基于WIFI信道状态信息的粮食水分检测方法及系统与流程

本发明涉及基于wifi信道状态信息的粮食水分检测方法及系统。

背景技术：

粮食的安全储藏过程中两个重要的物理因素就是温度和水分含量，通过对这两个因素的有效控制就可以实现粮食安全储藏的目标。相比温度检测，粮食的水分含量检测更加具有挑战性。

现有的小麦水分测量方法大致可以分为两类：有损检测方法和无损检测方法。有损检测方法是使用现有方法将小麦放在特定温度下的烤箱干燥一定的时间来确定小麦水分含量。但是由于这种方法既繁琐又耗时，所以不适合在小麦交易中大规模使用。无损检测方法是用电磁特性来测量小麦水分含量，无损检测方法技术耗时少，所需人力较少，并且谷物或者食品可以直接使用，不需要作类似清洁或者粉碎等处理。但是，无损检测所使用的设备通常比较复杂且成本高昂。

而且，根据测量技术种类的不同，现有的小麦水分检测方法可以分为干燥法、电容法、电阻法、微波法和中子法等几大类。烘箱干燥法在实践中被广泛使用，虽然这种方法的测量结果非常准确，但是它只适用于实验室理想环境下，不符合真实环境情况下小麦水分在线检测的需求；电容式水分检测方法也非常流行，但是它的检测效果受到很多因素的限制，比如测量值不仅对温度敏感而且还对干燥器中谷物的流速和密度敏感，此外测量结果还可能受到测量过程中其他因素的影响，例如所使用的传感器在长时间使用后需要对其进行重新校准；电阻法所使用的在线电阻式谷物水分检测仪是基于测量频率和谷物水分含量之间的非线性校正方法而设计的，这个检测仪由上位机和下位机组成，下位机主要根据v/f转换检测谷物电阻值，上位机主要用来进行水分含量、测量频率以及温度之间的非线性校正；微波法和中子法具有精度高、检测速度快、无损耗以及非侵入式检测等优点，能够非常容易检测出谷物内部的水分，但是测量装置比较复杂且成本较高。

因此，上述各非破坏性方法均存在一些局限性，例如，电容法有一个缺点，即测得的粮食水分值容易受环境温度和干燥器中粮食流速影响。此外，尽管电阻法、微波法和中子法可以获得高精度水分值并且能够快速检测，但是实现这些无损检测方法需要投入很大的成本，尤其是检测装置的成本较高。

近来基于信道状态信息(csi)的传感、检测和识别技术已经成功应用在许多领域，如坠落检测、活动识别、呼吸及心率监测以及室内定位等。csi可以提供细粒度的信道信息，这些信息可以反映出室内例如多路径效应、失真、遮蔽衰弱等信道特性。进一步来说，相对接收的信号强度(rss)来说，csi的振幅和相位差数据则更加稳定。

基于csi的传感系统已经广泛应用于室内定位和无设备传感领域。近来使用csi数据和指纹识别技术的室内定位系统已经成主流的方法，例如fifs和deepfi系统都是使用csi幅值数据来进行室内定位的。phasefi系统是利用已经校准的csi相位数据和biloc系统将双模csi数据与指纹相结合，用于具有深度自动编码器网络功能的室内定位。此外，cifi系统考虑到了室内定位的相位差数据，其结合了深度卷积网络来学习csi的图像数据，以提升定位精度和降低数据存储需求。

另一方面，使用基于csi的无设备传感系统主要包括活动识别、跌倒检测和生命体征检测等方面。在活动识别方面，e-eyes系统为使用csi振幅实现了家庭活动识别的无设备定位系统。对于口语识别来说，wihear系统利用专门的定向天线来测量由嘴唇活动引起的csi数据的变化情况。carm系统提供了基于csi的速度模型和活动模型，用于识别人类活动与csi动态变化之间的关系。在跌倒检测这方面，wifall和rt-fall使用csi振幅和相位差来检测对象的下降活动。在生命体征检测方面，phasebeat和tensorbeat是使用csi相位差监测单人或多人的呼吸速率。在最近的研究wi-fire和wi-metal中，作者使用csi数据来检测火灾事件和金属物体。

技术实现要素：

本发明的目的是提供基于wifi信道状态信息的粮食水分检测方法及系统，用以解决现有的检测方法需要投入很大成本的问题。

为实现上述目的，本发明的方案包括：

一种基于wifi信道状态信息的粮食水分检测方法，包括以下步骤：

(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅和相位差数据；

(2)对所述设定个数的已知水分含量以及对应的信道状态信息的振幅和相位差数据进行特征提取，得到相应的特征数据；

(3)根据支持向量机分类对得到的特征数据进行训练，得到各个已知水分含量的粮食对应的训练模型；

(4)采集经过被测粮食的信道状态信息的振幅和相位差数据，并输入给训练好的训练模型，检测得到被测粮食的水分含量。

首先对设定个数种已知水分含量的粮食对应的信道状态信息的振幅和相位差数据进行特征提取，然后根据支持向量机分类对得到的特征数据进行训练，得到各个已知水分含量的粮食对应的训练模型；最后，采集经过被测粮食后的信道状态信息的振幅和相位差数据，并输入给训练好的训练模型，检测得到被测粮食的水分含量。由于csi振幅和相位差数据比较稳定，因此，对得到的信道状态信息的振幅和相位差数据进行训练，根据训练得到的训练模型进行粮食水分检测的精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，无需投入较多的设备，降低了投入成本。

进一步地，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅和相位差数据进行预处理的步骤，所述预处理的步骤依次包括异常值检测及滤除、数据归一化和消除噪声。

对csi振幅和相位差数据进行预处理，能够获得准确且清晰的csi振幅和相位差数据。而且，异常值检测及滤除能够去除掉异常数据值，保证数据准确性，数据归一化能够提高检测精度，满足后续支持向量机分类的需求，消除噪声能够去除掉影响检测精度的噪声数据。

进一步地，所述步骤(2)中，利用主成分分析方法对所述设定个数种的已知水分含量以及对应的信道状态信息的振幅和相位差数据进行特征提取。利用主成分分析方法不仅保留了主要特征，又减小了csi振幅和相位差数据的空间维度。

一种基于wifi信道状态信息的粮食水分检测系统，包括检测模块，所述检测模块包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器在执行所述计算机程序时实现的步骤包括：

(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅和相位差数据；

(2)对所述设定个数的已知水分含量以及对应的信道状态信息的振幅和相位差数据进行特征提取，得到相应的特征数据；

(3)根据支持向量机分类对得到的特征数据进行训练，得到各个已知水分含量的粮食对应的训练模型；

(4)采集经过被测粮食的信道状态信息的振幅和相位差数据，并输入给训练好的训练模型，检测得到被测粮食的水分含量。

首先对设定个数种已知水分含量的粮食对应的信道状态信息的振幅和相位差数据进行特征提取，然后根据支持向量机分类对得到的特征数据进行训练，得到各个已知水分含量的粮食对应的训练模型；最后，采集经过被测粮食后的信道状态信息的振幅和相位差数据，并输入给训练好的训练模型，检测得到被测粮食的水分含量。由于csi振幅和相位差数据比较稳定，因此，对得到的信道状态信息的振幅和相位差数据进行训练，根据训练得到的训练模型进行粮食水分检测的精度较高，不管是在视距或者非视距场景中均能够实现相当高的检测精度。而且，该系统无需投入较多的设备，降低了投入成本。

进一步地，所述步骤(1)和步骤(2)之间还有对采集到的信道状态信息的振幅和相位差数据进行预处理的步骤，所述预处理的步骤依次包括异常值检测及滤除、数据归一化和消除噪声。

对csi振幅和相位差数据进行预处理，能够获得准确且清晰的csi振幅和相位差数据。而且，异常值检测及滤除能够去除掉异常数据值，保证数据准确性，数据归一化能够提高检测精度，满足后续支持向量机分类的需求，消除噪声能够去除掉影响检测精度的噪声数据。

进一步地，所述步骤(2)中，利用主成分分析方法对所述设定个数种的已知水分含量以及对应的信道状态信息的振幅和相位差数据进行特征提取。利用主成分分析方法不仅保留了主要特征，又减小了csi振幅和相位差数据的空间维度。

附图说明

图1是本发明提供的基于wifi信道状态信息的粮食水分检测方法的整体流程图；

图2-a是小麦含水量从11％变化到13％时的csi振幅变化波形图；

图2-b是小麦含水量从13％变化到14.7％时的csi振幅变化波形图；

图2-c是小麦含水量从13％变化到16.5％时的csi振幅变化波形图；

图3-a是小麦含水量从13％变化到11％时的csi相位差变化波形图；

图3-b是小麦含水量从13％变化到14.7％时的csi相位差变化波形图；

图3-c是小麦含水量从13％变化到16.5％时的csi相位差变化波形图；

图4是小麦水分检测系统架构示意图；

图5-a是使用csi振幅数据在los场景下的分类精度柱状图；

图5-b是使用csi相位差数据在los场景下的分类精度柱状图；

图6-a是使用csi振幅数据在nlos场景下的分类精度柱状图；

图6-b是使用csi相位差数据在nlos场景下的分类精度柱状图。

具体实施方式

一种基于wifi信道状态信息的粮食水分检测方法，如图1所示，包括以下步骤：

(1)确定设定个数种已知水分含量的粮食，分别采集经过所述设定个数种的已知水分含量的粮食的对应信道状态信息的振幅和相位差数据；

(2)对所述设定个数的已知水分含量以及对应的信道状态信息的振幅和相位差数据进行特征提取，得到相应的特征数据；

(3)根据支持向量机分类对得到的特征数据进行训练，得到各个已知水分含量的粮食对应的训练模型；

(4)采集经过被测粮食的信道状态信息的振幅和相位差数据，并输入给训练好的训练模型，检测得到被测粮食的水分含量。

基于上述基本技术方案，以下结合附图，对该粮食水分检测方法的具体过程进行描述。该粮食水分检测方法的检测对象为粮食，本实施例中，粮食以小麦为例，当然，还可以是其他的粮食，比如，大米。

首先，简单介绍一下ofdm技术。

ofdm技术广泛应用于物理层(phy)和现代无线通信系统，例如lte和wifi。ofdm技术将总频谱(e.g.20mhzor40mhzinieee802.11n)分为多个正交子载波。此外，在子载波上传输的数据用来处理室内环境中频率选择的衰减。近些年来，已经将ofdm应用于诸如室内定位和活动识别之类的无线传感领域，它可以从某些wifi芯片组的开源设备中到提取丰富的csi振幅和相位差数据。

对于在2.4ghz或5ghz频带中的wifiofdm物理层来说，子载波可以被视为衰落信道上的窄带，其对fr的感应是非常稳定的。第i个子载波的信道频率响应公式可以写为：

hi＝|hi|exp{j∠hi}

其中|hi|和∠hi是第i个子载波的振幅和相位信息。在本文中wi-wheat系统利用csi振幅和相位差数据来进行小麦水分检测。支持802.11n协议的intelwifilink5300网卡的设备驱动程序可以在phy中使用的56个子载波中提供其中30个子载波的csi振幅和相位差数据。

为了验证使用细粒度的csi振幅和相位差数据进行小麦水分检测的可行性，收集不同水分含量小麦堆的csi振幅和相位差数据，并做实验。在实验中，将13％作为小麦水分含量的临界值。当wifi信号透射小麦堆时，分别测量正常的小麦(即水分含量为11％的小麦)以及水分含量为14.7％和16.5％的csi幅度和相位差数据。如图2-a至图2-c所示，小麦水分含量从11％增加到16.5％时，csi振幅只有很小的变化。图3-a至图3-c呈现的是随着小麦水分含量的变化，csi相位差数据的变化情况，从图3-a至图3-c可以看出，水分含量为14.7％的csi相位差数据和水分含量为13％的相位差数据有相当大的差别，因此可以利用csi振幅和相位差数据来检测小麦水分含量。

为了实现本发明提供的基于wifi信道状态信息的粮食水分检测方法，需要设定个数种已知水分含量的小麦，作为一个具体的实施方式，给出4组不同水分含量的小麦样品，水分含量分别为11％、13％、14.7％和16.5％。这四组小麦样品的水分含量可以按照现有的测定方法进行测定，本实施例中，采用干燥失重原理，即烘干法进行测定，分别从每组小麦样品中取5g小麦作为测定样本，通过加热系统快速加热测定样本，使测定样本水分在最短时间内蒸发，一般需要20分钟就能测出水分含量。具体步骤如下：(1)将各测定样本放入辗碎机碾碎；(2)将水分仪校准，并对测定样本进行去皮操作；(3)取样碾碎后的小麦，均匀放置盘子中，用镊子平稳放入水分仪器中，开始烘干检测；(4)烘干结束，查看仪器显示的失水率，该失水率就是水分含量。因此，得到各测定样本的水分含量之后就得到了4组小麦样品的水分含量。

为了实现本发明提供的基于wifi信道状态信息的粮食水分检测方法，以下给出一种小麦水分检测系统架构，如图4所示，该架构包含两个主要的部分：csi振幅和相位差提取部分和csi振幅和相位差数据处理部分。

对于csi振幅和相位差提取部分，利用发射模块和接收模块实现csi振幅和相位差数据的提取，小麦放置在发射模块和接收模块之间的wifi信号传输线路上，wifi信号透射小麦。本实施例中，设置两个配备了intel5300无线网卡的移动设备，一个作为发射机，另一个作为接收机，发射机配置为发射模式(即注入模式)，接收机配置为监听模式(即监视模式)，从接收机中提取到5ghz下的csi振幅和相位差数据。作为一个具体的实施方式，使用笔记本电脑和无线网卡(wifi)来实现csi振幅和相位差数据的获取，使用索尼pcg-6s1t笔记本电脑作为发射机，使用配置为2.1ghz英特尔(r)奔腾2核cpu和2gb内存的hpprobook4411s笔记本电脑作为接收机，两台笔记本电脑都安装了ubuntu12.04操作系统并配备了英特尔5300无线网卡。而且，发射机带有一根天线，使用该天线将来自发射机的数据包注入带有三个天线的接收机，并且，从发射机到接收机通过c语言程序实现每秒钟3个包的连续发送，因为从时间成本和接收数据包完整程度上考虑，每秒三个包的效果最佳。而且，不同水分含量的小麦样本平均传输1000个数据包，接收机收集到相应的csi振幅和相位差数据。

因此，分别将4组已知水分含量的小麦样品放置在发射机和接收机之间，发射机的数据包经过透射小麦样品之后由接收机接收得到，通过接收机就能够得到经过这4组已知水分含量的小麦样品分别对应的csi振幅和相位差数据。

对于csi振幅和相位差数据处理部分，包含三个主要的功能模块，即数据预处理模块、特征提取模块和svm(即支持向量机)分类模块，其中，数据预处理模块用于对采集到的csi振幅和相位差数据进行预处理；特征提取模块用于对预处理后的csi振幅和相位差数据进行特征提取，得到特征数据；svm(即支持向量机)分类模块也称为svm分类器，用于训练特征数据。

数据预处理模块实现的功能包括异常值检测及滤除、数据归一化和消除噪声，采集到的csi振幅和相位差数据依次经过上述预处理后能够获得准确且清晰的csi振幅和相位差数据，即csi数据序列。

以下给出异常值检测及滤除、数据归一化和消除噪声的具体实现过程。

异常值检测及滤除：采集的csi振幅和相位差数据中通常存在一些异常值，执行异常检测及滤除是为了检测应该从csi振幅和相位差数据中替换掉的异常数据值，并滤除掉这些异常数据值。采用pauta准则来检测和滤除异常值，详细过程如下：

步骤1：令xi为第i个csi振幅和相位差数据，i＝1,2,…,n，计算其算术平均值计算公式为：

步骤2：使用以下公式分别计算vi和csi振幅和相位差的标准偏差σ：

步骤3：对于xi，如果|vi|>3σ，那么判定xi为异常值，并使用算术平均值替换xi。

步骤4：重复上述三个步骤，直到检测完所有的数据。

数据归一化：为了提高检测的精度，在进行svm分类操作时应该将输入值限制在(0，1)范围之内。因此，对csi振幅和相位差数据进行归一化，归一化后的值yi计算如下：

其中，xmean是csi振幅和相位差数据的平均值，xmax和xmin是在去除异常值后的一段时间内的csi振幅和相位差数据的最大值和最小值。

消除噪声：在特征提取之前，通过振幅平方切比雪夫ii型滤波器来进一步去除环境噪声，定义切比雪夫ii型滤波器的响应函数，如下：

其中，∈是阻带中的振幅频率的波动，∈的取值范围为0<∈<1，ωs是描述频率的标定常数，n是多项式的阶数，如下：

然后，利用pca(主成分分析)方法提取csi振幅和相位差数据的特征数据，不仅保留了主要特征，又减小了csi振幅和相位差数据的空间维度。对于csi振幅和相位差数据，利用pca方法计算每一个csi振幅和相位差数据的主分量p，因此可以得到一个p×n大小的矩阵，本实施例中，p＝12。该特征提取过程描述如下：

预处理：因为在之前的数据预处理过程中静态组件已经被删除，所以使用经过处理后的csi振幅和相位差数据来创建csi矩阵，如下：

其中，m是子载波的数量，zij表示为分组j记录的子载波处理后的csi振幅和相位差数据。

计算相关矩阵：计算得到关联矩阵，其大小为n×n。

计算特征向量：使用相关矩阵应用特征分解来计算特征向量vk，k＝1,2,…,p。

重建信号：使用关联矩阵和特征向量创建一个新的csi矩阵，如zk＝vkz，其中zk是第k个主成分，vk是第k个特征向量。

svm分类器：在小麦水分含量检测过程中，使用svm分类器对处理后的csi振幅和相位差数据进行分类。将处理后的数据随机分为两组进行训练和测试，然后在n维数据空间中找到超平面。训练过程如下：

步骤1：使用f(x)表示分类函数，定义如下：

f(x)＝sin(ω^tx+b)

其中，ω^tx和b是分类函数的参数(ω^t是法向量，b是偏移量)，x是从csi振幅和相位差数据中提取的特征数据。

步骤2：令y取1或-1来表示两个不同的类别(即1和-1表示wi-wheat的正常和异常)，并在法向量ω上加上一定的约束(见上式)。使用拉格朗日乘子α，新的目标函数被表示为：

其中，是目标函数，n是训练集的大小，α是拉格朗日乘子。

步骤3：寻找两个边界之间的最大间隔或极限分界线来确定ω和b，然后将分类函数转化为ω和b的优化问题，可以确定最终的分类功能如下：

s.t.∶0≤αi≤c,i＝1,2,…,n

其中，c是惩罚系数，αi和αj是拉格朗日乘子。

步骤4：每次迭代只选择两个分量αi和αj，而其他分量保持不变。在获得αi和αj之后，其他分量通过αi和αj得到更新。得到一个最大的边缘超平面分类函数，如下：

对于利用csi振幅和相位差数据进行小麦水分检测的问题，由于室内环境的复杂性，使得该问题不是线性可分离问题。因此，利用高斯rbf作为核函数将已处理的csi振幅和相位差数据映射到高维特征空间，以实现高分类精度。新的svm分类函数定义为：

其中rbf核函数k<>有如下定义：

其中，σ是标准差。

根据上述svm分类器的训练过程对得到的特征数据进行训练，得到4组已知水分含量的小麦样品中的各组水分含量的小麦样品对应的训练模型，即每一个水分含量的小麦样品均能够得到一个训练模型。

那么，就能够利用上述得到的不同水分含量的小麦样品对被测的未知水分含量的小麦进行水分检测。因此，采集被测小麦的csi振幅和相位差数据(上述中已给出了csi振幅数据和相位差数据的获取过程，这里就不再赘述)，并输入给训练好的训练模型中，就能够检测得到被测小麦的水分含量。当然，还可以设定某一个已知的水分含量为临界阈值，一般来说，当水分含量处于温带气候条件下，即湿度在12％到13％之间，小麦可以安全存储长达一年的时间，因此，将水分含量13％作为临界阈值，即将13％作为svm分类器的临界值。那么，若被测小麦的水分含量大于13％时，小麦水分含量超过临界阈值，表示水分含量异常，即可向仓库管理人员发送报警信息。作为一个具体的实施方式，以下给出水分异常检测的一种具体实现过程：上文中，800个数据包作为训练样本，200个数据包作为测试数据，利用800个训练样本来训练svm分类器，使用200个测试数据进行测试。首先，通过上述训练过程对训练样本进行训练，还可以通过贴标签、交叉验证、参数寻优(比如调用train函数)、高斯核函数得出不同水分含量的小麦的训练模型，其中将水分含量13％作为临界值，然后，将被测小麦的csi振幅和相位差数据与水分含量为13％的小麦的csi振幅和相位差数据混合在一起，通过训练模型做二分类，同时，将分类出来的数据中的振幅求平均值，那么，若平均值大于水分含量13％的振幅平均值，则为正常状态，若平均值小于水分含量13％的振幅平均值，则为异常状态。

以下通过实验验证在视距(los)和非视距(nlos)两种场景下进行的分类精度。图5-a和图5-b分别给出了使用csi振幅和相位差数据的los场景下的分类精度。当使用csi振幅数据时，随着小麦水分含量从11％增加到16.5％，分类的精度也从94％增加到97％。另一方面，当使用csi相位差数据时，当小麦水分含量为14.7％时分类精度最高，即98％。因此，采用csi振幅和相位差数据，可以实现在los场景下具有较高的分类精度。

图6-a和图6-b分别给出了使用csi振幅和相位差数据的nlos场景下的分类精度。随着小麦水分含量从11％增加到16.5％，使用csi振幅的分类精度从93％增加到96％，而且，使用csi相位差数据进行小麦水分含量的检测时，每种小麦水分含量均达到95％的分类精度。因此，实验结果能够验证在nlos场景下的水分含量检测的有效性。

因此，上文中，先介绍了csi的预备知识，并验证了使用csi振幅和相位差数据进行小麦水分检测的可行性，然后介绍了水分检测方法的详细过程，包括csi数据的提取与处理，最后，通过实验验证在los和nlos场景下高精度的分类。

以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

上述方法可以作为一种计算机程序，存储在基于wifi信道状态信息的粮食水分检测系统中的检测模块中的存储器中并可在检测模块中的处理器上运行。