技术领域
[0001] 本发明涉及温湿度控制技术领域，具体为一种低温保鲜金属粮仓的智能化温湿度控制方法与系统。
相关背景技术
[0002] 粮仓是粮食储存和保管的核心设施，广泛用于维持粮食品质、减少损耗、保障粮食安全。其主要作用是通过适宜的环境条件长期保存粮食，同时防止虫害、霉变和其他储存问题的发生。粮仓内的温湿度控制是确保粮食储存安全的关键因素。合理的温湿度不仅能够抑制霉菌和害虫的繁殖，还能减缓粮食品质的劣化速度，延长储存期限，保障粮食的经济和社会价值。因此，实现对粮仓温湿度的科学管理，对于国家粮食储备的稳定和粮食产业的可持续发展具有重要意义。
[0003] 然而，现阶段粮仓温湿度控制仍存在诸多缺陷。传统粮仓多依赖人工定期检测和机械式调节，无法实现精准、高效的动态控制，容易导致局部温湿度波动超标，从而引发虫害或霉变问题。一些现代粮仓虽然引入了自动化系统，但现有方法往往缺乏对复杂环境多维度数据的综合分析能力，无法充分结合仓内外环境变化、气体数据及病虫害情况对调控策略进行优化。此外，大多数控制策略基于固定阈值设定，未能结合实时环境数据调整调控方案，智能化和适应性不足，难以满足高效、安全的粮仓管理需求。
[0004] 为此，提出一种低温保鲜金属粮仓的智能化温湿度控制方法与系统。
具体实施方式
[0068] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069] 本发明提供的实施例一如下：
[0070] 一种低温保鲜金属粮仓的智能化温湿度控制方法，如图1所示，包括：
[0071] S100：采集金属粮仓的原始数据，将所述原始数据附上时间戳并存入数据库；所述原始数据包括仓内环境数据、仓内气体数据、仓外环境数据和设备数据；
[0072] 进一步地，所述仓内环境数据包括仓内温度和仓内湿度，仓内气体数据包括二氧化碳浓度、氧浓度和挥发性有机物浓度，仓外环境数据包括仓外温度和仓外湿度，所述设备数据包括温度调整器的预设温度和湿度调制器的预设湿度。
[0073] 通过引入多维度的数据来源，全面反映了粮仓内部与外部环境的动态变化以及设备运行状态。多类型数据的综合应用不仅提升了仓储环境的监测精度，还为温湿度的智能化调控提供了充分的依据。
[0074] S200：读取所述原始数据并构建时间序列数据集，并将所述时间序列数据集输入至TFT模型以得到预训练模型；获取未来24小时的气象数据，并通过所述预训练模型预测所述金属粮仓的短期仓内环境数据；
[0075] 进一步地，预测所述金属粮仓的短期仓内环境数据包括：
[0076] 根据所述原始数据预处理，得到预处理数据集；
[0077] 对所述预处理数据集按照所述时间戳进行排序，构建所述时间序列数据集；
[0078] 将所述时间序列数据集划分为训练集和验证集，将所述训练集输入至所述TFT模型训练，并通过所述验证集进行验证，得到所述预训练模型；
[0079] 获取未来24小时的气象数据，并通过所述预训练模型预测所述金属粮仓的短期仓内环境数据。
[0080] 具体地，TFT（Temporal Fusion Transformer）模型是一种专门为时间序列预测设计的深度学习模型，其能够有效捕捉复杂时间序列数据的长期依赖关系。预测金属粮仓的短期仓内环境数据的过程中，数据预处理包括检查数据完整性、处理缺失值和异常值以及数据归一化；将时间序列数据集划分为训练集和验证集，划分比例为7:3；未来24小时的气象数据包括温度和湿度。
[0081] 通过基于原始数据构建时间序列数据集并预处理，确保了数据的时序性和质量，为模型训练提供了可靠的数据基础；利用TFT模型对数据进行训练和验证，充分挖掘数据间的动态关联和长期依赖特性，从而获得准确的预训练模型；结合未来24小时的气象数据进行预测，实现了金属粮仓短期仓内环境数据的精准预估，为后续智能化控制提供了高效、可靠的决策依据。
[0082] S300：将所述仓内环境数据和所述仓内气体数据输入至病害指数计算公式，通过所述病害计算公式得到病害指数；
[0083] 进一步地，所述病害指数计算公式为：
[0084] ；
[0085] 其中，DI表示所述病害指数， 表示激活函数，k表示病害增长速率，T表示仓内实际温度，H表示仓内实际湿度， 表示指数函数， 表示病害最佳温度， 表示病害最佳湿度，a表示温度敏感系数，b表示湿度敏感系数，n表示仓内气体种类，包括二氧化碳、氧气和挥发性有机物， 表示气体i的权重， 表示气体i的浓度。
[0086] 在一种可行的实施方式中，病害指数计算公式中，各预设参数如表1所示。
[0087] 通过将仓内环境数据与仓内气体数据相结合，基于病害指数计算公式对霉菌活跃度和病害风险进行综合评估，能够全面反映仓内环境对粮食病害的影响程度。该方法有效利用了温湿度、气体浓度等关键指标，实现了对病害潜在风险的量化分析，提高了病害监测的科学性和准确性，为粮仓环境的优化调控和储粮安全提供了重要参考。
[0088] 表1、病害指数计算公式的部分预设参数及其参数值
[0089]
[0090] S400：采集虫体监测图像和虫体监测声频，将所述虫体监测图像和所述虫体监测声频预处理后输入至多源数据识别模型以判断虫害状况，得到虫害指数；
[0091] 进一步地，得到所述虫害指数包括：
[0092] 通过高分辨率相机和声学传感器采集所述虫体监测图像和所述虫体监测声频，统计数据的采集次数；
[0093] 对所述虫体监测图像进行均值滤波处理，得到预处理监测图像，并将所述虫体监测声频转化为声频图；
[0094] 将所述预处理监测图像和所述声频图拼接，得到多源拼接图；
[0095] 将所述多源拼接图输入到所述多源数据识别模型，得到虫害置信度；
[0096] 将所述虫害置信度大于可信阈值的次数记为有效次数，计算所述有效次数在所述采集次数的占比，得到所述虫害指数。
[0097] 具体地，通过高分辨率相机和声学传感器实时采集虫体监测图像和虫体监测声频，其中虫体监测图像和虫体监测声频为同步采集；对虫体监测图像进行均值滤波处理，去除图像噪声，提升图像质量，通过梅尔频率倒谱系数方法将虫体监测声频转换为声频图，且声频图与预处理监测图像具有相同的空间大小，便于后续融合处理；将预处理后的图像和声频图拼接成一个多源拼接图，进而视觉信息和声频信息的结合；将多源拼接图输入到一个多源数据识别模型，通过该模型分析视觉和声音信息，从而得出虫害置信度，多源数据识别模型可以是现阶段常用的识别模型，如VGG、ResNet和ViT等视觉识别模型，在使用识别多源拼接图时只需要修改输入通道数即可；将计算出的虫害置信度与可信阈值比较，其中可信阈值为85%，如果虫害置信度大于设定的可信阈值，则认为该次采集有效，最后计算有效次数在采集次数的占比，得到所述虫害指数。在一种可行的实施方式中，表格2对比了多种视觉识别模型在不同数据源下的虫害检测率。
[0098] 表2、虫体监测图像和多源拼接图在不同识别模型下的虫害检测率对比[0099]
[0100] 通过高分辨率相机和声学传感器同步采集虫体监测图像和声频数据，充分利用视觉和听觉信号的多源信息，提高了对虫体活动特征的全面捕捉能力。将声频数据转换为声频图，与预处理后的监测图像拼接生成多源拼接图，再输入多源数据识别模型进行虫害分析，有效融合了图像和声频特征，显著增强了虫害识别的准确性和鲁棒性。
[0101] 进一步地，将所述虫体监测声频转化为声频图包括：
[0102] 对所述虫体监测声频进行预处理，得到预处理声频；
[0103] 通过短时傅里叶变换将所述预处理声频从时域空间转换到频域空间，并计算所述预处理声频在频域空间下的傅里叶频谱；
[0104] 将所述傅里叶频谱转换为梅尔频谱，并对所述梅尔频谱进行离散余弦变换，得到梅尔频率倒谱系数；
[0105] 将所述梅尔频率倒谱系数矩阵化，得到所述声频图。
[0106] 具体地，预处理步骤包括去噪、去除静音段、增强音频信号；通过短时傅里叶变换将所述预处理声频从时域空间转换到频域空间的计算公式为：
[0107] ；
[0108] 其中， 表示预处理声频的频域信号，t表示时间变量，f表示频率变量， 表示预处理声频的时域信号， 表示窗口函数， 表示复指数，计算频域空间下的傅里叶频谱的公式为：
[0109] ；
[0110] 其中， 表示傅里叶频谱， 表示频域信号的实部， 表示频域信号的虚部；将傅里叶频谱转换为梅尔频谱的计算公式为：
[0111] ；
[0112] 其中， 表示第m个梅尔频带的频谱，m梅尔频带的索引， 表示第m个梅尔滤波器对频率的响应，对梅尔频谱进行离散余弦变换，得到梅尔频率倒谱系数，计算公式为：
[0113] ；
[0114] 其中，MFCC表示梅尔频率倒谱系数，M表示梅尔频谱的总频带数，k表示离散余弦变换的频率索引；最终将梅尔频率倒谱系数矩阵化，得到声频图。
[0115] 通过将虫体监测声频从时域空间转换到频域空间，结合短时傅里叶变换、梅尔频谱转换和离散余弦变换等多步处理，提取虫体活动的关键声学特征，生成梅尔频率倒谱系数并矩阵化为声频图。该方法有效保留了声频信号的时频特性，提升了对虫体活动声学特征的辨识能力，为虫害监测提供了高分辨率、准确可靠的数据基础。
[0116] S500：根据所述原始数据、所述短期仓内环境数据、所述病害指数和所述虫害指数，设计DQN算法的状态空间、动作空间和奖励函数，通过训练和更新所述DQN算法的在线Q网络和目标Q网络并最小化损失函数，实现所述奖励函数最大化，得到最优DQN模型；
[0117] 进一步地，得到所述最优DQN模型的流程如图2所示，包括：
[0118] S501：根据所述原始数据、所述短期仓内环境数据、所述病害指数和所述虫害指数构建状态向量并定义状态空间；
[0119] S502：将所述状态向量输入至DQN模型，并通过温湿度调节动作定义动作空间；
[0120] S503：设计奖励函数，通过温湿度误差、所述病害指数和所述虫害指数计算每个所述调节动作对应的奖励值；
[0121] S504：初始化在线Q网络、目标Q网络和经验回放池；
[0122] S505：从所述经验回放池中随机抽取N个样本，使用贝尔曼方程计算每个所述样本的所述目标Q网络的目标Q值；
[0123] S506：通过最小化所述在线Q网络的在线Q值与所述目标Q网络的所述目标Q值，更新所述在线Q网络的在线参数；
[0124] S507：根据所述在线参数更新所述目标Q网络的目标参数；
[0125] S508：判断是否满足更新停止条件，若满足，得到所述最优DQN模型，并保存所述最优DQN模型的所述目标参数；否则，重新执行所述S505。
[0126] 具体地，将原始数据、短期仓内环境数据、病害指数和虫害指数构建状态向量，所有状态向量组成状态空间；动作空间为温度控制器和湿度调制器的调整范围，在一种可行的实施方式中，温度控制器的调整范围为15℃±10℃，每次调整为0.1℃，湿度控制器的调整范围为50%±30%，每次调整为0.5%；奖励函数的计算公式为：
[0127] ；
[0128] 其中，, , 表示权重系数， 表示当前温度， 表示目标温度， 表示当前湿度， 表示目标湿度， 表示病害指数， 表示虫害指数；初始化在线Q网络和目标Q网络，这两个网络具有相同的结构和参数，但目标Q网络的参数在训练过程中更新频率较低，初始化经验回放池用于存储每次的交互经验，交互经验包括状态、动作、奖励和下一状态；从回放池中随机选择N个样本，得到一批初始化交互经验的样本，使用贝尔曼方程计算每一样本的目标Q值，计算公式为：
[0129] ；
[0130] 其中， 表示目标Q值，表示即时奖励，表示折扣因子， 表示下一状态，表示下一状态对应的最优动作， 表示目标Q网络的目标参数， 表示目标Q网络给出的下一状态的最大Q值，即在下一状态采取的最优动作的预期奖励；使用均方误差来衡量目标Q值与在线Q值之间的差异，误差计算公式为：
[0131] ；
[0132] 其中， 表示损失函数，表示均方误差， 表示在线Q值，同样由贝尔曼方程计算获取，表示当前状态， 表示当前动作，表示在线Q网络的在线参数；根据在线Q网络的在线参数更新目标Q网络的目标参数，将在线Q网络的参数直接复制到目标Q网络；判断是否满足更新停止条件，若满足，得到最优DQN模型并保存目标参数；否则，重新执行S505，其中更新停止条件为达到最大迭代次数或均方误差小于误差阈值，在一种可行的实施方式中，最大迭代次数为2000次，均方误差为0.05。
[0133] 通过引入DQN算法，将原始数据、短期仓内环境数据、病害指数和虫害指数有机结合，构建科学合理的状态空间、动作空间和奖励函数，并通过在线Q网络和目标Q网络的训练与更新，最小化损失函数，实现奖励函数最大化，最终获取最优DQN模型，能够精准、实时地优化粮仓的温湿度控制策略，有效降低病害和虫害风险，提升粮仓环境管理的智能化水平和储粮安全性。
[0134] S600：根据所述最优DQN模型调整温度控制器和湿度调制器，完成温湿度控制。
[0135] 进一步地，根据所述最优DQN模型调整温度控制器和湿度调制器包括：
[0136] 加载所述最优DQN模型；实时采集所述原始数据、所述短期仓内环境数据、所述病害指数和所述虫害指数并输入至所述最优DQN模型；通过最优DQN模型选择控制动作；所述温度控制器和所述湿度调制器通过所述控制动作执行温湿度控制。
[0137] 通过加载最优DQN模型、实时采集环境和状态数据以及选择控制动作并执行设备操作，完成温湿度的实时动态调整，确保仓内环境的稳定性。
[0138] 通过构建全面的数据采集与分析体系，结合金属粮仓的多源数据，包括仓内外环境数据、气体数据、虫体监测图像和声频，基于时间序列数据和TFT模型实现了短期环境预测，并通过病害指数和虫害指数的计算全面评估粮仓内的安全状态。此外，利用强化学习的DQN算法，针对复杂的多变量环境设计状态空间、动作空间和奖励函数，动态优化温湿度控制策略，实现了粮仓环境的智能化调节。该方法有效提高了粮仓管理的自动化水平，降低了病虫害风险，同时保障了粮食储存的长期安全性和质量稳定性。
[0139] 本发明提供的实施例二如下：
[0140] 某粮仓在粮食存储过程中因温湿度难以控制，导致粮仓内的粮食时常发生病虫害现象且快速蔓延，为降低因温湿度控制误差过大导致的病虫害现象，该粮仓使用了一种低温保鲜金属粮仓的智能化温湿度控制系统，如图3所示，包括：
[0141] 数据采集模块，用于采集金属粮仓的原始数据，将所述原始数据附上时间戳并存入数据库；所述原始数据包括仓内环境数据、仓内气体数据、仓外环境数据和设备数据；
[0142] 仓内环境预测模块，用于读取所述原始数据并构建时间序列数据集，并将所述时间序列数据集输入至TFT模型以得到预训练模型；获取未来24小时的气象数据，并通过所述预训练模型预测所述金属粮仓的短期仓内环境数据；
[0143] 病害指数获取模块，用于将所述仓内环境数据和所述仓内气体数据输入至病害指数计算公式，通过所述病害计算公式得到病害指数；
[0144] 虫害指数获取模块，用于采集虫体监测图像和虫体监测声频，将所述虫体监测图像和所述虫体监测声频预处理后输入至多源数据识别模型以判断虫害状况，得到虫害指数；
[0145] 强化学习模块，用于根据所述原始数据、所述短期仓内环境数据、所述病害指数和所述虫害指数，设计DQN算法的状态空间、动作空间和奖励函数，通过训练和更新所述DQN算法的在线Q网络和目标Q网络并最小化损失函数，实现所述奖励函数最大化，得到最优DQN模型；
[0146] 温湿度控制模块，用于根据所述最优DQN模型调整温度控制器和湿度调制器，完成温湿度控制。
[0147] 进一步地，得到所述最优DQN模型包括：
[0148] S501：根据所述原始数据、所述短期仓内环境数据、所述病害指数和所述虫害指数构建状态向量并定义状态空间；
[0149] S502：将所述状态向量输入至DQN模型，并通过温湿度调节动作定义动作空间；
[0150] S503：设计奖励函数，通过温湿度误差、所述病害指数和所述虫害指数计算每个所述调节动作对应的奖励值；
[0151] S504：初始化在线Q网络、目标Q网络和经验回放池；
[0152] S505：从所述经验回放池中随机抽取N个样本，使用贝尔曼方程计算每个所述样本的所述目标Q网络的目标Q值；
[0153] S506：通过最小化所述在线Q网络的在线Q值与所述目标Q网络的所述目标Q值，更新所述在线Q网络的在线参数；
[0154] S507：根据所述在线参数更新所述目标Q网络的目标参数；
[0155] S508：判断是否满足更新停止条件，若满足，保存所述目标参数；否则，重新执行S505。
[0156] 在使用本发明提出的一种低温保鲜金属粮仓的智能化温湿度控制方法后，30天内粮仓内温度误差、湿度误差、病害指数和虫害指数的变化趋势如表3所示。从表中可以看出，30天内温度误差和湿度误差都呈下降趋势，且区域平稳，同时病害指数和虫害指数上升较为平缓，这说明本发明通过DQN模型能有效操作温湿度控制装置实现金属粮仓的智能温湿度控制，进而有效抑制病害和虫害的扩散。
[0157] 表3、30天内粮仓温度误差、湿度误差、病害指数和虫害指数的变化趋势[0158]
[0159] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
