基于物聯網技術的倉儲煙葉霉變狀態智能監測方法研究

張競超，翟乃琦，王一博，云利軍

（云南師范大學信息學院，昆明 650500）

煙葉經過初烤、復烤工序后將其貯存在倉庫中，在存儲過程中煙葉會發生自然醇化，醇化后的煙葉品質在燃吸性、香味、顏色等方面得到了一定的改善。但是由于煙葉自然醇化周期較長，煙葉在儲藏過程中容易發生霉變，霉變后的煙葉品質大大降低，失去其使用價值，每年因煙葉霉變給煙草公司帶來了巨大的經濟損失，因此，倉儲煙葉霉變監測方法研究具有重要的經濟價值和應用意義。

傳統的煙葉霉變主要依靠人工進行檢測，通常采用眼看、手捏、鼻聞等方式判斷煙葉的霉變程度［1，2］。在倉儲環境下煙葉霉變的位置相對隱蔽，倉庫管理人員并不能及時發現煙葉霉變的跡象，從而導致霉變在煙堆中擴散。目前，對于煙葉霉變檢測方法的研究取得了一定的進展。Yang 等［3］利用近紅外漫反射光譜法實現對煙葉霉變的預測；毛雪峰等［4］設計并實現了基于電子鼻技術的煙葉霉變提前預警系統；劉斌等［5］利用機器視覺技術進行多特征信息融合實現對煙葉霉變的識別。上述檢測方式雖然具有一定的檢測效果，但是難以應用于大范圍的倉儲煙葉霉變的監測，因此，本研究基于物聯網技術實現對倉儲環境下的煙葉霉變狀態監測，及時有效地發現煙葉霉變現象，提高煙葉的醇化質量，減少經濟損失。

1 煙葉霉變因素分析

煙葉霉變產生的原因主要包含內因和外因兩大因素。由于煙葉具有較強的吸濕性，且煙葉中含有霉菌生長繁殖所需要的營養物質，主要包含糖類等簡單的碳水化合物以及復雜的有機物。煙葉中還包含含氮化合物、礦物質等，均能為霉菌的生長繁殖提供養料。同時，煙葉中含有一定的水分，適宜的水分避免煙葉在存儲過程中發生破碎，當煙葉含水率超過安全范圍后，霉菌就會開始大量繁殖，從而導致煙葉發生霉變。

煙葉在存儲的過程中，適宜的溫、濕度倉儲環境會為霉菌的生長繁殖提供合適的條件。大多數霉菌的生長繁殖都需要有一定的溫度條件（表1）。不同種類霉菌發育所需的溫度范圍不同，且范圍較寬，最低為8 ℃，最高為50 ℃，適宜溫度范圍一般在30～37 ℃。并且不同種類的霉菌所適宜的濕度條件也有所不同，曲霉為95%左右，青霉為90%左右。

表1 常見霉菌發育所需溫度

較大的濕度以及適宜霉菌生長的溫度是煙葉霉變的外部因素。煙葉自身水分大于13%、環境濕度大于75%均會增強煙葉及相關微生物的呼吸作用，從而引起煙葉溫度的升高，嚴重時引起煙葉的積熱、碳化、霉變［6］。當發生霉變時，霉菌繁殖會消耗煙葉自身的營養物質，同時與外界進行氣體交換，導致煙葉倉儲環境會發生改變。因此，通過對煙葉存儲環境的溫、濕度以及霉變特征氣體綜合檢測，即可判斷煙葉是否發生霉變。

2 倉儲煙葉狀態監測方法設計

2.1 總體設計

基于物聯網技術的倉儲煙葉霉變智能監測方法主要包含3 大部分：第一部分為倉儲環境信息采集終端，主要由系統主控板、氣體傳感器陣列以及無線射頻傳輸模塊組成，終端設備部署在煙堆內部，負責采集煙堆周圍的環境信息，包括煙堆內部的溫度、濕度信息以及煙堆揮發出來的相關氣體濃度信息；第二部分為無線手持中繼器，主要由系統主控板、無線射頻傳輸模塊、數據顯示模塊、GPRS 模塊組成，中繼器負責接收終端設備的采集數據，當倉庫管理人員手持中繼設備靠近待監測煙堆附近，終端設備與中繼器通過無線射頻模塊成功建立連接后，將采集到的煙堆環境信息發送給中繼器，中繼器接收到終端設備發送過來的數據后，將數據顯示在屏幕中，同時通過GPRS 模塊把數據發送到遠端數據監測服務器；第三部分為數據監測管理中心服務器，當服務器接收到中繼器發送過來的采集數據后，數據實時顯示在管理中心頁面中，同時把發送過來的數據輸入到已經訓練完成的BP 神經網絡模型進行煙葉霉變狀態的預測，并將預測后的結果顯示在管理中心頁面中，若預測煙葉狀態為霉變狀態，則對數據進行標記，并發出警報信息提醒倉庫管理人員。監測方法示意如圖1 所示。

圖1 監測方法

2.2 試驗設備

本研究試驗儀器由課題組自主研制，包括數據采集終端與手持無線中繼器［7］。采集終端與中繼器的主控芯片型號均采用STM32F103C8T6，終端氣體傳感器陣列由AM2320 型溫濕度傳感器、MH-Z19B型二氧化碳傳感器、TGS822 型乙醇傳感器組成。終端與中繼器通過無線射頻模塊nRF24L01 建立傳輸通道，完成數據的本地傳輸。中繼器的顯示模塊選用LCD12864，用于顯示終端設備傳輸的數據信息，無線傳輸模塊選用SIM900A 模組，與遠端服務器建立通訊，完成數據的傳輸工作。系統硬件結構如圖2 所示。

圖2 系統硬件結構

2.3 試驗方法

選用樣本由云南省某卷煙廠提供，以煙葉中出現的霉點作為煙葉霉變程度的區分依據。若煙葉表面未發現肉眼可見的霉點和菌絲體，則將其定義為正常煙葉；若煙葉表面中的霉點和菌絲體≤5，則將其定義為輕度霉變煙葉；若煙葉表面出現的霉點和菌絲體＞5，則將其定義為中度霉變煙葉。3 種等級煙葉樣本如圖3 所示。

圖3 煙葉樣本

試驗在自行搭建的模擬箱環境中進行。首先將煙葉樣本放置在實驗箱中，打開數據采集終端的電源開關，確保設備處于正常工作狀態，并放置在實驗箱內。密封實驗箱3 h，待樣本煙葉揮發的氣體處于穩定狀態，此時打開手持無線中繼器，與采集終端建立連接后，數據采集終端對3 種狀態的煙葉分別以30 s/次的頻率進行72 h 的數據采集，中繼器將接收到的采集數據上傳至服務器中，服務器完成數據的解析與存儲。3 種試驗煙葉樣本，總共采集3 個批次的樣本數據，每完成一次樣本的采集工作后對實驗箱中的氣體進行清洗，防止影響下一次樣本的采集工作。模擬煙葉倉儲環境如圖4 所示。

圖4 模擬煙葉倉儲環境

3 倉儲煙葉狀態識別模型設計

由于煙葉在霉變過程中揮發出來的氣體濃度是不確定、非線性的，一般的識別模型并不能準確區分煙葉的霉變狀態。BP 神經網絡具有較強的非線性映射能力，并且在網絡訓練的過程中具有自學習和自適應能力，泛化和容錯能力強，在解決一些非線性問題上具有較強的優勢。因此，本研究選用BP 神經網絡模型作為煙葉霉變狀態的預測模型［8］。

3.1 倉儲煙葉狀態識別模型結構設計

模型的輸入節點數量為4，各個節點的輸入參數為數據采集終端中氣體陣列傳感器所采集到的電壓值，電壓值的大小可以反映氣體的濃度。因此，輸入層參數分別為溫度、濕度、二氧化碳和乙醇傳感器采集的電壓值。本試驗中煙葉樣本的狀態總共有3類，分別為正常煙葉、輕度霉變煙葉和中度霉變煙葉，3 種煙葉狀態分別用數字0、1、2 表示，因此輸出層節點數量設置為1。當前BP 神經網絡結構為4-X-1，其中，隱含層節點數量未知。具體的網絡結構模型如圖5 所示。

圖5 基于BP 神經網絡的煙葉識別模型

當BP 神經網絡的輸入層節點數量為m，輸出層節點數量為n時，則隱藏層節點數量s可由式（1）計算得出。其中，變量b的取值范圍為1-9。

在此模型結構中，m的值設定為4，n的值設定為1，隱藏層節點的數量范圍在3-10。隱藏層的節點數量一般設置為5-8，最終隱藏層的節點數量根據模型訓練仿真結果進行擇優選擇［9］。

3.2 倉儲煙葉狀態識別模型訓練仿真

分別對3 種煙葉狀態進行分批次的數據采集，每種狀態的煙葉數據共采集4 000 組，將其數據中的90%作為網絡模型的訓練樣本，10%作為測試樣本。由于終端設備所采集的各個傳感器數值的量程不同，因此在進行數據輸入之前，需要對輸入數據進行歸一化預處理，將其統一在同一個數量級中，具體歸一化公式如式（2）所示。

其中，xi為樣本數據中的第i個值，xmin表示樣本數據中的最小值，xmax代表樣本數據中的最大值。

使用MATLAB 對其進行仿真試驗，設置試驗目標誤差為0.001，網絡的訓練次數最大設置為6 000。在隱藏層中使用logsig 非線性函數作為神經元的激活函數，使用traingdx 作為網絡的訓練函數。為使模型的性能達到最優，分別設置不同的隱藏層節點的數量和網絡訓練次數進行對比，以模型的訓練誤差作為判別指標。當隱藏層節點設置為6，網絡訓練次數設定為2 000 時，模型的訓練誤差最小。因此，最終確定網絡模型結構為4-6-1，在此結構下，模型的訓練誤差曲線如圖6 所示。模型在經過1 200 輪次左右的訓練后，達到試驗設定的目標誤差。

圖6 倉儲煙葉狀態識別模型訓練誤差曲線

3.3 倉儲煙葉狀態識別模型驗證

完成模型的訓練后，需要對模型的可靠性進行相應驗證。分別選用3 種狀態煙葉的測試樣本進行測試。當模型輸出值的范圍為0—1，則判定煙葉的狀態為正常煙葉；當輸出值的范圍為1—2，則判定煙葉的狀態為輕度霉變；當輸出值的范圍為2—3，則判定煙葉的狀態為中度霉變，部分對比驗證結果如圖7 所示。對模型共進行5 次測試，模型的識別準確率選用多次測試的平均值，最終得到模型的識別準確率為98.4%，本研究所提模型具有較高的識別率。

圖7 實際值與模型輸出值部分對比驗證結果

4 智能監測信息管理系統設計

管理人員通過智能監測信息管理系統可以實時查看前端硬件傳輸過來的采集數據，數據通過服務端解析處理后，若出現異常數據則進行相應判斷處理，同時當后端模型預測當前煙垛發生霉變時，進行相應的報警處理。具體設計的信息管理系統界面如圖8 所示［10］。

圖8 信息管理系統界面

5 系統功能測試

測試環節在模擬煙葉倉儲環境下進行。首先分別將3 種狀態下的煙葉與數據采集終端一同放入實驗箱內，封箱3 h 后，等待箱內參數穩定，打開手持無線中繼器，與采集終端建立無線連接，終端所采集的數據通過中繼器轉發到數據監測服務器，服務器對數據進行解析處理，并將已處理的數據加載到已經訓練好的煙葉狀態識別模型中，識別當前煙葉狀態。打開智能監測信息管理系統頁面，信息管理系統監測到的煙葉狀態與當前煙葉狀態一致。具體測試環境與結果如圖9 所示。

圖9 測試環境與結果

6 小結

本研究利用物聯網技術結合BP 神經網絡算法，設計了一種針對倉儲煙葉霉變狀態的智能監測系統，通過在煙堆內部署數據采集終端，利用手持無線中繼器接收終端采集的數據，并通過GPRS 網絡傳輸至監控中心數據服務器，服務器對上傳數據進行解析后，將倉庫環境參數以及煙葉狀態實時顯示在系統界面中，當識別到煙葉為霉變狀態時，系統向管理人員發出警報信息。測試結果表明，本研究所提方法可以很好地監測煙葉倉儲環境信息并識別出煙葉的霉變狀態，從而可有效地預防煙葉霉變的發生，提高了煙葉倉儲管理效率。