苑江浩 常 青 李燕羽 楊 東 趙會(huì)義

(國(guó)家糧食和物資儲(chǔ)備局科學(xué)研究院，北京 100037)

糧食是國(guó)家的重要戰(zhàn)略物資，糧食儲(chǔ)藏是保障糧食安全的重要環(huán)節(jié)，對(duì)國(guó)家的宏觀調(diào)控具有重要的意義。隨著信息技術(shù)的快速發(fā)展，國(guó)家愈發(fā)重視糧食信息化的發(fā)展。2019年10月國(guó)務(wù)院發(fā)布糧食安全白皮書中提到：在中國(guó)9.1億t糧食總倉(cāng)容中應(yīng)用機(jī)械通風(fēng)7.5億t，應(yīng)用計(jì)算機(jī)糧情監(jiān)測(cè)6.6億t[1]。這一發(fā)布，證明了信息技術(shù)在糧食儲(chǔ)藏中具有重要的意義。

糧食儲(chǔ)藏是一個(gè)極為復(fù)雜的過程，如圖1所示，糧食在儲(chǔ)藏過程中受到外界環(huán)境和內(nèi)部微生物活動(dòng)等諸多因素影響，造成糧食溫濕度和品質(zhì)的變化[2]。如此龐大的系統(tǒng)，產(chǎn)生的數(shù)據(jù)具備數(shù)據(jù)量巨大、多維度等特點(diǎn)，在早期的分析處理特別是糧情數(shù)據(jù)處理中，多通過人工簡(jiǎn)單擬合曲線進(jìn)行預(yù)測(cè)預(yù)警，數(shù)據(jù)得不到充分的挖掘和利用。隨著科研人員對(duì)糧食儲(chǔ)藏過程中相關(guān)機(jī)理的深入研究，開始出現(xiàn)以場(chǎng)理論為基礎(chǔ)的多場(chǎng)疊加耦合作用的處理方法，但是該方法應(yīng)用方向較為受限，且成熟度不夠。目前，信息技術(shù)在糧食干燥、儲(chǔ)糧害蟲的檢測(cè)與識(shí)別、糧情動(dòng)態(tài)分析等方面得到應(yīng)用，為糧食儲(chǔ)藏的管理水平帶來了重大的變化。但信息化體系建設(shè)仍未完善，存在標(biāo)準(zhǔn)化水平低、“信息孤島”等問題[3]。

圖1 多因素作用的糧食儲(chǔ)藏系統(tǒng)

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中的一種重要的算法結(jié)構(gòu)，也是深度學(xué)習(xí)的基礎(chǔ)，其具有較強(qiáng)的自適應(yīng)能力、非線性映射能力和自學(xué)習(xí)能力，較適合處理復(fù)雜數(shù)據(jù)，對(duì)處理糧食儲(chǔ)藏產(chǎn)生的數(shù)據(jù)具有較好的支持作用。因此，在糧食儲(chǔ)藏領(lǐng)域中得到了廣泛的關(guān)注，并進(jìn)行了深入研究，逐步應(yīng)用于儲(chǔ)糧害蟲檢測(cè)與識(shí)別、糧食干燥控制及霉菌預(yù)測(cè)等方面。本文將介紹神經(jīng)網(wǎng)絡(luò)的基本原理、結(jié)構(gòu)框架和特點(diǎn)，總結(jié)其應(yīng)用現(xiàn)狀，分析存在不足，并對(duì)下一步研究作出展望，以期完善該技術(shù)在糧食儲(chǔ)藏領(lǐng)域的應(yīng)用，提升糧食儲(chǔ)藏的管理水平。

1 神經(jīng)網(wǎng)絡(luò)原理與特點(diǎn)

1.1 基本原理

神經(jīng)網(wǎng)絡(luò)[4](Artificial Neural Networks，ANNs)是一種重要的機(jī)器學(xué)習(xí)技術(shù)[5]，其主要特征是模擬人腦結(jié)構(gòu)，人們通過大腦的神經(jīng)元進(jìn)行消息的傳遞，從而識(shí)別事物和處理信息[6]。在神經(jīng)網(wǎng)絡(luò)算法中，將輸入的信息看作為神經(jīng)元，根據(jù)不同輸入信息的重要程度，賦予權(quán)值，加權(quán)求和后與閾值對(duì)比，重復(fù)此過程，進(jìn)而決定識(shí)別或分類的結(jié)果。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖2所示，其包括輸入層、隱含層和輸出層三層。

圖2 神經(jīng)網(wǎng)絡(luò)映射結(jié)構(gòu)圖

1.2 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

神經(jīng)網(wǎng)絡(luò)在分類和預(yù)測(cè)領(lǐng)域得到廣泛的應(yīng)用，其具備一定的優(yōu)勢(shì)，主要包括：

1)自學(xué)習(xí)功能強(qiáng)。如在圖像識(shí)別中，僅需將圖像數(shù)據(jù)和其對(duì)應(yīng)的結(jié)果輸入，神經(jīng)網(wǎng)絡(luò)會(huì)通過自學(xué)習(xí)建立網(wǎng)絡(luò)結(jié)構(gòu)，可以識(shí)別相似的圖像，從而達(dá)到圖像識(shí)別的目的。

2)快速尋優(yōu)。尋找一個(gè)復(fù)雜問題的優(yōu)化解，往往需要很大的計(jì)算量，若利用神經(jīng)網(wǎng)絡(luò)進(jìn)行，可以提高效率。

3)非線性映射能力強(qiáng)。神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能方法對(duì)非結(jié)構(gòu)化信息處理的短板，在信息量較少時(shí)也能建立較為成熟的模型，該特點(diǎn)使得神經(jīng)網(wǎng)絡(luò)可以在模式識(shí)別、智能控制、組合優(yōu)化等方面得到成功應(yīng)用。

1.3 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)技術(shù)的核心，一般的神經(jīng)網(wǎng)絡(luò)僅有一層隱含層，而深度神經(jīng)網(wǎng)絡(luò)有多層隱含層，將對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的方法稱為深度學(xué)習(xí)(Deep Learning)。深度學(xué)習(xí)技術(shù)采用深層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以將淺層數(shù)據(jù)特征逐層進(jìn)行非線性映射并自動(dòng)地構(gòu)建深層特征，可以看出，深度學(xué)習(xí)是將深層網(wǎng)絡(luò)結(jié)構(gòu)模型化的神經(jīng)網(wǎng)絡(luò)[7, 8]。常見的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)有卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)等。目前深度學(xué)習(xí)技術(shù)主要在圖像識(shí)別、語(yǔ)音識(shí)別以及時(shí)序分析等方面得到應(yīng)用。

2 神經(jīng)網(wǎng)絡(luò)在糧食儲(chǔ)藏領(lǐng)域中的應(yīng)用

目前神經(jīng)網(wǎng)絡(luò)已經(jīng)在糧食儲(chǔ)藏領(lǐng)域中的得到廣泛的應(yīng)用，尤其是在儲(chǔ)糧害蟲檢測(cè)與識(shí)別、糧食干燥控制及霉菌預(yù)測(cè)等方面，切實(shí)提升了糧食儲(chǔ)藏信息化、智能化水平，該算法已經(jīng)成為糧食儲(chǔ)藏領(lǐng)域信息化研究的重點(diǎn)方向之一。

2.1 干燥控制

糧食干燥是在糧食產(chǎn)后的重要一環(huán)，對(duì)糧食安全儲(chǔ)藏具有重大的影響，因此在糧食儲(chǔ)藏領(lǐng)域中，糧食干燥的研究必不可少。傳統(tǒng)干燥方式為人工晾曬，當(dāng)前采用較多的方式為干燥機(jī)干燥，但在高溫干燥過程中，若參數(shù)選擇不當(dāng)，會(huì)導(dǎo)致糧食受到損傷，影響糧食品質(zhì)或儲(chǔ)藏時(shí)間等[9]。為此，研究者在糧食干燥過程建模及模型優(yōu)化等方面進(jìn)行了大量的研究，主要采取模糊邏輯和神經(jīng)網(wǎng)絡(luò)等人工智能算法實(shí)現(xiàn)模型優(yōu)化與干燥過程智能控制，以保障糧食安全儲(chǔ)藏。

Farkas等[10]建立神經(jīng)網(wǎng)絡(luò)模型，通過神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，研究采樣時(shí)間、訓(xùn)練算法及隱含層神經(jīng)元對(duì)性能的影響，實(shí)驗(yàn)中選用三層前向神經(jīng)網(wǎng)絡(luò)，進(jìn)行隨機(jī)訓(xùn)練，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)可以有效地模擬谷物干燥過程，較好的預(yù)測(cè)出糧食含水率分布，面臨的問題主要為大量的輸入數(shù)據(jù)時(shí)，需靈活調(diào)整隱藏層神經(jīng)元數(shù)目。

Han等[11]采用模型預(yù)測(cè)、神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)PID控制相結(jié)合的方法，建立了基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID預(yù)測(cè)控制系統(tǒng)。試驗(yàn)表明，該系統(tǒng)控制方法可為干燥過程的精確控制提供參考，適用于干燥過程控制和智能控制，能夠有效控制糧食水分，提升糧食干燥質(zhì)量，實(shí)現(xiàn)節(jié)能降耗。

劉擁軍等[12]針對(duì)糧食干燥過程中的非線性、多變量等特點(diǎn)，設(shè)計(jì)了基于模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制系統(tǒng)，通過BP神經(jīng)網(wǎng)絡(luò)算法對(duì)參數(shù)學(xué)習(xí)，優(yōu)化權(quán)值，試驗(yàn)證明，神經(jīng)網(wǎng)絡(luò)算法能夠有效地提升預(yù)測(cè)精度，與模糊控制算法結(jié)合后能夠?qū)Z食干燥過程自動(dòng)控制，使得烘干的糧食達(dá)到設(shè)定的水分值。

王佩東[13]以連續(xù)式水稻干燥機(jī)實(shí)物為研究對(duì)象，建立基于BP神經(jīng)網(wǎng)絡(luò)的水稻連續(xù)干燥模型，計(jì)算干燥過程中水稻含水率變化情況，計(jì)算值和實(shí)測(cè)值誤差基本在±1%以內(nèi)。但該模型僅適用于水稻，同時(shí)在BP神經(jīng)網(wǎng)絡(luò)的參數(shù)增多后，收斂速度會(huì)變慢，對(duì)訓(xùn)練算法和隱層神經(jīng)元的選取有較高的要求。

代愛妮[14]通過BP神經(jīng)網(wǎng)絡(luò)算法對(duì)糧食干燥控制建模，預(yù)測(cè)IRC糧食干燥機(jī)出口位置的糧食水分比和干燥速率。實(shí)驗(yàn)中對(duì)比了神經(jīng)網(wǎng)絡(luò)，支持向量等模型，證明BP神經(jīng)網(wǎng)絡(luò)算法建模簡(jiǎn)單，自學(xué)習(xí)能力強(qiáng)，但易陷入局部極值，受樣本數(shù)目影響較為嚴(yán)重。

2.2 害蟲圖像識(shí)別

在糧食儲(chǔ)藏的過程中，因蟲害受到損害的糧食約為150～600萬t，占據(jù)糧食產(chǎn)量的10%，造成了巨大的經(jīng)濟(jì)損失[15]。為確保糧食安全，糧食行業(yè)的研究者對(duì)害蟲的綜合防治進(jìn)行深入研究，而儲(chǔ)糧害蟲的檢測(cè)與識(shí)別是進(jìn)行防控的一個(gè)前提。常見的檢測(cè)與識(shí)別的方法有誘捕器檢測(cè)[16]、聲檢測(cè)[17, 18]、近紅外檢測(cè)[19]和圖像識(shí)別[20]等技術(shù)，因前三種方法在檢測(cè)與識(shí)別過程中存在不用程度的問題，如受噪聲影響較大，無法檢測(cè)糧堆內(nèi)部的害蟲情況等。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展及倉(cāng)內(nèi)電子設(shè)備條件的提升，圖像識(shí)別技術(shù)得到了廣泛應(yīng)用，并成為未來害蟲檢測(cè)與識(shí)別的主流方法之一。在圖像識(shí)別技術(shù)的研究中，研究者更多的采用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)，尤其以BP神經(jīng)網(wǎng)絡(luò)和CNN為主，并取得了較好效果。

張成花[21]利用神經(jīng)網(wǎng)絡(luò)技術(shù)和模糊技術(shù)等實(shí)現(xiàn)儲(chǔ)糧害蟲的分類。實(shí)驗(yàn)數(shù)據(jù)采用長(zhǎng)角扁谷盜、鋸谷盜、玉米象、雜擬谷盜、赤擬谷盜、大谷盜等12種9類常見的儲(chǔ)糧害蟲，針對(duì)BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、Gauss模糊分類器存在問題進(jìn)行深入研究，并建立3種分類器，在害蟲識(shí)別方面準(zhǔn)確率分別為95.6%，96.5%和95.6%，最終選用基于RBF神經(jīng)網(wǎng)絡(luò)的分類器，并進(jìn)行實(shí)倉(cāng)驗(yàn)證，實(shí)倉(cāng)驗(yàn)證的害蟲識(shí)別率為85.6%。上述方法在實(shí)驗(yàn)室的準(zhǔn)確率尚可，但實(shí)倉(cāng)驗(yàn)證的情況略差，不能在有噪音或者雜質(zhì)等情況下保證高識(shí)別率，同時(shí)僅能識(shí)別12種常見的儲(chǔ)糧害蟲，在實(shí)際應(yīng)用方面還存在一定的局限性。

Shen[22]基于CNN開展儲(chǔ)糧害蟲檢測(cè)工作，提出了一種基于Faster R-CNN目標(biāo)檢測(cè)的害蟲識(shí)別算法，實(shí)驗(yàn)樣本數(shù)據(jù)主要包括長(zhǎng)角扁谷盜、鋸谷盜、雜擬谷盜、谷蠹等6種常見儲(chǔ)糧害蟲圖像(含有糧食及飼料等雜質(zhì))，通過改進(jìn)的初始網(wǎng)絡(luò)提取圖像特征，采用27層卷積神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)糧害蟲圖像進(jìn)行特征提取，并采用Softmax作為分類器進(jìn)行昆蟲識(shí)別，進(jìn)而提升識(shí)別精度。其平均精度達(dá)到了87.99%，可用于不同光照條件下活體混合昆蟲的鑒別，該方法的提出，突破了在混有雜質(zhì)和噪音情況下害蟲識(shí)別的困境，為儲(chǔ)糧害蟲的智能識(shí)別提供了新思路，但在實(shí)驗(yàn)數(shù)據(jù)的選取方面，僅實(shí)現(xiàn)了6種儲(chǔ)糧害蟲的識(shí)別，日后需要再擴(kuò)展實(shí)驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)更多種類的害蟲識(shí)別，同時(shí)平均精度較低，在精度上仍需提高。

Ding等[23]在識(shí)別蛾類的研究中，使用滑動(dòng)窗口方法獲得感興趣的區(qū)域，再將5層CNN應(yīng)用于不同的圖像塊，根據(jù)概率大小確定該區(qū)域內(nèi)是否包含蛾類，該實(shí)驗(yàn)僅對(duì)是否存在蛾類進(jìn)行了判別，未對(duì)存在的蛾類進(jìn)行鑒定。Ding等[24]研究基于射頻/微波和神經(jīng)網(wǎng)絡(luò)技術(shù)的儲(chǔ)糧害蟲檢測(cè)與識(shí)別，主要利用神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)與鑒定分析在不同波段情況下害蟲的識(shí)別率，實(shí)驗(yàn)中采用8種常見的儲(chǔ)糧害蟲，結(jié)果顯示利用180.3、1 020 mHz和1 032 mHz的頻率，對(duì)昆蟲的識(shí)別率為73%，對(duì)空裝置的識(shí)別率為76%。該方法識(shí)別率較低，且識(shí)別種類有限，同時(shí)在實(shí)倉(cāng)應(yīng)用中較為受限。

Li等[25]應(yīng)用CNN研制了一種多尺度昆蟲檢測(cè)器，建立特征金字塔網(wǎng)絡(luò)，以更好的提取圖像特征，利用組合損失函數(shù)平衡樣本權(quán)重的思想提升訓(xùn)練效果，實(shí)驗(yàn)對(duì)10種常見儲(chǔ)糧害蟲成蟲進(jìn)行檢測(cè)，平均精密度達(dá)94.77%，對(duì)于蟲體較小的害蟲檢測(cè)更為有效，具有較好的魯棒性。

程尚坤[26]針對(duì)儲(chǔ)糧害蟲檢測(cè)問題，探索了基于CNN的儲(chǔ)糧害蟲檢測(cè)與識(shí)別方法，提出了基于圖像扭曲技術(shù)的糧食害蟲圖像樣本集的構(gòu)造方法，設(shè)計(jì)了7層卷積神經(jīng)網(wǎng)絡(luò)，調(diào)整激活函數(shù)與損失函數(shù)，采用Caffe框架結(jié)構(gòu)實(shí)現(xiàn)，該方法能夠顯著提高復(fù)雜特征的獲取能力，并實(shí)現(xiàn)甲蟲類的檢測(cè)分類，準(zhǔn)確率高達(dá)95%。該方法存在的最大問題即僅能針對(duì)甲蟲類進(jìn)行檢測(cè)分類，需擴(kuò)大檢測(cè)種類研究。

趙文君[27]針對(duì)CNN的激活函數(shù)及分類器的局限性問題，通過引入ELU激活函數(shù)和Dropout技術(shù)等，調(diào)整CNN模型層數(shù)，構(gòu)建儲(chǔ)糧害蟲識(shí)別神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)儲(chǔ)糧害蟲識(shí)別。實(shí)驗(yàn)數(shù)據(jù)采用鋸谷盜、綠豆象、麥蛾、擬谷盜、印度谷螟、玉米象等6大類，通過驗(yàn)證，儲(chǔ)糧害蟲識(shí)別率能夠達(dá)到98.8%。該方法在實(shí)驗(yàn)室的數(shù)據(jù)中應(yīng)用較好，識(shí)別率較高，但未在實(shí)倉(cāng)中進(jìn)行驗(yàn)證，不能保證在有噪聲或環(huán)境雜質(zhì)的情況下?lián)碛休^高的準(zhǔn)確率。

2.3 糧情預(yù)測(cè)預(yù)警

2.3.1 溫度預(yù)測(cè)預(yù)警

糧食儲(chǔ)藏過程中，不同的溫度或濕度條件下可能會(huì)造成害蟲生長(zhǎng)，霉菌孳生等，直接影響糧食的品質(zhì)。若能夠?qū)貪穸葦?shù)據(jù)盡早掌握，將可提前做出防護(hù)措施，保障糧食安全，以免造成不必要的損失。

眾多研究者利用BP神經(jīng)網(wǎng)絡(luò)算法建模，以預(yù)測(cè)溫度變化。高松等[28]結(jié)合主成分分析提升BP神經(jīng)網(wǎng)絡(luò)建模的準(zhǔn)確性，通過主成分分析方法篩選出溫度的主要影響因素，再利用BP神經(jīng)網(wǎng)絡(luò)建模分析，實(shí)驗(yàn)溫度預(yù)測(cè)趨勢(shì)相同，但數(shù)值有較大差異；郭平飛等[29]將遺傳算法、粒子群算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建新型算法GANPSO-BP神經(jīng)網(wǎng)絡(luò)，以預(yù)測(cè)3 d后的溫度值，實(shí)驗(yàn)數(shù)據(jù)采取糧庫(kù)真實(shí)數(shù)據(jù)，結(jié)果證明，相較于原始BP神經(jīng)網(wǎng)絡(luò)等算法模型，該算法模型精度提高，且具有較強(qiáng)的穩(wěn)定性，能夠很好地預(yù)測(cè)糧食溫度的變化情況，但該方法僅能預(yù)測(cè)3 d的溫度值，對(duì)實(shí)際基層管理人員工作的作用有限；李海棠[30]提出了將粒子群算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合、主成分分析法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的兩種思路，并通過實(shí)倉(cāng)數(shù)據(jù)證實(shí)上述兩種算法相較于單一算法結(jié)構(gòu)而言，均可實(shí)現(xiàn)糧情溫度預(yù)測(cè)的提升，實(shí)驗(yàn)證明基于主成分分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合精度更高。

隨著神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的變化，肖樂等[31]提出了基于RBF神經(jīng)網(wǎng)絡(luò)的溫度預(yù)測(cè)技術(shù)，該技術(shù)解決了傳統(tǒng)算法無法克服非線性時(shí)間序列問題，但其未考慮各環(huán)境因素對(duì)溫度帶來的影響；Li等[32]基于深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行溫度預(yù)測(cè)建模，以預(yù)測(cè)糧堆的溫度變化，該方法為日后糧情預(yù)測(cè)提供了研究新思路。

2.3.2 霉菌預(yù)測(cè)預(yù)警

霉菌的孳生會(huì)伴隨著結(jié)露、霉變等情況的發(fā)生，嚴(yán)重影響糧食在儲(chǔ)藏過程中的品質(zhì)，儲(chǔ)糧過程中傳統(tǒng)的霉變檢測(cè)方法有人工抽樣檢測(cè)、光譜成像技術(shù)[33]、電子鼻技術(shù)[34]等。隨著糧食霉變數(shù)據(jù)的大量積累，加之計(jì)算機(jī)技術(shù)的快速發(fā)展，可以對(duì)霉變數(shù)據(jù)更好的分析與處理，開始采用機(jī)器學(xué)習(xí)算法作深入研究，近幾年主要進(jìn)行糧堆霉菌發(fā)生發(fā)展的預(yù)測(cè)研究，為更好的完成預(yù)測(cè)，需要了解水分、溫度、時(shí)間、害蟲等因素和微生物間的相互作用[35]。

國(guó)外研究更多傾向于安全儲(chǔ)藏周期與霉變程度[36]等方面，鮮有關(guān)于糧食儲(chǔ)藏過程中霉菌預(yù)測(cè)的研究。

國(guó)內(nèi)關(guān)于霉菌預(yù)測(cè)研究亦屬于起步階段，尚未成熟。鄧玉睿等[37]利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)糧食儲(chǔ)藏過程中是否發(fā)生霉變，并通過華北地區(qū)實(shí)倉(cāng)數(shù)據(jù)進(jìn)行驗(yàn)證，證明當(dāng)樣本數(shù)據(jù)量越大時(shí)，準(zhǔn)確率越高，針對(duì)實(shí)驗(yàn)室數(shù)據(jù)準(zhǔn)確率高達(dá)94.3%，針對(duì)實(shí)倉(cāng)數(shù)據(jù)準(zhǔn)確率可達(dá)82.1%，該方法在實(shí)倉(cāng)數(shù)據(jù)驗(yàn)證中準(zhǔn)確率較低，且在BP神經(jīng)網(wǎng)絡(luò)的參數(shù)選取中缺乏最優(yōu)值選取，若能夠優(yōu)化參數(shù)，或能提升準(zhǔn)確率，得到更好的效果。

3 神經(jīng)網(wǎng)絡(luò)在糧食儲(chǔ)藏領(lǐng)域應(yīng)用存在問題

神經(jīng)網(wǎng)絡(luò)算法已經(jīng)在糧食儲(chǔ)藏領(lǐng)域得到廣泛應(yīng)用，可以很好的完成在糧食儲(chǔ)藏過程中的預(yù)測(cè)、判別、分類等工作，尤其是在儲(chǔ)糧害蟲識(shí)別、糧溫預(yù)測(cè)、及糧食干燥模型優(yōu)化等方面表現(xiàn)突出，同時(shí)該技術(shù)在糧食產(chǎn)量預(yù)測(cè)中也得到了大量的應(yīng)用[38, 39]。為糧食儲(chǔ)藏提供科學(xué)性的指導(dǎo)作用，保證在糧食儲(chǔ)藏過程中的糧食品質(zhì)，減少損耗。但在實(shí)際的應(yīng)用中，還存在一些問題：

(1)絕大多數(shù)的研究?jī)H采用神經(jīng)網(wǎng)絡(luò)一種計(jì)算機(jī)技術(shù)進(jìn)行建模研究，但該網(wǎng)絡(luò)參數(shù)多，且激活函數(shù)、隱含層數(shù)目、特征提取、分類函數(shù)等因素對(duì)建模的準(zhǔn)確性都具有較大的影響，需要對(duì)上述幾方面進(jìn)行綜合考慮才能找到最優(yōu)模型，這就對(duì)研究者提出新的挑戰(zhàn)，尤其是在糧食行業(yè)的研究中，更要做深入的探究。

(2)神經(jīng)網(wǎng)絡(luò)不能向用戶提出必要的詢問，而且當(dāng)數(shù)據(jù)不充分的時(shí)候，神經(jīng)網(wǎng)絡(luò)就無法進(jìn)行工作。

4 總結(jié)與展望

目前神經(jīng)網(wǎng)絡(luò)技術(shù)雖然已在糧食儲(chǔ)藏領(lǐng)域中得到較為廣泛應(yīng)用，但是參照目前的研究現(xiàn)狀，使用神經(jīng)網(wǎng)絡(luò)單一算法并不能達(dá)到最優(yōu)效果，因此在日后的研究中，要更加傾向于融合技術(shù)的研究，尤其需要結(jié)合參數(shù)尋優(yōu)算法，對(duì)神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化，建立更為精準(zhǔn)的模型。

深入開展神經(jīng)網(wǎng)絡(luò)算法與糧食倉(cāng)儲(chǔ)相關(guān)機(jī)理機(jī)制協(xié)同研究。特別是在利用神經(jīng)網(wǎng)絡(luò)建模過程中對(duì)“最優(yōu)解”的尋取研究上，一是要優(yōu)化神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)，加快計(jì)算過程；二是利用相關(guān)機(jī)理機(jī)制，對(duì)于計(jì)算過程中權(quán)值和閾值進(jìn)行優(yōu)化，保障模型計(jì)算過程最大程度的逼近“最優(yōu)解”，同時(shí)利用機(jī)理機(jī)制對(duì)“最優(yōu)解”的真實(shí)性進(jìn)行判別。

在應(yīng)用場(chǎng)景上，與工藝裝備緊密結(jié)合，突破應(yīng)用瓶頸。例如在儲(chǔ)糧害蟲檢測(cè)方面，實(shí)際應(yīng)用中識(shí)別率較低，應(yīng)用場(chǎng)景僅限于檢測(cè)和識(shí)別糧堆表面害蟲，無法實(shí)時(shí)檢測(cè)糧堆內(nèi)部害蟲的情況，在日后的研究和應(yīng)用上，除進(jìn)一步增加基礎(chǔ)數(shù)據(jù)量豐富訓(xùn)練集外，一方面可以與誘捕技術(shù)裝備相結(jié)合，突破應(yīng)用場(chǎng)景限制；另一方面可以進(jìn)一步與糧食倉(cāng)儲(chǔ)普遍應(yīng)用的視頻系統(tǒng)與裝備相結(jié)合，開展害蟲的動(dòng)態(tài)識(shí)別領(lǐng)域研究。

優(yōu)化算法，提高神經(jīng)網(wǎng)絡(luò)算法的準(zhǔn)確率。以糧情預(yù)測(cè)為例，RNN作為深度學(xué)習(xí)中的一種重要網(wǎng)絡(luò)結(jié)構(gòu)，其在時(shí)間序列分析方面有足夠的優(yōu)勢(shì)，可用于糧情數(shù)據(jù)預(yù)測(cè)分析，未來可依據(jù)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完善該方面的研究，在參數(shù)優(yōu)化等方面，可采用群智能優(yōu)化算法或遺傳算法、模擬退火算法等機(jī)器學(xué)習(xí)算法進(jìn)行，以期能建立更加準(zhǔn)確的模型。

期望未來能夠在這些技術(shù)中有所突破，提升目前現(xiàn)有技術(shù)水平，實(shí)現(xiàn)信息技術(shù)在糧食儲(chǔ)藏領(lǐng)域的成熟應(yīng)用，建立完整的糧食儲(chǔ)藏信息化結(jié)構(gòu)。