CN105739575A - 一种设施蔬菜环境参数的数据融合方法、装置及系统 - Google Patents
一种设施蔬菜环境参数的数据融合方法、装置及系统 Download PDFInfo
- Publication number
- CN105739575A CN105739575A CN201610065128.5A CN201610065128A CN105739575A CN 105739575 A CN105739575 A CN 105739575A CN 201610065128 A CN201610065128 A CN 201610065128A CN 105739575 A CN105739575 A CN 105739575A
- Authority
- CN
- China
- Prior art keywords
- ambient parameter
- value
- parameter sequence
- sequence
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种设施蔬菜环境参数的数据融合方法、装置及系统,所述方法包括:获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值;将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列;对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。上述设施蔬菜环境参数的数据融合方法、装置及系统解决了现有技术中没有考虑传感器的布置位置对温室大棚整体环境参数的影响,从而造成现有技术对温室大棚整体环境参数监测不准确的技术问题。
Description
技术领域
本发明涉及大棚种植技术领域,尤其涉及一种设施蔬菜环境参数的数据融合方法、装置及系统。
背景技术
温室大棚的种植为提高人们的生活水平带来极大的便利,同时也为农业种植户带来了理想的收益。温室大棚的环境系统是一个复杂的具有非线性时变、多变量强相关、延时大等特征的分布参数系统,一个参数的变化会影响到环境系统中多个环境参数的改变。但目前多数温室大棚都是人工管理,存在种植模式单一、管理不到位等问题,这就会引起多种病害的交叉传播和蔓延。
物联网传感器是对各种参量进行信息采集和简单加工处理的设备,并通过固有协议,将数据信息传送给物联网终端处理。物联网传感器可以独立存在,也可以与其他设备以一体方式呈现。大量物联网传感器节点随机部署在监测区域内部或附近,通过自组织方式构成无线传感器网络。传感器节点监测的数据沿着其他传感器节点逐跳地在无线传感器网络中进行传输。在传输过程中监测数据可能被多个节点处理,经过多跳后路由到汇聚节点,最后通过互联网或卫星到达管理节点。用户通过管理节点对传感器网络进行配置和管理,发布监测任务以及收集监测数据。
因此,引入多种传感器对环境参数信息进行采集,从而更加全面系统地监测温室大棚的环境。每个传感器节点对周围环境的光照、温度、湿度等信息进行采集。
温室大棚中未经处理的采集数据向平台发送时会造成网络负载过大,从而降低数据处理的效率。而多传感器数据融合技术可以解决数据冗余、准确性不高等问题。多传感器数据融合技术形成于上世纪80年代,它不同于一般信号处理,也不同于单个或多个传感器的监测和测量,而是对基于多个传感器测量结果基础上的更高层次的综合决策过程。
多传感器数据融合技术可以从不同的角度进行分类,分类方式有多种:根据融合前后数据的信息量划分,分为无损融合和有损融合;根据数据融合与应用层数据语义之间的关系划分,分为依赖于应用的数据融合、独立于应用的数据融合、结合以上两种技术的数据融合;根据融合操作的级别划分,分为数据级融合、特征级融合、决策级融合。结合不同场景采集到的数据特点进行不同的数据融合方法的应用。
现有的数据融合方法是算数平均法,该方法是最常用,最易理解的方法,但易受到极端数据(极大或极小)的影响,此时的算数平均法是不正确且不具代表性的。
并且,传感器在温室大棚内的位置布置也影响环境参数的检测结果,菜农对传感器进行布置基本凭个人经验,无任何科学依据,忽略了不同位置的传感器对温室大棚整体环境参数的影响。
发明内容
本发明提供一种设施蔬菜环境参数的数据融合方法、装置及系统,以解决现有技术中没有考虑传感器的布置位置对温室大棚整体环境参数的影响,从而造成现有技术对温室大棚整体环境参数监测不准确的技术问题。
第一方面,本发明提供一种设施蔬菜环境参数的数据融合方法,包括:
获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值;
将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列;
对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。
可选地,所述对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值,包括:
根据预设的大棚内各预设位置的权重分配规则,确定每个环境参数序列中各值对应的权重值;
将每个环境参数序列均分为两个子序列,根据所述每个环境参数序列中各值对应的权重值,确定所述两个子序列对应的标准误差;
根据所述两个子序列对应的标准误差及两个子序列对应的系数矩阵,确定各环境参数的不同时刻的融合值。
可选地,所述将每个环境参数序列均分为两个子序列,根据所述每个环境参数序列中各值对应的权重值,确定所述两个子序列对应的标准误差,包括:
将每个环境参数序列均分为两个子序列,确定每个环境参数序列中两个子序列对应的权重平均值;
根据所述两个子序列对应的权重平均值及两个子序列中各值对应的权重值,确定所述每个环境参数序列中两个子序列对应的标准误差。
可选地,所述根据所述两个子序列对应的标准误差及两个子序列对应的系数矩阵,确定各环境参数的不同时刻的融合值,包括:
根据所述两个子序列对应的标准误差,确定每个环境参数序列的方差及两个子序列对应的协方差矩阵;
根据所述每个环境参数序列的方差、所述两个子序列对应的协方差矩阵及所述系数矩阵,确定各环境参数的不同时刻的融合值。
可选地,在所述对所述各环境参数序列进行加权融合计算之前,所述方法还包括:
去除所述各环境参数序列中的异常数据;
相应地,所述对所述各环境参数序列进行加权融合计算,包括:
对去除异常数据的各环境参数序列进行加权融合计算。
可选地,在所述对所述各环境参数序列进行加权融合计算之前,所述方法还包括:
对每个环境参数序列进行滑动平均窗滤波,得到滤波的环境参数序列;
相应的,所述对所述各环境参数序列进行加权融合计算,包括:
对滤波的各环境参数序列进行加权融合计算。
可选地,所述去除所述各环境参数序列中的异常数据,包括:
计算各环境参数序列的平均值及各环境参数序列中每个值与所属环境参数序列的平均值之间的剩余误差,得到每个环境参数序列的各剩余误差;
根据每个环境参数序列的所述平均值及所述各剩余误差,计算每个环境参数序列的标准误差;
根据所述每个环境参数序列的各剩余误差及所述标准误差,确定每个环境参数序列中的异常数据。
可选地,所述根据所述每个环境参数序列的各剩余误差及所述标准误差,确定每个环境参数序列中的异常数据,包括:
根据以下公式确定每个环境参数序列中的异常数据
vi>1.5σ';
其中,vi是每个环境参数序列中的第i个数值对应的剩余误差,i∈[1,N],N为每个环境参数序列中的数值个数,σ'为每个环境参数序列的标准误差。
第二方面,本发明提供一种设施蔬菜环境参数的数据融合装置,包括:
获取单元,用于获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值;
序列组成单元,用于将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列;
融合计算单元,用于对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。
第三方面,本发明提供一种设施蔬菜环境参数的数据融合系统,包括:多个空气温湿度传感器、多个土壤温湿度传感器、多个光照强度传感器、多个二氧化碳浓度传感器及上述实施例所述的设施蔬菜环境参数的数据融合装置;
所述多个空气温湿度传感器、所述多个土壤温湿度传感器、所述多个光照强度传感器及所述多个二氧化碳浓度传感器与所述设施蔬菜环境参数的数据融合装置连接;
所述多个空气温湿度传感器,用于在大棚内预设的不同采集位置处采集空气温度和空气湿度的值,并将采集到的空气温度的值和空气湿度的值发送给所述设施蔬菜环境参数的数据融合装置;
所述多个土壤温湿度传感器,用于在大棚内预设的不同采集位置处采集土壤温度和土壤湿度的值,并将采集到的土壤温度的值和土壤湿度的值发送给所述设施蔬菜环境参数的数据融合装置;
所述多个光照强度传感器,用于在大棚内预设的不同采集位置处采集光照强度的值,并将采集到的光照强度的值发送给所述设施蔬菜环境参数的数据融合装置;
所述多个二氧化碳浓度传感器,用于在大棚内预设的不同采集位置处采集二氧化碳浓度的值,并将采集到的二氧化碳浓度的值发送给所述设施蔬菜环境参数的数据融合装置。
由上述技术方案可知,本发明的设施蔬菜环境参数的数据融合方法、装置及系统,通过周期性的采集预设的不同位置处的各环境参数的数值,构成环境参数序列,去除各环境参数序列中的异常数据,通过对不同位置处采集的环境参数分配权重,并对采集的数据进行融合,可以得到准确的数据,提升了对温室大棚内设施蔬菜环境参数监测的准确率,实现了从整体上监测温室大棚的环境。
附图说明
图1为本发明一实施例提供的设施蔬菜环境参数的数据融合方法的流程示意图;
图2为本发明一实施例提供的设施蔬菜环境参数的数据融合装置的结构示意图;
图3为本发明一实施例提供的设施蔬菜环境参数的数据融合系统的结构示意图;
图4为本发明一实施例使用的传感器一体机的示意图;
图5为本发明一实施例提供的传感器在温室大棚内竖直方向的布置位置示意图;
图6为本发明一实施例提供的传感器在另一个温室大棚内竖直方向的布置位置示意图;
图7示出了本发明一实施例的传感器在温室大棚内水平方向设置位置示意图;
图8示出了本发明一实施例提供的土壤温湿度传感器在温室大棚内的布置位置示意图;
图9示出了本发明一实施例提供的各空气温度传感器在温室大棚内的布置位置示意图;
图10示出了本发明一实施例提供的设施蔬菜环境参数的数据融合方法得到的环境参数监测值与实际采集值之间的关系示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明一实施例提供的设施蔬菜环境参数的数据融合方法的流程示意图。如图1所示,本实施例的设施蔬菜环境参数的数据融合方法包括步骤S11至S13。
S11、获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值。
本实施例中,选取对温室大棚内植物生长影响最大的6个环境参数进行测量,分别是:空气温度、空气湿度、土壤温度、土壤湿度、二氧化碳浓度和光照强度。
本实施例中,采用空气温湿度传感器、土壤温湿度传感器、二氧化碳浓度传感器和光照强度传感器对上述6个环境参数进行测量。
S12、将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列。
S13、对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。
本实施例中,对温室大棚中不同位置的传感器设置不同的权重,并对各环境参数序列中的数据进行融合计算,可以从整体上反映温室大棚内设施蔬菜各环境参数的测量值,以实现准确的监测温室大棚的环境。
本实施例的设施蔬菜环境参数的数据融合方法,通过去除各环境参数序列中的异常数据,对大棚内不同位置测得的环境参数设置不同的权重,提高了环境监测的准确性,实现了整体上监测温室大棚的环境。
在本发明的一个优选的实施例中,步骤S13具体包括图1中未示出的子步骤S131至S133。
S131、根据预设的大棚内各预设位置的权重分配规则,确定每个环境参数序列中各值对应的权重值。
本实施例中,考虑到预设的不同位置处采集的环境参数的值存在差异,为了从整体上测量温室大棚中的环境参数,对不同位置处的环境参数序列设置不同的权重。
以空气温度为例,温室大棚中的不同位置处设置空气温湿度传感器,靠近门口和远离门口采集的数据存在一定的差异,因此,在整体测量温室大棚中的环境参数时,采取对不同位置的传感器采集的环境参数进行加权处理。
设置位于温室大棚门口的传感器对应的权重值小于1,位于温室大棚的中间位置及里侧位置的传感器对应的权重值大于1。且,各传感器的权重值之和与温室大棚内传感器的数目相等。
S132、将每个环境参数序列均分为两个子序列,根据所述每个环境参数序列中各值对应的权重值,确定所述两个子序列对应的标准误差。
S133、根据所述两个子序列对应的标准误差及两个子序列对应的系数矩阵,确定各环境参数的不同时刻的融合值。
本实施例的设施蔬菜环境参数的数据融合方法,为大棚内不同的采集位置设置不同的权重,对去除异常数据后的环境参数序列进行分批估计,得到各环境参数的融合值,从而实现对温室大棚内环境的监测,对传感器采集的数据进行更科学地筛选融合,提高数据获取的准确性和科学性,为后续研究提供准确数据基础。
在本发明的一个优选的实施例中,步骤S132具体包括图1中未示出的子步骤S1321和S1322。
S1321、将每个环境参数序列均分为两个子序列,确定每个环境参数序列中两个子序列对应的权重平均值。
以空气温度序列为例,将N个不同空气温湿度传感器采集的空气温度值均分为两个子序列,分别为第一子序列和第二子序列。第一个子序列中包括m个空气温度值,记第一子序列为T1m;第二子序列中包括n个空气温度值,记第二子序列为T2n。
设温室大棚内第i个传感器的权重值为pi,第一子序列中各值对应的传感器的权重值为p1i,第二子序列中各值对应的传感器的权重值为p2j,且有
则第一子序列的权重平均值和第二子序列的权重平均值分别由公式(1)和(2)计算得到:
其中,为第一子序列的权重平均值,m为第一子序列的数值的数目,p1i为第一子序列中各值对应的传感器的权重值,T1i为第一子序列中的第i个值,i∈[1,m]。为第二子序列的权重平均值,n为第二子序列的数值的数目,p2j为第二子序列中各值对应的传感器的权重值,T2j为第二子序列中的第j个值,j∈[1,n]。
S1322、根据所述两个子序列对应的权重平均值及两个子序列中各值对应的权重值,确定所述每个环境参数序列中两个子序列对应的标准误差。
第一子序列的标准误差和第二子序列的标准误差分别由公式(3)和(4)计算得到:
其中,σ1为第一子序列的标准误差,σ2为第二子序列的标准误差。
步骤S133具体包括图1中未示出的子步骤S1331和S1332。
S1331、根据所述两个子序列对应的标准误差,确定每个环境参数序列的方差及两个子序列对应的协方差矩阵。
由于和为同一时刻不同传感器采集得到的两个子序列对应的权重平均值,在此之前没有任何有关空气温度的数据记录,即此前测量结果的方差σ-=∞。根据分批估计理论,分批估计后得到的温度融合值的方差由公式(5)计算得到:
σ+=[(σ-)-1+HTR-1H]-1(5)
其中,σ+为第一子序列和第二子序列所在的空气温度序列的方差,H为第一子序列和第二子序列的系数矩阵;R为第一子序列和第二子序列的协方差矩阵,σ-为本实施例时间测量点之前的结果的方差。且对于H和R有
将H和R的表达式带入公式(5)得到公式(6):
S1332、根据所述每个环境参数序列的方差、所述两个子序列对应的协方差矩阵及所述系数矩阵,确定各环境参数的不同时刻的融合值。
空气温度的融合值由公式(7)计算得到:
T+=σ+(σ-)-1T-+(σ+HTR-1)T=(σ+HTR-1)T(7)
其中,T+为空气温度的融合值,σ+为第一子序列和第二子序列所在的空气温度序列的方差,σ-为本实施例时间测量点之前的结果的方差,T-为本实施例时间测量点之前之前温度指标参数测量统计结果,T为第一子序列和第二子序列所在的空气温度序列中的各值。
将公式(6)代入公式(7)得公式(8):
本实施例的设施蔬菜环境参数的数据融合方法,利用分批估计理论对环境参数序列进行分批估计,最后导出各环境参数的不同时刻的融合值,从而实现从整体对温室大棚的环境进行监测。本实施例的数据处理方法具有计算量小、计算机编程容易的优点。
在本发明的一个优选的实施例中,在步骤S13之前,上述方法还包括图1中未示出的以下步骤:
S12’、去除所述各环境参数序列中的异常数据。
传感器测得的环境参数中,存在一些异常数据,这些异常数据可能是因为打开温室大棚的门或者其它原因造成的,这些异常数据会影响对温室大棚环境参数测量的准确性。因此本申请中,首先根据预设的异常数据筛选规则,确定每个环境参数序列中的异常数据。
去除每个环境参数序列中的异常数据,以保证各环境参数序列中数据的准确度。
相应地,步骤S13包括:
对去除异常数据的各环境参数序列进行加权融合计算。
本实施例的设施蔬菜环境参数的数据融合方法,通过将每个环境参数序列中的异常数据去除,可以提高环境参数监测的准确性。
在本发明的一个优选的实施例中,在步骤S13之前,上述方法还包括图1中未示出的以下步骤:
对每个环境参数序列进行滑动平均窗滤波,得到滤波后的环境参数序列。
举例来说,每个传感器采集的最新空气温度测量值与采集的99个空气温度测量值加和并求其平均值,将求得的平均值作为有效采样值。
如果取100个采样值求平均,存储区中必须开辟100个数据的暂存区。每新采集一个空气温度数据便存入暂存区中,同时去掉一个最老数据,保存这100个空气温度数据始终是最新更新的数据。采用环型队列结构可实现这种数据存放方式。
相应的,步骤S13包括:对滤波的各环境参数序列进行加权融合计算。
本实施例的设施蔬菜环境参数的数据融合方法,可以有效的消除外界噪声对环境参数准确度的影响,提高了设施蔬菜环境参数监测的准确度。
在本发明一个优选的实施例中,步骤S12’具体包括图1中未示出的子步骤S12’1至S12’5。
S12’1、计算每个环境参数序列的平均值及各环境参数序列中每个值与所属环境参数序列的平均值之间的剩余误差,得到每个环境参数序列的各剩余误差。
以温室大棚中的空气温度这一环境举例说明,温室大棚中在N个不同的位置处共设置了N个空气温湿度传感器,则同一时刻大棚内的N个空气温湿度传感器检测到了N个空气温度值,分别为T1,T2…,TN,上述N个空气温度值组成空气温度序列。
根据公式(9)计算空气温度序列的平均值:
其中,为空气温度序列的平均值,N为温室大棚内空气温湿度传感器的数目,Ti为空气温度序列中第i个空气温湿度传感器采集到的空气温度值,i∈[1,N]。
根据公式(10)计算空气温度序列中每个值与所属环境参数序列的平均值之间的剩余误差:
其中,vi为Ti的剩余误差。
可以理解的是,对其他环境参数,如空气湿度、光照强度等,也进行上述运算,得到每个环境参数序列的各剩余误差。
S12’2、根据每个环境参数序列的所述平均值及所述各剩余误差,计算每个环境参数序列的标准误差。
根据公式(11)计算空气温度序列的标准误差:
其中,σ'为每个空气温度序列的标准误差。
S12’3、根据所述每个环境参数序列的各剩余误差及所述标准误差,确定每个环境参数序列中的异常数据。
空气温度序列中,如果某个空气温度测量值Ti对应的剩余误差vi满足公式(12),则认为Ti是空气温度序列中的异常数据。
本实施例中,公式(12)对拉依达法则进行了改进,将现有的拉依达法则中的3σ′,改进为公式(4)中的1.5σ′。
因此,预设的异常数据筛选规则即为本实施例中的改进的拉依达法则。
S12’4、将所述异常数据去除,向去除异常数据后的各环境参数序列中补充下一时刻的环境参数值,得到补充的各环境参数序列。
将上述空气温度序列中的异常数据去除以后,向去除异常数据后的空气温度序列补入依次补入新的空气温度测量值,得到补充的空气温度序列。
由于各传感器每隔5分钟采集一次数据,如果第n个传感器采集的环境参数值为异常数据,则向此环境参数序列中加入下一时刻采集的环境参数值,得到补充的环境参数序列。
S12’5、去除所述补充的各环境参数序列中的异常数据,得到正确的各环境参数序列。
对补充的空气温度序列继续去除异常数据,目的在于检测新补入的空气温度测量值中是否存在异常数据,如果存在,去除异常数据,然后补入新的空气温度测量值,直到补充的空气温度序列中不存在异常数据,此不存在异常数据的空气温度序列就是正确的空气温度序列。
举例来说,如果空气温度序列中含有100个空气温度测量值,存在7个异常数据,则将上述7个异常数据去除,得到去除异常数据后的空气温度序列。向去除异常数据后的空气温度序列中依次补入7个新的空气温度测量值,构成补充的空气温度序列。检查补充的空气温度序列中是否存在异常数据,如果存在,则去除异常数据,继续补入新的空气温度测量值,直到补充的空气温度序列中不存在异常数据为止。此不存在异常数据的补充的空气温度序列即为正确的空气温度序列。
本实施例的设施蔬菜环境参数的数据融合方法,去除测量的各环境参数序列中的异常数据,保证了各环境参数序列中各数据的准确性。
图2示出了本发明一实施例提供的设施蔬菜环境参数的数据融合装置的结构示意图。如图2所示,本实施例的设施蔬菜环境参数的数据融合装置包括获取单元201、序列组成单元202以及融合计算单元204。
获取单元201,用于获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值;
序列组成单元202,用于将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列;
融合计算单元203,用于对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。
本实施例的设施蔬菜环境参数的数据融合装置,可以提高温室大棚内设施蔬菜环境参数监测的准确性。
图3示出了本发明一实施例提供的设施蔬菜环境参数的数据融合系统的结构示意图。如图3所示,本实施例的设施蔬菜环境参数的数据融合系统包括:多个空气温湿度传感器301、多个土壤温湿度传感器302、多个光照强度传感器303、多个二氧化碳浓度传感器304及图2所示实施例的设施蔬菜环境参数的数据融合装置305(为方便表示,图中每种传感器只示出了一个);
所述多个空气温湿度传感器301、所述多个土壤温湿度传感器302、所述多个光照强度传感器303及所述多个二氧化碳浓度传感器304分别与所述设施蔬菜环境参数的数据融合装置305连接;
所述多个空气温湿度传感器301,用于在大棚内预设的不同采集位置处采集空气温度和空气湿度的值,并将采集到的空气温度的值和空气湿度的值发送给所述设施蔬菜环境参数的数据融合装置305;
所述多个土壤温湿度传感器302,用于在大棚内预设的不同采集位置处采集土壤温度和土壤湿度的值,并将采集到的土壤温度的值和土壤湿度的值发送给所述设施蔬菜环境参数的数据融合装置305;
所述多个光照强度传感器303,用于在大棚内预设的不同采集位置处采集光照强度的值,并将采集到的光照强度的值发送给所述设施蔬菜环境参数的数据融合装置305;
所述多个二氧化碳浓度传感器304,用于在大棚内预设的不同采集位置处采集二氧化碳浓度的值,并将采集到的二氧化碳浓度的值发送给所述设施蔬菜环境参数的数据融合装置305。
本实施例的设施蔬菜环境参数的数据融合系统,应用传感器对温室大棚内的环境参数进行监测,布置方便,价格低廉,容易实现,且能够提高温室大棚内环境监测的准确率。
在本发明一个优选的实施例中,为了更好的检测温室大棚内适合叶类蔬菜生长的环境,向叶类蔬菜研究专家级团队进行交流咨询,将适合检测叶类蔬菜的传感器的要求总结如下:
①作物种植时期,温室大棚内作物适宜的温度范围是15~30℃,温度传感器分辨率要求较高,且误差不能太大,不超过0.1℃;
②作物种植时期,空气湿度范围为0-100%RH,重复性在±0.1%RH范围内,对空气温湿度传感器精度要求较高,一般在±5.0%RH范围内;
③白天土壤5厘米深处温度可比棚内气温低5-7℃,夜间土壤5厘米深处的温度要比气温高3-5℃,故叶类蔬菜根系生长发育适宜的土壤温度为20-24℃,对土壤温湿度传感器的精度要求及误差要求与空气温湿度传感器的要求相同;
④根据土壤质地确定,用相对含水量衡量,60%~70%就有旱象,故低于50%,就算缺水。所以土壤湿度传感器要求监测精度较高,误差要求较低;
⑤光照传感器对工作温度较敏感,故要选用工作温度范围较大的传感器,且光照传感器测量有效范围要在200~200000Lux;
⑥二氧化碳传感器工作时对温度和湿度都较为敏感,由于叶类蔬菜种植期间湿度会较大,所以工作湿度范围上限至少要大于90%RH,工作温度范围上限要至少大于40℃。
根据上述要求,本实施例中,采用如图4所示的传感器一体机对温室大棚的6个环境参数进行测量。
图4(a)是本实施例采用的传感器一体机的正面示意图,图4(b)是本实施例采用的传感器一体机的背面示意图。传感器一体机的正面中间部分是液晶显示屏401,下方右侧是空气温湿度传感器402,下方中间是土壤温湿度传感器403的接口,下方左侧是传感器一体机的电源接口,右上方是光照传感器404,传感器一体机的背面靠左的部分有二氧化碳传感器405。
本实施例中,设定各传感器每隔5分钟采集一次数据。
下表1是本实施例采用的传感器。
表1传感器一体机的具体参数
本实施例的设施蔬菜环境参数的数据融合系统,对传感器的选择满足叶类蔬菜的生成特性,使用的传感器一体机具有良好的可靠性和适用性。
在本发明一个优选的实施例中,针对常见的5种设施蔬菜进行多参数环境信息采集和数据融合方法进行研究。以通州实验基地的2个日光温室中种植的5种叶类蔬菜(芹菜、菠菜、生菜、油菜、快菜)为例进行说明。
将2个日光温室命名为1号温室和3号温室。日光温室大小为:长100米,宽8米,高2.2米。
图5为本发明一实施例提供的传感器在温室大棚内竖直方向的布置位置示意图。如图5所示,为1号温室竖直方向传感器布置设计。501为本实施例采用的传感器一体机的在竖直方向的位置,考虑到温室中各监测指标分布不均及蔬菜采收高度等特点,为不影响生长和采收,充分采集环境信息,按照均匀布置的原则,将0.8m和1.5m作为温室高的分割点,将常见5种设施蔬菜分类,先对1号温室中菠菜、芹菜和油菜进行传感器布置研究。普通菠菜高60-70cm,芹菜高70-90cm,普通油菜高30-90cm,所以所有传感器均布置在高度1.5m处即可。
图6为本发明一实施例提供的传感器在另一个温室大棚内竖直方向的布置位置示意图。如图6所示,各传感器一体机601在3号温室竖直方向的布置设计。3号温室中种植的生菜及快菜株高较低,生菜高20-30cm,快菜高30-40cm。由于空气温湿度随位置不同变化较大,3号温室空气温湿度传感器可布置在高度1.5m和0.8m处,而光照强度和二氧化碳浓度随位置变化不大,考虑到传感器利用率及成本问题,故光照强度传感器和二氧化碳浓度传感器仍布置在高度1.5m处。
图7示出了本发明一实施例的传感器在温室大棚内水平方向设置位置示意图。如图7所示,为1号及3号温室大棚水平方向传感器布置设计,各传感器一体机701在水平方向上均匀的分布在温室大棚内。由于温室大棚中不同位置处空气温湿度有很大差异,考虑到这种差异性,空气温湿度传感器和土壤温湿度传感器均布置在南北方向离墙面4米处,位置处于温室大棚宽度一半距离处,并在东西方向每隔25米处取一布置点。而相对于空气温湿度及土壤温湿度来说,光照强度在温室大棚不同位置的差异性没有那么显著,所以基于降低成本的原则,光照强度传感器布置在南北方向离墙面4米处,且东西方向每隔50米处取一布置点,即位置大概在温室大棚的中央。
图8示出了本发明一实施例提供的土壤温湿度传感器在温室大棚内的布置位置示意图。如图8所示,为温室大棚中的土壤温湿度传感器801竖直方向布置设计。由于温室大棚中种植的设施蔬菜根系的长短不一,查阅资料总结可得,上述常见5种设施蔬菜根系平均5-10cm,所以为不影响蔬菜生长,土壤温湿度传感器可布置在地面以下10cm和20cm处两个深度。
各传感器布置完毕后,则要对各传感器采集的环境参数进行处理。本实施例中采用基于改进的拉依达准则和分批估计加权处理的多传感器递推融合方法对各传感器采集的环境参数进行处理。以3号温室大棚中典型的空气温度传感器为例进行分析说明,其他传感器采集的环境参数的处理与空气温度的处理类似。
取2015年1月8日至2015年2月26日期间每天14:35的同一温室空气温度数据共50组采样数据,进行数据融合试验。但由于采样点较多,仅列出前10组及第50组数据以代表。
其中,3号温室各空气温度传感器分布如图9所示。6个空气温度传感器901、902、903、904、905和906分别分布在P1、P2、P3、P4、P5和P6共六个位置,靠近门口处的空气温度传感器位置为P1和P4,远离门口的传感器位置为P3和P6,采集到相应的温度数据分别为T1、T2、T3、T4、T5和T6。
由于在温室传感器数据采集的过程中,外界干扰较强,针对该种温室大棚环境参数的采集缺点,我们首先对采集到的50组空气温度数据进行滑动平均窗滤波,再对滤波后的数据逐一采用改进的拉依达准则进行一致性检测,从而去除每组中的异常数据。去除异常数据后,得到正确的各组空气温度数据。
将每组正常数据平均分成两小组进行标准误差、均值等相关计算,最后求得每组融合后的数据,具体计算结果如表2所示。
其中,为算数平均法的计算结果,T+为本实施例的加权融合的处理结果。
表26个不同位置的空气温度传感器采集的空气温度值
图10示出了本发明一实施例提供的设施蔬菜环境参数的数据融合方法得到的环境参数监测值与实际采集值之间的关系示意图。如图10所示,为本发明算法和单个传感器、算数平均法的试验结果对比。
由图可知,本实施例的环境参数监测方法可以对检测得到的异常数据进行识别,从而得到准确度较高的环境参数。对设施蔬菜的相应传感器进行具体布置,有一定指导性和适用性,很有实用意义。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种设施蔬菜环境参数的数据融合方法,其特征在于,包括:
获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值;
将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列;
对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。
2.根据权利要求1所述的方法,其特征在于,所述对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值,包括:
根据预设的大棚内各预设位置的权重分配规则,确定每个环境参数序列中各值对应的权重值;
将每个环境参数序列均分为两个子序列,根据所述每个环境参数序列中各值对应的权重值,确定所述两个子序列对应的标准误差;
根据所述两个子序列对应的标准误差及两个子序列对应的系数矩阵,确定各环境参数的不同时刻的融合值。
3.根据权利要求2所述的方法,其特征在于,所述将每个环境参数序列均分为两个子序列,根据所述每个环境参数序列中各值对应的权重值,确定所述两个子序列对应的标准误差,包括:
将每个环境参数序列均分为两个子序列,确定每个环境参数序列中两个子序列对应的权重平均值;
根据所述两个子序列对应的权重平均值及两个子序列中各值对应的权重值,确定所述每个环境参数序列中两个子序列对应的标准误差。
4.根据权利要求2所述的方法,其特征在于,所述根据所述两个子序列对应的标准误差及两个子序列对应的系数矩阵,确定各环境参数的不同时刻的融合值,包括:
根据所述两个子序列对应的标准误差,确定每个环境参数序列的方差及两个子序列对应的协方差矩阵;
根据所述每个环境参数序列的方差、所述两个子序列对应的协方差矩阵及所述系数矩阵,确定各环境参数的不同时刻的融合值。
5.根据权利要求1所述的方法,其特征在于,在所述对所述各环境参数序列进行加权融合计算之前,所述方法还包括:
去除所述各环境参数序列中的异常数据;
相应地,所述对所述各环境参数序列进行加权融合计算,包括:
对去除异常数据的各环境参数序列进行加权融合计算。
6.根据权利要求1或5所述的方法,其特征在于,在所述对所述各环境参数序列进行加权融合计算之前,所述方法还包括:
对每个环境参数序列进行滑动平均窗滤波,得到滤波的各环境参数序列;
相应的,所述对所述各环境参数序列进行加权融合计算,包括:
对滤波的各环境参数序列进行加权融合计算。
7.根据权利要求5所述的方法,其特征在于,所述去除所述各环境参数序列中的异常数据,包括:
计算各环境参数序列的平均值及各环境参数序列中每个值与所属环境参数序列的平均值之间的剩余误差,得到每个环境参数序列的各剩余误差;
根据每个环境参数序列的所述平均值及所述各剩余误差,计算每个环境参数序列的标准误差;
根据所述每个环境参数序列的各剩余误差及所述标准误差,确定每个环境参数序列中的异常数据。
8.根据权利要求7所述的方法,其特征在于,所述根据所述每个环境参数序列的各剩余误差及所述标准误差,确定每个环境参数序列中的异常数据,包括:
根据以下公式确定每个环境参数序列中的异常数据
vi>1.5σ';
其中,vi是每个环境参数序列中的第i个数值对应的剩余误差,i∈[1,N],N为每个环境参数序列中的数值个数,σ'为每个环境参数序列的标准误差。
9.一种设施蔬菜环境参数的数据融合装置,其特征在于,包括:
获取单元,用于获取大棚内各预设位置处不同时刻的设施蔬菜的至少一个环境参数的值;
序列组成单元,用于将相同时刻的各环境参数的值分别组成环境参数序列,得到不同时刻的各环境参数序列;
融合计算单元,用于对所述各环境参数序列进行加权融合计算,以获得不同时刻的各环境参数序列的融合值。
10.一种设施蔬菜环境参数的数据融合系统,其特征在于,包括:多个空气温湿度传感器、多个土壤温湿度传感器、多个光照强度传感器、多个二氧化碳浓度传感器及如权利要求9所述的设施蔬菜环境参数的数据融合装置;
所述多个空气温湿度传感器、所述多个土壤温湿度传感器、所述多个光照强度传感器及所述多个二氧化碳浓度传感器分别与所述设施蔬菜环境参数的数据融合装置连接;
所述多个空气温湿度传感器,用于在大棚内预设的不同采集位置处采集空气温度和空气湿度的值,并将采集到的空气温度的值和空气湿度的值发送给所述设施蔬菜环境参数的数据融合装置;
所述多个土壤温湿度传感器,用于在大棚内预设的不同采集位置处采集土壤温度和土壤湿度的值,并将采集到的土壤温度的值和土壤湿度的值发送给所述设施蔬菜环境参数的数据融合装置;
所述多个光照强度传感器,用于在大棚内预设的不同采集位置处采集光照强度的值,并将采集到的光照强度的值发送给所述设施蔬菜环境参数的数据融合装置;
所述多个二氧化碳浓度传感器,用于在大棚内预设的不同采集位置处采集二氧化碳浓度的值,并将采集到的二氧化碳浓度的值发送给所述设施蔬菜环境参数的数据融合装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610065128.5A CN105739575B (zh) | 2016-01-29 | 2016-01-29 | 一种设施蔬菜环境参数的数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610065128.5A CN105739575B (zh) | 2016-01-29 | 2016-01-29 | 一种设施蔬菜环境参数的数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105739575A true CN105739575A (zh) | 2016-07-06 |
CN105739575B CN105739575B (zh) | 2018-08-17 |
Family
ID=56247000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610065128.5A Active CN105739575B (zh) | 2016-01-29 | 2016-01-29 | 一种设施蔬菜环境参数的数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105739575B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406397A (zh) * | 2016-10-10 | 2017-02-15 | 广州智慧城市发展研究院 | 一种智慧大棚 |
CN106407684A (zh) * | 2016-09-21 | 2017-02-15 | 江西天祥通用航空股份有限公司 | 一种喷洒数据报告的生成装置及方法 |
CN107396292A (zh) * | 2017-07-29 | 2017-11-24 | 陈剑桃 | 一种用于精准农业的土壤湿度信息获取系统 |
CN109413217A (zh) * | 2018-12-31 | 2019-03-01 | 宁波工程学院 | 一种农业物联网数据通讯方法 |
CN109451461A (zh) * | 2018-12-31 | 2019-03-08 | 宁波工程学院 | 一种基于农业物联网的传感器数据融合方法 |
CN109496713A (zh) * | 2019-01-08 | 2019-03-22 | 菏泽市农业科学院 | 一种蔬菜栽培装置及无农药蔬菜栽培方法 |
CN109587652A (zh) * | 2018-12-31 | 2019-04-05 | 宁波工程学院 | 一种农业物联网故障诊断方法 |
CN109814629A (zh) * | 2019-01-24 | 2019-05-28 | 安徽斯瑞菱智能科技有限公司 | 一种远程遥控温度测控方法及系统 |
CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
CN114486656A (zh) * | 2021-12-31 | 2022-05-13 | 扬州江净空调制造有限公司 | 用于医疗洁净室的动态环境监测系统 |
CN114594813A (zh) * | 2020-12-07 | 2022-06-07 | 远东科技大学 | 多变量环境调控方法 |
CN114675694A (zh) * | 2022-03-24 | 2022-06-28 | 宁波云笈科技有限公司 | 基于Lora无线传感的5G智慧育苗方法及系统 |
CN114740926A (zh) * | 2021-07-06 | 2022-07-12 | 百倍云(浙江)物联科技有限公司 | 一种温室大棚环境数据智能处理方法 |
CN114995560A (zh) * | 2022-06-17 | 2022-09-02 | 国网福建省电力有限公司 | 基于数据融合算法的gis防尘棚环境智能监控系统 |
CN115202421A (zh) * | 2022-09-14 | 2022-10-18 | 广东省农业科学院动物科学研究所 | 一种智能养殖环境控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001004627A (ja) * | 1999-04-19 | 2001-01-12 | Nisshin Flour Milling Co Ltd | メイラード反応後期生成物に対する自己抗体の免疫学的検出法 |
CN101715242A (zh) * | 2009-06-26 | 2010-05-26 | 上海海洋大学 | 集约化水产养殖无线传输汇聚节点装置及信息融合方法 |
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测系统及检测方法 |
CN103354652A (zh) * | 2013-06-14 | 2013-10-16 | 中国农业大学 | 一种无线体域网轻量级数据融合的方法与装置 |
CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
-
2016
- 2016-01-29 CN CN201610065128.5A patent/CN105739575B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001004627A (ja) * | 1999-04-19 | 2001-01-12 | Nisshin Flour Milling Co Ltd | メイラード反応後期生成物に対する自己抗体の免疫学的検出法 |
CN101715242A (zh) * | 2009-06-26 | 2010-05-26 | 上海海洋大学 | 集约化水产养殖无线传输汇聚节点装置及信息融合方法 |
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测系统及检测方法 |
CN103354652A (zh) * | 2013-06-14 | 2013-10-16 | 中国农业大学 | 一种无线体域网轻量级数据融合的方法与装置 |
CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
宋庆恒: "基于多传感器数据融合的蔬菜大棚控制系统设计", 《农机化研究》 * |
蔡振江 等: "数据融合技术在温室温度检测中的应用", 《农业机械学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407684A (zh) * | 2016-09-21 | 2017-02-15 | 江西天祥通用航空股份有限公司 | 一种喷洒数据报告的生成装置及方法 |
CN106406397A (zh) * | 2016-10-10 | 2017-02-15 | 广州智慧城市发展研究院 | 一种智慧大棚 |
CN107396292A (zh) * | 2017-07-29 | 2017-11-24 | 陈剑桃 | 一种用于精准农业的土壤湿度信息获取系统 |
CN109413217B (zh) * | 2018-12-31 | 2021-06-08 | 宁波工程学院 | 一种农业物联网数据通讯方法 |
CN109413217A (zh) * | 2018-12-31 | 2019-03-01 | 宁波工程学院 | 一种农业物联网数据通讯方法 |
CN109451461A (zh) * | 2018-12-31 | 2019-03-08 | 宁波工程学院 | 一种基于农业物联网的传感器数据融合方法 |
CN109587652A (zh) * | 2018-12-31 | 2019-04-05 | 宁波工程学院 | 一种农业物联网故障诊断方法 |
CN109587652B (zh) * | 2018-12-31 | 2022-03-08 | 宁波工程学院 | 一种农业物联网故障诊断方法 |
CN109496713A (zh) * | 2019-01-08 | 2019-03-22 | 菏泽市农业科学院 | 一种蔬菜栽培装置及无农药蔬菜栽培方法 |
CN109814629B (zh) * | 2019-01-24 | 2023-10-20 | 安徽斯瑞菱智能科技有限公司 | 一种远程遥控温度测控方法及系统 |
CN109814629A (zh) * | 2019-01-24 | 2019-05-28 | 安徽斯瑞菱智能科技有限公司 | 一种远程遥控温度测控方法及系统 |
CN114594813B (zh) * | 2020-12-07 | 2023-02-28 | 远东科技大学 | 多变量环境调控方法 |
CN114594813A (zh) * | 2020-12-07 | 2022-06-07 | 远东科技大学 | 多变量环境调控方法 |
CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
CN114740926A (zh) * | 2021-07-06 | 2022-07-12 | 百倍云(浙江)物联科技有限公司 | 一种温室大棚环境数据智能处理方法 |
CN114740926B (zh) * | 2021-07-06 | 2023-07-25 | 百倍云(浙江)物联科技有限公司 | 一种温室大棚环境数据智能处理方法 |
CN114486656B (zh) * | 2021-12-31 | 2022-12-02 | 扬州江净空调制造有限公司 | 用于医疗洁净室的动态环境监测系统 |
CN114486656A (zh) * | 2021-12-31 | 2022-05-13 | 扬州江净空调制造有限公司 | 用于医疗洁净室的动态环境监测系统 |
CN114675694A (zh) * | 2022-03-24 | 2022-06-28 | 宁波云笈科技有限公司 | 基于Lora无线传感的5G智慧育苗方法及系统 |
CN114675694B (zh) * | 2022-03-24 | 2023-08-25 | 宁波云笈科技有限公司 | 基于Lora无线传感的5G智慧育苗方法及系统 |
CN114995560A (zh) * | 2022-06-17 | 2022-09-02 | 国网福建省电力有限公司 | 基于数据融合算法的gis防尘棚环境智能监控系统 |
CN115202421A (zh) * | 2022-09-14 | 2022-10-18 | 广东省农业科学院动物科学研究所 | 一种智能养殖环境控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105739575B (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105739575A (zh) | 一种设施蔬菜环境参数的数据融合方法、装置及系统 | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
French et al. | Remote sensing of evapotranspiration over cotton using the TSEB and METRIC energy balance models | |
Mishra et al. | Drought monitoring with soil moisture active passive (SMAP) measurements | |
Doraiswamy et al. | Crop yield assessment from remote sensing | |
AU2016244067B2 (en) | Forecasting national crop yield during the growing season | |
Havrylenko et al. | Assessment of the soil water content in the Pampas region using SWAT | |
Boschetti et al. | Multi-year monitoring of rice crop phenology through time series analysis of MODIS images | |
CN100394212C (zh) | 一种大面积作物种植面积及其产量的遥感检测估算方法 | |
Möller et al. | Coupling of phenological information and simulated vegetation index time series: Limitations and potentials for the assessment and monitoring of soil erosion risk | |
Van Niel et al. | Current and potential uses of optical remote sensing in rice-based irrigation systems: a review | |
Santos et al. | Estimation of evapotranspiration for different land covers in a Brazilian semi-arid region: a case study of the Brígida River basin, Brazil | |
Wang et al. | Monitoring maize growth conditions by training a BP neural network with remotely sensed vegetation temperature condition index and leaf area index | |
CA2981473C (en) | Forecasting national crop yield during the growing season | |
CN101858971A (zh) | 一种基于modis数据的水稻单产遥感估算方法 | |
CN102636486B (zh) | 一种棉花三真叶期的自动检测方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN113298859B (zh) | 一种基于无人机影像的作物氮肥变量管理方法 | |
CN100536653C (zh) | 基于计算机视觉的作物需水信息检测新方法 | |
Donald et al. | Using MODIS imagery, climate and soil data to estimate pasture growth rates on farms in the south-west of Western Australia | |
Niclòs et al. | SMOS level-2 soil moisture product evaluation in rain-fed croplands of the Pampean region of Argentina | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
Zhuo et al. | Integrating remotely sensed water stress factor with a crop growth model for winter wheat yield estimation in the North China Plain during 2008–2018 | |
CN115859823A (zh) | 一种基于滑动窗口子时期划分的时变参数水文模拟方法 | |
Cheng et al. | Evaluation of UAV-based drought indices for crop water conditions monitoring: A case study of summer maize |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |