基于虛擬多傳感器信息融合的糧情預(yù)警系統(tǒng)
加入技術(shù)交流群
掃碼加入
和技術(shù)大咖面對(duì)面交流
海量資料庫(kù)查詢(xún)
通過(guò)對(duì)糧食顆粒的灰度圖像進(jìn)行紋理分析，獲得與結(jié)構(gòu)相關(guān)的灰度分布的統(tǒng)計(jì)信息，可以實(shí)現(xiàn)對(duì)兩幅圖像的匹配分析，并作為判斷糧情變化的依據(jù)。對(duì)糧食顆?；叶葓D像的分析采用基于不變矩的圖像紋理的統(tǒng)計(jì)算法。該算法首先將原始圖像進(jìn)行分塊，利用加窗傅立葉變換進(jìn)行空域?yàn)V波增強(qiáng)，去除圖像在各個(gè)空間頻率處的噪聲，增強(qiáng)圖像中的紋理結(jié)構(gòu)信息。然后選擇圖像中曲率最大的點(diǎn)進(jìn)行特征提取，以提取的特征點(diǎn)為中心，對(duì)圖像進(jìn)行局部的網(wǎng)格化處理，針對(duì)每個(gè)單元格計(jì)算其7個(gè)不變矩，對(duì)所有單元格各自的不變矩求和得到特征向量。同時(shí)借助最大類(lèi)間方差閾值分割方法(OTSU)，將圖中的單元格區(qū)分為前景和背景，并在求和時(shí)賦予不同的權(quán)重，可進(jìn)一步提高圖像匹配的精度。小麥圖像紋理特征提取過(guò)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(biāo)準(zhǔn)?？刹捎糜嘞揖嚯x來(lái)表示。特征向量間余弦距離的定義為：設(shè)特征空間中兩特征向量分別為本文引用地址：http://www.bjwjmy.cn/article/158109.htm
3 信息融合
通過(guò)以上方法將溫濕度、圖像數(shù)據(jù)經(jīng)過(guò)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(jù)理論進(jìn)行信息融合，D-S證據(jù)理論是由Dempster提出來(lái)的用概率上下限來(lái)表示實(shí)際問(wèn)題中的不確定性，后來(lái)通過(guò)ShaRer進(jìn)一步發(fā)展成為系統(tǒng)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(guò)程。
通過(guò)實(shí)際測(cè)量的數(shù)據(jù)，經(jīng)過(guò)計(jì)算得到某一區(qū)域的四個(gè)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(jié)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(gè)證據(jù)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(jì)算得到兩個(gè)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(duì)得到兩個(gè)基本信度m12和m34融合，基本信度分配(用m1234表示)，見(jiàn)表3。
則有：k=0．072+0．075=0．147
m1234(C)=0．847／(1-k)≈0．99
由結(jié)果可知，通過(guò)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(qū)域的糧情變化很大，發(fā)生霉變、蟲(chóng)害的可能性較高。
4 結(jié)論
本文通過(guò)對(duì)小麥倉(cāng)儲(chǔ)過(guò)程中的傳感器信息選取合適的特征和計(jì)算所對(duì)應(yīng)的特征統(tǒng)計(jì)量，應(yīng)用少量的傳感器，借助虛擬多傳感器的技術(shù)以及D-S證據(jù)理論融合算法，能夠在糧情監(jiān)測(cè)中完成目標(biāo)識(shí)別，并對(duì)小麥倉(cāng)儲(chǔ)過(guò)程中所發(fā)生的不良變化，及時(shí)發(fā)出預(yù)警信息，以確保小麥儲(chǔ)藏安全。
評(píng)論