CN109445391A - 一种基于物联网的水产养殖多参数智能监控系统及其方法 - Google Patents
一种基于物联网的水产养殖多参数智能监控系统及其方法 Download PDFInfo
- Publication number
- CN109445391A CN109445391A CN201811325067.7A CN201811325067A CN109445391A CN 109445391 A CN109445391 A CN 109445391A CN 201811325067 A CN201811325067 A CN 201811325067A CN 109445391 A CN109445391 A CN 109445391A
- Authority
- CN
- China
- Prior art keywords
- data
- water quality
- aquaculture
- internet
- field device
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000009360 aquaculture Methods 0.000 title claims abstract description 33
- 244000144974 aquaculture Species 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 111
- 238000004891 communication Methods 0.000 claims abstract description 31
- 210000002569 neuron Anatomy 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 18
- 241000251468 Actinopterygii Species 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000005276 aerator Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000004377 microelectronic Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 241000276701 Oreochromis mossambicus Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by CIM planning or realisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种基于物联网的水产养殖多参数智能监控系统及其方法,系统包括采集与控制、通信传输以及数据服务中心等模块。采集与控制包括水质采集节点、视频监控单元、控制器以及现场设备;通信传输采用NB‑IoT与ZigBee组合通信方式;数据服务中心包括数据库服务器、通信服务器和应用服务器。监控方法包括:步骤1根据养殖生物设定水质参数标准值;步骤2控制器实时采集水质数据,使用多传感器融合方法剔除可疑数据;步骤3根据设定的数据帧格式上传数据至数据服务中心;步骤4控制器使用阈值控制现场设备;步骤5结合人工智能算法调整现场设备,实现养殖智能监控。本发明可实现水产养殖的精确测控,能显著提高水产养殖效益,促进水产养殖业的发展。
Description
技术领域
本发明属于无线传感网络技术和人工智能技术,设计一种基于物联网的水产养殖多参数智能监控系统及其方法,涉及农业水产养殖领域。
背景技术
中国是世界第一渔业大国,水产养殖量占世界总量将近3/4。当前工厂化循环水养鱼快速发展,因其封闭性,对水质监测具有更强的依赖性。使用科学方式调节渔业养殖的水质条件,配合高效合理的养殖技术,实现全方面的水质检测预警,对减少因为水质等方面引发的损失至关重要。
物联网在养殖领域应用越来越广,它是现代养殖精细化、自动化、智能化的重要技术支撑。目前,主要的无线通信方式有GPRS、NB-IoT、ZigBee、WiFi、RFID等。针对户外池塘布线困难、成本高等问题,普遍采用无线通信方式。本发明通信传输主要包括水质采集节点通过ZigBee星型组网实现数据汇集,嵌入式网关采用NB-IoT方式实现与远程数据服务中心的交互。
如今,随着电子信息技术的发展,预测技术新增了如神经网络、支持向量机、集合经验模态分解等新内容。“计算智能”开始融入物联网水产养殖测控应用当中。“计算智能”具有稳定性、准确性、时效性等优势,这些优势为物联网水产养殖应用打开了广阔的市场,提供了良好的发展空间。
目前,已有一些涉及养殖测控系统的专利,例如,公开号为205301975U的发明专利“一种基于物联网技术的深水网箱养殖监控系统”,该发明通过WiFi网络传送水质数据给本地控制器,对比环境因子变化,使得主机能够发送投饵量控制指令控制投饵机。该发明使用WiFi通信存在信号覆盖范围小、信号弱等缺点;未采取方法保证水质传感器数据的可靠性;系统控制未结合智能算法,稳定性、准确性、时效性较差。
发明内容
针对现有技术中存在的不足,本发明提供了一种基于物联网的水产养殖多参数智能监控系统及其方法。
本发明采用了NB-IoT与ZigBee组合通信方式;同时针对其他水质监控系统忽略了应用层设计,降低了系统的可靠性和安全性问题,本发明对数据服务中心进行负载均衡设计;针对用户终端使用手机APP占用手机内存,且同时需要开发Android和IOS两种版本手机APP的问题,本发明开发了手机微信公众号绑定设备和电脑WEB实时查看和调节水质。因此,本发明提出一种基于物联网的水产养殖多参数智能监控系统设计。通过该系统,可以更安全、更可靠、更稳定地监测水质信息和控制现场管理设备,能够更好地服务于养殖户手中。本发明的技术方案具体如下:
一种基于物联网的水产养殖多参数智能监控系统,包括:多参数采集单元、通信模块、控制模块、视频监控模块、数据服务中心和用户终端等模块。
所述多参数采集单元包含各种环境因子采集传感器;所述通信模块采用NB-IoT和ZigBee组合通信方式,所有的多参数采集单元通过ZigBee通信方式实现星型组网,ZigBee协调器连接嵌入式网关,通过NB-IoT通信方式与数据服务中心实现信息交互;所述控制模块均采用的是意法半导体公司的STM32F407芯片,实现对现场设备的控制;所述视频监控模块采用4G网络摄像头,通过4G网络直接与互联网联接;所述数据服务中心是应用层核心部件,针对数据服务中心三种功能需求,各自采用独立的服务器且都进行负载均衡部署,三种不同功能的服务器分别为:通信服务器、数据库服务器和应用服务器;数据服务中心将采集到的历史数据生成统计图表以便对水质数据进行大数据分析,从而给水质预警信息,并记录用户终端登录信息,以及记录现场管理设备动作状态情况;所述用户终端采用手机微信公众号绑定设备查看现场水质数据、远程操作现场设备以及观察养殖鱼类活动图像。所述多参数采集单元和通信模块的ZigBee终端节点均采用太阳能供电方式,控制模块采用市电供电方式。所述太阳能供电方式包括40W的太阳能板和蓄电池。
进一步,所述环境因子采集传感器包括温度传感器、溶解氧传感器、水位传感器、PH传感器等。
进一步,所述环境因子采集传感器与通信模块ZigBee的通信接口皆采用RS485通信协议。
进一步,所述现场设备包括增氧机、投饵机和循环水泵。
进一步,所述控制器模块控制增氧机、投饵机和循环水泵的运行。
本发明一种基于物联网的水产养殖多参数智能监控方法包含以下步骤:
步骤1,根据养殖生物设定水质参数标准值;
步骤2,控制器实时采集水质数据,使用多传感器融合方法剔除可疑数据;
步骤3,根据设定的数据帧格式上传数据至数据服务中心;
步骤4,控制器使用阈值控制现场设备;
步骤5,结合人工智能算法调整现场设备控制,实现养殖智能监控。
进一步,所述步骤1中根据养殖生物设定水质参数标准值,以罗非鱼养殖为例,设定水质参数标准值为:水温24℃,溶解氧5mg/L,PH为8,水位1.8m等。在这样的水质条件下,非常适宜罗非鱼的生长。
进一步,所述步骤2中控制器实时采集水质数据,使用多传感器融合方法剔除可疑数据,具体步骤如下:
步骤S2101,控制器定时发送水质数据采集指令给各水质采集节点;
步骤S2102,各水质采集节点通过ZigBee实时将水质数据传送给控制器;
步骤S2103,控制器通过串口接收水质数据并缓存在SD卡中;
步骤S2104,初始化多传感器融合模块;
步骤S2105,将采集到的同类型多传感器数据作为序列输入;
步骤S2106,将此输入的数据序列θi按数值从小到大排序,得到序列[θ1,θ2,…,θn],即θ1≤θ2≤…≤θn,其中,n为同类型数据个数;
步骤S2107,计算数据序列均值得到数据序列标准差σ′:
其中,n为同类型数据个数;
步骤S2108,根据顺序统计原理找出格罗贝斯统计量(gi)的确切分布:
其中,i=1,2,…,n;
步骤S2109,给定显著水平a(一般取a=0.05),使用查表法找出格罗贝斯统计量的临界值g0(n,a),其中,P[gi≥g0(n,a)]=a即为小概率事件,在θi(i=1,2,…,n)服从正态分布时不应出现;
步骤S2110,判断是否gi≥g0(n,a),若是,则判定gi分布存在显著差异,其相应的θi含有疏失误差,即θi是可疑值,应该剔除;若否,则判定θi没有疏失误差,保留θi;
步骤S2110,可以得到已经剔除掉可疑值的环境因子数据序列[θ′1,θ′2,…,θ′m](m≤n);
步骤S2111,再对得到的环境因子数据序列[θ′1,θ′2,θ′m]进行均值滤波,最终可得到同类型多传感器数据的融合值D:
其中,m为已经剔除掉可疑值的环境因子数据个数。
进一步,所述步骤3中根据设定的数据帧格式上传数据至数据服务中心,具体步骤如下:
步骤S3101,控制器将各环境因子的融合数据进行数据帧封装,数据帧传输格式由数据帧头至数据帧尾依次为:基地编号,鱼塘编号,设备编号,数据长度,水温高位,水温低位,溶解氧高位,溶解氧低位,PH高位,PH低位,水位高位,水位低位,校验码高位,校验码低位;
步骤S3102,控制器通过NB-IoT网络与数据服务中心进行HTTP连接,使用post方法通过servlet接口向数据库服务器插入数据。
进一步,所述步骤4中控制器使用阈值控制现场设备,具体步骤如下:
步骤S4101,控制器初始化阈值控制模块;
步骤S4102,设定每隔100ms调用一次阈值控制模块;
步骤S4103,将各类型水质环境因子的融合值输入给阈值控制模块;
步骤S4104,判断水质环境参数,若在正常范围内,则跳转到步骤S4103;若否,则判断偏大还是偏小,如偏大,则发送关闭现场设备指令,如偏小,则发送开启现场设备指令,从而调节水质。
进一步,所述步骤5中结合人工智能算法调整现场设备控制,实现养殖智能监控,具体步骤如下:
步骤S5101,数据服务中心累积存储到500组水质数据后启动人工智能模块;
步骤S5102,初始化人工神经网络水质预测算法,分别给输入层与隐含层的连接权值wih,隐含层与输出层的连接权值who,隐含层各神经元的阈值bh,输出层各神经元的阈值bo赋一个区间(-1,1)内的随机数,则所有wih,who,bh,bo均取0.1;
步骤S5103,设定最大网络学习次数5000次,期望误差ε为0.00000001;
步骤S5104,随机选取第k个水质样本和与之对应的期望输出
步骤S5105,计算隐含层各神经元输入hih(k),再通过输入和激活函数算出隐含层各神经元的输出hoh(k):
其中,n表示输入层神经元个数;
步骤S5106,从而可以得到输出层各神经元输入yio(k)和输出层各神经元输出yoo(k),即网络的实际输出:
其中,p表示隐含层神经元个数;
步骤S5107,计算得到误差函数对输出层各神经元的偏导数δo(k),进而得到误差函数对隐含层各神经元的偏导数δh(k):
δo(k)=(do(k)-yoo(k))yoo(k)(1-yoo(k)),
其中,q表示输出层神经元个数;
步骤S5108,修正权值who(k)、wih(k),阈值bo(k)、bh(k):
其中,N表示调整前,N+1表示调整后,η表示学习率,在(0,1)之间取值;
步骤S5109,由所有网络实际输出yo(k)和期望输出do(k)可计算水质预测模型的全局误差E:
其中,m表示水质样本数,q表示输出层神经元个数;
步骤S5110,判断是否E<ε,若是,输出水质环境因子预测值;若否,跳转至步骤S5104;
步骤S5111,判断预测的水质环境参数,若在正常范围内,则跳转到步骤S5102;若否,则判断偏大还是偏小,如偏大,则发送关闭现场设备指令,如偏小,则发送开启现场设备指令,从而达到提前调节水质,使得水产作物一直保持在适宜的环境中。
上述方法还包括:用户终端采用手机微信公众号绑定设备和电脑WEB实时查看水质情况和远程控制现场设备。
本发明的有益效果:
本发明首先根据养殖生物设定水质参数标准值;控制器实时发送采集水质数据指令,收集水质信息,使用多传感器融合方法剔除可疑数据;根据设定的数据帧格式实时上传水质数据至数据服务中心;控制器使用阈值控制方式实时控制现场设备的运作;结合人工智能算法,给出水质预警,实时调整现场设备控制,实现养殖智能监控。本发明可实现水产养殖的精确测控,能显著提高水产养殖效益,促进水产养殖业的发展。
附图说明
图1为系统总体设计图;
图2为控制器结构图;
图3为水质采集节点分布示意图;
图4为水质数据帧结构图;
图5为微信终端开发结构图;
图6为数据服务中心部分功能展示图;
图7为微信公众号客户端界面。
具体实施方式
下面结合附图对本发明作进一步说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。此处所描述的具体实施方式仅仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明所述的一种基于物联网的水产养殖多参数智能监控系统包括采集与控制、通信传输以及数据服务中心等模块。所述采集与控制主要包括水质采集节点、视频监控单元、控制器以及现场设备,水质采集节点均采用太阳能方式供电,其包含各种环境因子(水温、溶解氧、PH、水位等)传感器;视频监控单元通过4G网络摄像头实时采集现场图像数据;现场设备包括增氧机、循环水泵和投料机;控制器采用的是基于Cortex-M4内核的STM32F407芯片,负责采集与处理数据以及控制现场设备运作;所述通信传输主要包括各水质采集节点通过ZigBee星型组网实现数据汇集,嵌入式网关采用NB-IoT方式实现与远程数据服务中心的交互;所述数据服务中心包括数据库服务器、通信服务器和应用服务器,通过USG2130防火墙与Internet进行连接,负责大数据存储、智能算法分析、水质预警以及对来自终端用户查询和控制命令做出响应。
图2是本发明系统的控制器结构图。控制器采用的是基于Cortex-M4内核的STM32F407芯片,外设有:NB-IoT模组电路、SD卡控制电路、RS-485接口电路以及电源模块;控制器通过RS-485协议与ZigBee汇聚节点实现信息交互,同时通过发送RS-485控制指令控制现场设备驱动电路。
本发明一种基于物联网的水产养殖多参数智能监控系统工作时,按照如下步骤进行智能控制:
步骤1.根据养殖生物设定水质参数标准值
以罗非鱼养殖为例,设定水质参数标准值为:水温24℃,溶解氧5mg/L,PH为8,水位1.8m等。在这样的水质条件下,非常适宜罗非鱼的生长。
步骤2.控制器实时采集水质数据,使用多传感器融合方法剔除可疑数据
鱼塘区域很大,单纯用一个水质采集节点很难掌握鱼塘水质信息。如图3所示,针对鱼塘区域,分布式部署多个水质采集节点。通过多传感器数据融合方法剔除可疑数值,得出各类水质环境因子的融合数据,使得后续智能控制更加精准,具体步骤如下:
步骤S2101,控制器定时发送水质数据采集指令给各水质采集节点;
步骤S2102,各水质采集节点通过ZigBee实时将水质数据传送给控制器;
步骤S2103,控制器通过串口接收水质数据并缓存在SD卡中;
步骤S2104,初始化多传感器融合模块;
步骤S2105,将采集到的同类型多传感器数据作为序列输入;
步骤S2106,将此输入的数据序列按数值从小到大排序,得到序列[θ1,θ2,…,θn],即θ1≤θ2≤…≤θn,其中,n为同类型数据个数;
步骤S2107,计算数据序列均值得到数据序列标准差σ′:
其中,n为同类型数据个数;
步骤S2108,根据顺序统计原理找出格罗贝斯统计量(gi)的确切分布:
其中,i=1,2,…,n;
步骤S2109,给定显著水平a(一般取a=0.05),使用查表法找出格罗贝斯统计量的临界值g0(n,a),其中,P[gi≥g0(n,a)]=a即为小概率事件,在θi(i=1,2,…,n)服从正态分布时不应出现;
步骤S2110,判断是否gi≥g0(n,a),若是,则判定gi分布存在显著差异,其相应的θi含有疏失误差,即θi是可疑值,应该剔除;若否,则判定θi没有疏失误差,保留θi;
步骤S2110,可以得到已经剔除掉可疑值的环境因子数据序列[θ′1,θ′2,…,θ′m](m≤n);
步骤S2111,再对得到的环境因子数据序列[θ′1,θ′2,…θ′m]进行均值滤波,最终可得到同类型多传感器数据的融合值D:
其中,m为已经剔除掉可疑值的环境因子数据个数。
步骤3.根据设定的数据帧格式上传数据至数据服务中心
采用设定的数据帧格式,便于水质数据传输和管理,具体步骤如下:
步骤S3101,控制器将各环境因子的融合数据进行数据帧封装。如图4所示,数据帧传输格式由数据帧头至数据帧尾依次为:基地编号,鱼塘编号,设备编号,数据长度,水温高位,水温低位,溶解氧高位,溶解氧低位,PH高位,PH低位,水位高位,水位低位,校验码高位,校验码低位;
步骤S3102,控制器通过NB-IoT网络与数据服务中心进行HTTP连接,使用post方法通过servlet接口向数据库服务器插入数据。
步骤4.控制器使用阈值控制现场设备
控制器分析水质环境参数,使用阈值判断控制现场设备,使用具体步骤如下:
步骤S4101,控制器初始化阈值控制模块;
步骤S4102,设定每隔100ms调用一次阈值控制模块;
步骤S4103,将各类型水质环境因子的融合值输入给阈值控制模块;
步骤S4104,判断水质环境参数,若在正常范围内,则跳转到步骤S4103;若否,则判断偏大还是偏小,如偏大,则发送关闭现场设备指令,如偏小,则发送开启现场设备指令,从而调节水质。
步骤5.结合人工智能算法调整现场设备控制,实现养殖智能监控
控制器首先使用简单的阈值控制,同时结合人工智能算法调整现场设备控制,保证水质调节的精准性,具体步骤如下:
步骤S5101,数据服务中心累积存储到500组水质数据后启动人工智能模块;
步骤S5102,初始化人工神经网络水质预测算法,分别给输入层与隐含层的连接权值wih,隐含层与输出层的连接权值who,隐含层各神经元的阈值bh,输出层各神经元的阈值bo赋一个区间(-1,1)内的随机数,则所有wih,who,bh,bo均取0.1;
步骤S5103,设定最大网络学习次数5000次,期望误差ε为0.00000001;
步骤S5104,随机选取第k个水质样本和与之对应的期望输出
步骤S5105,计算隐含层各神经元输入hih(k),再通过输入和激活函数算出隐含层各神经元的输出hoh(k):
其中,n表示输入层神经元个数;
步骤S5106,从而可以得到输出层各神经元输入yio(k)和输出层各神经元输出yoo(k),即网络的实际输出:
其中,p表示隐含层神经元个数;
步骤S5107,计算得到误差函数对输出层各神经元的偏导数δo(k),进而得到误差函数对隐含层各神经元的偏导数δh(k):
δo(k)=(do(k)-yoo(k))yoo(k)(1-yoo(k)),
其中,q表示输出层神经元个数;
步骤S5108,修正权值who(k)、wih(k),阈值bo(k)、bh(k):
其中,N表示调整前,N+1表示调整后,η表示学习率,在(0,1)之间取值;
步骤S5109,由所有网络实际输出yo(k)和期望输出do(k)可计算水质预测模型的全局误差E:
其中,m表示水质样本数,q表示输出层神经元个数;
步骤S5110,判断是否E<δ,若是,输出水质环境因子预测值;若否,跳转至步骤S5104;
步骤S5111,判断预测的水质环境参数,若在正常范围内,则跳转到步骤S5102;若否,则判断偏大还是偏小,如偏大,则发送关闭现场设备指令,如偏小,则发送开启现场设备指令,从而达到提前调节水质,使得水产作物一直保持在适宜的环境中。
图5是本发明微信终端开发结构图。用户通过微信公众号绑定设备后,能够实时查看数据和控制现场设备;用户可以选择手动或定时控制现场设备,也可以启动智能控制模式;用户可以实时查看系统水质预警状态,同时可以查看预测的未来时段各类水质环境因子的变化曲线图。
图6是本发明数据服务中心部分功能展示图。本发明系统的数据服务中心采用独立的数据库服务器、通信服务器和应用服务器,降低了数据与通信之间的耦合性,提高了系统的执行效率和响应速度。数据服务中心实现用户管理、数据存储、数据分析、预警,以及响应来自终端用户的查询和控制命令。如图6,用户可以查看到某一养殖站点、某一天、某一时刻存储的水质数据。
图7为本发明用户终端的一个手机微信公众号实施例的操作界面,用户使用手机微信公众号绑定设备查看现场水质数据、远程操作现场设备以及观察养殖鱼类活动图像。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网的水产养殖多参数智能监控系统,其特征在于,包括多参数采集单元、通信模块、控制模块、视频监控模块、数据服务中心和用户终端等模块;
所述多参数采集单元包含各种环境因子采集传感器;所述通信模块采用NB-IoT和ZigBee组合通信方式,所有的多参数采集单元通过ZigBee通信方式实现星型组网,ZigBee协调器连接嵌入式网关,通过NB-IoT通信方式与数据服务中心实现信息交互;所述控制模块均采用的是意法半导体公司的STM32F407芯片,实现对现场设备的控制;所述视频监控模块采用4G网络摄像头,通过4G网络直接与互联网联接;所述数据服务中心是应用层核心部件,针对数据服务中心三种功能需求,各自采用独立的服务器且都进行负载均衡部署,三种不同功能的服务器分别为:通信服务器、数据库服务器和应用服务器;所述用户终端采用手机微信公众号绑定设备查看现场水质数据、远程操作现场设备以及观察养殖鱼类活动图像。
2.根据权利要求1所述的一种基于物联网的水产养殖多参数智能监控系统,其特征在于,所述环境因子采集传感器包括温度传感器、溶解氧传感器、水位传感器、PH传感器等。
3.根据权利要求1所述的一种基于物联网的水产养殖多参数智能监控系统,其特征在于,所述环境因子采集传感器与通信模块ZigBee的通信接口皆采用RS485通信协议。
4.根据权利要求1所述的一种基于物联网的水产养殖多参数智能监控系统,其特征在于,所述现场设备包括增氧机、投饵机和循环水泵。
5.根据权利要求1所述的一种基于物联网的水产养殖多参数智能监控系统,其特征在于,所述控制器模块控制增氧机、投饵机和循环水泵的运行。
6.一种基于物联网的水产养殖多参数智能监控方法,其特征在于,包括如下步骤:
步骤1,根据养殖生物设定水质参数标准值;
步骤2,控制器实时采集水质数据,使用多传感器融合方法剔除可疑数据;
步骤3,根据设定的数据帧格式上传数据至数据服务中心;
步骤4,控制器使用阈值控制现场设备;
步骤5,结合人工智能算法调整现场设备控制,实现养殖智能监控。
7.根据权利要求6所述的一种基于物联网的水产养殖多参数智能监控方法,其特征在于,所述步骤2的具体实现包括:
步骤S2101,控制器定时发送水质数据采集指令给各水质采集节点;
步骤S2102,各水质采集节点通过ZigBee实时将水质数据传送给控制器;
步骤S2103,控制器通过串口接收水质数据并缓存在SD卡中;
步骤S2104,初始化多传感器融合模块;
步骤S2105,将采集到的同类型多传感器数据作为序列输入;
步骤S2106,将此输入的数据序列按数值从小到大排序,得到序列[θ1,θ2,…,θn],即θ1≤θ2≤…≤θn,其中,n为同类型数据个数;
步骤S2107,计算数据序列均值得到数据序列标准差σ′:
其中,n为同类型数据个数;
步骤S2108,根据顺序统计原理找出格罗贝斯统计量(gi)的确切分布:
其中,i=1,2,…,n;
步骤S2109,给定显著水平a,使用查表法找出格罗贝斯统计量的临界值g0(n,a),其中,P[gi≥g0(n,a)]=a即为小概率事件,在θi(i=1,2,…,n)服从正态分布时不应出现;
步骤S2110,判断是否gi≥g0(n,a),若是,则判定gi分布存在显著差异,其相应的θi含有疏失误差,即θi是可疑值,应该剔除;若否,则判定θi没有疏失误差,保留θi;
步骤S2110,可以得到已经剔除掉可疑值的环境因子数据序列[θ′1,θ′2,…,θ′m](m≤n);
步骤S2111,再对得到的环境因子数据序列[θ′1,θ′2,…θ′m]进行均值滤波,最终可得到同类型多传感器数据的融合值D:
其中,m为已经剔除掉可疑值的环境因子数据个数。
8.根据权利要求6所述的一种基于物联网的水产养殖多参数智能监控方法,其特征在于,所述步骤3的具体实现包括:
步骤S3101,控制器将各环境因子的融合数据进行数据帧封装,数据帧传输格式由数据帧头至数据帧尾依次为:基地编号,鱼塘编号,设备编号,数据长度,水温高位,水温低位,溶解氧高位,溶解氧低位,PH高位,PH低位,水位高位,水位低位,校验码高位,校验码低位;
步骤S3102,控制器通过NB-IoT网络与数据服务中心进行HTTP连接,使用post方法通过servlet接口向数据库服务器插入数据。
9.根据权利要求6所述的一种基于物联网的水产养殖多参数智能监控方法,其特征在于,所述步骤4的具体实现包括:
步骤S4101,控制器初始化阈值控制模块;
步骤S4102,设定每隔一定时间调用一次阈值控制模块;
步骤S4103,将各类型水质环境因子的融合值输入给阈值控制模块;
步骤S4104,判断水质环境参数,若在正常范围内,则跳转到步骤S4103;若否,则判断偏大还是偏小,如偏大,则发送关闭现场设备指令,如偏小,则发送开启现场设备指令,从而调节水质。
10.根据权利要求6所述的一种基于物联网的水产养殖多参数智能监控方法,其特征在于,所述步骤5的具体实现包括:
步骤S5101,数据服务中心累积存储到一定数值的水质数据后启动人工智能模块;
步骤S5102,初始化人工神经网络水质预测算法,分别给输入层与隐含层的连接权值wih,隐含层与输出层的连接权值who,隐含层各神经元的阈值bh,输出层各神经元的阈值bo赋一个区间(-1,1)内的随机数,则所有wih,who,bh,bo均取0.1;
步骤S5103,设定最大网络学习次数5000次,期望误差ε为0.00000001;
步骤S5104,随机选取第k个水质样本和与之对应的期望输出
步骤S5105,计算隐含层各神经元输入hih(k),再通过输入和激活函数算出隐含层各神经元的输出hoh(k):
其中,n表示输入层神经元个数;
步骤S5106,从而可以得到输出层各神经元输入yio(k)和输出层各神经元输出yoo(k),即网络的实际输出:
其中,p表示隐含层神经元个数;
步骤S5107,计算得到误差函数对输出层各神经元的偏导数δo(k),进而得到误差函数对隐含层各神经元的偏导数δh(k):
δo(k)=(do(k)-yoo(k))yoo(k)(1-yoo(k)),
其中,q表示输出层神经元个数;
步骤S5108,修正权值who(k)、wih(k),阈值bo(k)、bh(k):
其中,N表示调整前,N+1表示调整后,η表示学习率,在(0,1)之间取值;
步骤S5109,由所有网络实际输出yo(k)和期望输出do(k)可计算水质预测模型的全局误差E:
其中,m表示水质样本数,q表示输出层神经元个数;
步骤S5110,判断是否E<ε,若是,输出水质环境因子预测值;若否,跳转至步骤S5104;
步骤S5111,判断预测的水质环境参数,若在正常范围内,则跳转到步骤S5102;若否,则判断偏大还是偏小,如偏大,则发送关闭现场设备指令,如偏小,则发送开启现场设备指令,从而达到提前调节水质,使得水产作物一直保持在适宜的环境中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325067.7A CN109445391A (zh) | 2018-11-08 | 2018-11-08 | 一种基于物联网的水产养殖多参数智能监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325067.7A CN109445391A (zh) | 2018-11-08 | 2018-11-08 | 一种基于物联网的水产养殖多参数智能监控系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109445391A true CN109445391A (zh) | 2019-03-08 |
Family
ID=65551141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811325067.7A Pending CN109445391A (zh) | 2018-11-08 | 2018-11-08 | 一种基于物联网的水产养殖多参数智能监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445391A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022541A (zh) * | 2019-05-22 | 2019-07-16 | 南开大学 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
CN110122379A (zh) * | 2019-05-15 | 2019-08-16 | 广西壮族自治区水产科学研究院 | 一种罗非鱼高产养殖装置及方法 |
CN110362134A (zh) * | 2019-06-20 | 2019-10-22 | 浙江鑫网能源工程有限公司 | 一种无线传感网络装置 |
CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析系统 |
CN110589948A (zh) * | 2019-09-09 | 2019-12-20 | 广东聚源管业实业有限公司 | 一种基于溶解氧传感器监测管道内水质的方法及系统 |
CN110806706A (zh) * | 2019-10-30 | 2020-02-18 | 江苏大学 | 一种基于窄带物联网和自校准的太阳能溶解氧传感器装置及控制方法 |
CN111610777A (zh) * | 2020-05-25 | 2020-09-01 | 佛山科学技术学院 | 一种基于人工智能的鱼塘控制系统 |
CN111928888A (zh) * | 2020-06-12 | 2020-11-13 | 中国环境科学研究院 | 一种水域污染智能监控分析方法及系统 |
CN112578725A (zh) * | 2020-12-16 | 2021-03-30 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔业水上养殖设施安全预警系统及方法 |
CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及系统 |
CN113396856A (zh) * | 2021-05-27 | 2021-09-17 | 福建省寰杰科技发展有限公司 | 一种海鲜池监控系统 |
CN113589869A (zh) * | 2021-07-06 | 2021-11-02 | 武汉工程大学 | 一种水产养殖智能增氧与远程监控装置及控制方法 |
CN114240686A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市旗扬特种装备技术工程有限公司 | 智慧渔业监测系统 |
CN117825652A (zh) * | 2024-01-05 | 2024-04-05 | 江苏省海洋水产研究所 | 一种用于养殖尾水总氮总磷的智能监测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792918A (zh) * | 2014-01-17 | 2014-05-14 | 无锡圩厍水产专业合作社 | 一种基于物联网的智能化渔业养殖系统 |
CN104856666A (zh) * | 2015-04-27 | 2015-08-26 | 电子科技大学 | 一种基于LabVIEW的生物电信号监测系统 |
CN105352535A (zh) * | 2015-09-29 | 2016-02-24 | 河海大学 | 一种基于多传感器数据融合的测量方法 |
CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
US20180262571A1 (en) * | 2016-03-04 | 2018-09-13 | Sabrina Akhtar | Integrated IoT (Internet of Things) System Solution for Smart Agriculture Management |
-
2018
- 2018-11-08 CN CN201811325067.7A patent/CN109445391A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792918A (zh) * | 2014-01-17 | 2014-05-14 | 无锡圩厍水产专业合作社 | 一种基于物联网的智能化渔业养殖系统 |
CN104856666A (zh) * | 2015-04-27 | 2015-08-26 | 电子科技大学 | 一种基于LabVIEW的生物电信号监测系统 |
CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
CN105352535A (zh) * | 2015-09-29 | 2016-02-24 | 河海大学 | 一种基于多传感器数据融合的测量方法 |
US20180262571A1 (en) * | 2016-03-04 | 2018-09-13 | Sabrina Akhtar | Integrated IoT (Internet of Things) System Solution for Smart Agriculture Management |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110122379A (zh) * | 2019-05-15 | 2019-08-16 | 广西壮族自治区水产科学研究院 | 一种罗非鱼高产养殖装置及方法 |
CN110022541A (zh) * | 2019-05-22 | 2019-07-16 | 南开大学 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
CN110362134A (zh) * | 2019-06-20 | 2019-10-22 | 浙江鑫网能源工程有限公司 | 一种无线传感网络装置 |
CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析系统 |
CN110589948A (zh) * | 2019-09-09 | 2019-12-20 | 广东聚源管业实业有限公司 | 一种基于溶解氧传感器监测管道内水质的方法及系统 |
CN110806706A (zh) * | 2019-10-30 | 2020-02-18 | 江苏大学 | 一种基于窄带物联网和自校准的太阳能溶解氧传感器装置及控制方法 |
CN111610777A (zh) * | 2020-05-25 | 2020-09-01 | 佛山科学技术学院 | 一种基于人工智能的鱼塘控制系统 |
CN111928888A (zh) * | 2020-06-12 | 2020-11-13 | 中国环境科学研究院 | 一种水域污染智能监控分析方法及系统 |
CN112578725A (zh) * | 2020-12-16 | 2021-03-30 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔业水上养殖设施安全预警系统及方法 |
CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及系统 |
CN113065687B (zh) * | 2021-03-16 | 2023-09-05 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及系统 |
CN113396856A (zh) * | 2021-05-27 | 2021-09-17 | 福建省寰杰科技发展有限公司 | 一种海鲜池监控系统 |
CN113589869A (zh) * | 2021-07-06 | 2021-11-02 | 武汉工程大学 | 一种水产养殖智能增氧与远程监控装置及控制方法 |
CN114240686A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市旗扬特种装备技术工程有限公司 | 智慧渔业监测系统 |
CN117825652A (zh) * | 2024-01-05 | 2024-04-05 | 江苏省海洋水产研究所 | 一种用于养殖尾水总氮总磷的智能监测装置 |
CN117825652B (zh) * | 2024-01-05 | 2024-06-21 | 江苏省海洋水产研究所 | 一种用于养殖尾水总氮总磷的智能监测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109445391A (zh) | 一种基于物联网的水产养殖多参数智能监控系统及其方法 | |
CN108450386B (zh) | 一种工厂化水产养殖的水质调控系统与方法 | |
CN103268105A (zh) | 基于物联网Android平台的水产养殖远程监控系统 | |
CN105137950B (zh) | 一种基于物联网技术的温室大棚智能控制系统 | |
CN101167436B (zh) | 一种基于无线探测器的智能浇灌系统和方法 | |
CN205301934U (zh) | 一种设施农业物联网环境测控装置 | |
CN102014165A (zh) | 远程农业信息智能分析系统及农业环境调控方法 | |
CN106873676A (zh) | 一种基于物联网的智慧农业数据采集方法及系统 | |
CN103823437A (zh) | 一种具有便携式监控装置的水产养殖智能控制系统 | |
CN107562029A (zh) | 物联网智能养殖厂控制方法 | |
CN108170113A (zh) | 一种数据驱动的开放式水产养殖综合服务系统 | |
CN106444925A (zh) | 一种基于物联网技术的畜禽舍环境监控系统及其工作方法 | |
CN107463958A (zh) | 昆虫识别预警方法及系统 | |
CN105974976B (zh) | 一种基于物联网的智能温室控制与管理系统 | |
CN103823415A (zh) | 一种水产养殖智能控制系统 | |
CN102981484A (zh) | 一种基于物联网的温室智能控制系统 | |
CN211824521U (zh) | 基于云平台与气象预测的智慧养殖系统 | |
CN104345695A (zh) | 水产养殖环境智能监控系统 | |
CN205375166U (zh) | 一种基于物联网的智能农业监控系统 | |
CN203324260U (zh) | 基于物联网的南美白对虾养殖水质在线监测系统 | |
CN108234674A (zh) | 智能蔬菜家电物联网系统 | |
CN204925782U (zh) | 一种基于物联网技术的温室大棚智能控制系统 | |
CN208141205U (zh) | 一种数据驱动的开放式水产养殖综合服务系统 | |
CN203386063U (zh) | 水产养殖环境智能监控系统 | |
CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |