基于虛擬多傳感器信息融合的糧情預警系統
加入技術交流群
通過對糧食顆粒的灰度圖像進行紋理分析，獲得與結構相關的灰度分布的統計信息，可以實現對兩幅圖像的匹配分析，并作為判斷糧情變化的依據。對糧食顆?；叶葓D像的分析采用基于不變矩的圖像紋理的統計算法。該算法首先將原始圖像進行分塊，利用加窗傅立葉變換進行空域濾波增強，去除圖像在各個空間頻率處的噪聲，增強圖像中的紋理結構信息。然后選擇圖像中曲率最大的點進行特征提取，以提取的特征點為中心，對圖像進行局部的網格化處理，針對每個單元格計算其7個不變矩，對所有單元格各自的不變矩求和得到特征向量。同時借助最大類間方差閾值分割方法(OTSU)，將圖中的單元格區分為前景和背景，并在求和時賦予不同的權重，可進一步提高圖像匹配的精度。小麥圖像紋理特征提取過程如圖4所示。最后利用特征空間中兩特征向量間的距離作為相似度衡量的標準?？刹捎糜嘞揖嚯x來表示。特征向量間余弦距離的定義為：設特征空間中兩特征向量分別為本文引用地址：http://www.104case.com/article/158109.htm
3 信息融合
通過以上方法將溫濕度、圖像數據經過變換，得到具有不同特性的虛擬多傳感器信息。利用D-S證據理論進行信息融合，D-S證據理論是由Dempster提出來的用概率上下限來表示實際問題中的不確定性，后來通過ShaRer進一步發展成為系統化、理論化的不確定性推理理論。由于篇幅有限，在此只給出部分信息融合過程。
通過實際測量的數據，經過計算得到某一區域的四個虛擬傳感器信度值m1，m2，m3，m4如表l，用C表示可信度，N表示不可信度。
按照Dempster組合公式將m1和m2，m3和m4組合，結果如表2所示，其中φ表示空集。
由表2可以得到m1和m2，m3和m4兩個證據的不一致因子，分別用k1，k2表示。則kl，k2為：k1=0．236+0．125=0．361：k2=0．325+0．082=0．407計算得到兩個基本信度m1和m2融合后的基本信度分配(用m12表示)，m3和m4融合后的基本信度分配(用m34表示)為：
最后再對得到兩個基本信度m12和m34融合，基本信度分配(用m1234表示)，見表3。
則有：k=0．072+0．075=0．147
m1234(C)=0．847／(1-k)≈0．99
由結果可知，通過融合后糧情變化的基本信度為0．99，故可以明顯地判斷出該區域的糧情變化很大，發生霉變、蟲害的可能性較高。
4 結論
本文通過對小麥倉儲過程中的傳感器信息選取合適的特征和計算所對應的特征統計量，應用少量的傳感器，借助虛擬多傳感器的技術以及D-S證據理論融合算法，能夠在糧情監測中完成目標識別，并對小麥倉儲過程中所發生的不良變化，及時發出預警信息，以確保小麥儲藏安全。
評論