CN114018307B - Fdr法土壤温湿度传感器测量值校准系统及其构建方法 - Google Patents

Abstract

本发明FDR法土壤温湿度传感器测量值校准系统及其构建方法，涉及土壤参数和土壤温湿度传感器装置，该系统由感知层、网络层和应用层构成；其构建方法步骤是：建立小型实验测量系统测量并储存起来为数据集的建立做准备，根据得到的数据集为基础构建并训练BP神经网络关系，构建一个FDR法土壤温湿度传感器测量值校准系统。该系统根据所测出的当前的土壤温湿度、土壤硬度的土壤参数数据，即能够输出一个校准后的土壤湿度值，校准后的土壤湿度值比FDR土壤温湿度传感器输出的土壤湿度值更加接近土壤湿度的真实值，并将测量出的准确土壤参数数值及时反馈给用户，克服了现有技术中土壤湿度传感器的输出结果会受到诸多土壤参数的影响的缺陷。

Description

FDR法土壤温湿度传感器测量值校准系统及其构建方法

技术领域

本发明的技术方案涉及土壤参数和土壤温湿度传感器装置，具体地说是FDR法土壤温湿度传感器测量值校准系统的构建方法。

背景技术

植物生长在土壤中，时刻需要土壤水分的供给，灌溉不足或者是过度灌溉都会对农作物产生不利影响。在精细农业中需要时刻监测农作物的生长状况，尤其是农作物的需水状况，要想得到农作物的水分需求情况，就需要时刻对土壤进行含水量监测即测量其土壤湿度。

土壤湿度是影响农作物生长的重要因素之一，精确地测量土壤湿度对于提高农业用水利用率、节约农业用水资源以及对精确地制定农作物灌溉进程有很重要的意义。

目前国内外常用的土壤湿度测量方法主要分为直接测量法和间接测量法。

直接测量法是指将土壤中的水分和固体部分相分离的方法，主要包括称重烘干法和酒精法。直接测量法虽然能够非常精确地测出土壤的湿度，但是测定过程劳动强度大、耗费时间长，不能满足快速测量的要求，难以在农业生产中广泛地应用。

间接测量法是指测定反映土壤含水量的土壤物理参数的方法，主要有电阻法、中子仪法、TDR法、FDR法。

电阻法和中子仪法由于受自身技术缺点的限制，目前并没有作为大规模推广应用的方法。

由于土壤固体的介电常数为2～5F/m，空气的介电常数为1F/m，水的介电常数为80F/m，因此，土壤的介电常数主要受土壤水分含量的影响。TDR法和FDR法通过测量土壤的介电常数得到土壤湿度，是现在土壤水分自动检测最常用的两种技术方法，技术相对成熟、精确度较高、所用仪器例如信号发生器，采样示波器等便于携带。但是这两种方法都会受到土壤质地、土壤温度、土壤硬度、土壤孔隙等因素的影响。但相比之下，FDR法比TDR法耗费的时间更短、成本更低，测量精度更高。

所以，如何减小包括土壤温度、土壤硬度和土壤湿度的土壤参数对FDR法土壤温湿度传感器测量值的影响才是目前需要研究的主要问题。

CN113049650A公开了一种土壤湿度传感器智能校准系统及其校准方法，此方法存在需要结合多种元件在设备中将土壤湿度数据模拟出来，以此来进行传感器的校准，并由于在实际操作中土壤湿度传感器的数值会受到多种因素的影响，呈现出局限性，无法作为准确土壤湿度数值进行考量，未能解决土壤参数对FDR法土壤温湿度传感器测量值有影响的缺陷。

发明内容

本发明所要解决的技术问题是：提供FDR法土壤温湿度传感器测量值校准系统及其构建方法，该系统由感知层、网络层和应用层构成；其构建方法的步骤是：建立小型实验测量系统测量并储存起来为数据集的建立做准备，根据得到的数据集为基础构建并训练BP神经网络关系，构建一个FDR法土壤温湿度传感器测量值校准系统。该系统根据所测出的当前的土壤温湿度、土壤硬度的土壤参数数据，即能够输出一个校准后的土壤湿度值，校准后的土壤湿度值比FDR土壤温湿度传感器输出的土壤湿度值更加接近土壤湿度的真实值，并将测量出的准确土壤参数数值及时反馈给用户，克服了现有技术的土壤湿度传感器输出结果会受到诸多土壤参数的影响的缺陷，为互联网时代下需要对土壤环境进行精细监控的精细农业的发展提供了强大的保障。

本发明解决该技术问题所采用的技术方案是：FDR法土壤温湿度传感器测量值校准系统，其构成如下：

该系统包括感知层、网络层和应用层，其中：

感知层包含四个传感器，分别为FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器、CO₂传感器、光照温湿度传感器，STM32单片机，STM32单片机通过485串口连接线分别连接FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器，CO₂传感器和光照温湿度传感器与STM32单片机再通过485串口连接线和杜邦线依次连接上与其对应匹配的Lora子节点，感知层的功能为采集土壤的土壤参数数据，包括土壤的温度、湿度、硬度及环境当中的CO₂浓度和光照强度；

网络层包含Lora子节点和USR-LG220-L型Lora集中器，Lora集中器内置SIM卡用于和云端监测平台通信，Lora子节点将接收到的经由STM32单片机通过BP神经网络算法校准之后的准确土壤湿度输出值、土壤温度、土壤硬度、环境当中的CO₂浓度和光照强度参数数据发送到USR-LG220-L型Lora集中器，Lora集中器接收到来自Lora子节点的数据，将数据通过SIM卡发送至云端监测平台，网络层采用Lora技术进行数据的传输；

应用层直接由云监测平台来构成，云监测平台与USR-LG220-L型Lora集中器之间采用网络透传模式进行数据传输，用户登录云监测平台来查看农田的土壤参数数据，其中显示的土壤湿度数值已经由BP神经网络法校准。

上述FDR法土壤温湿度传感器测量值校准系统，所述应用层的云监测平台采用中国山东省济南市有人云公司的有人科技云平台，所有部件均通过公知途径获得。

上述FDR法土壤温湿度传感器测量值校准系统的构建方法，具体步骤如下：

第一步，建立小型实验测量系统：

该小型实验测量系统由FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器、CO₂传感器、光照温湿度传感器、步进电机、STM32单片机、USR-G781路由器和云端监测平台组成，FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器、步进电机分别与STM32单片机相连接，TYD-2型土壤硬度传感器又与步进电机单独连接，步进电机由STM32单片机控制直接驱动TYD-2型土壤硬度传感器工作，STM32单片机、CO₂传感器和光照温湿度传感器分别通过USR-G781路由器与云端监测平台连接，上述各个部分再依靠杜邦线和485串口连接线依次连接到USR-G781路由器的485接口上；由CO₂传感器测得空气中的CO₂浓度，由光照温湿度传感器测得光照强度，由FDR-100土壤温湿度传感器测得FDR-100土壤温湿度传感器所在土壤的温度和湿度，由步进电机驱动TYD-2型土壤硬度传感器以平稳的速度插入土壤中，由TYD-2型土壤硬度传感器准确测出当前土壤的硬度，上述由FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器采集的数据传输至STM32单片机，STM32单片机再联合CO₂传感器，光照温湿度传感器采集的数据一起传送到对应的Lora子节点，完成FDR法土壤温湿度传感器测量值校准系统的感知层的数据采集；

第二步，构建并训练BP神经网络关系：

把上述第一步采集得到的不同土壤温度、硬度和土壤湿度输出值的数据记录，进行三因素正交实验，建立土壤温度、土壤硬度和FDR-100土壤温湿度传感器输出和土壤湿度真实值之间的BP神经网络关系的搭建和训练方法，具体操作如下：

将上述第一步采集得到的不同土壤温度、土壤硬度、FDR-100土壤温湿度传感器输出数值作为BP神经网络的数据集，BP神经网络的输入层包含土壤温度、土壤硬度、FDR-100土壤温湿度传感器输出数值三个输入神经元，网络的隐藏层设置十个神经元，网络的输出层设置一个神经元即补偿校准后的土壤湿度值，至此BP神经网络关系搭建完成，之后将土壤温度、土壤硬度、FDR-100土壤温湿度传感器输出数值在输入层到隐藏层之间进行三因素正交实验，由此整合起来作为数据集，整合方法为：通过Matlab程序录入上述第一步中采集得到的土壤温度、土壤硬度和FDR-100土壤温湿度传感器输出三项数据，绘画出土壤温度、土壤硬度与FDR-100土壤温湿度传感器输出之间的折线图，根据整合后得到的数据集为基础，由此完成构建并训练BP神经网络关系，

所构建的BP神经网络中的神经元结构和神经元与神经元之间的权值、神经元的阈值被嵌入到STM32单片机中，上述第一步采集得到的不同土壤温度、硬度下的土壤湿度输出值的数据经过BP神经网络训练后的STM32单片机得出FDR法土壤温湿度传感器测量值校准系统在误差允许的范围内的修正数值，被近似取为真实值；

第三步，构建FDR法土壤温湿度传感器测量值校准系统：

将在上述第二步中构建并训练BP神经网络关系中，经过BP神经网络训练后的STM32单片机得出FDR法土壤温湿度传感器测量值校准系统在误差允许的范围内的修正数值发送到Lora子节点，Lora子节点将接收到的数据发送到USR-LG220-L型Lora集中器，Lora集中器内置SIM卡被用于和云端监测平台通信，Lora集中器接收到来自Lora子节点的数据，将数据通过SIM卡发送至云端监测平台，云监测平台、Lora集中器、Lora子节点和各个传感器之间的数据传输方式为，各个传感器即串口设备与Lora子节点间直接通过485串口连接线进行串口通信，Lora子节点与Lora集中器之间进行Lora通信交换数据，Lora集中器和服务器之间采用4G或5G通讯方式通信，由此完成FDR法土壤温湿度传感器测量值校准系统的构建；

综上所述，由各种传感器初步采集的数据由经过BP神经网络训练后的STM32单片机得出在误差允许范围下被近似取为真实值数据，这些数据由USR-G781路由器通过Lora总线与云端服务器平台连接并进行数据传输，由此构成稳定的FDR法土壤温湿度传感器测量值校准系统。

上述FDR法土壤温湿度传感器测量值校准系统的构建方法，其中所述BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，所引用的BP神经网络技术和三因素正交实验方法均为本技术领域公知的，所涉及的仪器、元器件均通过公知途径获得，所涉及的操作方法是本领域技术人员能掌握的。

上述FDR法土壤温湿度传感器测量值校准系统的应用操作方法如下：

该系统在实际应用中的操作步骤主要包括：首先将待校准的FDR-100土壤温湿度传感器和TYD-2型土壤硬度传感器按照上述感知层的连接方式接入到STM32单片机中，随后再将CO₂传感器、光照温湿度传感器，STM32单片机依次通过485串口连接线和杜邦线接入Lora子节点、将该系统上电并打开Lora子节点和Lora集中器，便在云端服务器平台上查看校准后的各项数据，包括土壤湿度、土壤温度、CO₂浓度、光照强度和土壤硬度数值。

本发明的有益效果是：与现有技术相比，本发明具有如下突出的实质性特点和显著进步：

(1)本发明发明人深入研究FDR土壤传感器的工作原理，解决了具体环境影响因素对FDR土壤传感器的输出值带来的影响。基于上述理念，本发明将BP神经网络引入系统并提前在多种数值下进行训练，最后通过传感器输出的温度，湿度，土壤硬度数值来直接进行校准。CN113049650A未能消除土壤参数对FDR法土壤温湿度传感器测量值的影响，在CN113049650A的基础上获得现在的本发明要求保护的技术方案不是本领域技术人员轻而易举就能得到的。

(2)本发明FDR法土壤温湿度传感器测量值校准系统的构架方法涉及到的模块较多，需要准备的各功能部分单元结构复杂，特别是其中的网络层采用Lora技术进行数据的传输，Lora在同样的功耗条件下比其他无线方式传播的距离更远，实现了低功耗和远距离的统一，它在同样的功耗下比传统的无线射频通信距离扩大3-5倍，可达2～5km，所以在CN113049650A的基础上结合公知常识要获得现在的本发明要求保护的技术方案绝非是显而易见的。

(3)与CN113049650A公开的一种土壤湿度传感器智能校准系统及其校准方法相比，本发明在耦合曲线的思路上增加到了三因素耦合提高了数据的准确性，本发明更是把BP神经算法加入到校准系统当中愈加地提高了传感器校准的效率。

(4)本发明构架的FDR法土壤温湿度传感器测量值校准系统是一种综合考量的校准系统，克服了现有技术只考虑温度和湿度两方面影响的局限性，弥补了以往FDR-100土壤温湿度传感器校准系统的不够全面而导致输出值精度不足的缺陷。

(5)本发明FDR法土壤温湿度传感器测量值校准系统的构架方法中将云端的概念引入，使得用户可以随时随地查看数据。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明建立的小型实验测量系统结构示意框图。

图2为本发明实施例2中初步测量在处于不同土壤温度，不同土壤硬度下的各组土壤湿度输出值曲线图，其中：

图2a为对应的理论土壤湿度为5％RH；

图2b为对应的理论土壤湿度为10％RH；

图2c为对应的理论土壤湿度为15％RH；

图2d为对应的理论土壤湿度为20％RH；

图2e为对应的理论土壤湿度为25％RH；

图2f为对应的理论土壤湿度为30％RH。

图3为本发明中的神经网络的神经元网络设置示意图。

图4为本发明中的BP神经网络按照误差逆向传播算法的流程示意图。

图5为本发明中的BP神经网络训练完成后的数值比较误差示意图。

图6为本发明中的FDR-100土壤温湿度传感器校准系统构成示意图。

图7为本发明中FDR-100土壤温湿度传感器校准系统中的云监测平台、Lora集中器、Lora子节点和传感器之间的数据传输方式示意图。

图中，1.FDR-100土壤温湿度传感器，2.TYD-2型土壤硬度传感器，3.步进电机，4.STM32单片机，5.CO₂传感器，6.光照温湿度传感，7.USR-G781路由器，8.云端监测平台。

具体实施方式

实施例1

本实施例的FDR法土壤温湿度传感器测量值校准系统包括感知层、网络层和应用层，其中：

感知层包含四个传感器，分别为FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2、CO₂传感器5、光照温湿度传感器6，STM32单片机4，STM32单片机4通过485串口连接线分别连接FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2，CO₂传感器5和光照温湿度传感器6与STM32单片机4再通过485串口连接线和杜邦线依次连接上与其对应匹配的Lora子节点，感知层的功能为采集土壤的土壤参数数据，包括土壤的温度、湿度、硬度及环境当中的CO₂浓度和光照强度；FDR-100土壤温湿度传感器1的作用是测FDR-100土壤温湿度传感器1所在土壤的温度和湿度，TYD-2型土壤硬度传感器2的作用是测当前土壤的硬度，CO₂传感器5用来测量环境当中的CO₂浓度，光照温湿度传感器6用来测量环境当中的光照强度；

网络层包含Lora子节点和USR-LG220-L型Lora集中器，Lora集中器内置SIM卡用于和云端监测平台通信，Lora子节点将接收到的经由STM32单片机4通过BP神经网络算法校准之后的准确土壤湿度输出值、土壤温度、土壤硬度、环境当中的CO₂浓度和光照强度参数数据发送到USR-LG220-L型Lora集中器，Lora集中器接收到来自Lora子节点的数据，将数据通过SIM卡发送至云端监测平台8，网络层采用Lora技术进行数据的传输，Lora集中器在同样的功耗条件下比其他无线方式传播的距离更远，实现了低功耗和远距离的统一，它在同样的功耗下比传统的无线射频通信距离扩大3～5倍，可达2～5km；

应用层直接由云监测平台8来构成，云监测平台8与USR-LG220-L型Lora集中器之间采用网络透传模式进行数据传输，用户登录云监测平台来查看农田的土壤参数数据，其中显示的土壤湿度数值已经由BP神经网络法校准。

图6显示本实施例的FDR-100土壤温湿度传感器校准系统构成为：包括感知层，网络层，应用层。图中感知层包括三套光照温湿度传感器、CO₂传感器、FDR土壤湿度传感器、FDR土壤温度传感器、土壤硬度传感器和STM32单片机；网络层包括Lora子节点1、Lora子节点2、Lora子节点3和Lora集中器，Lora子节点1、Lora子节点2、Lora子节点3均与Lora集中器连接；应用层包括云端平台；感知层中FDR土壤湿度传感器、FDR土壤温度传感器和土壤硬度传感器通过485串口连接线连接到STM32单片机的485接口上，STM32单片机、CO₂传感器、光照温湿度传感器三者再通过杜邦线和485串口连接线连接到Lora子节点上，网络层中各Lora子节点直接和Lora集中器进行Lora通信来交换数据，应用层中云监测平台则通过网络透传模式和Lora集中器进行数据传输。

上述FDR法土壤温湿度传感器测量值校准系统，所述应用层的云监测平台采用中国山东省济南市有人云公司的有人科技云平台，所有部件均通过公知途径获得。

实施例2

本实施例的FDR法土壤温湿度传感器测量值校准系统的构建方法，具体步骤如下：

第一步，建立小型实验测量系统：

该小型实验测量系统如图1本发明建立的小型实验测量系统结构示意框图所示，由FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2、CO₂传感器5、光照温湿度传感器6、步进电机3、STM32单片机4、USR-G781路由器7和云端监测平台8组成，FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2、步进电机3分别与STM32单片机4相连接，TYD-2型土壤硬度传感器2又与步进电机3单独连接，步进电机3由STM32单片机4控制直接驱动TYD-2型土壤硬度传感器2工作，STM32单片机4、CO₂传感器5和光照温湿度传感器6分别通过USR-G781路由器7与云端监测平台8连接，上述各个部分再依靠485串口连接线和杜邦线依次连接到USR-G781路由器7的485接口上；由CO₂传感器5测得空气中的CO₂浓度，由光照温湿度传感器6测得光照强度，由FDR-100土壤温湿度传感器1测得FDR-100土壤温湿度传感器1所在土壤的温度和湿度，由步进电机3驱动TYD-2型土壤硬度传感器2以平稳的速度插入土壤中，由TYD-2型土壤硬度传感器2准确测出当前土壤的硬度，上述由FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2采集的数据传输至STM32单片机4，STM32单片机4再联合CO₂传感器5，光照温湿度传感器6采集的数据一起传送到对应的Lora子节点，完成FDR法土壤温湿度传感器测量值校准系统的感知层的数据采集；FDR-100土壤温湿度传感器1的作用是测FDR-100土壤温湿度传感器1所在土壤的温度和湿度，TYD-2型土壤硬度传感器2的作用是测当前土壤的硬度，步进电机3的作用是驱动TYD-2型土壤硬度传感器2以平稳的速度插入土壤中，以便TYD-2型土壤硬度传感器2准确测出当前土壤的硬度，STM32单片机4的作用是控制步进电机3来驱动TYD-2型土壤硬度传感器2和进行核心数据传输；

第二步，构建并训练BP神经网络关系：

把上述第一步采集得到的不同土壤温度、硬度和土壤湿度输出值的数据记录，进行三因素正交实验，建立土壤温度、土壤硬度和FDR-100土壤温湿度传感器1输出和土壤湿度真实值之间的BP神经网络关系的搭建和训练方法，具体操作如下：

将上述第一步采集得到的不同土壤温度、土壤硬度、FDR-100土壤温湿度传感器1输出数值作为BP神经网络的数据集，BP神经网络的输入层包含土壤温度、土壤硬度、FDR-100土壤温湿度传感器1输出数值三个输入神经元，网络的隐藏层设置十个神经元，网络的输出层设置一个神经元即补偿校准后的土壤湿度值，至此BP神经网络关系搭建完成，之后将土壤温度、土壤硬度、FDR-100土壤温湿度传感器1输出数值在输入层到隐藏层之间进行三因素正交实验，由此整合起来作为数据集，整合方法为：通过Matlab程序录入上述第一步中采集得到的土壤温度、土壤硬度、FDR-100土壤温湿度传感器1输出三项数据，绘画出土壤温度、土壤硬度与FDR-100土壤温湿度传感器1输出之间的折线图，根据整合后得到的数据集为基础，由此完成构建并训练BP神经网络关系，

所构建的BP神经网络中的神经元结构和神经元与神经元之间的权值、神经元的阈值被嵌入到STM32单片机4中，上述第一步采集得到的不同土壤温度、硬度下的土壤湿度输出值的数据经过BP神经网络训练后的STM32单片机4得出FDR法土壤温湿度传感器1测量值校准系统在误差允许的范围内的修正数值，被近似取为真实值；

图3显示本发明中的神经网络的神经元网络设置，其中从左往右依次为BP神经网络的输入层、隐藏层、输出层。输入层包括三个输入神经元：i1为输入土壤温度，i2为输入土壤硬度，i3为输入土壤湿度；隐藏层包括隐藏神经元用来进行三个输入神经元的正交计算；输出层包括一个输出神经元用来输出校准后的数据。输入层中的三个输入神经元的数据分别传递给隐藏层中的各个隐藏神经元，经过各个隐藏神经元正交计算校准后的数据传递给输出层，由输出层输出校准后的数据；

图4显示本实施例中的BP神经网络按照误差逆向传播算法的流程：开始→输入训练样本→计算出网络输出和输出误差→计算出反向误差并更新权重和阈值→样本是否输出完成→否，返回计算出网络输出和输出误差；是，误差是否在范围内→[否，是否达到了最大迭代次数→是，训练结束；否，返回计算出网络输出和输出误差]；→[是，训练成功,存储数据→训练结束]→结束。

对图4的进一步说明如下：算法开始首先进行样本的输入然后通过样本计算出网络的输出和误差进而计算出反向误差并更新权重和阈值，之后进行判断样本是否输出完成如果完成则判断误差是否在范围内如果是的话则表示训练成功并将数据存储下来，如果不是的话则继续进行判断是否达到了最大迭代次数，是，则结束；否，重新回到计算网络输出和误差步骤。

第三步，构建FDR法土壤温湿度传感器测量值校准系统：

将在上述第二步中构建并训练BP神经网络关系中，经过BP神经网络训练后的STM32单片机4得出FDR法土壤温湿度传感器1测量值校准系统在误差允许的范围内的修正数值发送到Lora子节点，Lora子节点将接收到的数据发送到USR-LG220-L型Lora集中器，Lora集中器内置SIM卡被用于和云端监测平台8通信，Lora集中器接收到来自Lora子节点的数据，将数据通过SIM卡发送至云端监测平台，云监测平台、Lora集中器、Lora子节点和各个传感器之间的数据传输方式为：各个传感器即串口设备与Lora子节点间直接通过485转接线进行串口通信，Lora子节点与Lora集中器之际进行Lora通信交换数据，Lora集中器和服务器之间采用4G或5G通讯方式通信，由此完成FDR法土壤温湿度传感器测量值校准系统的构建；

图7显示本实施例的FDR法土壤温湿度传感器测量值校准系统的云监测平台、Lora集中器、Lora子节点和各个传感器之间的数据传输方式：各“串口设备”即各传感器与“Lora节点”之间通过485转接线进行“串口通信”，而“Lora节点”和“Lora集中器”之间则通过“Lora通信”交换数据，“Lora集中器”和“服务器”之间直接通过“4G(或5G)网路通信”；

综上所述，由各种传感器初步采集的数据由经过BP神经网络训练后的STM32单片机4得出在误差允许范围下被近似取为真实值数据，这些数据由USR-G781路由器7通过Lora总线与云端服务器平台8连接并进行数据传输，由此构成稳定的FDR法土壤温湿度传感器测量值校准系统。

实施例3

本实施例的FDR法土壤温湿度传感器测量值校准系统的应用操作方法如下：

该系统在实际应用中的操作步骤主要包括：首先将待校准的FDR-100土壤温湿度传感器1按照上述实施例1中所述感知层的连接方式接入到STM32单片机4中，再将CO₂传感器5、光照温湿度传感器6，TYD-2型土壤硬度传感器2依次通过485串口连接线接入STM32单片机4中，随后将实施例1中所述感知层接入Lora子节点、将该系统上电并打开Lora子节点和Lora集中器，便在云端服务器平台8上查看校准后的各项数据，包括土壤湿度、土壤温度、CO₂浓度、光照强度和土壤硬度数值。

以下实施例描述本发明FDR法土壤温湿度传感器测量值校准系统的具体应用。

实施例4

本实施例为本发明中使用的土壤待测量样本和其预处理方法，土壤均取自于中国天津市河北工业大学北辰校区。

FDR-100土壤温湿度传感器1采用了电磁脉冲的工作原理，根据电磁波在介质中传播频率来测量土壤的介电常数，而土壤中存在的石块等杂质会影响电磁波在土壤中所经过的路径湿度一致性，因此需要先将试样土壤进行充分地烘干并碾碎、过筛，去除土样中石块等杂质，如此可保证FDR发射的电磁波在土壤中所经过的路径中水分尽可能地均匀分布，提高测量数据的准确性。

将采集到的试样土壤进行充分地干燥，充分干燥后的土壤的湿度均为0％RH。

将干燥后的壤土取二十四份试样，每一份土壤试样称重2400g，土壤重量标记为m0，将上述干燥后的二十四份壤土分别标号为Ai(i＝1,2,3,4)、Bi(i＝1,2,3,4)、Ci(i＝1,2,3,4)、Di(i＝1,2,3,4)、Ei(i＝1,2,3,4)、Fi(i＝1,2,3,4)，每一份土壤试样分别用对应编号为Ai(i＝1,2,3,4)、Bi(i＝1,2,3,4)、Ci(i＝1,2,3,4)、Di(i＝1,2,3,4)、Ei(i＝1,2,3,4)、Fi(i＝1,2,3,4)的内径均为长26cm、宽16cm、高16cm和重120g的二十四个塑料器皿盛放并密封以防空气中水分进入土壤影响测得的数据准确性。

设置分别重为126g、267g、424g、600g、800g、1029g的六种需加入水的重量mi(i＝1,2,3,4,5,6)的水样，将其分别记为m1、m2、m3、m4、m5、m6，将四份m1的水分别加入上述Ai(i＝1,2,3,4)号塑料器皿，将四份m2的水分别加入上述Bi(i＝1,2,3,4)号塑料器皿，将四份m3的水分别加入上述Ci(i＝1,2,3,4)号塑料器皿，将四份m4的水分别加入上述Di(i＝1,2,3,4)号塑料器皿，将四份m5的水分别加入上述Ei(i＝1,2,3,4)号塑料器皿、将四份m6的水分别加入上述Fi(i＝1,2,3,4)号塑料器皿中，将水与土壤试样充分搅拌、混合后在各份土壤试样中分别埋入一个FDR-100土壤温湿度传感器1用来测量实际土壤湿度值，以便为了三因素正交实验做准备。将上述各个编号的塑料器皿使用保鲜膜密封，以防土壤中的水分挥发，并将各个编号的塑料器皿静置24h，使水分均匀散布在土壤中。

通过以下土壤湿度计算公式(1)分别计算出上述二十四个塑料器皿中准确的土壤湿度：

S＝mi/(m0+mi) (1)

式中：S---土壤湿度；

m0---土壤重量；

mi---加入水的重量。

通过上式可计算出二十四个塑料器皿中准确的土壤湿度，如下表1所示：

表1.实际土壤湿度数值

表1中的数据为二十四个塑料器皿中土壤湿度真实值，为后续BP神经网络的训练做铺垫。

本实施例是为了构建数据集进而搭建和训练BP神经网络，本领域技术人员倘若能够直接搭建和训练BP神经网络便可以省略数据集的构建步骤。

实施例5

本实施例为本发明中构建的小型实验测量系统的构成和实验数据的采集方法。

本实施例构建的小型实验测量系统的构成如图1所示：由FDR-100土壤温湿度传感器1，TYD-2型土壤硬度传感器2，步进电机3，STM32单片机4，CO₂传感器5，光照温湿度传感6，USR-G781路由器7，云端监测平台8组成，FDR-100土壤温湿度传感器1的作用是测FDR-100土壤温湿度传感器1所在土壤的温度和湿度，TYD-2型土壤硬度传感器2的作用是测当前土壤的硬度，步进电机3的作用是驱动TYD-2型土壤硬度传感器2以平稳的速度插入土壤中，以便TYD-2型土壤硬度传感器2准确测出当前土壤的硬度，STM32单片机4的作用是控制步进电机3来驱动TYD-2型土壤硬度传感器2和进行核心数据传输，FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2、步进电机3分别用485串口连接线与STM32单片机4相连接，TYD-2型土壤硬度传感器2又与步进电机3单独连接，步进电机3由STM32单片机4控制直接驱动TYD-2型土壤硬度传感器2工作，STM32单片机4、CO₂传感器5和光照温湿度传感器6分别用杜邦线和485串口连接线连接到USR-G781路由器7的485接口上，USR-G781路由器7再与云端监测平台8连接；由CO₂传感器5测得空气中的CO₂浓度，由光照温湿度传感器6测得光照强度，由FDR-100土壤温湿度传感器1测得FDR-100土壤温湿度传感器1所在土壤的温度和湿度，由步进电机3驱动TYD-2型土壤硬度传感器2以平稳的速度插入土壤中，由TYD-2型土壤硬度传感器2准确测出当前土壤的硬度，上述由FDR-100土壤温湿度传感器1、TYD-2型土壤硬度传感器2采集的数据传输至STM32单片机4，STM32单片机4再联合CO₂传感器5，光照温湿度传感器6采集的数据一起传送到对应的Lora子节点，完成FDR法土壤温湿度传感器测量值校准系统的感知层的数据采集，由USR-G781路由器7将采集到的各项数据收集起来，然后通过网络透传模式将数据传输到云端监测平台8，以便用户查看结果，得到数据反馈。

公知的实验数据的采集方法为：由文献可知，全国大范围的土壤在一年四季中的大部分时间内土壤为温度处于10℃～50℃，因此本实施例实验消除的温度影响范围为10℃～50℃，实验环境也为10℃～50℃，温度梯度为1℃。土壤在碾碎、筛滤过后，土壤硬度在2kg/cm²～2.1kg/cm²，适宜农作物生长的土壤硬度范围在2kg/cm²～8kg/cm²，因此大部分田间和大棚中的土壤硬度范围都在2kg/cm²～8kg/cm²。因此实验数据消除的土壤硬度范围为2kg/cm2～8kg/cm²，土壤硬度梯度为2kg/cm²。

本实施例的实验数据的采集方法为，首先对上述实施例4中的A1、A2、A3、A4标号塑料器皿中的土壤分别进行不同程度的挤压，直至土壤硬度计稳定时的土壤硬度示数分别为2kg/cm²、4kg/cm²、6kg/cm²、8kg/cm²，然后先将A1塑料器皿中的FDR-100土壤温湿度传感1器按图1所示本发明建立的小型实验测量系统结构示意框图连接入小型实验测量系统系统，并将A1号塑料器皿放入盛有冰块的大号塑料器皿中冷却，静置一段时间，直到A1号塑料器皿中的FDR土壤温湿度传感器1当中的土壤温度数值显示为10℃以下时，将大号塑料器皿中的冰块取出，并用加热板对该大号塑料器皿加热，使A1号塑料器皿的土壤温度升高至记录在10℃～50℃之间，采集FDR-100土壤温湿度传感器1的数据输出。

分别将A2号塑料器皿、A3号塑料器皿、A4号塑料器皿重复上述A1塑料器皿的操作，直到4个塑料器皿都进行完成后分别记录FDR土壤温湿度传感器1在10℃～50℃之间的输出，对上述实施例4中的编号为B1～B4、C1～C4、D1～D4、E1～E4、F1～F4的塑料器皿分别重复上述操作，按照上述实验过程进行实验，记录到的Ai～Fi的实际的土壤硬度值数据输出如表2所示。

表2.本实施例采集到的实验数据

在24个塑料器皿中的准确土壤湿度已通过上述实施例4中的公式(1)计算得出，分别为5％、10％、15％、20％、25％、30％，但是FDR-100土壤温湿度传感器1的输出受土壤温度和土壤硬度的影响，在不同温度和不同硬度下测得的输出值与真实值有所偏差，测得的输出值如图2本发明实施例2中初步测量在处于不同土壤温度，不同土壤硬度下的各组土壤湿度输出值曲线图所示。图2a～2f每个图中的四条曲线自下而上对应的土壤硬度分别为2kg/cm²、4kg/cm²、6kg/cm²、8kg/cm²。

图2a为对应的理论土壤湿度为5％RH；图2b为对应的理论土壤湿度为10％RH；图2c为对应的理论土壤湿度为15％RH；图2d为对应的理论土壤湿度为20％RH；图2e为对应的理论土壤湿度为25％RH；图2f为对应的理论土壤湿度为30％RH，分别为Ai-Fi(i＝1,2,3,4)24个塑料器皿中的FDR-100土壤温湿度传感器1的输出值随土壤温度的变化情况。由图2看出，在温度相同、土壤含水率相同、土壤硬度不同的情况下，FDR-100土壤温湿度传感器1的输出不同；在土壤硬度相同、土壤含水率相同、温度不同的情况下，FDR-100土壤温湿度传感器1的输出也不同，而且这种变化是显而易见的。

在温度为10℃～50℃，土壤硬度为2～8kg/cm²的范围内，土壤湿度分别为5％，10％，15％，20％，25％，30％的情况下FDR-100土壤温湿度传感器1的输出值与真实的土壤湿度值存在一定程度的误差，这个误差在温度为50℃、土壤硬度为8kg/cm²、土壤湿度为25％状况时达到最大值，此时相差7.79。

将10℃～50℃的温度范围均分为四组，计算出每一个塑料器皿中土壤温湿度传感器在每一组温度分组中的输出平均值，并计算二十四个塑料器皿中FDR土壤温湿度传感器的输出与土壤实际湿度的均方误差,为BP神经网络的训练做铺垫。

实施例6

本实施例为本发明中三因素正交实验，以建立土壤温度、土壤硬度和FDR-100土壤温湿度传感器输出和土壤湿度真实值之间的BP神经网络关系的搭建和训练方法，具体操作如下：

将图2中所示的实验各项数据包括：土壤温度，土壤硬度，FDR土壤温湿度传感器输出数值作为BP神经网络的数据集。

BP神经网络的输入层包含土壤温度，土壤硬度，FDR土壤温湿度传感器输出数值三个输入神经元，网络的隐藏层设置十个神经元，网络的输出层设置一个神经元即补偿校准后的土壤湿度值。

神经网络的神经元设置如图3所示，图3显示本发明中的神经网络的神经元网络设置，其中从左往右依次为BP神经网络的输入层、隐藏层、输出层。输入层包括三个输入神经元：i1为输入土壤温度，i2为输入土壤硬度，i3为输入土壤湿度；隐藏层包括隐藏神经元用来进行三个输入神经元的正交计算；输出层包括一个输出神经元用来输出校准后的数据。输入层中的三个输入神经元的数据分别传递给隐藏层中的各个隐藏神经元，经过各个隐藏神经元正交计算校准后的数据传递给输出层，由输出层输出校准后的数据。

在图3中神经网络的输入层i1、i2、i3分别为土壤温度、土壤硬度、FDR土壤温湿度传感器输出的土壤湿度，隐藏层有10个神经元，输出层Q为网络的输出，是补偿校准后的土壤湿度值。

至此BP神经网络关系搭建完成，之后将土壤温度，土壤硬度，FDR-100土壤温湿度传感器1输出数值在输入层到隐藏层之间进行三因素正交实验，例如确定一个土壤温度和另外其余所有土壤硬度，将FDR-100土壤湿度传感器1的数值进行正交组合为一次三因素正交。

本实施例中使用的三因素正交方法是本领域技术人员均可掌握的。

接下来通过数据集对神经网络进行训练，确定输入层到隐藏层、隐藏层到输出层的权值和隐藏层各神经元、输出层神经元的阈值。具体流程如图4所示BP神经网络经过训练后，得到输入层到隐藏层、隐藏层到输出层的权值和隐藏层各神经元、输出层神经元的阈值，其中输出层到隐藏层神经元的权值和隐藏层神经元的阈值见表3。

表3.输出层到隐藏层神经元的权值和隐藏层神经元的阈值

神经元	h1	h2	h3	h4	h5	h6	h7	h8
									阈值	-0.9703	-0.9134	-0.6395	-0.5991	0.4387	-0.6910	0.6910	-0.2204
i1	-0.6056	0.6579	2.0010	-1.8870	1.1906	-2.5411	1.8133	-0.4595
									i2	-1.8650	1.5508	-1.5533	-1.7860	-1.1391	-1.0605	0.7481	2.2334
I3	1.9988	2.2365	1.1931	-1.0437	2.2638	-0.5081	-1.9981	1.6251

隐藏层到输出层的神经元的权值和输出层神经元的阈值见表4。

表4.隐藏层到输出层的神经元的权值和输出层神经元的阈值

神经网络训练完成后，再选择20组数据进行验证，将通过网络得到输出值与土壤湿度的实际值做比较，得到误差图如图5所示，图5显示本实施例的BP神经网络训练完成后的数值比较误差，从图5中直观的显示出20组数据的误差都在0至0.15之间，体现出BP神经网络训练的结果在误差允许的范围内可以近似取为真实值。

计算得到的平均绝对误差、均方误差和均方根误差见表5：

表5.计算得到的平均绝对误差、均方误差和均方根误差

由表5中可以看出，通过神经网络的输出值与真实值之间的平均绝对误差比原始的减少了1.374828，均方误差减少了3.8226503，均方根误差减少了1.871855。图5所示的绝对误差基本上能够满足农业上湿度测量的需要，这个误差程度极大地提高了农业土壤湿度测量的准确性，对于精确地测量土壤湿度对于提高农业用水利用率、节约农业用水资源以及对精确地制定农作物灌溉进程有很重要的意义。

实施例7

本实施例为最后得出的FDR法土壤温湿度传感器测量值校准系统的构建，在此系统中给出当前的土壤温度、土壤硬度和FDR-100土壤温湿度传感器的电压差输出，系统即可输出一个校准后的土壤湿度值，校准后的土壤湿度值比FDR-100土壤温湿度传感器1的输出更加接近土壤湿度的真实值，对于农业上的作物生长、灌溉活动和节约农业用水具有更加准确的指导意义。

该系统由感知层、网络层和应用层组成，系统的总体框架如图6(见上述实施例1)所示。

感知层进行传感器数据采集，包含光照温湿度传感器、CO₂传感器、FDR-100土壤温湿度传感器、土壤硬度传感器和STM32单片机，其中两个传感器FDR-100土壤温湿度传感器，土壤硬度传感器和STM32相连接。将图3所示的神经元结构和神经元与神经元之间的权值、神经元的阈值嵌入到STM32单片机中，STM32单片机接收FDR-100土壤温湿度传感器1和TYD-2型土壤硬度2计采集的数据后，根据神经网络训练的结果输出校准后的土壤湿度值并将其发送到Lora子节点。

网络层包含Lora子节点和Lora集中器，Lora子节点将接收到的感知层的传感器数据发送到Lora集中器。Lora集中器内置SIM卡用于和云端监测平台通信，Lora集中器接收到来自子节点的数据，该数据为根据神经网络训练的结果输出校准后的土壤湿度值数据，并将该数据通过SIM卡发送至云端监测平台8。

应用层则直接由云监测平台来构成，本发明中采用中国山东省济南市有人云公司的有人科技云平台，云监测平台8与Lora集中器之间采用网络透传模式进行数据传输。

云监测平台8、Lora集中器、Lora子节点和传感器之间的数据传输方式如图7所示，详见上述实施例2的描述。

在图7中传感器等串口设备通过485串口连接线和Lora子节点进行数据传输，Lora子节点和Lora集中器之间通过Lora通信进行数据传输，Lora集中器则通过4G网络直接和云监测平台的服务器进行数据传输。Lora集中器的具体型号为USR-LG220-L。

网络构建完成之后，FDR法土壤温湿度传感器测量值校准系统开始运转各Lora子节点开始收集其各自管控的传感器数值，再由Lora集中器传输至云端监测平台8，使用者直接登陆云监测平台8即可查看农田的环境状况，这时在云监测平台8上显示的土壤湿度为经过本发明中实验的校准方法校准后的土壤湿度值。

各传感器数值和平台上显示的土壤湿度如下表6所示.

表6.各传感器数值和平台上显示的土壤湿度值

CO2传感器/ppm	440	450	442	443	442	445	446
								STM32单片机/％RH	15	16	15	17	16	16	15
光照湿度传感器/V	2.2	2.3	2.3	2.4	2.3	2.2	2.3

云监测平台8上显示的土壤湿度数据和其对应的Lora集中器收集的表中STM32单片4校准过后的数据一致。

至此本实施例最后得出的FDR法土壤温湿度传感器测量值校准系统的构建完成，该系统的应用操作方法如上述实施例3所述。

上述实施例中，所述应用层的云监测平台采用中国山东省济南市有人云公司的有人科技云平台，所有部件均通过公知途径获得，其中所述BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，所引用的BP神经网络技术和三因素正交实验方法均为本技术领域公知的，所涉及的仪器、元器件均通过公知途径获得，所涉及的操作方法是本领域技术人员能掌握的。

Claims (2)

1.FDR法土壤温湿度传感器测量值校准系统，其特征在于其构成如下：

该系统包括感知层、网络层和应用层，其中：

感知层包含四个传感器，分别为FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器、CO₂传感器、光照温湿度传感器，STM32单片机，STM32单片机通过485串口连接线分别连接FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器，CO₂传感器和光照温湿度传感器与STM32单片机再通过485串口连接线和杜邦线依次连接上与其对应匹配的Lora子节点，感知层的功能为采集土壤的土壤参数数据，包括土壤的温度、湿度、硬度及环境当中的CO₂浓度和光照强度；

网络层包含Lora子节点和USR-LG220-L型Lora集中器，Lora集中器内置SIM卡用于和云端监测平台通信，Lora子节点将接收到的经由STM32单片机通过BP神经网络算法校准之后的准确土壤湿度输出值、土壤温度、土壤硬度、环境当中的CO₂浓度和光照强度参数数据发送到USR-LG220-L型Lora集中器， Lora集中器接收到来自Lora子节点的数据，将数据通过SIM卡发送至云端监测平台，网络层采用Lora技术进行数据的传输；

应用层直接由云监测平台来构成，云监测平台与USR-LG220-L型Lora集中器之间采用网络透传模式进行数据传输，用户登录云监测平台来查看农田的土壤参数数据，其中显示的土壤湿度数值已经由BP神经网络法校准。

2.如权利要求1所述FDR法土壤温湿度传感器测量值校准系统的构建方法，其特征在具体步骤如下：

第一步，建立小型实验测量系统：

该小型实验测量系统由FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器、CO₂传感器、光照温湿度传感器、步进电机、STM32单片机、USR-G781路由器和云端监测平台组成，FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器、步进电机分别与STM32单片机相连接，TYD-2型土壤硬度传感器又与步进电机单独连接，步进电机由STM32单片机控制直接驱动TYD-2型土壤硬度传感器工作，STM32单片机、CO₂传感器和光照温湿度传感器分别通过USR-G781路由器与云端监测平台连接，其中CO₂传感器和光照温湿度传感器与STM32单片机再通过485串口连接线和杜邦线依次连接上与其对应匹配的Lora子节点；由CO₂传感器测得空气中的CO₂浓度，由光照温湿度传感器测得光照强度，由FDR-100土壤温湿度传感器测得FDR-100土壤温湿度传感器所在土壤的温度和湿度，由步进电机驱动TYD-2型土壤硬度传感器以平稳的速度插入土壤中，由TYD-2型土壤硬度传感器准确测出当前土壤的硬度，上述由FDR-100土壤温湿度传感器、TYD-2型土壤硬度传感器采集的数据传输至STM32单片机，STM32单片机再联合CO₂传感器，光照温湿度传感器采集的数据一起传送到对应的Lora子节点，完成FDR法土壤温湿度传感器测量值校准系统的感知层的数据采集；

第二步，构建并训练BP神经网络关系：

把上述第一步采集得到的不同土壤温度、硬度和土壤湿度输出值的数据记录，进行三因素正交实验 ，建立土壤温度、土壤硬度和FDR-100土壤温湿度传感器输出和土壤湿度真实值之间的BP神经网络关系的搭建和训练方法，具体操作如下：

将上述第一步采集得到的不同土壤温度、土壤硬度、FDR-100土壤温湿度传感器输出数值作为BP神经网络的数据集，BP神经网络的输入层包含土壤温度、土壤硬度、FDR-100土壤温湿度传感器输出数值三个输入神经元，网络的隐藏层设置十个神经元，网络的输出层设置一个神经元即补偿校准后的土壤湿度值，至此BP神经网络关系搭建完成，之后将土壤温度、土壤硬度、FDR-100土壤温湿度传感器输出数值在输入层到隐藏层之间进行三因素正交实验，由此整合起来作为数据集，整合方法为：通过Matlab程序录入上述第一步中采集得到的土壤温度、土壤硬度和FDR-100土壤温湿度传感器输出三项数据，绘画出土壤温度、土壤硬度与FDR-100土壤温湿度传感器输出之间的折线图，根据整合后得到的数据集为基础，由此完成构建并训练BP神经网络关系，

所构建的BP神经网络中的神经元结构和神经元与神经元之间的权值、神经元的阈值被嵌入到STM32单片机中，上述第一步采集得到的不同土壤温度、硬度下的土壤湿度输出值的数据经过BP神经网络训练后的STM32单片机得出FDR法土壤温湿度传感器测量值校准系统在误差允许的范围内的修正数值，被近似取为真实值；

第三步，构建FDR法土壤温湿度传感器测量值校准系统：

将在上述第二步中构建并训练BP神经网络关系中，经过BP神经网络训练后的STM32单片机得出FDR法土壤温湿度传感器测量值校准系统在误差允许的范围内的修正数值发送到Lora子节点，Lora子节点将接收到的数据发送到USR-LG220-L型Lora集中器，Lora集中器内置SIM卡被用于和云端监测平台通信，Lora集中器接收到来自Lora子节点的数据，将数据通过SIM卡发送至云端监测平台，云监测平台、Lora集中器、Lora子节点和各个传感器之间的数据传输方式为，各个传感器即串口设备与Lora子节点间直接通过485串口连接线进行串口通信，Lora子节点与Lora集中器之际进行Lora通信交换数据，Lora集中器和服务器之间采用4G或5G通讯方式通信，由此完成FDR法土壤温湿度传感器测量值校准系统的构建；

综上所述，由各种传感器初步采集的数据由经过BP神经网络训练后的STM32单片机得出在误差允许范围下被近似取为真实值数据，这些数据由USR-G781路由器通过Lora总线与云端服务器平台连接并进行数据传输，由此构成稳定的FDR法土壤温湿度传感器测量值校准系统。

Images