进行扦样以及化验或者烘干测量的复杂性和人工成本。

技术领域

本发明涉及雷达信号分析和图像识别领域，具体是一种基于毫米波雷达的粮库粮食在线水分监测方法。

背景技术

粮食含水量在作物生产、交通运输和谷仓存储等环节中均为重要的检测参量。粮食含水量(Moisture Content)是评价作物状态的重要指标。农作物在存储的过程中其内部过高的水分含量会致使粮食内部产生微生物的繁殖，引发霉变、生虫等变质反应，过低的水分含量则会破坏农作物内部结构，降低营养价值。因此在粮食的生产、交通和运输以及仓存等场景下亟需一种可准确、实时检测出粮食水分含量的方法来严格监控其含水量。

现有的粮食水分检测技术主要分为电阻法、电容法、近红外光谱多元标定建模法、核磁共振法等。其中电阻法、电容法等检测成本较为便宜，但精度较低、稳定性差；而近红外光谱和核磁共振法中的仪器及光路搭建流程复杂、仪器成分昂贵、比较适合实验室场景下的水分精确测量。

现有研究证明水分子在电磁波场特定频段(微波及毫米波波段)的极化作用下会表现出对电磁波的敏感性，而毫米波波段电磁波在已有文献及实验场景中被证明可以用于食物、农作物的水分含量检测。毫米波雷达的采集的原始回波信号为经过载波调制的高频正弦发射信号与接收信号的混频基带信号，与时间变化相关，具有一定的周期性。因而可以采用时域卷积神经网络对其进行时域的特征提取及网络建模。

时域卷积神经网络(Temporal Convolutional Networks，简称TCN)是用于卷积序列预测的通用体系结构。TCN作为一个新的序列分析模型，它结合了RNN和CNN的优点，只需更少的内存、有更稳定的梯度和更灵活的感受野。主要特征有两个：1)卷积网络层层之间是有因果关系的，意味着从未来到过去没有信息丢失；2)该体系结构可以伸缩自如的调整成任何长度，并可以获取任意长度的序列，将其映射到相同长度的输出序列。

TCN可以看作为一维的全卷积神经网络(Fully Convolutional Networks)与因果卷积(Causal Convolution)的结合；一方面因果卷积的思想可以用来达到“不漏接”的目的，卷积层在t时间的输出只与当层和前一层的元素做卷积。另一方面一维的全卷积神经网络，使用零填充让每个输出层都可以保持和输入层相同的尺寸，与此同时TCN通过采用膨胀卷积(Dilated Convolution)来解决反向训练的问题。残差块被证明是训练深层网络的有效方法，它使得网络可以以跨层的方式传递信息。最后TCN构建了一个残差块来代替一层的卷积，一个残差块包含两层卷积核非线性映射，在每层中还加入了WeightNorm和Dropout来使网络参数更加泛化和正则化。

发明内容

本发明要解决的技术问题是提供一种基于毫米波雷达的粮库粮食在线水分监测方法，用以兼顾检测效率和准确度地进行粮仓粮食水分的在线检测。。

为了解决上述技术问题，本发明提供一种基于毫米波雷达的粮库粮食在线水分监测方法，具体过程为：

将毫米波雷达放置于粮库的储粮堆中，按五点采样规则进行探测采样获得每个采样点的ADC采样的原始回波数据发送至上位机中进行数据预处理，然后将预处理后的数据Dc输入至粮食水分含量分类网络进行分类预测，输出每个采样点的水分预测含量并在上位机中显示和储存结果；