基于物联网技术的稻谷精深加工监控方法和系统

摘要

本申请涉及一种基于物联网技术的稻谷精深加工监控方法和系统，所述方法包括：检测稻谷加工设备上各阶段加工形成的大米的第一生物特征；获取预设稻米模型，其中，所述预设稻米模型基于加工各阶段的大米的生物特征生成；基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度。通过在稻米加工过程中实时检测各阶段加工形成的大米的第一生物特征，并以此输入至预设稻米模型进行解析，从而获得各阶段的大米的加工精度，从而检测出各阶段的大米的加工精度是否达到预设精度，从而有效取代了传统的人工检测以及设备检测的方式，有效提高了检测效率，并且提高了检测精度。

说明书

技术领域

本申请涉及稻谷加工技术领域，特别是涉及一种基于物联网技术的稻谷精深加工监控方法和系统。

背景技术

稻谷加工过程中，需要依次进行脱壳、谷糙分离、碾磨、抛光等加工步骤，每一个步骤都将影响最后加工的大米的质量，因此，需要对每一步骤中产生的大米进行检测，首先需要对脱壳的大米进行抽样检测。然后，对每一个步骤的大米进行抽样检测，如果采用人工检视的方式，则不仅效率低下，并且检测结果往往误差较大，而如需要精确检测，需要对应每个步骤的检测都需要单独的设备进行检测，导致成本较高，且同样效率低下。

发明内容

基于此，有必要针对上述技术问题，提供一种能够基于物联网技术的稻谷精深加工监控方法和系统。

一种基于物联网技术的稻谷精深加工监控方法，包括：

检测稻谷加工设备上各阶段加工形成的大米的第一生物特征；

获取预设稻米模型，其中，所述预设稻米模型基于加工各阶段的大米的生物特征生成；

基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度。

在一个实施例中，所述第一生物特征包括大米的表面的粗糙度、大米的粒径、大米的含糖量、大米的成分含量中的至少一种。

在一个实施例中，所述检测稻谷加工设备上各阶段加工形成的大米的第一生物特征的步骤之前还包括：

获取各阶段加工形成的大米的第二生物特征；

获取与各阶段的大米的第二生物特征对应的参考特征；

将各阶段的所述第二生物特征以及对应的所述参考特征导入至所述稻米模型进行训练，得到所述预设稻米模型。

在一个实施例中，所述基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度的步骤包括：

基于预设稻米模型，根据所述第一生物特征计算获得各阶段的大米的加工精度模型；

获取各阶段的大米的预设精度模型；

检测各阶段的大米的加工精度模型与对应的预设精度模型的匹配度。

在一个实施例中，所述检测各阶段的大米的加工精度模型与对应的预设精度模型的匹配度的步骤之后还包括：

当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，判定各阶段的大米的加工精度达到预设精度；

当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，判定各阶段的大米的加工精度未达到预设精度。

一种基于物联网技术的稻谷精深加工监控系统，包括：设置于稻谷碾磨设备上的多个传感器模块、物联网通信模块和数据处理模块；

所述传感器模块与所述物联网通信模块电连接，所述物联网通信模块与所述数据处理模块电连接；

各所述传感器模块用于监测稻谷加工设备上的各阶段加工形成的大米的第一生物特征；

所述物联网通信模块用于将所述传感器监测到的所述第一生物特征发送至所述数据处理模块；

所述数据处理模块用于基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度。

在一个实施例中，所述传感器模块包括红外传感模块。

在一个实施例中，所述传感器模块包括生物传感模块。

在一个实施例中，所述数据处理模块用于基于预设稻米模型，根据所述第一生物特征计算获得各阶段的大米的加工精度模型；检测各阶段的大米的加工精度模型与对应的预设精度模型的匹配度。

在一个实施例中，所述数据处理模块还用于当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，判定各阶段的大米的加工精度达到预设精度；

当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，判定各阶段的大米的加工精度未达到预设精度。

上述基于物联网技术的稻谷精深加工监控方法和系统，通过在稻米加工过程中实时检测各阶段加工形成的大米的第一生物特征，并以此输入至预设稻米模型进行解析，从而获得各阶段的大米的加工精度，从而检测出各阶段的大米的加工精度是否达到预设精度，从而有效取代了传统的人工检测以及设备检测的方式，有效提高了检测效率，并且提高了检测精度。

附图说明

图1为一个实施例的基于物联网技术的稻谷精深加工监控方法的流程示意图；

图2为一个实施例中的基于物联网技术的稻谷精深加工监控系统的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

实施例一

本实施例中，如图1所示，提供了一种基于物联网技术的稻谷精深加工监控方法，包括：

步骤110，检测稻谷加工设备上各阶段加工形成的大米的第一生物特征。

具体地，该稻谷加工设备上的各阶段包括脱壳阶段、谷糙分离阶段、碾磨阶段、抛光阶段，本实施例中，稻谷脱壳后，形成大米，大米随后与谷壳、稻穗粉末等糙物分离，随后大米进行碾磨和抛光。大米加工的各阶段对应稻谷加工设备上的各部分结构，每一阶段对应的结构上设置一传感器，用于检测、采集该阶段的大米的生物特征，即第一生物特征。该传感器可以是红外传感器、压力传感器、生物传感器。

步骤120，获取预设稻米模型，其中，所述预设稻米模型基于加工各阶段的大米的生物特征生成。

本步骤中，该预设稻米模型为预先训练获得，该预设稻米模型为深度神经网络模型。并且该预设稻米模型基于大米的加工过程的各阶段的生物特征获得，比如，通过大量的大米的生物特征数据进行训练，得到该预设稻米模型。值得一提的是，该预设稻米模型可由多种不同品种的大米的生物特征训练获得，也可由单一种大米的生物特征训练获得，在单一种大米生物特征训练获得的预设稻米模型，能够有效提高后续步骤的检测精度，此时，预设稻米模型则有多个，每一个预设稻米模型对应一个品种的大米。

步骤130，基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度。

本实施例中，将第一生物特征输入至已构建好的预设稻米模型进行计算，检测出各阶段的大米的加工精度是否达到预设精度，从而实现了对各阶段的大米的加工情况的检测，取代了人工以及传统的设备的检测方式，有效提高了检测效率，并且提高了检测精度。

在一个实施例中，所述第一生物特征包括大米的表面的粗糙度、大米的粒径、大米的含糖量、大米的成分含量中的至少一种。

具体地，大米的表面的粗糙度可通过红外传感器检测获得，比如，通过红外光发射器向大米的表面发射红外线，通过红外传感器接收经过大米的表面反射的红外线，检测接收的红外线的强度，进而检测出大米的表面的反射率，进而计算出大米表面的粗糙度。大米的粒径可通过红外传感器检测获取，比如，通过将大米放置于红外发射器与红外传感器之间，根据大米对红外发射器发射的红外光的遮挡面积，计算获得大米的粒径。大米的含糖量以及大米的成分含量根据生物传感器获得，比如，大米的含糖量测试采用糖分传感器检测获得，该糖分传感器的检测原理与血糖仪的检测原理相同，本实施例中对此不累赘描述。

应该理解的是，上述的对大米的生物特征的检测属于抽样检测，从各阶段加工的大米中抽取样本，对样本进行生物特征的检测，从而获得各阶段加工形成的大米的第一生物特征。而对大米的抽样检测，可通过机械臂或者机械夹子等方式夹取大米实现抽样。

在一个实施例中，所述检测稻谷加工设备上各阶段加工形成的大米的第一生物特征的步骤之前还包括：获取各阶段加工形成的大米的第二生物特征；获取与各阶段的大米的第二生物特征对应的参考特征；将各阶段的所述第二生物特征以及对应的所述参考特征导入至所述稻米模型进行训练，得到所述预设稻米模型。

本实施例中，首先将在各阶段采集的大量的大米的第二生物特征作为样本数据导入至稻米模型，使得稻米模型能够得到训练。该稻米模型通过大量的样本数据训练得到，该样本数据即为加工过程中的大米的第二生物特征。具体地，在构建模型阶段，将大量的大米在各阶段加工过程中的采集的第二生物特征输入至稻米模型，对稻米模型进行训练，从而得到训练后的预设稻米模型。

在一个实施例中，所述基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度的步骤包括：基于预设稻米模型，根据所述第一生物特征计算获得各阶段的大米的加工精度模型；获取各阶段的大米的预设精度模型；检测各阶段的大米的加工精度模型与对应的预设精度模型的匹配度。

具体地，在大米加工的不同阶段中，大米的湿度、表面粗糙度、粒径、含糖量等特征不同，因此，基于大米的湿度、表面粗糙度、粒径、含糖量构建该阶段的加工高精度模型，从而为每一个加工阶段构建一个加工高精度模型。该预设精度模型为在正常的、达标的大米加工精度模型，通过对比，即可检测出大米在加工过程中的精度是否合格。

本实施例中，将第一生物特征输入至已构建好的预设稻米模型进行计算，得到与第一生物特征对应的各阶段的加工精度模型，将该各阶段的大米的加工精度模型与对应的预设精度模型的匹配度进行对比，检测该各阶段的大米的加工精度模型与预设精度模型是否匹配，当两者匹配，则表明大米加工的精度达到预设精度，否则则表明大米加工精度达不到预设精度，则需要对大米的加工的各阶段的工艺进行调整。

为了实现对大米加工精度的检测，在一个实施例中，所述检测各阶段的大米的加工精度模型与对应的预设精度模型的匹配度的步骤之后还包括：当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，判定各阶段的大米的加工精度达到预设精度；当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，判定各阶段的大米的加工精度未达到预设精度。

本实施例中，当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，表明目前各阶段的大米的加工精度与预设达标的精度的差异较小，当前各阶段的大米的加工精度模型与对应的所述预设精度模型较为匹配，因此，可以继续对大米进行加工。当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，表明目前各阶段的大米的加工精度与预设达标的精度的差异较大，当前各阶段的大米的加工精度模型与对应的所述预设精度模型较为不匹配，因此，需要对各阶段的大米的加工的工艺进行调整。从而使得大米加工的效果更佳。

实施例二

本实施例中，如图2所示，提供一种基于物联网技术的稻谷精深加工监控系统，包括：设置于稻谷碾磨设备上的多个传感器模块210、物联网通信模块220和数据处理模块230；所述传感器模块210与所述物联网通信模块220电连接，所述物联网通信模块220与所述数据处理模块230电连接；各所述传感器模块210用于监测稻谷加工设备上的各阶段加工形成的大米的第一生物特征；所述物联网通信模块220用于将所述传感器监测到的所述第一生物特征发送至所述数据处理模块230；所述数据处理模块230用于基于预设稻米模型，根据所述第一生物特征检测各阶段的大米的加工精度是否达到预设精度。

本实施例中，数据处理模块230用于对数据进行和处理。物联网通信模块220用于使得数据处理模块230能够与传感器模块210实现通信。数据处理模块230用于通过传感器模块210检测并获取各阶段的大米的第一生物特征，并将第一生物特征输入至已构建好的预设稻米模型进行计算，检测出各阶段的大米的加工精度是否达到预设精度，从而实现了对各阶段的大米的加工情况的检测，取代了人工以及传统的设备的检测方式，有效提高了检测效率，并且提高了检测精度。

在一个实施例中，所述第一生物特征包括大米的表面的粗糙度、大米的粒径、大米的含糖量、大米的成分含量中的至少一种。

具体地，大米的表面的粗糙度可通过红外传感器检测获得，比如，通过红外光发射器向大米的表面发射红外线，通过红外传感器接收经过大米的表面反射的红外线，检测接收的红外线的强度，进而检测出大米的表面的反射率，进而计算出大米表面的粗糙度。大米的粒径可通过红外传感器检测获取，比如，通过将大米放置于红外发射器与红外传感器之间，根据大米对红外发射器发射的红外光的遮挡面积，计算获得大米的粒径。大米的含糖量以及大米的成分含量根据生物传感器获得，比如，大米的含糖量测试采用糖分传感器检测获得，该糖分传感器的检测原理与血糖仪的检测原理相同，本实施例中对此不累赘描述。

在一个实施例中，所述传感器模块包括红外传感模块。在一个实施例中，所述传感器模块包括生物传感模块。

本实施例中，红外传感器模块用于检测大米的表面的粗糙度，此外，红外传感器模块还能够检测大米的粒径。生物传感器为糖分传感器，用于检测大米的含糖量。

在一个实施例中，所述数据处理模块用于基于预设稻米模型，根据所述第一生物特征计算获得各阶段的大米的加工精度模型；检测各阶段的大米的加工精度模型与对应的预设精度模型的匹配度。

本实施例中，当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，数据处理模块判定各阶段的大米的加工精度达到预设精度；当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，数据处理模块判定各阶段的大米的加工精度未达到预设精度。

本实施例中，当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，表明目前各阶段的大米的加工精度与预设达标的精度的差异较小，当前各阶段的大米的加工精度模型与对应的所述预设精度模型较为匹配，因此，可以继续对大米进行加工。当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，表明目前各阶段的大米的加工精度与预设达标的精度的差异较大，当前各阶段的大米的加工精度模型与对应的所述预设精度模型较为不匹配，因此，需要对各阶段的大米的加工的工艺进行调整。从而使得大米加工的效果更佳。

在一个实施例中，所述数据处理模块还用于当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度大于或等于预设匹配阈值时，判定各阶段的大米的加工精度达到预设精度；当各阶段的大米的加工精度模型与对应的所述预设精度模型的匹配度小于预设匹配阈值时，判定各阶段的大米的加工精度未达到预设精度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。