CN115292753A - 一种基于区块链的农业大棚数据溯源与管理方法 - Google Patents
一种基于区块链的农业大棚数据溯源与管理方法 Download PDFInfo
- Publication number
- CN115292753A CN115292753A CN202210766664.3A CN202210766664A CN115292753A CN 115292753 A CN115292753 A CN 115292753A CN 202210766664 A CN202210766664 A CN 202210766664A CN 115292753 A CN115292753 A CN 115292753A
- Authority
- CN
- China
- Prior art keywords
- data
- block chain
- tracing
- greenhouse
- chain
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 230000012010 growth Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 235000013311 vegetables Nutrition 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000012272 crop production Methods 0.000 abstract description 5
- 238000012271 agricultural production Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013499 data model Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
Abstract
本发明提供一种基于区块链的农业大棚数据溯源与管理方法,包括:通过区块链主链作为系统架构基础,构建区块链溯源架构,农业大棚管理子系统将每次计算或获取数据时得到的数据上传到区块链溯源架构中,进行数据存储并用于溯源,基于此,进行整体布局,区块链溯源架构基于一物一码锚定商品,对接智能大棚系统、PDA或扫码设备,与现有技术相比,本发明具有如下的有益效果:结合物联网、人工智能、边缘计算、区块链技术为创新,设计大棚智能监控系统,完成大棚内农作物生长的无线操控环境变化以及监控,实现大棚农作物生长的智能化和信息化管理,以提高农作物生产的效率和农产品的品质,推动农业生产现代化,提高农作物的生产效率。
Description
技术领域
本发明属于农业大棚管理系统领域,特别涉及一种基于区块链的农业大棚数据溯源与管理方法。
背景技术
市面已有的智能农业大棚管理系统多基于农业相关领域的公式直接计算,在实现水、肥、气、酶相关因素条件的定量确定后,通过手动操作硬件进行调控。但并未确保数据的透明性与不可篡改性,同时采用集中式存储的模式,因大棚更需要以各个操作单位为节点进行数据管理与分析,并不适用于实际的农业大棚。并且,现有基于农业数据公式直接计算并进行定量的方式只能确保大棚内作物大致处于最适长势,而无法“点对点”精准确保每个作物的生长情况与长势。并且,现有系统采用手动操作硬件的方式无法带来高效生产,并且容易在操作过程中产生失误,造成生产问题。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于区块链的农业大棚数据溯源与管理方法,解决上述背景技术中提出的问题。
本发明通过以下的技术方案实现:一种基于区块链的农业大棚数据溯源与管理方法,包括:通过区块链主链作为系统架构基础,构建区块链溯源架构,农业大棚管理子系统将每次计算或获取数据时得到的数据上传到区块链溯源架构中,进行数据存储并用于溯源,基于此,进行整体布局,区块链溯源架构基于一物一码锚定商品,对接智能大棚系统、PDA或扫码设备。
作为一优选的实施方式,区块链溯源架构由区块链数据溯源单元、硬件数据采集单元、硬件调控单元、中心处理单元、实时显示单元构成。
作为一优选的实施方式,区块链数据溯源单元由区块链主链和数据采集子链、硬件调控子链、中心处理子链三条子链组成,区块链主链串联三条子链,三条子链将核心节点、关键数据按时间戳上传至主链,在主链存储“标记”性数据,确保在进行数据追溯时,通过关键数据追溯到对应时间节点,通过该节点所对应的子链进行数据追溯与信息获取,从而实现数据追溯的全流程,区块链追溯单元采用物理层、应用层、区块链溯源平台层的三层结构进行设计。
作为一优选的实施方式,硬件数据采集单元采集空气温湿度、二氧化碳浓度、土壤湿度、光照强度、蔬菜图片、土壤PH值。
作为一优选的实施方式,硬件调控单元基于KMeans聚类与BP神经网络算法结合,解决不同大棚环境、不同农作物针对温度、湿度、CO2、光照等的具体需求。通过硬件对数据进行实时采集,对不同情况的数据进行分类提取,利用KMeans聚类算法构建针对特定农作物生长情况的环境模型方法,再结合BP神经网络对数据进行合理预测构建未来环境模型,实现具体场景下智能的硬件调控。
作为一优选的实施方式,中心处理单元对数据进行一系列的处理,数据先存储到Redis数据库进行缓存,再存储至Mysql数据库。
作为一优选的实施方式,实时显示单元拥有三个功能:数据查询、预警系统实时显示和数据可视化调度。
采用了上述技术方案后,本发明的有益效果是:结合物联网、人工智能、边缘计算、区块链技术为创新,设计大棚智能监控系统,完成大棚内农作物生长的无线操控环境变化以及监控,实现大棚农作物生长的智能化和信息化管理,以提高农作物生产的效率和农产品的品质,推动农业生产现代化,提高农作物的生产效率,生产出高质量有营养农作物,达到其精确化、智能化、自动化,真实性、高效性、便捷性、安全性。在播种、成长、收获、运输等每个环节进行追溯,以保证农产品健康与安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为区块链溯源架构示意图。
图2为区块链追溯单元示意图。
图3为硬件数据采集单元结构示意图。
图4为硬件调控算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,农作物的品质与安全、生长的环境与效率成了一个亟待解决的问题。为了提高农民的种植效率,控制好农作物的生长环境,为市场提供更加优质的农作物,农业大棚远程监控系统已成为当前研究和应用热点之一。
为了更好地进行农作物生产管理,农业大棚种植作物过程中需要利用智能化管理系统对作物的生长状态进行监测,但是现有的智能化管理系统结构与功能较为单一,不具备对农作物生长情况进行未来预测和评价的效果。与此同时,现有的智能化管理系统无法根据预测环境变化对大棚内部环境进行自动调节,其大多数仅依靠手动调控,或者简单的功能控制,这难以达到将大棚内的环境保持在最佳状态,不利于作物的生长。
现已投入使用的农业大棚管理系统,结合了物联网、人工智能、边缘计算、区块链等技术,实现大棚内农作物生长的无线操控环境变化以及监控。本系统可以对大棚内部环境进行人工智能自动调节,也可以对农作物生长进行合理预测以及构建未来环境模型,让作物的生长达到最佳状态。同时,本系统的数据溯源系统在大棚供应链中可以提供完全透明的管理能力,保障了产品安全全程可视化控制、监控与追溯。
请参阅图1,本发明提供一种技术方案:一种基于区块链的农业大棚数据溯源与管理方法,包括:通过区块链主链作为系统架构基础,构建区块链溯源架构,农业大棚管理子系统将每次计算或获取数据时得到的数据上传到区块链溯源架构中,进行数据存储并用于溯源,基于此,进行整体布局,区块链溯源架构基于一物一码锚定商品,对接智能大棚系统、PDA或扫码设备。
农产品通过条形码、二维码、RFID等形式进行物理锚定。
在种子成长过程中,通过智能大棚系统,进行信息上链。
用户可使用PDA/扫码设备,查看信息。
用户可进入区块链溯源服务平台,进行管理。
用户可通过H5/Web和溯源小程序进行查看。
作为本发明的一个实施例,区块链溯源架构由区块链数据溯源单元、硬件数据采集单元、硬件调控单元、中心处理单元、实时显示单元构成,如图1。
作为本发明的一个实施例,区块链数据溯源单元由区块链主链和数据采集子链、硬件调控子链、中心处理子链三条子链组成,区块链主链串联三条子链,三条子链将核心节点、关键数据按时间戳上传至主链,在主链存储“标记”性数据(此处的“标记”性数据主要指:时间戳+上一层的记录性节点,记录性节点不具备具体数据和计算功能,仅具有该“标记”来源于哪一层的节点。根据“标记”信息可直接溯源到某一具体时刻、某一子链与某一层的具体情况。),确保在进行数据追溯时,通过关键数据追溯到对应时间节点,通过该节点所对应的子链进行数据追溯与信息获取,从而实现数据追溯的全流程,区块链追溯单元采用物理层、应用层、区块链溯源平台层的三层结构进行设计,如图2。
在物理层完成硬件数据采集单元与硬件调控单元的全部操作,并将水、肥、气、酶等生物数据以及光照强度、空气温湿度、二氧化碳浓度等自然数据存储至数据采集子链,随后将数据上传至应用层。在应用层完成中心处理单元的操作,并将数据存储至对应子链。完成存储的同时,通过系统内置的硬件调控算法进行硬件设备的调控,包括自动灌溉、自动风机、遮阳板调控、灯光调控等硬件调控方式,并将硬件调控数据、信息、操作及时间记录于硬件调控子链,同时再次上传至应用层的中心处理子链,进行二次加密与二次确认,如还需调控,则根据已调控数据继续进行算法判断与数据拟合,确认调控数据与信息的传递。在区块链溯源平台放置系统主链,完成实时显示单元的操作,并实现农业大棚数据溯源的全流程与整体系统架构。
三层结构确保上一层只与紧密联系的一层有关,即区块链溯源平台层只与应用层有关、应用层只与物理层有关。每次溯源操作先在主链中获取对应的“标记”与时间戳,随后获取对应子链的详细信息;如果该子链也只有对应的“标记”,则进行向下读取,继续获取对应子链的详细信息。三层结构实现了数据的层次性并增强了可溯源性。例如,在系统实际运行过程中,农业大棚管理员如需查看某一时刻的土壤湿度数据,首先由实时显示单元关联系统主链,搜索相关时间戳的数据“标记”,随后继续溯源至下一层(即应用层),通过数据“标记”的选择与获取,继续溯源至物理层的数据采集子链,并获取完整的土壤湿度数据与时间。如有相关需求,也可以同时追溯固定时间段内的硬件调控算法所计算的数据。
作为本发明的一个实施例,硬件数据采集单元采集空气温湿度、二氧化碳浓度、土壤湿度、光照强度、蔬菜图片、土壤PH值,传感器型号分别选择:DHT11型温湿度传感器监测空气温湿度,MH-Z14A型二氧化碳传感器监测二氧化碳浓度,LM393芯片为比较器的土壤湿度传感器采集土壤湿度,BH1750型光敏传感器监测光照强度,OV7725型摄像头采集实际蔬菜图片。具体硬件数据采集单元结构示意图如附图3所示。
在传感器采集好数据后,会将数据传递至单片机模组,单片机选用STM32F103型开发板,同时在单片机模组内配置对应的硬件调控算法,进行边缘计算与相关硬件设备的智能调控。在单片机模组获取采集的数据后,会在一定处理后,传递至Zigbee模组。
在数据的采集的过程中,Zigbee模组采用Zigbee协议,而Zigbee协议具体需要协议栈Z-stack来实现,所以由终端设备和协调器设备组成的ZigBee网络都运行在Z-stack协议栈+OSAL系统之中,终端设备采集的空气温湿度、二氧化碳浓度、土壤湿度、光照强度、蔬菜图片、土壤PH值等数据点播发送给协调器,协调器在PHY层解析出数据后通过串口转以AT指令,并发送至WiFi模组。
在WiFi模组的选择与设计中,本系统采用ESP8266进行开发。WiFi模组接入Internet后,可以将上传至服务器,并存储于数据采集子链,实现硬件采集数据的不可篡改性存储的同时,实现数据收集共享。
作为本发明的一个实施例,硬件调控单元基于KMeans聚类与BP神经网络算法结合,解决不同大棚环境、不同农作物针对温度、湿度、CO2、光照等的具体需求。通过硬件对数据进行实时采集,对不同情况的数据进行分类提取,利用KMeans聚类算法构建针对特定农作物生长情况的环境模型方法,再结合BP神经网络对数据进行合理预测构建未来环境模型,实现具体场景下智能的硬件调控。
如图4,具体步骤如下:
S1.实时收集大棚内的环境数据,环境参数包括温度、湿度、CO2、光照等及对应农作物的生长情况相关数据。
S2.处理数据:
S21.以同一大棚、同一环境参数、同一种类农作物作为一个数据采集单元,以农作物播种到成熟为一完整数据采集周期。
S22.根据农作物生长阶段划分一级数据集(以青菜的生长为例分成5个数据集,播种环境数据、发芽环境数据、幼苗环境数据、生长环境数据、成熟环境数据),再根据每一阶段的具体天数,以一天(24h)为单位建立二级数据集,最后根据一天(24h)以每1min为一组,将二级级数据集划分为1440个三级数据集。
S3.KMeans聚类算法构建环境数据模型:
S31.针对S22的数据划分,对三级数据集进行数据处理,剔除受极端环境影响导致的异常数据,根据农作物长势情况,对数据集内的数据贴数据标签,标签分为优、良、中、差四个等级。
S32.利用肘部法选择初始k值,k值的变化范围为1到[1/5*三级数据集的数据量],计算并绘制k变化时聚类的平均离差,确定k值。
S33.根据S31处理好的三级数据集及S32确定的k值,利用KMeans聚类算法对每个数据集进行模型训练。
S34.将训练好的模型进行标签分类,选取优势环境数据(即数据标签为优、良的对应环境数据),根据从三级数据到二级数据再到一级数据的构建顺序,构建该农作物的优势环境数据模型。
S4.根据S1、S2、S3构建一个完整周期的优势环境数据模型,随着时间推移数据采集量的增大,以原始优势环境数据模型*0.7+最新优势环境数据模型*0.3进行数据模型更新,通过这种数据滚动,以提高农作物优势环境数据模型的准确度。
S5.BP神经网络对数据进行预测构建未来环境模型:
S51.在S22的数据划分基础上,对每个一级数据内的数据进行分类,将二级数据作为一类数据,再将相同时间段的三级数据划分为二类数据。
S52.分别对一类数据及二类数据进行预处理、归一化的操作。
S53.分别对一类数据及二类数据进行数据拟合,形成某农作物某阶段一天(24h)内某环境参数变化情况的一类变化曲线,某农作物某阶段在每天相同的时间段(1min)内某环境参数变化情况的二类变化曲线。
S54.分别对一类变化曲线数据及二类变化曲线数据,划分为训练数据和测试数据。
S55.利用处理好的两类数据,分别进行BP神经网络训练,得到两类数据模型。
S56.分别对两类数据模型进行参数迭代,调优模型。
S57.利用优化后的两类BP神经网络模型进行预测,针对两类模型预测的某一相交时刻取平均值。
S58.根据取平均值后的预测结果构建未来一天的环境模型。
S6.随着数据增加,不断更新数据集,执行S5,增加未来预测的准确性。
S7.根据S58得到的未来某一天环境数据与S33得到的优势环境数据模型中对应那天的数据进行数据比对,进而对某一具体硬件进行智能调控,影响环境参数,促使该环境参数未来向优势环境数据发展,达到智能化控制硬件的目的。
作为本发明的一个实施例,中心处理单元对数据进行一系列的处理,数据先存储到Redis数据库进行缓存,再存储至Mysql数据库。
Redis会自动检查Mysql中的数据,若检查出不一致时,会直接使用Redis中的数据;若一致,则采用Mysql中的数据。由于Redis具有高性能高并发的特点,可以实现快速存储与快速读写,因此采用先存储至Redis,再存储至Mysql的数据存储流程,可以在保证农业大棚相关数据时效性的同时,确保数据的统一性。
作为本发明的一个实施例,实时显示单元不涉及对数据的增删、写入、修改,仅涉及数据的查询与可视化操作,因此功能实现于区块链系统架构层次的“区块链溯源平台层”,可以实时显示主链上的所有信息,并提供查询接口,使用人员可以通过查询接口查询各子链以及各操作单元的数据,将其显示在实时显示单元上。
实时显示单元主要拥有三个功能:数据查询、预警系统实时显示和数据可视化调度。数据查询功能主要基于主链提供的查询接口实现,通过该接口查询所有主链中按时间线存储的“标记”,并根据此“标记”追溯对应子链的数据,并将其显示在实时显示单元。预警系统实时显示主要基于硬件数据采集单元实现,即通过硬件数据采集单元提供的数据接口,将数据进行智能分析再加以可视化后,显示在实时显示单元。数据可视化调度功能主要基于硬件调控单元实现,通过硬件对实时采集的数据进行分类提取和建立模型再加以可视化后,显示在实时显示单元。
作为本发明的一个实施例:(1)基于区块链的智能农业大棚系统架构
基于区块链的智能农业大棚系统将系统划分为三层结构,并确保每一层只与紧密相连的一层相关。每一层的数据将主要信息提取,并结合时间戳一同作为“标记”信息加入下一层,最终在主链中查看诸多“标记”信息,确保数据可追溯性并确保数据的分布式存储。
系统主要采用区块链的去中心化、开放性、透明性、自治性、数据不可篡改性、匿名性和溯源性七大特点进行系统整体模块架构。就农产品在流通、溯源、防伪、品质鉴定落地应用场景,利用区块链和供应链建立一个公开透明的优质和健康的新农业体系,促进农业由传统向现代、由大到小的转变,实现农业产业价值最大化。
(2)基于物联网和人工智能的硬件调控算法与自动调控技术
通过K-Means算法与bp神经网络进行模型训练,结合实际农业数据进行算法拟合,实现水、肥、气、酶、光照等因素的数据拟合,确认出最适合农业大棚内农作物的生长的环境,并且通过STM32单片机和Zigbee组网以及相关的传感器、控制器进行调控,确认农业大棚内的环境一直处于农作物生长的最适环境。
作为本发明的一个实施例:
(1)在农业大棚数据追溯中引入区块链技术
区块链技术具有去中心化性、数据不可篡改性、可溯源性、开放性、匿名性等多种特性。在实际场景的大棚中,由于农作物与管理数据的数量过于庞大,将所有监控站的数据统一上传至中心服务器进行统一操作的成本和技术难度过高,区块链的去中心化特性——即所有操作都部署在分布式账本上,而不再部署在中心化的服务器上——可以很好的降低成本和技术难度。而区块链的数据不可篡改性和可溯源性可以很好的在保证数据真实性的时候追溯过往数据进行综合分析,开放性和匿名性保证既保证消费者利益又保护生产者和消费者的隐私问题。
具体有以下七个由区块链特性带来的优点:
去中心化:
去中心化,即分布式储存与计算。在实际场景的大棚中,涉及数据量过于庞大的数据,因此,传统的中心化集群式数据管理方法很难完全实现大棚农作物数据的存储。而区块链的去中心化特性可以使得数据根据时间戳进行存储,并通过若干子链+主链的数据存储方法,基于“数据标签”进行数据追溯与详细信息查询,可以在保证数据完整性的同时,降低数据存储压力,提高服务器数据存储性能与数据读写速度。
开放性:
采用公钥和私钥的设置除了交易主体的私有信息被加密外,所有人都可以通过公开接口查询区块链。开放的信息资源将保证消费者利益。
透明性:
除开放性所具备的透明度外,区块链将所有交易账本实时广播,所有人都能获悉交易内容。将提升消费者的信任程度,农产品从种植到走上餐桌,能够完全实现溯源,并与法律一同对农业生产起到监督作用。
自治性:
通过脚本实现无须认为干预的自动执行程序,采用基于协调一致的规范和协议,使整个系统中的所有节点都能在信任的环境自由安全的交换数据。在农业保险方面,应用智能合约等,为农业从业者带来切实的实惠。
数据不可篡改性:
一旦数据经过验证并添加到区块链,将会被永久地存储起来,并通过时间戳纪录时间。这样可以提高农业数据的真实性,杜绝虚报生产力的问题,能够记载农产品的来龙去脉,并在一定程度上帮助进行农产品销售,减少因为农产品滞销导致的腐烂、浪费等问题。
匿名性:
用户尽管能够获悉其他人的交易内容,但对于不属于自己的交易记录,其无法了解交易者的真实身份,同时保证每个人智能对自己的财产进行修改,保护生产者以及消费者的隐私问题。
溯源性:
传统农业的农作物种植过程中存在农药使用超标、运输不当造成的农产品腐坏等问题。利用溯源性,及时跟踪作物信息,发现问题可以快速召回,保证农产品质量同时节省成本。消费者可以通过区块链溯源农产品,购买食用更加安全放心。
(2)利用人工智能和针对性算法对作物生长环境进行调优
基于人类学习优化算法的K-means算法:
作用:在剔除异常数据后,根据农作物长势对数据集贴标签,利用K-means聚类算法对每个数据集进行模型训练,对温室农作物生长环境中不同的变量指标做聚类分析,选取优势数据,构建该农作物的优势环境数据模型,挖掘出智能温室大棚农作物生长的最佳环境范围。不断进行数据模型更新,通过数据滚动,以提高农作物优势环境数据模型的准确性,调节环境变量让大棚一直处于农作物生长的优势环境中。
使用K-means算法本身特性带来以下优点:
1.该算法本身具有优化迭代功能,在已经求得的聚类上再次进行迭代修正剪枝确定部分样本的聚类,优化了初始监督学习样本分类不合理的地方。
2.算法能根据较少的已知聚类样本的类别对树进行剪枝确定部分样本的分类,便于在项目投入使用前期产生测试结果。
3.K-means算法对农业大棚大规模数据集进行聚类分析时,算法聚类较高效且聚类效果较好,可保证农作物优势环境分析的准确性及时性。
4.K-means算法对农业大棚数值型数据的聚类效果好,可避免数据收集顺序影响聚类结果。
智能预测(BP神经网络预测):
作用:首先对分类的数据进行预处理,归一化操作,分别对两类数据进行数据拟合,形成两类变化曲线。将变化曲线数据划分训练数据和测试数据,分别进行BP神经网络训练,得到两类数据模型,经过迭代调优,随着数据量的增加,不断更新数据集,提高未来预测的准确性。
根据农作物生长的环境变量进行预测,利用BP神经网络自适应,自主学习的特性配合控制系统自动洒水,光照,CO2等,可实现全自动调控大棚环境,保证农作物处于最优生长环境。将混和智能预测控制算法应用于PH值控制,为其提供了一种新的、更为有效、省时省力的控制方法。
(3)利用物联网进行收据收集共享
ZigBee协议具体需要协议栈Z-stack来实现,所以由终端设备和协调器设备组成的ZigBee网络都是运行在Z-stack协议栈+OSAL系统之中,终端设备采集的大棚温湿度、有害气体、光照强度等数据点播发送给协调器,协调器在PHY层解析出数据后通过串口转以AT指令发送给ESP8266模块,WiFi接入Internet后就可以上传至服务器,实现数据收集共享。
Zigbee技术的低成本的使用。将大规模的无线网络管理交给了ZigBee内的Zstack协议。通过低成本的Zigbee实现,可以使农业逐渐地转向以信息和软件为中心的生产模式。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于区块链的农业大棚数据溯源与管理方法,其特征在于,包括:通过区块链主链作为系统架构基础,构建区块链溯源架构,农业大棚管理子系统将每次计算或获取数据时得到的数据上传到区块链溯源架构中,进行数据存储并用于溯源,基于此,进行整体布局,区块链溯源架构基于一物一码锚定商品,对接智能大棚系统、PDA或扫码设备。
2.如权利要求1所述的一种基于区块链的农业大棚数据溯源与管理方法,其特征在于:区块链溯源架构由区块链数据溯源单元、硬件数据采集单元、硬件调控单元、中心处理单元、实时显示单元构成。
3.如权利要求2所述的一种基于区块链的农业大棚数据溯源与管理方法,其特征在于:区块链数据溯源单元由区块链主链和数据采集子链、硬件调控子链、中心处理子链三条子链组成,区块链主链串联三条子链,三条子链将核心节点、关键数据按时间戳上传至主链,在主链存储“标记”性数据,确保在进行数据追溯时,通过关键数据追溯到对应时间节点,通过该节点所对应的子链进行数据追溯与信息获取,从而实现数据追溯的全流程,区块链追溯单元采用物理层、应用层、区块链溯源平台层的三层结构进行设计。
4.如权利要求2所述的一种基于区块链的农业大棚数据溯源与管理方法,其特征在于:硬件数据采集单元采集空气温湿度、二氧化碳浓度、土壤湿度、光照强度、蔬菜图片、土壤PH值。
5.如权利要求2所述的一种基于区块链的农业大棚数据溯源与管理方法,其特征在于:硬件调控单元基于KMeans聚类与BP神经网络算法结合,解决不同大棚环境、不同农作物针对温度、湿度、CO2、光照等的具体需求。通过硬件对数据进行实时采集,对不同情况的数据进行分类提取,利用KMeans聚类算法构建针对特定农作物生长情况的环境模型方法,再结合BP神经网络对数据进行合理预测构建未来环境模型,实现具体场景下智能的硬件调控。
6.如权利要求2所述的一种基于区块链的农业大棚数据溯源与管理方法,其特征在于:中心处理单元对数据进行一系列的处理,数据先存储到Redis数据库进行缓存,再存储至Mysql数据库。
7.如权利要求2所述的一种基于区块链的农业大棚数据溯源与管理方法,其特征在于:实时显示单元拥有三个功能:数据查询、预警系统实时显示和数据可视化调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766664.3A CN115292753A (zh) | 2022-07-01 | 2022-07-01 | 一种基于区块链的农业大棚数据溯源与管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766664.3A CN115292753A (zh) | 2022-07-01 | 2022-07-01 | 一种基于区块链的农业大棚数据溯源与管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292753A true CN115292753A (zh) | 2022-11-04 |
Family
ID=83821843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210766664.3A Pending CN115292753A (zh) | 2022-07-01 | 2022-07-01 | 一种基于区块链的农业大棚数据溯源与管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292753A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310815A (zh) * | 2023-03-08 | 2023-06-23 | 重庆市农业科学院 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
CN116976917A (zh) * | 2023-07-31 | 2023-10-31 | 金景(海南)科技发展有限公司 | 基于区块链技术的农业品牌存证体系建设方法 |
CN116910490B (zh) * | 2023-09-08 | 2023-12-15 | 山东建筑大学 | 农业大棚环境调节方法、装置、设备及介质 |
-
2022
- 2022-07-01 CN CN202210766664.3A patent/CN115292753A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310815A (zh) * | 2023-03-08 | 2023-06-23 | 重庆市农业科学院 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
CN116976917A (zh) * | 2023-07-31 | 2023-10-31 | 金景(海南)科技发展有限公司 | 基于区块链技术的农业品牌存证体系建设方法 |
CN116910490B (zh) * | 2023-09-08 | 2023-12-15 | 山东建筑大学 | 农业大棚环境调节方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉系统 | |
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
CN109242201A (zh) | 一种预测农作物产量的方法、装置及计算机可读存储介质 | |
CN113657751A (zh) | 一种智慧农业产融综合服务平台 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN107450449A (zh) | 一种农业监控系统 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN102681438A (zh) | 作物温室栽培专家控制系统及作物病症诊断方法 | |
CN109343613A (zh) | 一种人工光型植物生长环境智能化控制系统及其控制方法 | |
US20220253757A1 (en) | Metaheuristics optimizer for controlled environment agriculture | |
CN202949807U (zh) | 一种露天农田种植模式农田远程管理系统 | |
Nyakuri et al. | IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization | |
Singla et al. | IoT based monitoring for the growth of basil using machine learning | |
CN106803209B (zh) | 实时数据库和先进控制算法的作物培育模式分析优化方法 | |
Joo et al. | Growth analysis system for IT-based plant factory | |
Zhang et al. | A reliable data-driven control method for planting temperature in smart agricultural systems | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
WO2021067847A1 (en) | Agricultural platforms | |
CN112364936A (zh) | 基于人工智能的温室控制方法、装置、设备及存储介质 | |
Gao et al. | Application of Artificial Intelligence System Design Based on Genetic Algorithm In Horticultural Cultivation | |
CN112581302A (zh) | 一种农业物联管理监测系统 | |
CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 | |
CN117751742B (zh) | 一种智慧园林水肥灌溉优化方法和系统 | |
Yang et al. | A framework for digital crop growing modeling based on agricultural Internet of Things |
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 |