CN111272224A - 农业生态产业园智能化监控系统及方法 - Google Patents
农业生态产业园智能化监控系统及方法 Download PDFInfo
- Publication number
- CN111272224A CN111272224A CN202010138622.6A CN202010138622A CN111272224A CN 111272224 A CN111272224 A CN 111272224A CN 202010138622 A CN202010138622 A CN 202010138622A CN 111272224 A CN111272224 A CN 111272224A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- monitoring
- unit
- terminal
- 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 150
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007405 data analysis Methods 0.000 claims abstract description 84
- 230000004927 fusion Effects 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 24
- 239000002689 soil Substances 0.000 claims description 23
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 22
- 238000005286 illumination Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 11
- 239000001569 carbon dioxide Substances 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 9
- 230000008635 plant growth Effects 0.000 claims description 9
- 150000003839 salts Chemical class 0.000 claims description 9
- 241000607479 Yersinia pestis Species 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 19
- 238000012271 agricultural production Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 235000013305 food Nutrition 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004171 remote diagnosis Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明属于智慧农业技术领域，具体涉及农业生态产业园智能化监控系统及方法。所述系统包括：室内监测终端、室外监测终端和数据分析终端；所述室内监测终端，用于进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；具有智能化程度高、监控准确率高和效率高的优点。
Description
技术领域
本发明属于智慧农业技术领域，具体涉及农业生态产业园智能化监控系统及方法。
背景技术
智慧农业就是将物联网技术运用到传统农业中去，运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制，使传统农业更具有“智慧”。除了精准感知、控制与决策管理外，从广泛意义上讲，智慧农业还包括农业电子商务、食品溯源防伪、农业休闲旅游、农业信息服务等方面的内容。
所谓“智慧农业”就是充分应用现代信息技术成果，集成应用计算机与网络技术、物联网技术、音视频技术、3S技术、无线通信技术及专家智慧与知识，实现农业可视化远程诊断、远程控制、灾变预警等智能管理。
智慧农业是农业生产的高级阶段，是集新兴的互联网、移动互联网、云计算和物联网技术为一体，依托部署在农业生产现场的各种传感节点(环境温湿度、土壤水分、二氧化碳、图像等)和无线通信网络实现农业生产环境的智能感知、智能预警、智能决策、智能分析、专家在线指导，为农业生产提供精准化种植、可视化管理、智能化决策。
“智慧农业”是云计算、传感网、3S等多种信息技术在农业中综合、全面的应用，实现更完备的信息化基础支撑、更透彻的农业信息感知、更集中的数据资源、更广泛的互联互通、更深入的智能控制、更贴心的公众服务。“智慧农业”与现代生物技术、种植技术等高新技术融合于一体，对建设世界水平农业具有重要意义。
农业生产环境监控：通过布设于农田、温室、园林等目标区域的大量传感节点，实时地收集温度、湿度、光照、气体浓度以及土壤水分、电导率等信息并汇总到中控系统。农业生产人员可通过监测数据对环境进行分析，从而有针对性地投放农业生产资料，并根据需要调动各种执行设备，进行调温、调光、换气、喷淋、喷药等动作，实现对农业生长环境的智能控制。
食品安全：利用技术，建设农产品溯源系统，通过对农产品的高效可靠识别和对生产、加工环境的监测，实现农产品追踪、清查功能，进行有效的全程质量监控，确保农产品安全。物联网技术贯穿生产、加工、流通、消费各环节，实现全过程严格控制，使用户可以迅速了解食品的生产环境和过程，从而为食品供应链提供完全透明的展现，保证向社会提供优质的放心食品，增强用户对食品安全程度的信心，并且保障合法经营者的利益，提升可溯源农产品的品牌效应。
发明内容
有鉴于此，本发明的主要目的在于提供农业生态产业园智能化监控系统及方法，具有智能化程度高、监控准确率高和效率高的优点。
为达到上述目的，本发明的技术方案是这样实现的：
农业生态产业园智能化监控系统，所述系统包括：室内监测终端、室外监测终端和数据分析终端；所述室内监测终端，用于进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述分析终端，用于通过室内监测终端获取的监测参数和室外监测终端获取的监测参数，进行数据融合，根据数据融合结果，进行数据分析，生成数据监控图表，同时判断是否环境异常，在出现环境异常的情况下，发送预警信息给用户。
进一步的，所述室内监测终端包括：物联网监测子终端和物联网传输子终端；所述物联网监测子终端包括：室内传感器组和室内数据转换单元；所述室内传感器组至少包括：空气湿度传感器、空气温度传感器、光照强度传感器、二氧化碳浓度传感器、土壤湿度传感器、土壤水溶性盐浓度传感器、叶面温湿度传感器和图像传感器；所述室内数据转换单元，用于将室内传感器组获取的模拟信号转换为数字信号；所述物联网传输子终端，将转换后的数字信号发送至数据分析终端。
进一步的，所述室外监测终端包括：室外传感器组、室外数据转换单元和数据传输单元；所述室外传感器组包括：空气温度传感器、空气湿度传感器、光照强度传感器、PM2.5传感器、风速传感器、风向传感器、降雨量传感器和病虫害传感器；所述室外数据转换单元将室外传感器获取的模拟信号转换为数字信号；所述数据传输单元，将数据转换单元转换得到的数字信号发送至数据分析终端。
进一步的，所述数据分析终端包括：数据预处理单元、数据融合单元、数据分析单元、图表生成单元和预警单元；所述数据预处理单元包括：预处理单元、数据规约单元和数据标准化单元；所述预处理单元对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理；所述数据规约单元，用于将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但保持原有的信息；所述数据标准化单元，将规约处理后的数据按比例缩放，使之落入设置的特定区间；所述数据融合单元对数据预处理单元处理后的数据进行数据融合；所述数据分析单元，针对数据融合后的结果，建立数据分析模型，对接收到的数据进行数据分析。
进一步的，所述数据分析单元针对数据融合后的结果，建立数据分析模型的方法执行以下步骤：
步骤S1：获取用于建模的数据，作为输入变量，用xi表示，其中，i代表该数据中的第i个变量；所述xi至少包括：室内传感器获取的空气湿度数据、空气温度数据、光照强度数据、二氧化碳浓度数据、土壤湿度数据、土壤水溶性盐浓度数据、叶面温湿度数据和植物生长速度数据；所述植物生长速度数据通过图像传感器获取的植物图像进行图像识别获得，对植物图像进行图像识别后，得到植物的茎秆微变化和果实膨大数据，进而得到植物生长速度数据；
步骤S2：设定一个权重函数，用wi表示，将每个输入变量与相对应的权重函数进行卷积运算，得到第一中间结果；
步骤S3：设定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
步骤S4：计算前向神经网络的训练误差；由于本次训练的输出变量E为“客户对网络使用的感受得分”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。
步骤S3.4.6：反向传播更新权重w
为让误差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
进一步的，所述图标生成单元，根据数据分析单元的分析结果，生成图标；所述预警单元，根据数据分析单元的分析结果，判断是否出现环境异常，在出现环境异常的情况下，发送预警信息给用户
基于农业生态产业园智能化监控方法，所述方法执行以下步骤：室内监测终端，进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述分析终端，用于通过室内监测终端获取的监测参数和室外监测终端获取的监测参数，进行数据融合，根据数据融合结果，进行数据分析，生成数据监控图表，同时判断是否环境异常，在出现环境异常的情况下，发送预警信息给用户。
进一步的，所述室内监测终端包括：物联网监测子终端和物联网传输子终端；所述物联网监测子终端包括：室内传感器组和室内数据转换单元；所述室内传感器组至少包括：空气湿度传感器、空气温度传感器、光照强度传感器、二氧化碳浓度传感器、土壤湿度传感器、土壤水溶性盐浓度传感器、叶面温湿度传感器和图像传感器；所述室内数据转换单元，用于将室内传感器组获取的模拟信号转换为数字信号；所述物联网传输子终端，将转换后的数字信号发送至数据分析终端。
进一步的，所述室外监测终端包括：室外传感器组、室外数据转换单元和数据传输单元；所述室外传感器组包括：空气温度传感器、空气湿度传感器、光照强度传感器、PM2.5传感器、风速传感器、风向传感器、降雨量传感器和病虫害传感器；所述室外数据转换单元将室外传感器获取的模拟信号转换为数字信号；所述数据传输单元，将数据转换单元转换得到的数字信号发送至数据分析终端。
进一步的，所述数据分析终端包括：数据预处理单元、数据融合单元、数据分析单元、图表生成单元和预警单元；所述数据预处理单元包括：预处理单元、数据规约单元和数据标准化单元；所述预处理单元对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理；所述数据规约单元，用于将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但保持原有的信息；所述数据标准化单元，将规约处理后的数据按比例缩放，使之落入设置的特定区间；所述数据融合单元对数据预处理单元处理后的数据进行数据融合；所述数据分析单元，针对数据融合后的结果，建立数据分析模型，对接收到的数据进行数据分析。
本发明的农业生态产业园智能化监控系统及方法，具有如下有益效果：本发明通过对农业生产环境监控，通过将室内监测终端和室外监测终端分别布置于农田、温室、园林等目标区域，实时地收集温度、湿度、光照、气体浓度以及土壤水分、电导率等信息并汇总到数据分析终端。数据分析终端对接收到的数据线进行预处理，再进行数据融合，通过建立的数据分析模型进行分析，其分析效率更高，分析结果更加准确。且建立在神经网络上的分析模型，其分析准确率会随着分析次数的增多而增多。另外，本发明整个监控过程，无须人工进行处理，由系统自动实现整个实现，实现了智能化农业，降低了人工成本。
附图说明
图1为本发明实施例提供的农业生态产业园智能化监控系统的系统结构示意图；
图2为本发明实施例提供的农业生态产业园智能化监控方法的方法流程示意图。
图3为本发明实施例提供的农业生态产业园智能化监控系统及方法的数据分析准确率的实验曲线与现有技术的数据分析准确率的实验曲线的对比实验效果示意图。
其中，1-本发明的实验曲线，2-现有技术的实验曲线。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，农业生态产业园智能化监控系统，所述系统包括：室内监测终端、室外监测终端和数据分析终端；所述室内监测终端，用于进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述分析终端，用于通过室内监测终端获取的监测参数和室外监测终端获取的监测参数，进行数据融合，根据数据融合结果，进行数据分析，生成数据监控图表，同时判断是否环境异常，在出现环境异常的情况下，发送预警信息给用户。
采用上述技术方案，通过对农业生产环境监控，通过将室内监测终端和室外监测终端分别布置于农田、温室、园林等目标区域，实时地收集温度、湿度、光照、气体浓度以及土壤水分、电导率等信息并汇总到数据分析终端。数据分析终端对接收到的数据线进行预处理，再进行数据融合，通过建立的数据分析模型进行分析，其分析效率更高，分析结果更加准确。且建立在神经网络上的分析模型，其分析准确率会随着分析次数的增多而增多。另外，本发明整个监控过程，无须人工进行处理，由系统自动实现整个实现，实现了智能化农业，降低了人工成本。
实施例2
在上一实施例的基础上，所述室内监测终端包括：物联网监测子终端和物联网传输子终端；所述物联网监测子终端包括：室内传感器组和室内数据转换单元；所述室内传感器组至少包括：空气湿度传感器、空气温度传感器、光照强度传感器、二氧化碳浓度传感器、土壤湿度传感器、土壤水溶性盐浓度传感器、叶面温湿度传感器和图像传感器；所述室内数据转换单元，用于将室内传感器组获取的模拟信号转换为数字信号；所述物联网传输子终端，将转换后的数字信号发送至数据分析终端。
采用上述技术方案，智慧农业就是将物联网技术运用到传统农业中去，运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制，使传统农业更具有“智慧”。除了精准感知、控制与决策管理外，从广泛意义上讲，智慧农业还包括农业电子商务、食品溯源防伪、农业休闲旅游、农业信息服务等方面的内容。所谓“智慧农业”就是充分应用现代信息技术成果，集成应用计算机与网络技术、物联网技术、音视频技术、3S技术、无线通信技术及专家智慧与知识，实现农业可视化远程诊断、远程控制、灾变预警等智能管理。智慧农业是农业生产的高级阶段，是集新兴的互联网、移动互联网、云计算和物联网技术为一体，依托部署在农业生产现场的各种传感节点(环境温湿度、土壤水分、二氧化碳、图像等)和无线通信网络实现农业生产环境的智能感知、智能预警、智能决策、智能分析、专家在线指导，为农业生产提供精准化种植、可视化管理、智能化决策。
实施例3
在上一实施例的基础上，所述室外监测终端包括：室外传感器组、室外数据转换单元和数据传输单元；所述室外传感器组包括：空气温度传感器、空气湿度传感器、光照强度传感器、PM2.5传感器、风速传感器、风向传感器、降雨量传感器和病虫害传感器；所述室外数据转换单元将室外传感器获取的模拟信号转换为数字信号；所述数据传输单元，将数据转换单元转换得到的数字信号发送至数据分析终端。
实施例4
在上一实施例的基础上，所述数据分析终端包括：数据预处理单元、数据融合单元、数据分析单元、图表生成单元和预警单元；所述数据预处理单元包括：预处理单元、数据规约单元和数据标准化单元；所述预处理单元对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理；所述数据规约单元，用于将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但保持原有的信息；所述数据标准化单元，将规约处理后的数据按比例缩放，使之落入设置的特定区间；所述数据融合单元对数据预处理单元处理后的数据进行数据融合；所述数据分析单元，针对数据融合后的结果，建立数据分析模型，对接收到的数据进行数据分析。
采用上述技术方案，从物联网的感知层到应用层，各种信息的种类和数量都成倍增加，需要分析的数据量也成级数增加，同时还涉及各种异构网络或多个系统之间数据的融合问题，如何从海量的数据中及时挖掘出隐藏信息和有效数据的问题，给数据处理带来了巨大的挑战，因此怎样合理、有效地整合、挖掘和智能处理海量的数据是物联网的难题。结合P2P、云计算等分布式计算技术，成为解决以上难题的一个途径。云计算为物联网提供了一种新的高效率计算模式，可通过网络按需提供动态伸缩的廉价计算，其具有相对可靠并且安全的数据中心，同时兼有互联网服务的便利、廉价和大型机的能力，可以轻松实现不同设备间的数据与应用共享，用户无需担心信息泄露、黑客入侵等棘手问题。云计算是信息化发展进程中的一个里程碑，它强调信息资源的聚集、优化和动态分配，节约信息化成本并大大提高了数据中心的效率。
实施例5
在上一实施例的基础上，所述数据分析单元针对数据融合后的结果，建立数据分析模型的方法执行以下步骤：
步骤S1：获取用于建模的数据，作为输入变量，用xi表示，其中，i代表该数据中的第i个变量；所述xi至少包括：室内传感器获取的空气湿度数据、空气温度数据、光照强度数据、二氧化碳浓度数据、土壤湿度数据、土壤水溶性盐浓度数据、叶面温湿度数据和植物生长速度数据；所述植物生长速度数据通过图像传感器获取的植物图像进行图像识别获得，对植物图像进行图像识别后，得到植物的茎秆微变化和果实膨大数据，进而得到植物生长速度数据；
步骤S2：设定一个权重函数，用wi表示，将每个输入变量与相对应的权重函数进行卷积运算，得到第一中间结果；
步骤S3：设定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
步骤S4：计算前向神经网络的训练误差；由于本次训练的输出变量E为“客户对网络使用的感受得分”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。
步骤S3.4.6：反向传播更新权重w
为让误差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
采用上述技术方案，本发明的数据分析模型，通过神经网络建立，且在建立过程中，以及后续的分析过程中，通过分析结果与预测结果进行比对，纠正模型，从而提升准确率。
实施例6
在上一实施例的基础上，所述图标生成单元，根据数据分析单元的分析结果，生成图标；所述预警单元，根据数据分析单元的分析结果，判断是否出现环境异常，在出现环境异常的情况下，发送预警信息给用户。
实施例7
基于农业生态产业园智能化监控方法，所述方法执行以下步骤：室内监测终端，进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述分析终端，用于通过室内监测终端获取的监测参数和室外监测终端获取的监测参数，进行数据融合，根据数据融合结果，进行数据分析，生成数据监控图表，同时判断是否环境异常，在出现环境异常的情况下，发送预警信息给用户。
实施例8
在上一实施例的基础上，所述室内监测终端包括：物联网监测子终端和物联网传输子终端；所述物联网监测子终端包括：室内传感器组和室内数据转换单元；所述室内传感器组至少包括：空气湿度传感器、空气温度传感器、光照强度传感器、二氧化碳浓度传感器、土壤湿度传感器、土壤水溶性盐浓度传感器、叶面温湿度传感器和图像传感器；所述室内数据转换单元，用于将室内传感器组获取的模拟信号转换为数字信号；所述物联网传输子终端，将转换后的数字信号发送至数据分析终端。
实施例9
在上一实施例的基础上，所述室外监测终端包括：室外传感器组、室外数据转换单元和数据传输单元；所述室外传感器组包括：空气温度传感器、空气湿度传感器、光照强度传感器、PM2.5传感器、风速传感器、风向传感器、降雨量传感器和病虫害传感器；所述室外数据转换单元将室外传感器获取的模拟信号转换为数字信号；所述数据传输单元，将数据转换单元转换得到的数字信号发送至数据分析终端。
实施例10
在上一实施例的基础上，所述数据分析终端包括：数据预处理单元、数据融合单元、数据分析单元、图表生成单元和预警单元；所述数据预处理单元包括：预处理单元、数据规约单元和数据标准化单元；所述预处理单元对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理；所述数据规约单元，用于将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但保持原有的信息；所述数据标准化单元，将规约处理后的数据按比例缩放，使之落入设置的特定区间；所述数据融合单元对数据预处理单元处理后的数据进行数据融合；所述数据分析单元，针对数据融合后的结果，建立数据分析模型，对接收到的数据进行数据分析。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (10)
1.农业生态产业园智能化监控系统，其特征在于，所述系统包括：室内监测终端、室外监测终端和数据分析终端；所述室内监测终端，用于进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述分析终端，用于通过室内监测终端获取的监测参数和室外监测终端获取的监测参数，进行数据融合，根据数据融合结果，进行数据分析，生成数据监控图表，同时判断是否环境异常，在出现环境异常的情况下，发送预警信息给用户。
2.如权利要求1所述的系统，其特征在于，所述室内监测终端包括：物联网监测子终端和物联网传输子终端；所述物联网监测子终端包括：室内传感器组和室内数据转换单元；所述室内传感器组至少包括：空气湿度传感器、空气温度传感器、光照强度传感器、二氧化碳浓度传感器、土壤湿度传感器、土壤水溶性盐浓度传感器、叶面温湿度传感器和图像传感器；所述室内数据转换单元，用于将室内传感器组获取的模拟信号转换为数字信号；所述物联网传输子终端，将转换后的数字信号发送至数据分析终端。
3.如权利要求1所述的系统，其特征在于，所述室外监测终端包括：室外传感器组、室外数据转换单元和数据传输单元；所述室外传感器组包括：空气温度传感器、空气湿度传感器、光照强度传感器、PM2.5传感器、风速传感器、风向传感器、降雨量传感器和病虫害传感器；所述室外数据转换单元将室外传感器获取的模拟信号转换为数字信号；所述数据传输单元，将数据转换单元转换得到的数字信号发送至数据分析终端。
4.如权利要求2或3所述的系统，其特征在于，所述数据分析终端包括：数据预处理单元、数据融合单元、数据分析单元、图表生成单元和预警单元；所述数据预处理单元包括：预处理单元、数据规约单元和数据标准化单元；所述预处理单元对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理；所述数据规约单元，用于将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但保持原有的信息；所述数据标准化单元，将规约处理后的数据按比例缩放，使之落入设置的特定区间；所述数据融合单元对数据预处理单元处理后的数据进行数据融合；所述数据分析单元，针对数据融合后的结果，建立数据分析模型，对接收到的数据进行数据分析。
5.如权利要求4所述的系统，其特征在于，所述数据分析单元针对数据融合后的结果，建立数据分析模型的方法执行以下步骤：
步骤S1：获取用于建模的数据，作为输入变量，用xi表示，其中，i代表该数据中的第i个变量；所述xi至少包括：室内传感器获取的空气湿度数据、空气温度数据、光照强度数据、二氧化碳浓度数据、土壤湿度数据、土壤水溶性盐浓度数据、叶面温湿度数据和植物生长速度数据；所述植物生长速度数据通过图像传感器获取的植物图像进行图像识别获得，对植物图像进行图像识别后，得到植物的茎秆微变化和果实膨大数据，进而得到植物生长速度数据；
步骤S2：设定一个权重函数，用wi表示，将每个输入变量与相对应的权重函数进行卷积运算，得到第一中间结果；
步骤S3：设定一个激励函数，所述激励函数为：
设定神经网络的神经元阈值为：Θ；将第一中间结果和该激励函数以及神经元阈值进行运算，得到前向神经网络的结果为：
步骤S4：计算前向神经网络的训练误差；由于本次训练的输出变量E为“客户对网络使用的感受得分”，但模型训练后会产生一个预测值为O，故得出误差函数为：
其中m代表输入本次建模样本的数量，i表示第i个变量。
步骤S3.4.6：反向传播更新权重w
为让误差越来越小，提高模型预测的精确度，神经网络会从输出层反向传播数据给输入层，重新调整权重w的值，直到模型误差达到最小后停止训练，完成模型创建。
6.如权利要求5所述的系统，其特征在于，所述图标生成单元，根据数据分析单元的分析结果，生成图标；所述预警单元，根据数据分析单元的分析结果，判断是否出现环境异常，在出现环境异常的情况下，发送预警信息给用户。
7.基于权利要求1至6之一所述系统的农业生态产业园智能化监控方法，其特征在于，所述方法执行以下步骤：室内监测终端，进行室内环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；室外监控终端，用于进行室外环境监测，获取监测参数，将获取的监测参数发送至数据分析终端；所述分析终端，用于通过室内监测终端获取的监测参数和室外监测终端获取的监测参数，进行数据融合，根据数据融合结果，进行数据分析，生成数据监控图表，同时判断是否环境异常，在出现环境异常的情况下，发送预警信息给用户。
8.如权利要求7所述的方法，其特征在于，所述室内监测终端包括：物联网监测子终端和物联网传输子终端；所述物联网监测子终端包括：室内传感器组和室内数据转换单元；所述室内传感器组至少包括：空气湿度传感器、空气温度传感器、光照强度传感器、二氧化碳浓度传感器、土壤湿度传感器、土壤水溶性盐浓度传感器、叶面温湿度传感器和图像传感器；所述室内数据转换单元，用于将室内传感器组获取的模拟信号转换为数字信号；所述物联网传输子终端，将转换后的数字信号发送至数据分析终端。
9.如权利要求8所述的方法，其特征在于，所述室外监测终端包括：室外传感器组、室外数据转换单元和数据传输单元；所述室外传感器组包括：空气温度传感器、空气湿度传感器、光照强度传感器、PM2.5传感器、风速传感器、风向传感器、降雨量传感器和病虫害传感器；所述室外数据转换单元将室外传感器获取的模拟信号转换为数字信号；所述数据传输单元，将数据转换单元转换得到的数字信号发送至数据分析终端。
10.如权利要求9所述的方法，其特征在于，所述数据分析终端包括：数据预处理单元、数据融合单元、数据分析单元、图表生成单元和预警单元；所述数据预处理单元包括：预处理单元、数据规约单元和数据标准化单元；所述预处理单元对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理；所述数据规约单元，用于将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但保持原有的信息；所述数据标准化单元，将规约处理后的数据按比例缩放，使之落入设置的特定区间；所述数据融合单元对数据预处理单元处理后的数据进行数据融合；所述数据分析单元，针对数据融合后的结果，建立数据分析模型，对接收到的数据进行数据分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010138622.6A CN111272224A (zh) | 2020-03-03 | 2020-03-03 | 农业生态产业园智能化监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010138622.6A CN111272224A (zh) | 2020-03-03 | 2020-03-03 | 农业生态产业园智能化监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111272224A true CN111272224A (zh) | 2020-06-12 |
Family
ID=70999241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010138622.6A Pending CN111272224A (zh) | 2020-03-03 | 2020-03-03 | 农业生态产业园智能化监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111272224A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202694113U (zh) * | 2012-06-29 | 2013-01-23 | 南京农业大学 | 一种融入作物信息的温室环境控制系统 |
| CN203276052U (zh) * | 2013-06-09 | 2013-11-06 | 西北师范大学 | 一种基于径向基神经网络的农业温度控制系统 |
| CN103576589A (zh) * | 2013-10-24 | 2014-02-12 | 西北农林科技大学 | 基于多传感器信息融合技术的智能大棚卷帘控制系统 |
| US20180262571A1 (en) * | 2016-03-04 | 2018-09-13 | Sabrina Akhtar | Integrated IoT (Internet of Things) System Solution for Smart Agriculture Management |
| CN110113214A (zh) * | 2019-05-16 | 2019-08-09 | 青岛博展智能科技有限公司 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
| CN209517198U (zh) * | 2019-04-15 | 2019-10-18 | 广州鑫博软件技术有限公司 | 一种智慧农业标准化管理系统 |
| CN110531815A (zh) * | 2019-09-25 | 2019-12-03 | 中国农业科学院农业信息研究所 | 一种融合室内外环境参数的温室智能预调控装置及方法 |
-
2020
- 2020-03-03 CN CN202010138622.6A patent/CN111272224A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202694113U (zh) * | 2012-06-29 | 2013-01-23 | 南京农业大学 | 一种融入作物信息的温室环境控制系统 |
| CN203276052U (zh) * | 2013-06-09 | 2013-11-06 | 西北师范大学 | 一种基于径向基神经网络的农业温度控制系统 |
| CN103576589A (zh) * | 2013-10-24 | 2014-02-12 | 西北农林科技大学 | 基于多传感器信息融合技术的智能大棚卷帘控制系统 |
| US20180262571A1 (en) * | 2016-03-04 | 2018-09-13 | Sabrina Akhtar | Integrated IoT (Internet of Things) System Solution for Smart Agriculture Management |
| CN209517198U (zh) * | 2019-04-15 | 2019-10-18 | 广州鑫博软件技术有限公司 | 一种智慧农业标准化管理系统 |
| CN110113214A (zh) * | 2019-05-16 | 2019-08-09 | 青岛博展智能科技有限公司 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
| CN110531815A (zh) * | 2019-09-25 | 2019-12-03 | 中国农业科学院农业信息研究所 | 一种融合室内外环境参数的温室智能预调控装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alreshidi | Smart sustainable agriculture (SSA) solution underpinned by internet of things (IoT) and artificial intelligence (AI) | |
| Abbasi et al. | The digitization of agricultural industry–a systematic literature review on agriculture 4.0 | |
| Chen et al. | An AIoT based smart agricultural system for pests detection | |
| CN109991944A (zh) | 一种分布式农业植保网络服务系统 | |
| Murugamani et al. | Machine learning technique for precision agriculture applications in 5G-based internet of things | |
| CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
| Kamruzzaman et al. | Promoting greenness with IoT-based plant growth system | |
| CN111062358A (zh) | 基于区块链的无人机智能农田信息采集和监控系统及方法 | |
| Prabu et al. | Internet of things‐based deeply proficient monitoring and protection system for crop field | |
| Nayagam et al. | Control of pests and diseases in plants using iot technology | |
| CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
| Singla et al. | IoT based monitoring for the growth of basil using machine learning | |
| CN111272224A (zh) | 农业生态产业园智能化监控系统及方法 | |
| Helfer et al. | Ubiquitous computing in precision agriculture: A systematic review | |
| Vinueza-Naranjo et al. | IoT-Based smart agriculture and Poultry farms for environmental sustainability and development | |
| Kempelis et al. | Implementation of machine learning based approach in IoT network prototype | |
| Ruß et al. | Estimation of neural network parameters for wheat yield prediction | |
| CN114997535A (zh) | 一种智慧农业全过程生产大数据智能分析方法及系统平台 | |
| Elsayed et al. | An Effective Model for Selecting the Best Cloud Platform for Smart Farming in Smart Cities: A Case Study | |
| Saha et al. | ML-based smart farming using LSTM | |
| Zhai et al. | Optimization of agricultural production control based on data processing technology of agricultural internet of things | |
| Amović et al. | The role and importance of Smart Systems concept in the Industry 4.0 | |
| CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 | |
| CN112581302A (zh) | 一种农业物联管理监测系统 | |
| Revathi et al. | IoT and Machine Learning Algorithm in Smart Agriculture |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |