基于物聯(lián)網(wǎng)技術的智能溫室關鍵技術研究

引 言

物聯(lián)網(wǎng)技術作為近年來最熱門的話題之一，被認為是繼計算機、互聯(lián)網(wǎng)之后的第三次信息技術革命。其在農(nóng)業(yè)領域中有著廣泛地應用，無論是從農(nóng)產(chǎn)品種植地培育準備階段、生長階段還是收獲階段，都可以用物聯(lián)網(wǎng)技術來提高效率、精細管理和降低生產(chǎn)管理成本[1-5]?？v觀當前物聯(lián)網(wǎng)技術在智能溫室中的應用，大多注重在信息監(jiān)測、傳輸和一些簡單的自動化控制方面，實際上僅僅是實現(xiàn)了由機器設備代替人力勞動。在對大數(shù)據(jù)的融合、數(shù)據(jù)深度挖掘、生長模型建立、人工智能等方面的應用上還存在較大不足。本文在對智能溫室研究現(xiàn)狀進行分析的基礎上，提出了將農(nóng)業(yè)專家系統(tǒng)、模糊控制、數(shù)據(jù)融合、視頻圖像分析等關鍵技術應用到現(xiàn)代智能溫室系統(tǒng)中的方法。

1 智能溫室研究現(xiàn)狀分析

當前基于物聯(lián)網(wǎng)技術的智能溫室系統(tǒng)研究較多的集中在對前端信息感知和數(shù)據(jù)通信網(wǎng)絡的研究，如無線傳感器網(wǎng)絡、ZigBee通信協(xié)議、物聯(lián)網(wǎng)網(wǎng)關接入等[6-11]。在環(huán)境調(diào)控方面， 主要通過反饋控制的方式來實現(xiàn)。通常采用在建立相應控制規(guī)則的基礎上，對傳感器采集數(shù)據(jù)值和預設參數(shù)值比較，通過條件判斷的方式來下發(fā)對現(xiàn)場機電設備的控制指令。這種實現(xiàn)方式可根據(jù)溫室內(nèi)現(xiàn)狀來自動調(diào)控環(huán)境因素，但控制方式簡單，無法在作物整個生長周期內(nèi)提供穩(wěn)定、可靠的調(diào)控。往往在面臨較為復雜的實際情況時，出現(xiàn)控制工作的不穩(wěn)定甚至錯誤。總體上看，缺乏一個系統(tǒng)科學的決策機制，無法完全體現(xiàn)出人工智能的特點。

在數(shù)據(jù)處理和發(fā)掘方面，當前更多的是完成對傳感器數(shù)據(jù)和視頻信息地存儲，提供實時、歷史數(shù)據(jù)地查詢和數(shù)據(jù)報表地呈現(xiàn)。對數(shù)據(jù)的融合、分析和挖掘方面是非常缺乏的， 無法對數(shù)據(jù)進行深層次的利用，從而去指導生產(chǎn)和管理，造成數(shù)據(jù)的浪費。

綜上，合理的將農(nóng)業(yè)專家系統(tǒng)、數(shù)據(jù)融合、視頻圖像、模糊控制分析等技術應用到智能溫室中，將極大地提高系統(tǒng)智能化水平，真正讓農(nóng)業(yè)用戶體驗到基于物聯(lián)網(wǎng)技術的智能溫室?guī)淼男б妗?

2 關鍵技術研究

2.1 農(nóng)業(yè)專家系統(tǒng)

農(nóng)業(yè)專家系統(tǒng)是整個智能溫室系統(tǒng)的核心和大腦，一般由知識獲取工具、知識庫、數(shù)據(jù)庫、模型庫、推理機、人機界面等組成。專家系統(tǒng)地開發(fā)需要大量農(nóng)業(yè)專家知識的積累、對知識的恰當表示和描述、作物生長模型的建立、推理機的實現(xiàn)等過程 [12,13]。由于開發(fā)過程長、難度大，往往最為關鍵的農(nóng)業(yè)專家系統(tǒng)在智能溫室建設中容易被忽視。

下面以智能溫室中種植的番茄為例，提出一種番茄專家系統(tǒng)的構建方法。

通過采用JavaWeb、Tomcat以及MySQL進行 Web應用程序開發(fā)，實現(xiàn)支持用戶通過網(wǎng)絡瀏覽器的應用方式。系統(tǒng)功能主要分為番茄模型預測子系統(tǒng)、番茄病蟲害診斷子系統(tǒng)以及智能決策子系統(tǒng)三部分。采用三層架構的 B/S模式實現(xiàn)。第一層為視圖層，由JSP頁面完成用戶的交互，包括番茄栽培的預測、診斷、管理的相關狀態(tài)輸入，對策、結果輸出等。第二層為邏輯應用層，即控制層，包括 Web服務器和應用服務器， 專家系統(tǒng)的推理、解釋等功能在該層實現(xiàn)。第三層是數(shù)據(jù)庫服務器，即模型，在農(nóng)作物專家系統(tǒng)推理機中要使用到的知識以數(shù)據(jù)庫的形式存放于數(shù)據(jù)層，并在數(shù)據(jù)層完成對數(shù)據(jù)的完整性和安全性的檢驗工作。數(shù)據(jù)庫使用MySQL，數(shù)據(jù)庫中包含作物基本信息表、環(huán)境因素表、病蟲害信息表、知識表等。番茄專家系統(tǒng)登錄及功能界面如圖 1，圖 2 所示。

2.2 數(shù)據(jù)融合 

在智能溫室中，數(shù)據(jù)是 核心。系統(tǒng)對溫室內(nèi)環(huán)境是 否適應作物生長的判斷主要 依賴大量傳感器數(shù)據(jù)的上報。 單個傳感器獲取的數(shù)據(jù)是單 一和片面的，信息的參考價 值有限。對各個單一傳感器 的數(shù)據(jù)獨立處理，其結論必 定是片面的和不準確的。在 某個傳感器故障且用戶又不 知曉的情況下，可能會導致 錯誤的結論。因此采用多個不同種類、不同數(shù)量的傳感器進 行溫室內(nèi)環(huán)境數(shù)據(jù)的監(jiān)測，以生成滿足實際需求的合成信息， 提高決策的可靠性和準確性，使系統(tǒng)性能得到極大提高，這 其中的關鍵是多傳感器數(shù)據(jù)融合技術。

此外多傳感器數(shù)據(jù)融合也是傳感器節(jié)點實現(xiàn)節(jié)能的一種 有效技術途徑，數(shù)據(jù)融合技術通過降低網(wǎng)絡的數(shù)據(jù)傳輸量， 能夠達到節(jié)約能量的目的。它在數(shù)據(jù)從節(jié)點向基站傳輸?shù)倪^程 中，由中間節(jié)點收集多個節(jié)點的數(shù)據(jù)，并對這些數(shù)據(jù)進行融合 處理，去除冗余數(shù)據(jù)之后再轉(zhuǎn)發(fā)出去。這在智能溫室的實際 應用中具有重要的意義。

數(shù)據(jù)融合就是利用計算機對各種信息源進行處理、控制 和決策的一體化過程。多傳感器數(shù)據(jù)融合技術的基本原理就像人腦綜合處理來自視覺、聽覺、味覺、觸覺等感官信息一樣， 通過對多種傳感器數(shù)據(jù)進行聯(lián)合處理、分析和綜合，把多傳感器在空間或時間上冗余或互補信息依據(jù)某種準則來進行組合，以獲得被測對象的一致性解釋或描述。

多數(shù)據(jù)傳感器數(shù)據(jù)融合的常用方法基本上可概括為隨機和人工智能兩大類，隨機類方法有加權平均法、卡爾曼濾波法、多貝葉斯估計法、Dempster-Shafer（ D-S）證據(jù)推理、產(chǎn)生式規(guī)則等 ；而人工智能類則有模糊邏輯理論、神經(jīng)網(wǎng)絡、粗糙集理論、專家系統(tǒng)等。常用多數(shù)據(jù)傳感器數(shù)據(jù)融合方法及其特點見表 1 所示，應視具體場合采用不同的方法。且在實際應用中，常采用兩種或以上的方法來實現(xiàn)多數(shù)據(jù)傳感器數(shù)據(jù)的融合。

2.3 視頻圖像分析

相對傳感器數(shù)據(jù)而言，圖像和視頻（圖像序列）提供的農(nóng)作物生長狀態(tài)信息更加豐富和直觀。目前大多數(shù)智能溫室都安裝了圖像采集設備（攝像機），但對其所獲取數(shù)據(jù)地利用能力卻有待提高。通常的應用方式是采用農(nóng)業(yè)專家在線視頻診斷和對歷史圖片地查看來判斷作物生長態(tài)勢和病蟲害的相關情況，遠遠沒有達到智能的目標。

通過引入數(shù)字圖像處理、模式識別、數(shù)據(jù)挖掘等前沿技 術，可以提取出其中蘊含的人類不易發(fā)現(xiàn)的有用信息（如作物 的總體生長態(tài)勢、個體作物的特殊病變、作物生長隨時間演變 的周期規(guī)律等），從而幫助我們及早發(fā)現(xiàn)問題，作出有針對性 的決策，或者輔助構建客觀、準確的作物生長模型，用于專 家系統(tǒng)的知識庫等。

 通過攝像機對作物生長態(tài)勢進行評估并預警的原理是， 首先對攝像機采集的圖像進行預處理（包括圖像去噪、復原 及增強等），然后通過圖像分析技術提取出能夠反映作物生長 態(tài)勢的特征量（如作物各部位的顏色、大小、根莖的粗細、紋 理的分布等），進一步對由各特征量組成的特征矢量 X=（X1， X2，…，Xn）進行決策處理，最后得出作物生長良好或是較差的評判，并在作物生長較差的結論下作出預警處理。

 特征矢量 X 不是一個確定的量，因為攝像機采集到的某 一株具體作物、采集的時間、采集時的工作狀態(tài)都是隨機的， 因此應該把 X 視作隨機分布在特征空間中的一個元素，即 X 是一個隨機矢量。對獲取的隨機矢量 X，我們運用之前獲得 的先驗知識，采取一定的決策規(guī)則（如最小誤判概率準則、最 小損失準則等），就可以得出作物長勢良好還是較差的結論。 當然，由于針對的是隨機量，運用的是統(tǒng)計技術，因此結論 會有一定的誤判（結論本身也應視作隨機的），這種誤判的大 ?。ɑ蛘叻催^來說，可靠性的大?。┛梢酝ㄟ^熵理論來量化地 分析。

2.4 模糊控制

農(nóng)業(yè)生產(chǎn)是一個非常復雜的過程，在這個生產(chǎn)過程中， 各種各樣影響作物生長的因素并存，并且它們之間也存在各種各樣的關系，它們對作物的影響或大或小，不能明確區(qū)分，而作物本身地生長長勢也常常不能簡單地判斷為好或壞。因此， 在基于物聯(lián)網(wǎng)的智能溫室智能決策中，無論是模型地建立， 還是推理，如果采用傳統(tǒng)的技術，進行明確的劃分和硬性的規(guī)定，實際上是不能很好地描述客觀對象的。通過引入模糊處理方式，并滲透到上述的各個技術領域中，如專家系統(tǒng)的實現(xiàn)、數(shù)據(jù)的融合以及圖像和視頻的處理等，將進一步提高它們的性能。這里引入的模糊技術，并不是要把各個概念和結論模糊化，而是通過更逼真地描述客觀對象，得出更為準確的確定性決策和結論。

3 未來發(fā)展方向

近年來，基于物聯(lián)網(wǎng)技術的智能溫室方興未艾。在實際建設和應用過程中，各地智能溫室如雨后春筍遍地開花，但還缺乏科學的統(tǒng)籌規(guī)劃。各個智能溫室地建設往往各自為戰(zhàn)、信息孤立，單一服務器難以支撐智能溫室海量數(shù)據(jù)存儲、處理、挖掘的需求。且當前智能溫室數(shù)據(jù)中心、機房、軟件的開發(fā)存在重復建設的浪費。隨著云計算技術的落地生根、觸手可及， 未來智能溫室可能會朝著前端溫室差異化建設、后端云計算中心統(tǒng)一管理的方向發(fā)展。基于物聯(lián)網(wǎng)和云計算技術的智能溫室云服務平臺應該會成為未來的趨勢。

結 語

隨著物聯(lián)網(wǎng)技術的不斷發(fā)展，物聯(lián)網(wǎng)在農(nóng)業(yè)方面的應用日趨廣泛和成熟。尤其在智能溫室應用上，物聯(lián)網(wǎng)技術有著獨到的優(yōu)勢。從農(nóng)情信息的感知、傳輸?shù)綌?shù)據(jù)分析和挖掘、智能決策和控制，能夠極大地減少人力、物力地投入，降低成本， 確保農(nóng)產(chǎn)品的增產(chǎn)增收。

同時，物聯(lián)網(wǎng)在智能溫室的應用上還存在一些技術上亟待改善的地方，如在多傳感器數(shù)據(jù)融合、傳感器節(jié)點的節(jié)能管理、農(nóng)業(yè)專家系統(tǒng)開發(fā)、視頻圖像分析、模糊控制等多個方面。我們只有不斷加強上述關鍵技術的研究和優(yōu)化，并將它們應用到實際建設中，才能真正的為實現(xiàn)溫室的智能化，實現(xiàn)農(nóng)業(yè)信息化和現(xiàn)代化提供強勁的支持。