陳維娜，楊忠，顧姍姍，唐玉娟，王逸之

(金陵科技學(xué)院,南京市,211169)

0 引言

信息化、精準(zhǔn)化是新時期農(nóng)業(yè)發(fā)展的新要求,物聯(lián)網(wǎng)、計(jì)算機(jī)技術(shù)的迅速發(fā)展為智能農(nóng)業(yè)方面提供了技術(shù)保障。在加強(qiáng)農(nóng)業(yè)生產(chǎn)管理及問題決策中,如何精確、實(shí)時、高效地獲取農(nóng)作物在種植和生長過程中的各項(xiàng)重要信息是重中之重[1]。在農(nóng)業(yè)物聯(lián)網(wǎng)中,傳感器是獲取信息的主要設(shè)備,他們可以在目標(biāo)監(jiān)測區(qū)內(nèi)對空氣溫濕度、二氧化碳濃度、光照強(qiáng)度等農(nóng)業(yè)環(huán)境信息進(jìn)行實(shí)時采集,為精準(zhǔn)農(nóng)業(yè)環(huán)境監(jiān)測提供有效解決方案,從而提高農(nóng)作物產(chǎn)量[2]。普通農(nóng)田環(huán)境通常具有地理位置偏遠(yuǎn)、面積寬廣、通訊設(shè)備難以調(diào)節(jié)等特點(diǎn)。在大多數(shù)情況下,農(nóng)作物生長環(huán)境數(shù)據(jù)信息的獲取愈加艱難。針對于此,就需要將低成本、高效率、智能化設(shè)施應(yīng)用于農(nóng)田信息采集,加強(qiáng)改變傳統(tǒng)農(nóng)業(yè)方式。

目前,在環(huán)境監(jiān)測方面,ZigBee技術(shù)憑借可靠性好以及成本低等優(yōu)勢廣泛應(yīng)用于工業(yè)控制系統(tǒng)。董方武等采用ZigBee 無線網(wǎng)絡(luò)技術(shù)設(shè)計(jì)了一種淡水養(yǎng)殖溶氧濃度自動監(jiān)控系統(tǒng),它可以對水中的溶氧濃度和溫度等參數(shù)進(jìn)行實(shí)時監(jiān)控[3]。摩托羅拉實(shí)驗(yàn)室開發(fā)了一套低耗能、自組織的傳感器網(wǎng)絡(luò),該系統(tǒng)可以監(jiān)測農(nóng)業(yè)環(huán)境數(shù)據(jù)和過程參數(shù)[4]。然而,農(nóng)業(yè)物聯(lián)網(wǎng)的部署需要考慮到農(nóng)田環(huán)境的無線傳輸問題。受限于農(nóng)田中網(wǎng)絡(luò)連接不方便、終端節(jié)點(diǎn)之間分布距離較遠(yuǎn)等條件,傳統(tǒng)的廣域網(wǎng)絡(luò)在通信覆蓋范圍,接入容量,設(shè)備功耗等方面表現(xiàn)出乏力,面向短距離布設(shè)的WiFi、ZigBee等無線通信技術(shù)難以直接部署在野外大范圍內(nèi)。高軍等[5]設(shè)計(jì)了基于GPRS網(wǎng)絡(luò)的節(jié)水灌溉控制系統(tǒng),能根據(jù)土壤和作物用水情況實(shí)施精準(zhǔn)灌溉,但GPRS通信功耗較高,長時間監(jiān)測系統(tǒng)運(yùn)行時長難以保證。楊禎等[6]采用LoRa無線通信技術(shù)作為溫度監(jiān)測系統(tǒng)的數(shù)據(jù)傳輸方式,LoRa技術(shù)通信距離遠(yuǎn),功耗低,但是需要開發(fā)者自行布設(shè)基站或網(wǎng)關(guān),且工作于非授權(quán)頻段,開發(fā)難度大,網(wǎng)絡(luò)安全性難以保證。因此選擇合適的數(shù)據(jù)通信方式是至關(guān)重要的。近年來,隨著窄帶物聯(lián)網(wǎng)(Narrow Band Internet of Things,NB-IoT)技術(shù)不斷完善,其獨(dú)有的低功耗、廣覆蓋、多連接、低成本等特性成為5G物聯(lián)網(wǎng)時代的重要技術(shù)選擇,同時也滿足了農(nóng)業(yè)物聯(lián)網(wǎng)在無線信息傳輸方面的需求[7]。隨著NB-IoT技術(shù)的發(fā)展,單個節(jié)點(diǎn)傳輸距離已達(dá)到數(shù)千米,應(yīng)用在農(nóng)業(yè)物聯(lián)網(wǎng)中可以大面積布置環(huán)境監(jiān)測,彌補(bǔ)了監(jiān)測傳感器分布較遠(yuǎn)的問題[8-10]。

本文針對以上提出的我國智慧農(nóng)業(yè)發(fā)展方面存在的一些問題,本系統(tǒng)利用NB-IoT技術(shù)組建無線傳感網(wǎng)絡(luò)對農(nóng)作物生長環(huán)境中的溫度、濕度、大氣壓強(qiáng)、光照強(qiáng)度及有害氣體指數(shù)進(jìn)行實(shí)時采集監(jiān)測,同時將無線傳感網(wǎng)絡(luò)采集的數(shù)據(jù)信息通過套接字打包發(fā)送到服務(wù)器,并在服務(wù)器部署網(wǎng)站來顯示相應(yīng)圖表并進(jìn)行閾值遠(yuǎn)程控制,實(shí)現(xiàn)了遠(yuǎn)距離、低功耗、智能化、多維度、多尺度的農(nóng)作物信息實(shí)時監(jiān)測系統(tǒng)。本系統(tǒng)可用于監(jiān)控農(nóng)業(yè)試驗(yàn)田中的環(huán)境狀況,便于監(jiān)測農(nóng)作物異常情況并及時做出判斷,可應(yīng)用于智慧農(nóng)業(yè)信息系統(tǒng)的構(gòu)建。

1 農(nóng)業(yè)監(jiān)測系統(tǒng)架構(gòu)設(shè)計(jì)

窄帶物聯(lián)網(wǎng)農(nóng)業(yè)監(jiān)測系統(tǒng)是一款遠(yuǎn)距離、低功耗、智能化、多維度、多尺度的農(nóng)作物信息實(shí)時監(jiān)測系統(tǒng)。其核心設(shè)計(jì)融合環(huán)境數(shù)據(jù)采集功能、數(shù)據(jù)上報(bào)及閾值下發(fā)功能、環(huán)境狀態(tài)提示報(bào)警功能以及網(wǎng)頁智能監(jiān)測功能。本系統(tǒng)可以擴(kuò)大通信距離,降低通信功耗,減少維護(hù)成本以及提高經(jīng)濟(jì)效益。窄帶物聯(lián)網(wǎng)農(nóng)業(yè)監(jiān)測系統(tǒng)總體架構(gòu)如圖1所示。

圖1 系統(tǒng)總體方案Fig.1 Overall scheme of the system

數(shù)據(jù)檢測模塊由監(jiān)測用的多傳感器、核心處理器、NB-IoT通訊模塊、數(shù)據(jù)接口等構(gòu)成,有獨(dú)立的電源模塊供電。通過監(jiān)測設(shè)備上集成的傳感器可以采集農(nóng)業(yè)環(huán)境的相應(yīng)數(shù)據(jù),數(shù)據(jù)經(jīng)過處理后,監(jiān)測模塊可以通過NB-IoT低功耗網(wǎng)絡(luò)將數(shù)據(jù)信息發(fā)送到數(shù)據(jù)管理云端平臺。最后,云端平臺數(shù)據(jù)管理系統(tǒng)可對傳感器數(shù)據(jù)進(jìn)行處理和分析,供PC用戶實(shí)時查看。本系統(tǒng)以Cortex-M系列底板為硬件平臺,以STM32F407芯片為主控芯片。Cortex-M底板擁有I2C接口、UART串口、ADC接口、中斷接口、PWM接口、SPI接口、GPIO接口、8個直流電機(jī)接口和4個雙向直流電機(jī)接口、百兆網(wǎng)口、miniUSB接口、SD卡接口、8個伺服電機(jī)接口、OV7725攝像頭接口、液晶觸摸屏接口、用戶自定義擴(kuò)展IO口、調(diào)試接口等。

2 監(jiān)測系統(tǒng)硬件設(shè)計(jì)

2.1 窄帶物聯(lián)網(wǎng)通信模塊

目前使用較多的低功耗廣域網(wǎng)通信技術(shù)為LoRa,NB-IoT,具有通訊距離遠(yuǎn)、功耗低特點(diǎn),適合于物聯(lián)網(wǎng)應(yīng)用場景。本系統(tǒng)使用的是移遠(yuǎn)BC35-G通訊模組,這是一款高性能、低功耗的多頻段 NB-IoT無線通信模塊,支持B1/B3/B8/B5/B20/B28頻段。其尺寸僅為23.6 mm×19.9 mm×2.2 mm,能最大限度地滿足終端設(shè)備對小尺寸模塊產(chǎn)品的需求,同時有效地減小產(chǎn)品尺寸并優(yōu)化產(chǎn)品成本。相比較于傳統(tǒng)通信模塊,BC35-G通訊模組具有覆蓋廣、連接多、成本低、功耗低的特點(diǎn)。

2.2 溫濕度采集模塊

為采集溫度和濕度,采用了溫度傳感器DHT11。相比較其他種類傳感器,DHT11的優(yōu)點(diǎn)就是穩(wěn)定性與可靠性都很好,廣泛應(yīng)用在新興物聯(lián)網(wǎng)相關(guān)的監(jiān)測領(lǐng)域。DHT11內(nèi)部自含溫濕度校準(zhǔn)系數(shù),在采集溫濕度數(shù)據(jù)的過程中會自動進(jìn)行校準(zhǔn)。測試結(jié)果準(zhǔn)確度極高。溫濕度模塊由濕度敏感的電阻式元件和NTC型電阻構(gòu)成,響應(yīng)很快。DHT11數(shù)字溫濕度傳感器配備單線制串行接口,其特有的單排4針引腳方便與各種類型的單片機(jī)相連,整個傳感器集成簡易,功耗極低,信號傳輸距離范圍0～20 m內(nèi)時極為穩(wěn)定,適合長時間室內(nèi)外的溫濕度監(jiān)測。

2.3 廣譜氣體監(jiān)測模塊

為實(shí)現(xiàn)對有害氣體的有效檢測和量化顯示,選用氣敏式廣譜氣體傳感器MQ-2。氣敏式廣譜氣體傳感器是一種檢測特定氣體的傳感器。它主要包括半導(dǎo)體氣敏傳感器、接觸燃燒式氣敏傳感器和電化學(xué)氣敏傳感器等,其中用得最多的是半導(dǎo)體氣敏傳感器。它的應(yīng)用主要有：一氧化碳?xì)怏w的檢測、瓦斯氣體的檢測、煤氣的檢測、氟利昂(R11、R12)的檢測、呼氣中乙醇的檢測、人體口腔的檢測等等。氣敏式廣譜氣體傳感器將氣體種類及其與濃度有關(guān)的信息轉(zhuǎn)換成電信號,根據(jù)這些電信號的強(qiáng)弱就可以獲得與待測氣體在環(huán)境中的存在情況有關(guān)的信息,從而可以進(jìn)行檢測、監(jiān)控、報(bào)警;還可以通過接口電路與計(jì)算機(jī)組成自動檢測、控制和報(bào)警系統(tǒng)。圖2為廣譜氣體監(jiān)測模塊電路圖。

圖2 廣譜氣體監(jiān)測模塊電路圖Fig.2 Circuit diagram of broad-spectrum gas monitoring module

2.4 光照強(qiáng)度采集模塊

為實(shí)現(xiàn)對光照強(qiáng)度進(jìn)行定量的分析,采用數(shù)字化光照檢測芯片BH1750,這是一種用于兩線式串行總線接口的數(shù)字型光強(qiáng)度傳感器集成電路。這種集成電路可以根據(jù)收集的光線強(qiáng)度數(shù)據(jù)來調(diào)整液晶或者鍵盤背景的亮度,利用它的高分辨率可以探測較大范圍的光強(qiáng)度變化。該傳感器測量的光照度范圍為0～65 535 lux,最小誤差變動為±20%,分辨度為1 lux。圖3為光照強(qiáng)度采集模塊電路圖。

圖3 光照強(qiáng)度采集模塊電路圖Fig.3 Circuit diagram of light intensity acquisition module

2.5 氣壓監(jiān)測模塊

為獲取大氣壓強(qiáng),選擇了數(shù)字傳感器BMP180進(jìn)行氣壓監(jiān)測。這是一款高精度、小體積、超低能耗的壓力數(shù)字氣壓傳感器。該傳感器適合智能的高精度測量和數(shù)據(jù)采集,輸出高精度的壓力(或高度)和溫度測量數(shù)據(jù),絕對精度最低可以達(dá)到0.03 hPa,并且耗電極低,只有3 μA。同時具有I2C總線的接口,便于進(jìn)行訪問。圖4為氣壓監(jiān)測模塊電路圖。

圖4 氣壓監(jiān)測模塊電路圖Fig.4 Circuit diagram of air pressure monitoring module

3 監(jiān)測系統(tǒng)軟件設(shè)計(jì)

3.1 通信模塊軟件設(shè)計(jì)

通訊模組與主控芯片通過串口進(jìn)行通信。由于STM32F407具有多個串口,本項(xiàng)目使用串口控制通信模組,為了代碼的復(fù)用性,不采用直接對寄存器操作的編程方式,而采用標(biāo)準(zhǔn)庫編程,標(biāo)準(zhǔn)庫提供與芯片生產(chǎn)商無關(guān)的硬件抽象層,提供軟件接口,屏蔽了硬件的差異。通訊模組功能分為數(shù)據(jù)上報(bào)和閾值接收兩個部分,對于數(shù)據(jù)上報(bào),需要先對采集的數(shù)據(jù)進(jìn)行十六進(jìn)制編碼生成模組可以識別的數(shù)據(jù),然后使用串口AT指令對NB模塊進(jìn)行控制,創(chuàng)建套接字連接服務(wù)器進(jìn)行數(shù)據(jù)發(fā)送。具體實(shí)現(xiàn)過程為：初始化標(biāo)準(zhǔn)庫串口結(jié)構(gòu)體,NVIC配置中斷優(yōu)先級,USART函數(shù)配置,封裝字符發(fā)送函數(shù),編寫串口中斷服務(wù)函數(shù)。以上可實(shí)現(xiàn)基礎(chǔ)通信功能。

通過窄帶物聯(lián)網(wǎng)模組進(jìn)行網(wǎng)絡(luò)附著,當(dāng)環(huán)境數(shù)據(jù)采集60次時,主控芯片對需上傳的數(shù)據(jù)進(jìn)行編碼,通訊模組接收到數(shù)據(jù)上傳信號,此時該模組可以創(chuàng)建套接字與服務(wù)器進(jìn)行連接,實(shí)現(xiàn)數(shù)據(jù)上報(bào)功能。由于模組與服務(wù)器連接是由模組主動申請,且需考慮系統(tǒng)通信能耗,當(dāng)服務(wù)器接收到模組上傳的數(shù)據(jù)時,服務(wù)器需向模組發(fā)送閾值反饋,當(dāng)模組接收到服務(wù)器得反饋,再通過主控芯片進(jìn)行解碼和類型轉(zhuǎn)換,便可實(shí)現(xiàn)閾值下發(fā)功能。監(jiān)測系統(tǒng)通信程序流程圖如圖5所示。

圖5 監(jiān)測系統(tǒng)通信程序流程圖Fig.5 Flow chart of monitoring system communication program

3.2 環(huán)境數(shù)據(jù)采集功能軟件設(shè)計(jì)

本系統(tǒng)需要實(shí)現(xiàn)對農(nóng)作物生長環(huán)境的溫度、濕度、大氣壓、光照強(qiáng)度和有害氣體指數(shù)進(jìn)行采集并對采集時間進(jìn)行周期控制,并且要對采集的數(shù)據(jù)進(jìn)行處理,得到相對精確的數(shù)據(jù)。為實(shí)時對環(huán)境進(jìn)行監(jiān)測,本系統(tǒng)每隔500 ms對采集得數(shù)據(jù)進(jìn)行分析,當(dāng)采集的數(shù)據(jù)超出閾值范圍時,系統(tǒng)會通過蜂鳴器進(jìn)行超出閾值的提示。網(wǎng)頁智能監(jiān)測可以讓用戶可以實(shí)時獲取數(shù)據(jù)信息,并對數(shù)據(jù)進(jìn)行檢索和監(jiān)測。

對于溫度、濕度的采集,使用onewire通信協(xié)議,通過主控芯片GPIOF11引腳控制DHT11模塊獲取數(shù)據(jù)。對于大氣壓和光照強(qiáng)度數(shù)據(jù)的獲取,則采用IIC通信協(xié)議,大氣壓數(shù)據(jù)通過主控芯片PB6_I2C_SCK、PB7_I2C_SDA控制獲取數(shù)據(jù),光照強(qiáng)度數(shù)據(jù)通過主控芯片GPIOA1、GPIOA0控制獲取數(shù)據(jù)。對于有害氣體指數(shù)的采集,不采用通信協(xié)議,直接通過主控芯片的PC1_ADC1讀取到MQ2傳感器的電壓值,進(jìn)而得到轉(zhuǎn)化為精確的有害氣體濃度值。在具體實(shí)現(xiàn)過程中,為了使得數(shù)據(jù)盡可能減少偶然性,系統(tǒng)采集數(shù)據(jù)采用多次測量取平均值的方法,具體采集間隔為2 s,采集次數(shù)為60次,60次后重置循環(huán)。

為實(shí)現(xiàn)閾值超限報(bào)警功能,本系統(tǒng)采用前后臺系統(tǒng),該系統(tǒng)應(yīng)用程序是一個無限的循環(huán),循環(huán)中調(diào)用相應(yīng)的函數(shù)完成相應(yīng)的操作,這部分為后臺行為。前臺程序通過中斷來處理事件。后臺程序則掌管整個系統(tǒng)軟、硬件資源的分配、管理以及任務(wù)的調(diào)度。因此通過設(shè)置定時器中斷拋出標(biāo)志位,在主函數(shù)的循環(huán)中進(jìn)行周期為500 ms的閾值監(jiān)測。同時在檢測函數(shù)中進(jìn)行具體的響應(yīng)操作,超出閾值進(jìn)行蜂鳴器報(bào)警的功能。

3.3 平臺終端軟件設(shè)計(jì)

平臺終端軟件采用網(wǎng)站客戶端設(shè)計(jì),網(wǎng)站與服務(wù)器部分采用了前后端分離技術(shù),后端使用Spring Boot框架以及Mybatis框架,前端采用Vue框架搭建,使用ECharts來完成數(shù)據(jù)可視化工作,使得數(shù)據(jù)閾值參數(shù)和歷史數(shù)據(jù)更加形象可讀?？蛻舳税ǔ壒芾韱T、普通管理員、普通用戶三個系統(tǒng)等級?？蛻舳丝梢詫?shí)現(xiàn)對用戶的增刪改查,并可以查看所有區(qū)域的溫濕度、大氣壓強(qiáng)、光照強(qiáng)度以及有害氣體指數(shù)的圖表同時包括運(yùn)行模式設(shè)置、閾值修改等功能。

4 多傳感器數(shù)據(jù)融合方法設(shè)計(jì)

4.1 自適應(yīng)加權(quán)平均融合方法

(1)

式中：xi——監(jiān)測數(shù)據(jù);

S——監(jiān)測數(shù)據(jù)的樣本標(biāo)準(zhǔn)差;

Zc——肖維勒準(zhǔn)則數(shù)。

Zc與n的關(guān)系如表1所示。

表1 肖維勒準(zhǔn)則數(shù)Zc與數(shù)據(jù)量n關(guān)系Tab.1 Relation between Schoveller Criterion number Zc and data quantity n

(2)

為達(dá)到數(shù)據(jù)融合的目標(biāo),得到總方差最小的融合值,同時近似認(rèn)為各傳感器數(shù)據(jù)相互獨(dú)立,即

2∑WiWj(x-xi)(x-xj)]

(3)

當(dāng)均方誤差最小時,傳感器所對應(yīng)的權(quán)值

(4)

類似地,可獲得該區(qū)域內(nèi)濕度傳感器、光照強(qiáng)度傳感器等在剔除異常數(shù)據(jù)后的融合值。利用上述方式對不同監(jiān)測傳感器數(shù)據(jù)進(jìn)行處理,使得方差根據(jù)樣本的變化而改變,從而提高整個系統(tǒng)的容錯性和魯棒性。

4.2 基于神經(jīng)網(wǎng)絡(luò)的融合方法

采用神經(jīng)網(wǎng)絡(luò)方法對各區(qū)域內(nèi)農(nóng)業(yè)監(jiān)測異類傳感器數(shù)據(jù)進(jìn)行局部融合,各個區(qū)域的傳感器監(jiān)測數(shù)據(jù)經(jīng)過自適應(yīng)加權(quán)平均融合后作為神經(jīng)網(wǎng)絡(luò)的輸入,利用神經(jīng)網(wǎng)絡(luò)分別對各區(qū)域的異類傳感器數(shù)據(jù)做融合處理,從而得到該區(qū)域環(huán)境狀況的綜合判斷。神經(jīng)網(wǎng)絡(luò)通過模擬訓(xùn)練得到輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的關(guān)系,再通過輸入新的數(shù)據(jù)得出模擬預(yù)測結(jié)果。它的學(xué)習(xí)過程主要包括輸入模式順傳播、輸出誤差逆?zhèn)鞑?、循環(huán)記憶訓(xùn)練、學(xué)習(xí)結(jié)果判別。以三層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對本系統(tǒng)中各種異類農(nóng)業(yè)監(jiān)測傳感器數(shù)據(jù)進(jìn)行分析,它包括輸入層、隱含層和輸出層三個部分。

圖6 三層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Three layer forward neural network structure

(5)

式中：f()——Sigmoid函數(shù),它可以調(diào)節(jié)權(quán)重,經(jīng)過訓(xùn)練后在最小均方差意義之下使得誤差極小。

其滿足

(6)

本文中采用4個傳感器進(jìn)行環(huán)境數(shù)據(jù)監(jiān)測,每個傳感器的每一組樣本數(shù)據(jù)具有一個特征值,故輸入層節(jié)點(diǎn)數(shù)設(shè)定為m=4。輸出層的輸出表示農(nóng)作物的環(huán)境監(jiān)測狀態(tài),分為環(huán)境較好、環(huán)境較差兩種類型,因此輸出層結(jié)點(diǎn)數(shù)為n=2,映射為(1,0),(0,1),輸出范圍為0～1。其中隱藏層的節(jié)點(diǎn)數(shù)并不固定,而是需要經(jīng)過實(shí)際訓(xùn)練的檢驗(yàn)來不斷調(diào)整,權(quán)值的第t步更新

(7)

式中：μ——步長因子;

(8)

5 系統(tǒng)測試

5.1 系統(tǒng)通信測試

為測試農(nóng)業(yè)監(jiān)測系統(tǒng)整體通信性能,搭建3個溫濕度傳感器、1個大氣傳感器、2個廣譜氣體傳感器、2個光照傳感器和1個網(wǎng)關(guān)進(jìn)行組網(wǎng),通過網(wǎng)關(guān)收集不同類型的農(nóng)業(yè)監(jiān)測傳感器數(shù)據(jù),上傳至用戶云服務(wù)器,由服務(wù)器端的程序接收并統(tǒng)計(jì)數(shù)據(jù)包,檢測網(wǎng)關(guān)從采集到上傳數(shù)據(jù)的丟包率、誤報(bào)率。測試過程中,農(nóng)業(yè)監(jiān)測系統(tǒng)的供電正常,NB-IoT模塊基站信號良好,同時所有農(nóng)業(yè)監(jiān)測類型傳感器均正常運(yùn)行。通過網(wǎng)關(guān)收集上述5個不同類型傳感器的1 000個數(shù)據(jù)包,通過改變網(wǎng)關(guān)與多傳感器之間的距離測試系統(tǒng)的通信性能,每隔5 m進(jìn)行一次測試。測試結(jié)果如表2所示。

表2 不同距離下的系統(tǒng)通信測試結(jié)果Tab.2 System communication test results at different distances

從表2可以看出,數(shù)據(jù)丟包率和誤包率會隨著網(wǎng)關(guān)與傳感器的通信距離增加而上漲,但是總體仍然處在可控范圍,因此該系統(tǒng)數(shù)據(jù)通信效果良好,數(shù)據(jù)傳輸?shù)目煽啃钥梢詽M足農(nóng)業(yè)監(jiān)測的需求。

5.2 農(nóng)業(yè)監(jiān)測數(shù)據(jù)融合測試

為了測試農(nóng)業(yè)監(jiān)測系統(tǒng)多傳感器數(shù)據(jù)融合方法的有效性,選擇實(shí)測環(huán)境下的監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)融合,將監(jiān)測系統(tǒng)測量溫度值、濕度值、光照值等數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入,將農(nóng)作物的環(huán)境監(jiān)測狀態(tài)較好和較差作為神經(jīng)網(wǎng)絡(luò)的輸出。其中部分傳感器節(jié)點(diǎn)數(shù)據(jù)如圖7所示。

圖7 部分傳感器節(jié)點(diǎn)監(jiān)測數(shù)據(jù)曲線Fig.7 Monitoring data curve of some sensor nodes

圖8 訓(xùn)練數(shù)據(jù)的梯度和均方誤差之間的關(guān)系Fig.8 Relationship between gradient and mean square error of training data

可以看出當(dāng)?shù)螖?shù)達(dá)到117次時,網(wǎng)絡(luò)輸出達(dá)到設(shè)定的誤差范圍(0.001)之內(nèi)。當(dāng)神經(jīng)網(wǎng)絡(luò)收斂后保存權(quán)值,網(wǎng)絡(luò)訓(xùn)練完成。由此,網(wǎng)絡(luò)中的權(quán)值和閾值也隨之確定。建立模型的最大訓(xùn)練次數(shù)為10 000,網(wǎng)絡(luò)的學(xué)習(xí)速率為0.05,訓(xùn)練網(wǎng)絡(luò)所要達(dá)到的目標(biāo)誤差為0.65×10-3。同時,根據(jù)R2的取值來判斷模型的好壞,其取值范圍為0～1,如果結(jié)果是0說明模型擬合效果很差,如果結(jié)果是1說明模型無錯誤。一般來說R2越大,表示模型擬合效果越好。該模型的決定系數(shù)R2為0.998 42,因此基于神經(jīng)網(wǎng)絡(luò)的環(huán)境監(jiān)測狀態(tài)神經(jīng)網(wǎng)絡(luò)模型方案科學(xué)可行。

從圖9可以得出神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與已知的實(shí)際環(huán)境狀態(tài)輸出值對比,可發(fā)現(xiàn)預(yù)測與實(shí)際是比較接近的。對于6：00、12：00、19：00對應(yīng)的環(huán)境監(jiān)測數(shù)據(jù),經(jīng)過融合處理預(yù)測得到的結(jié)論為環(huán)境狀態(tài)惡劣程度趨近于1,表示農(nóng)作物生長環(huán)境狀態(tài)較差,與實(shí)際數(shù)據(jù)的情況一致。模型擬合對于環(huán)境狀態(tài)的預(yù)測效果較好。

圖9 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與已知的訓(xùn)練樣本輸出值對比圖Fig.9 Comparison between neural network learning and known training sample output value

為進(jìn)一步驗(yàn)證本文數(shù)據(jù)融合方法的優(yōu)越性,用本文方法與未經(jīng)自適應(yīng)加權(quán)融合的傳統(tǒng)方法進(jìn)行了對比,傳統(tǒng)方法選擇與本文方法相同的神經(jīng)網(wǎng)絡(luò)模型,網(wǎng)絡(luò)參數(shù)設(shè)置完全一致。訓(xùn)練樣本采用傳感器直接測量的數(shù)據(jù),對環(huán)境監(jiān)測數(shù)據(jù)的綜合效果進(jìn)行測試,結(jié)果如表3所示。采用平均絕對誤差(MAE)和均方誤差(MSE)作為模型預(yù)測精度的判斷指標(biāo),定量衡量預(yù)測誤差大小。

表3 本文方法與傳統(tǒng)方法預(yù)測誤差對比Tab.3 Comparison of prediction error between this method and traditional method

6 結(jié)論

1) 本文針對智慧農(nóng)業(yè)存在的遠(yuǎn)距離、低功耗等問題,利用NB-IoT技術(shù)組建無線傳感網(wǎng)絡(luò)對農(nóng)作物生長環(huán)境進(jìn)行實(shí)時采集和監(jiān)測,實(shí)現(xiàn)了智能化和多角度的農(nóng)作物環(huán)境監(jiān)測。

2) 在軟硬件平臺搭建的基礎(chǔ)上,本文研究了基于多傳感器數(shù)據(jù)融合方法,首先利用自適應(yīng)加權(quán)平均融合然后再采用神經(jīng)網(wǎng)絡(luò)方法對各區(qū)域內(nèi)的傳感器數(shù)據(jù)進(jìn)行融合,從而得到該區(qū)域農(nóng)作物環(huán)境狀況的綜合判斷。

3) 與傳統(tǒng)方法相比,本文提出的方法對于環(huán)境狀態(tài)的預(yù)測效果較好,在不同指標(biāo)上誤差降低了45%～58%,預(yù)測準(zhǔn)確度大大提升。因此,該方法可以針對不同農(nóng)作物及其生存環(huán)境需求,有效地為農(nóng)作物的生存狀態(tài)提供預(yù)測,考核各種條件下的農(nóng)作物的生長環(huán)境狀態(tài)。