我国粮食产后领域人工智能技术的应用和展望

吴子丹 张 强,3 吴文福 张忠杰 尹 君, 刘 哲 王小萌,

(吉林大学1 ，长春 130025) (国家粮食和物资储备局科学研究院2,北京 100037) (曼尼托巴大学3，曼尼托巴 MB R3T 5V6)

人工智能(Artificial intelligence ，AI)是世界上发展最快的学科之一。早期的AI技术多数属于机理驱动类型(Model drive AI)，即通过研究掌握系统的机理，建立数学模型，进而依据机理推理实施AI精准控制或管理优化。近十年来AI技术随计算机运算速度的提高和通讯技术的进步，数据驱动型的AI(Data drive AI)技术发展迅速[1]。大数据挖掘、机器深度学习等代表性的技术，可以在不完全依赖清晰机理的情况下实现控制或管理的优化[2]。在AI技术的推动下，智能制造、智能管理、智慧城市、智慧产业链的新项目层出不穷。在粮食产后领域的AI技术应用，有效提升了产业的管理水平。在1998年创立并得到大规模推广的粮食储备“四合一”技术中就包括了机理驱动AI技术的应用。其中智能粮情监测，通过建立仓温、粮温的变化规律模型，配合自动学习修正功能，实现了较为准确的储粮异常报警[3]；智能通风控制基于粮食湿热平衡方程和通风“窗口理论”控制模型[4,5]，提高了通风效率并且避免了粮堆结露。这两项AI应用技术伴随“四合一”技术而大面积推广，对改善国家储备粮的品质发挥了显著作用。“四合一”技术2010年获得国家科技进步一等奖[6]。2019年10月国务院发布的粮食安全白皮书中公布：在中国9.1亿t粮食总仓容中应用机械通风7.5亿t，应用计算机粮情监测6.6亿t[7]。这为运用AI技术提升储粮管理水平展现良好前景。

粮食产后管理是十分复杂的体系工程。在机理驱动AI技术方面，还有较多的机理模型问题亟待破解；在数据驱动AI技术方面总体上落后于许多其他行业的应用水平。粮食信息化体系的建设是AI技术应用的基础支撑，但是还存在标准化水平低、“信息孤岛”等大量问题。粮食行业大数据挖掘刚刚起步，知识库比较缺乏。为此，更需要加快从数字粮食系统建设向智能粮食和智慧粮食的提升。

1 粮食产后领域AI技术应用的新进展

1.1 基于粮堆多场耦合理论机理驱动AI技术

储粮生态理论认为粮食储藏系统是由粮堆内外生物体与非生物体相互影响、变化与平衡交织的生态系统。吴子丹等[8,9]研究了粮堆内的温度场、湿度场、微气流场、压力场等物理场和粮食水分分布之间相互耦合关系，提出了粮堆多场耦合理论，发现在一定的情况下物理场可先与粮堆局部生物体(粮食籽粒、微生物、害虫、鼠雀等)发生耦合，促成该部位生物体的增长和能量、水分、二氧化碳等的释放，进而又导致粮堆物理场的链式反应，影响储粮整体稳定性。

张忠杰等团队研究探讨了粮堆温度场随季节和粮层厚度而演变的规律，以及粮堆微气流和粮堆空隙水分分压随温度场变化的耦合性[9-12]，王录民等团队研究了粮堆由重力和粮食摩擦角共同形成的压力场变化规律，进而为研究粮堆孔隙度、密度分布和各向异性规律提供了支撑[13-15]。

吴子丹、张强等团队参照对物理场的时空描述提出生物场可以表达为生物实体通过能量、物质和(或)信息的转换，影响周围生物和非生物实体的一种能力，以及这种能力在时空中的分布。其中生物对能量的转换能力(即生物利用、转化、耗散能量的能力)可以量化为生物场的场强P，表示为在特定时空范围内单位体积中生物转换能量Q的速率。生物场与环境物理场的耦合越强，P值越大。而Q又可表示为生物转换的热能、机械能、化学能、生物繁殖能和其他转换能的总和。尹君[10]、王小萌[16]对这一概念进行了实验验证。进一步证明，要实现生物场的退耦合，必须确保退耦合强度(包括外部干预)大于耦合强度。生物场场强分析为应用AI技术定量分析处理储粮问题提供了新方法。

1.1.1 粮堆温度湿度场云图分析——储粮安全的AI预测预警技术

吴文福等团队通过运用粮堆多场耦合理论对储粮过程中的粮堆温度场和湿度场云图进行分析，对不同季节粮堆可能发生结露或出现适合微生物生长(耦合)的区域、出现时间的进行测算，可以提前两周到两个月预报粮堆结露和霉变的发生，促使管理者及早采取精准防治措施[17-20]。

1.1.2 储备粮库存监管的温度场云图指纹扫描技术

张忠杰、吴文福、吴晓明等团队通过运用粮堆多场耦合理论建立粮食储藏中发热、霉变、空仓、半仓、异动等管理异常模态的温度场云图特征指纹(图1)，开发了储粮监管AI分析软件[21,22]。2019年结合国家多部门对储备粮库存数量和质量的大检查，对十余省区市89多万组储备粮粮温数据进行分析，发出管理预警6 000多个，经现场验证正确的占87%。该项AI技术为粮食库存监管技术的升级提供了新手段[23]。

图1 温度场云图指纹扫描效果示意图

1.1.3 粮堆压力场模型与粮仓实物数量AI探测仪

王录民等团队运用粮堆压力场分布研究成果，建立了粮堆密度模型[24，25]。通过激光扫描粮堆形状、计算粮堆体积，结合密度模型自动测量出粮仓储粮实物数量(图2)，与过称检斤对比误差小于3%，满足了国家清仓查库实物检查的精度要求，提高了库存检查的效率。

图2 库存粮食数量AI测量仪在全国库存大检查应用现场

1.2 储粮虫害的机器识别技术

周慧玲团队克服了粮堆中捕获的害虫图像像素低和害虫运动造成的图像模糊失真问题，在运用卷积神经网络机器学习技术基础上，结合红外信号的探测分析以强化识别能力，使粮堆害虫动态图像捕捉识别平均准确率达到90%以上[26，27]。

1.3 机理驱动和数据驱动AI控制技术分别在粮食干燥中应用

粮食干燥过程是一项复杂的热质传递过程，具有大滞后、多干扰、非线性、强耦合和参数不确定性等特点，用传统方法控制易发生过调、过缓或震荡，严重影响粮食烘干质量。必须通过控制器进行预测、预判、预调，减少烘干偏差。

吴文福等团队应用机理驱动AI，从微元、微环境相互影响相互耦合的动态平衡关系出发，定义了绝对水势、等效积温等多因子耦合概念和计算方法的基础上[28-30]，金毅等[31]、陈俊轶等[32]通过多因子可控干燥试验台研究了耦合因子对谷物干燥过程水分及品质的影响，建立了等效积温-品质工具化图表；刘哲等[33]实物模拟研究了烘干机各个干燥层面动态变化规律，提出了连续干燥过程“等效积温窗口理论”测控方法和循环干燥的“真0.5%”测控方法，并开发了相应机理驱动 AI控制器以及循环，使粮食烘干质量大幅提高，成功应用于多型号的节能环保粮食连续烘干机。

周晓光团队研究了数据驱动AI技术可应用自动寻找优化控制算法[34-36](图3)。其中运用BP神经网络算法与改进粒子群算法的支持向量机模型结合，解决小样本、非线性和高维数不易收敛难题；运用模糊、遗传、免疫算法和逆模型等算法相结合，提高全局搜索能力和实现控制参数滚动优化，避免陷入局部最优。比同类烘干系统提升效率20%以上。

图3 烘干机个性化优化的数字驱动AI控制算法示意图

1.4 大米产业链5T管理中的AI技术应用

粮食产业链管理的提升，需要AI技术和AI管理的高度融合，解决多系统耦合下复杂管理决策问题。吴文福等[37,38]将优质粳稻收储过程划分为收割、田场、干燥、收仓、仓储的5个作业时期，通过实验测定籽粒成熟曲线、籽粒田间感染微生物曲线、机械干燥等效积温品质曲线、环境温湿籽粒爆腰曲线、仓储稻谷等效积温品质曲线等，建立相应的以时间、温度等为主要指标的感知、追溯、管控、预警等结合区块链和物联网技术的5T管理AI系统和标准体系[39]，为吉林大米创立优势品牌发挥了良好作用。

1.5 库存识别代码与粮食流通防伪追溯及大数据挖掘

掺杂使假是粮食管理难点，很多防伪技术并不能防止系统性的渠道造假。为此国家粮食部门制定了《库存粮食识别代码》行业标准，提出了去中心化授码、分布式信息存储、码随粮走的管理方法[40]。运用库存识别代码具有编码唯一性、可认证、可追朔、可关联、能防伪的特点，在山东、江苏等省粮食部门支持下开展了试点。建立了储粮大数据资源池，不仅为管理部门和社会提供防伪追朔信息，而且通过大数据挖掘和推送粮食收购、流量、流向、质量、价格等管理部门和市场经营者都需要的高价值信息[41]。

1.6 粮食知识库的开发

知识库是AI技术和建立专家系统的重要支撑。粮食知识库的建立是一个系统工程，近年来新填补的空白有：通过粮食库存检查实践建立了全国仓储粮食储藏温度场特征参数及监管策略应用关键参量数据手册[42-47]，建立了粮食机械通风知识数据库[48-52]、农户储粮知识库软件[46]和储粮螨类防治知识库[53]。

2 讨论和展望

2.1 关于AI技术应用概念的统一问题

针对在粮食产后领域存在对AI技术的一些概念应用混杂的情况，在2019年10月在长春召开的首次以智慧粮食为主题的国际研讨会上，国内主要涉粮院校所的学者和与会的国际粮食AI专家都认为，界定粮食产后领域AI技术的概念十分必要，建议划分为3个层次的概念：1)数字粮食系统(Digtal Cereal System ,DCS)包括粮食产后各个环节中的传感采集、检测采集、管理采集、网络采集等数据的收集、传输过程，以及数据的分类、分析、统计、对比等数据处理和自动报表生成等过程的单一系统或系统组合。2)智能粮食系统(Intelligence Cereal System,ICS)在数字粮食系统(DCS)基础上，具有AI推理功能(机理驱动AI、数据驱动AI或混合双驱动AI)，还可包括专家辅助决策功能(智识库)，形成的控制优化或管理优化的单一系统或系统组合。3)智慧粮食系统(Smart Cereal System, SCS)包括多个不同粮食流通环节的智能粮食系统(ICS)和粮食流通大数据挖掘系统，共同构成具有区域特性或产业链特性的粮食监测、追溯、监管、控制、管理、服务等整体功能优化的组合AI系统。

2.2 关于虫霉危害和储粮质量定量预测问题

粮堆当中生物场耦合强度偏高的位置，不仅是虫霉滋生的位置，也是储粮质量劣变较快的位置，必然是储粮管理的重点位置。需要根据粮堆多场在空间上的连续性、时间轴上的周期性、多场耦合的协调性原理，进一步研究粮堆不同时间空间的有效积温积湿规律、物理场与生物场的耦合规律，为预测和评估储粮管理提供AI技术新手段。

2.3 展开机理与数据双驱动AI的研究

机理驱动 AI的优点是：可准确体现自然规律，较易实现总体优化设计；缺点是：机理研究难度较大，有时不能满足差别机型的个性要求。数据驱动AI的优点是：可在机理不详时用“黑匣子”找出优化方式，可准确体现个性差异；缺点是：有时容易陷入局部最优，不能确保模型通用性。因此，需要展开优势互补的机理和数据双驱动AI研究。例如在粮食干燥控制方面，可由机理驱动AI实现同类机型的总体优化，再由数据驱动机器学习进行个性优化，接通控制模型与设备个性贴合的最后一公里。在储粮通风自控方面，由机理驱动AI归纳粮食温湿水平衡耦合规律，再由数据驱动AI使贴近每个粮仓通风特性，解决保水和控温双目标难以同时实现的难题。在粮情测控方面，由机理驱动AI归纳全国各地区规律，再由数据驱动AI自学习使吻合每个粮仓特点，实现粮仓各个点位安全性的准确测报。

2.4 期待机器识别技术的新突破

目前粮食储备企业大量采用视频监控系统，但存在无效信息充斥的弊端，还有许多漏洞，如人为“误用”监控设备、“雷击损坏”、“熏蒸腐蚀失效”、图像替代、屏蔽作弊等等。如何运用AI技术识别违规和欺诈行为，是机器识别技术在粮食流通管理中的一个现实课题。储粮温度场云图已成为新的图像数据资源，如何运用各种异常特征云图图像快速判断管理中问题，是亟待开发的技术。在低像素和动态环境下准确识别虫霉鼠雀危害，还需要图像识别技术的升级和与不同传感技术的结合。

2.5 尽快突破大数据技术应用的障碍

建立全国性的粮食大数据资源池的关键是如何突破“信息孤岛”。应用区块链技术进行追踪溯源和防伪的关键是如何建立用户联盟。已经实现去中心化、数据关联、分布储存和体系开放的库存识别代码，仍是一个突破粮食信息互联互通障碍的简单易行手段。期待基于库存识别代码的粮食大数据挖掘，为粮食流通的库存管理、物流、市场、质量追溯等提供实质的应用。