CN109931987A - 一种基于云端的智能种菜机环境精准监测系统及方法 - Google Patents
一种基于云端的智能种菜机环境精准监测系统及方法 Download PDFInfo
- Publication number
- CN109931987A CN109931987A CN201910300355.5A CN201910300355A CN109931987A CN 109931987 A CN109931987 A CN 109931987A CN 201910300355 A CN201910300355 A CN 201910300355A CN 109931987 A CN109931987 A CN 109931987A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- planting machine
- cloud platform
- vegetable planting
- 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
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于云端的智能种菜机环境精准监测系统,其特征在于:包括环境监测模块、控制器、数据传输网络、移动终端及云平台。本发明还涉及一种基于云端的智能种菜机环境精准监测方法,包括如下步骤:1)采集环境温湿度原始数据;2)通过数据传输网络传输给云平台;3)云平台将采集的原始数据存储于数据库模块中;4)云平台对原始数据进行数据融合算法处理;5)将处理完毕的精准数据通过数据传输网络传输推送至移动终端。本发明设计科学合理,有助于种菜机对温湿度数据的采集与分析,实现对数据的精准监测与处理。
Description
技术领域
本发明属于种菜机技术领域,涉及种菜机环境监测,特别涉及一种基于云端的智能种菜机环境精准监测系统及方法。
背景技术
近年来随着食品安全事故的逐渐增多,公众对食品的安全问题已更加关注。空气污浊、土壤腐蚀、居室甲醛超标等成为影响都市人健康的隐形杀手,都市人远离田园生活,难以享受到田园种植的乐趣。智能种菜机作为一种小型植物工厂,不仅能够为家庭提供纯绿色、健康蔬菜,同时改变传统人工种植方式,以LED作为人工光源,智能控制影响蔬菜生长的各个环境因素,实现蔬菜生长的智能化管理,在充分考虑住宅空间和城市生活方式的基础上进行设计,使得家庭成员保留有一定的参与种植的乐趣,对于城市生活的家庭来说具有非常高的实用性和适用性。种植机的使用不仅能够减轻经济付出,且保证蔬菜的绿色、安全、无毒,产品在未来具有极大的市场应用价值。
温湿度是蔬菜能够健康生长的重要保障,因此对种菜机温湿度的监测有极高的要求。然而,由于传感器易受外界因素的干扰以及本身精度的影响,导致检测结果不能反映实际的状态。采用传统的单传感器监测技术已难以实现精确地采集温湿度信息的要求,必须采用多传感器协同工作完成监测任务,同时选择合适的数据融合算法保证数据的准确性,可见提高监测数据精度已成为实现种菜机环境精准监测的关键任务之一。
传统的种菜机的环境监测存在以下缺点与不足:
1、采用传统的单传感器监测技术,数据粗大误差较多,可靠性差。
2、数据处理与存储手段单一,仅仅依靠设备单独配置的控制器与移动存储设备,远远不能满足系统的运行要求。
3、数据处理方法简单,仅仅对数据进行算数平均值处理,无法满足数据的精度要求。
因此,如何采用技术手段实现对种菜机环境监测系统的设计并提出高效、可行的数据处理算法是一个亟待解决的问题。
通过对公开专利文献的检索,并未发现与本专利申请相同的公开专利文献。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于云端的智能种菜机环境精准监测系统及方法,能够有效提高数据的存储效率和监测的精准度。
本发明解决其技术问题是通过以下技术方案实现的:
一种基于云端的智能种菜机环境精准监测系统,其特征在于:包括环境监测模块、控制器、数据传输网络、移动终端及云平台,所述环境监测模块连接至所述控制器,所述控制器连接至所述数据传输网络,所述数据传输网络分别连接至所述云平台及移动终端;
环境监测模块,用于对种菜机的环境原始数据进行采集和监测,并将原始数据通过数据传输网络发送至云平台;
控制器,用来给环境监测模块发送数据采集指令;
数据传输网络,用于将采集的原始数据发送到云平台;
云平台,用于将采集的原始数据进行存储和分析处理;
移动终端,用于显示云平台处理之后的精准数据。
而且,所述环境监测模块包括为三个温湿度传感器,分别为放置于种菜机内的上层温湿度传感器、中层温湿度传感器及下层温湿度传感器。
而且,所述移动终端为智能手机或平板电脑。
而且,所述云平台包括数据库模块及数据分析模块;
数据库模块,用于存储原始数据信息;
数据分析模块,用于对原始数据进行数据融合算法处理。
一种基于云端的智能种菜机环境精准监测方法,其特征在于:所述监测方法包括如下步骤:
1)环境监测模块根据控制器的数据采集指令采集环境温湿度原始数据;
2)环境监测模块将采集的原始数据发送至控制器,通过数据传输网络传输给云平台;
3)云平台将采集的原始数据存储于数据库模块中;
4)云平台从数据库模块提取原始数据,并通过数据分析模块对原始数据进行数据融合算法处理;
5)将处理完毕的精准数据通过数据传输网络传输推送至移动终端。
而且,所述步骤1)中控制器的数据采集指令为3个温湿度传感器在1个采样周期内连续进行8次温湿度采样。
而且,所述步骤4)中数据融合算法的步骤为:
S1,利用狄克松准则剔除原始数据中的粗大误差;
S2,通过基于均值的分批估计融合方法获得每组温湿度数据的融合值和方差;
S3,依据权值最优分配原则对每组传感器数据进行自适应加权融合,获得温湿度精确值。
本发明的优点和有益效果为:
1、本发明基于云端的智能种菜机环境精准监测系统,将传感器、控制器、云平台进行融合,利用传感器完成原始数据的采集工作,利用控制器完成采集指令的发布工作,利用云平台完成大量原始数据的存储与分析处理工作,大大减轻了控制器的数据处理难度,降低了硬件性能要求,提高了数据处理效率。
2、本发明基于云端的智能种菜机环境精准监测方法,利用数据融合算法对大量的原始数据进行分析,剔除掉粗大误差数据,提高数据的精度,减小数据误差,实现了对温湿度数据的精准监测与处理。
3、本发明设计科学合理,有助于种菜机对温湿度数据的采集与分析,实现对数据的精准监测与处理。
附图说明
图1是本发明的原理框图;
图2是本发明数据融合算法的流程图。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
参见图1,一种基于云端的智能种菜机环境精准监测系统,其创新之处在于:包括环境监测模块、控制器、数据传输网络、移动终端及云平台,环境监测模块连接至控制器,控制器连接至所述数据传输网络,数据传输网络分别连接至云平台及移动终端。
环境监测模块,用于对种菜机的环境原始数据进行采集和监测,并将原始数据通过数据传输网络发送至云平台;
控制器,用来给环境监测模块发送数据采集指令;
数据传输网络,用于将采集的原始数据发送到云平台;
云平台,用于将采集的原始数据进行存储和分析处理;
移动终端,用于显示云平台处理之后的精准数据。
环境监测模块包括为三个温湿度传感器,分别为放置于种菜机内的上层温湿度传感器、中层温湿度传感器及下层温湿度传感器。
移动终端为智能手机或平板电脑。
云平台包括数据库模块及数据分析模块;
数据库模块,用于存储原始数据信息;
数据分析模块,用于对原始数据进行数据融合算法处理。
控制器采用stm32控制器,温湿度传感器采用SCTHWA43SDS温湿度传感器。
一种基于云端的智能种菜机环境精准监测方法,其创新之处在于:监测方法包括如下步骤:
1)环境监测模块根据控制器的数据采集指令采集环境温湿度原始数据;
2)将采集的原始数据发送至控制器,通过数据传输网络传输给云平台;
3)云平台将采集的原始数据存储于数据库模块中;
4)云平台从数据库模块提取原始数据,对原始数据进行数据融合算法处理;
5)将处理完毕的精准数据通过数据传输网络传输推送至移动终端。
步骤1)中控制器的数据采集指令为3个温湿度传感器在1个采样周期内连续进行8次温湿度采样。
如表1所示为温度采集表,温度基准值23℃。
表1温度采集表
参见图2,步骤4)中数据融合算法的步骤为:
S1,利用狄克松准则剔除原始数据中的粗大误差;
粗大误差是在测试过程中偶然出现的误差很大的异常数据,主要是由操作者误操作、外界干扰或实验器件受损等原因造成。粗大误差降低了数据的可信度,应予以剔除。狄克松准则通过使用级差比的方法,能够以较少的计算量快速判别粗大误差,从而得到值得信赖的测量数据。
狄克松通过对x1,x2,…,xn等统计量的顺序统计量x(i)的分布进行了研究,发现当xi服从正态分布时,可以得到关于x(n)的统计量如下:
选定显著度α为0.01或0.05,得到各统计量的临界值f0(n,α)。当测量的统计值rij大于临界值时,则认为x(n)含有粗大误差。
对最小值x(1)用同样的临界值进行检验,即有:
为了删除粗大误差,狄克松认为:n≤7时,使用r10效果好;8≤n≤10时,使用r11效果好;11≤n≤13时,使用r21效果好;n≥14时,使用r22效果好。本系统中n=8,可选择f0(8,0.1)=0.683。通过计算可得:第一组和第二组不含粗大误差,第三组含有粗大误差28.8,予以剔除。
S2,通过基于均值的分批估计融合方法获得每组温湿度数据的融合值和方差;
剔除后的三组温度测量数据均为一致性测量数据,然后采用基于均值的分批估计融合方法得出准确测量结果。对每一组的进行分批处理,现将测量数据分成2组,分别为x11,x12,…,x1m和x21,x22,…,x2n,m≤4,n≤4,则2组平均值和标准差σ1、σ2分别为:
利用统计学中分批估计理论,可以求解测量数据的融合值X+和方差σ+:
计算结果如表2所示,为数据处理结果表。
表2数据处理结果表
S3,依据权值最优分配原则对每组传感器数据进行自适应加权融合,获得温湿度精确值进一步地,S1,利用狄克松准则剔除原始数据中的粗大误差;
对于不同组的测量数据有不同的权值,采用自适应加权数据融合算法能有区分地对待各组的测量数据。在总均方误差最小的最优条件下,根据温度传感器测量的各组数据,以自适应的方式寻找其对应的权值,最终使融合后的数据达到最优。
根据多元函数求极值理论,可以求出当加权因子为时,σ2取最小值,且
将表2的数据代入加权因子计算公式中,计算出三组数据的权值分别为:W1=0.4052,W2=0.1386,W3=0.456。
然后可计算出适应加权融合估计值为:23.0659,误差为0.0029。
自适应加权融合估计值和融合后的总方差计算公式为:
其中,Wi是每组融合值的权值,Xi是每组的融合值,是加权平均后的估计值,N是测量数据的组数,N=3。
利用传统算术平均值法计算三组数据的温度平均值为23.18℃,误差为0.008。将两种计算方法与温度基准真实值(23℃)对比可知,融合数据值更接近于实际检测值,说明该算法可获得精确的测量数据,减小测量误差。
本发明虽公开了实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (7)
1.一种基于云端的智能种菜机环境精准监测系统,其特征在于:包括环境监测模块、控制器、数据传输网络、移动终端及云平台,所述环境监测模块连接至所述控制器,所述控制器连接至所述数据传输网络,所述数据传输网络分别连接至所述云平台及移动终端;
环境监测模块,用于对种菜机的环境原始数据进行采集和监测,并将原始数据通过数据传输网络发送至云平台;
控制器,用来给环境监测模块发送数据采集指令;
数据传输网络,用于将采集的原始数据发送到云平台;
云平台,用于将采集的原始数据进行存储和分析处理;
移动终端,用于显示云平台处理之后的精准数据。
2.根据权利要求1所述的基于云端的智能种菜机环境精准监测系统,其特征在于:所述环境监测模块包括为三个温湿度传感器,分别为放置于种菜机内的上层温湿度传感器、中层温湿度传感器及下层温湿度传感器。
3.根据权利要求1所述的基于云端的智能种菜机环境精准监测系统,其特征在于:所述移动终端为智能手机或平板电脑。
4.根据权利要求1所述的基于云端的智能种菜机环境精准监测系统,其特征在于:所述云平台包括数据库模块及数据分析模块;
数据库模块,用于存储原始数据信息;
数据分析模块,用于对原始数据进行数据融合算法处理。
5.一种基于云端的智能种菜机环境精准监测方法,其特征在于:所述监测方法包括如下步骤:
1)环境监测模块根据控制器的数据采集指令采集环境温湿度原始数据;
2)环境监测模块将采集的原始数据发送至控制器,通过数据传输网络传输给云平台;
3)云平台将采集的原始数据存储于数据库模块中;
4)云平台从数据库模块提取原始数据,并通过数据分析模块对原始数据进行数据融合算法处理;
5)将处理完毕的精准数据通过数据传输网络传输推送至移动终端。
6.根据权利要求5所述的基于云端的智能种菜机环境精准监测方法,其特征在于:所述步骤1)中控制器的数据采集指令为3个温湿度传感器在1个采样周期内连续进行8次温湿度采样。
7.根据权利要求5所述的基于云端的智能种菜机环境精准监测方法,其特征在于:所述步骤4)中数据融合算法的步骤为:
S1,利用狄克松准则剔除原始数据中的粗大误差;
S2,通过基于均值的分批估计融合方法获得每组温湿度数据的融合值和方差;
S3,依据权值最优分配原则对每组传感器数据进行自适应加权融合,获得温湿度精确值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300355.5A CN109931987A (zh) | 2019-04-15 | 2019-04-15 | 一种基于云端的智能种菜机环境精准监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300355.5A CN109931987A (zh) | 2019-04-15 | 2019-04-15 | 一种基于云端的智能种菜机环境精准监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109931987A true CN109931987A (zh) | 2019-06-25 |
Family
ID=66990083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300355.5A Pending CN109931987A (zh) | 2019-04-15 | 2019-04-15 | 一种基于云端的智能种菜机环境精准监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109931987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947642A (zh) * | 2021-02-04 | 2021-06-11 | 内蒙古工业大学 | 一种果蔬仓库多变量控制系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034210A (zh) * | 2012-12-19 | 2013-04-10 | 江苏农林职业技术学院 | 一种微型封闭式植物种植环境因子智能调节系统 |
WO2014148654A1 (ko) * | 2013-03-19 | 2014-09-25 | (주)유양디앤유 | 식물공장 재배작물의 다단형 재배장치 |
CN104798627A (zh) * | 2015-04-26 | 2015-07-29 | 湖南三箭农业科技有限公司 | 植物生长环境的自动控制装置 |
CN105052720A (zh) * | 2015-08-24 | 2015-11-18 | 桂林国宏裕民科技有限公司 | 一种芽苗菜培育装置 |
CN105284490A (zh) * | 2015-11-24 | 2016-02-03 | 上海应用技术学院 | 一种基于移动智能终端的温室大棚控制系统 |
KR101801516B1 (ko) * | 2017-06-09 | 2017-11-24 | 조성환 | 연구용 식물 재배 장치 |
CN108848845A (zh) * | 2018-05-31 | 2018-11-23 | 深圳源广安智能科技有限公司 | 一种基于云计算的智能灌溉施肥系统 |
-
2019
- 2019-04-15 CN CN201910300355.5A patent/CN109931987A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034210A (zh) * | 2012-12-19 | 2013-04-10 | 江苏农林职业技术学院 | 一种微型封闭式植物种植环境因子智能调节系统 |
WO2014148654A1 (ko) * | 2013-03-19 | 2014-09-25 | (주)유양디앤유 | 식물공장 재배작물의 다단형 재배장치 |
CN104798627A (zh) * | 2015-04-26 | 2015-07-29 | 湖南三箭农业科技有限公司 | 植物生长环境的自动控制装置 |
CN105052720A (zh) * | 2015-08-24 | 2015-11-18 | 桂林国宏裕民科技有限公司 | 一种芽苗菜培育装置 |
CN105284490A (zh) * | 2015-11-24 | 2016-02-03 | 上海应用技术学院 | 一种基于移动智能终端的温室大棚控制系统 |
KR101801516B1 (ko) * | 2017-06-09 | 2017-11-24 | 조성환 | 연구용 식물 재배 장치 |
CN108848845A (zh) * | 2018-05-31 | 2018-11-23 | 深圳源广安智能科技有限公司 | 一种基于云计算的智能灌溉施肥系统 |
Non-Patent Citations (4)
Title |
---|
沈海燕 等: "面向路基监测的WSN分簇自适应加权融合算法", 《交通运输系统工程与信息》, vol. 10, no. 06, pages 191 - 193 * |
王日先 等: "多传感器数据融合方法在加力燃烧室 试验中的应用研究", 《航空发动机》, vol. 43, no. 4, pages 86 - 87 * |
王普 等: "基于加权数据融合算法的移动液化气监控系统", 《北京工业大学学报》, vol. 42, no. 09, pages 1309 * |
范满红 等: "基于多传感器数据融合的温湿度监测系统", 压电与声光, vol. 34, no. 3, pages 460 - 462 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947642A (zh) * | 2021-02-04 | 2021-06-11 | 内蒙古工业大学 | 一种果蔬仓库多变量控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526708B (zh) | 一种基于机器学习的气象强对流天气的智能预警分析方法 | |
CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
CN105739575B (zh) | 一种设施蔬菜环境参数的数据融合方法 | |
CN113110207A (zh) | 基于物联网传感器的虫害远程监测方法、系统及存储介质 | |
US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
CN110417591A (zh) | 投票节点配置方法及系统 | |
CN105005711B (zh) | 获取统计线损的方法及装置 | |
CN105163326A (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
CN110348665A (zh) | 一种低压台区电力系统数据质量评价方法及装置 | |
CN107679715A (zh) | 一种基于spc的电能表综合误差过程能力评价方法及评价系统 | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN116300758A (zh) | 基于云计算的智能制造工业生产数据采集分析系统及方法 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN115860579B (zh) | 一种用于面粉加工的生产质量监测系统 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN116154972A (zh) | 一种分布式电网电能质量监测方法及系统 | |
CN114280276A (zh) | 一种农业监测系统及方法 | |
CN109931987A (zh) | 一种基于云端的智能种菜机环境精准监测系统及方法 | |
Zhihong et al. | Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping | |
CN110232399A (zh) | 基于集对分析和K-means聚类的输电设备缺陷分析方法和系统 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN112116489A (zh) | 一种基于泛在互联的主动配电网供电质量复合感知与评价方法及系统 | |
CN105891130B (zh) | 一种校正不同光谱信息确定物质信息误差的方法 | |
CN115226612B (zh) | 一种水资源配置管理用智能分配系统 |
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 |