CN116520917A - 温室大棚农产品环境物联网智能优化监控方法及系统 - Google Patents
温室大棚农产品环境物联网智能优化监控方法及系统 Download PDFInfo
- Publication number
- CN116520917A CN116520917A CN202310284165.5A CN202310284165A CN116520917A CN 116520917 A CN116520917 A CN 116520917A CN 202310284165 A CN202310284165 A CN 202310284165A CN 116520917 A CN116520917 A CN 116520917A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- agricultural product
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 230000012010 growth Effects 0.000 claims abstract description 53
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 230000008635 plant growth Effects 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 140
- 238000013527 convolutional neural network Methods 0.000 claims description 79
- 239000002245 particle Substances 0.000 claims description 79
- 230000008569 process Effects 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000005265 energy consumption Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 11
- 230000004060 metabolic process Effects 0.000 claims description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 235000013399 edible fruits Nutrition 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 29
- 210000002569 neuron Anatomy 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000002956 ash Substances 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000001745 non-dispersive infrared spectroscopy Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了温室大棚农产品环境物联网智能优化监控方法和系统，包括智能感知终端、智能控制终端、协调器端、现场监控端、云平台、浏览器端和移动APP端，通过ZigBee网络实现智能感知终端、智能控制终端和协调器端之间实现信息交互，协调器端与现场监控端之间通过USB接口实现信息交互，协调器端通过无线通信模块、云平台和5G网络实现浏览器端和移动APP端之间信息交互。本发明针对传统温室大棚对于植物生长所需温度、湿度等调节精度差，无法保证农产品始终处于最佳生长状态的问题，本发明利用嵌入式微处理器技术、传感器技术、网络通信技术，设计温室大棚农产品环境物联网智能优化监控系统智能化调节温室大棚环境。
Description
技术领域
本发明涉及温室大棚的农产品生长过程环境参数检测与智能化装备的技术领域，具体涉及温室大棚农产品环境物联网智能优化监控方法。
背景技术
温室大棚可以为农产品提供适宜的生长环境，避免外界自然环境变化和自然灾害来临导致的对农产品生长的不良影响，减小农产品对于外界环境的依赖，并且利用冬季自然光能生产优质反季节产品，增长农产品的生长周期。温室是农产品在栽培中最重要的环境条件，而温室的重要参数为温度、湿度和光照强度等，不同种类的农产品物种对于温度和湿度的要求不相同，为了最终成长而成的农产品品相好，使得农产品商品不受外界条件的限制，满足现在居民生活水平，促使农户的利益最大化，保证适宜的和良好的生长环境至关重要。近年来，随着信息技术的快速发展，物联网技术、传感器技术、网络通信以及移动互联网技术逐渐应用到温室大棚之中，智能温室大棚成为农业现代化的重要组成部分，利用无线传感器网络来实现对温室气温、空气相对湿度和光照的持续监测，并基于该数据进行灌概和施肥控制，可以远程自动控制温室大棚内的温湿度等因素，减少人工成本，把农户从大棚农作中解放出来，随时随地监控室内温湿度，及时调控室内温湿度等重要环境参数，保证农产品始终处于最佳生长状态，将控制失误成本降低。温室大棚的运用有效降低了外界环境对农产品生长带来的恶劣环境，提高农产品的生长周期与产量的有效途径之一。
发明内容
本发明针对传统温室大棚对于植物生长所需温度、湿度等调节精度差，无法保证农产品始终处于最佳生长状态的问题，本发明利用嵌入式微处理器技术、传感器技术、网络通信技术，设计温室大棚农产品环境物联网智能优化监控系统智能化调节温室大棚环境。
为解决上述问题，本发明采用如下的技术方案：
一、温室大棚农产品环境物联网智能优化监控方法及步骤：
1、构建温度检测模块，温度检测模块包括多个AANN自联想神经网络模型和CNN卷积神经网络模型-GRU神经网络模型，CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型串联，多组环境参数传感器输出时间序列值分别作为多个AANN自联想神经网络模型的对应输入，AANN自联想神经网络模型输出分别作为CNN卷积神经网络模型-GRU神经网络模型的对应输入，CNN卷积神经网络模型-GRU神经网络模型输出被检测环境的温度测量值，每组环境参数传感器包括温度传感器、湿度传感器和风速传感器；温度检测模块如图1所示。
2、农产品生长全程温度设定模型，农产品生长全程温度设定模型包括ESN神经网络模型、GRNN神经网络模型、递归模糊T-S神经网络模型、CNN卷积神经网络模型-GRU神经网络模型、TDL按拍延时器和新陈代谢灰色GM(1，1)模型；CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型串联，单位产量综合能耗历史值作为新陈代谢灰色GM(1，1)模型输入，新陈代谢灰色GM(1，1)模型输出作为对应的TDL按拍延时器输入，发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值分别作为ESN神经网络模型、GRNN神经网络模型和递归模糊T-S神经网络模型的对应输入，2个TDL按拍延时器输出、ESN神经网络模型、GRNN神经网络模型和递归模糊T-S神经网络模型的输出分别作为CNN卷积神经网络模型-GRU神经网络模型的对应输入，CNN卷积神经网络模型-GRU神经网络模型输出作为对应的TDL按拍延时器输入，CNN卷积神经网络模型-GRU神经网络模型输出为单位产量综合能耗值；农产品生长全程温度设定模型如图2所示。
3、农产品生长全程温度粒子群算法优化子系统，农产品生长全程温度粒子群算法优化子系统包括粒子群初始化、确定适应度值、目标函数计算、粒子群位置更新和最优农产品生长全程温度设定值确定，农产品生长全程温度设定值包括发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值；
粒子群作为初始解随机地分布在搜索空间中，每只粒子被视为一种农产品生长全程温度设定值，每个粒子将在解空间中按照运动方向和位移运动，通过评价每个粒子的适应度值，确定每个粒子经过的最佳位置以及粒子群发现的最佳位置，更新各个粒子的速度和位置；反复寻优直到满足目标函数值，最后确定最优农产品生长全程温度设定值；
每个农产品生长全程温度设定值的粒子群个体作为农产品生长全程温度设定模型的输入，农产品生长全程温度设定模型的输出作为该农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值的预测值，每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值的倒数作为该农产品生长全程温度设定值的粒子群个体的适应度值，每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值的倒数越大，该农产品生长全程温度设定值的粒子群个体的适应度值就越高，粒子群中每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值倒数的和为该粒子群总的适应度值；
4、构建农产品生长环境温度调节子系统，农产品生长环境温度调节子系统包括农产品全程温度粒子群算法优化子系统、递归模糊T-S神经网络控制器、PID控制器、DRNN神经网络模型、ESN神经网络控制器、GRU神经网络模型、GRNN神经网络模型和温度检测模块；农产品全程温度粒子群算法优化子系统的发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值分别作为对应的农产品生长期的温度设定值，对应的农产品生长期的温度设定值与温度检测模块输出的差和差的变化率分别作为递归模糊T-S神经网络控制器和PID控制器的对应输入，递归模糊T-S神经网络控制器和PID控制器的输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出与ESN神经网络控制器波动值的差和差的变化率作为ESN神经网络控制器的对应输入，ESN神经网络控制器输出分别作为GRNN神经网络模型和环境调节装置的输入，GRNN神经网络模型输出作为GRU神经网络模型输入，GRNN神经网络模型输出与GRU神经网络模型输出的差作为ESN神经网络控制器波动值，温度检测模块和环境调节装置分别实现农产品生产环境温度智能化检测和调节；农产品生长环境温度调节子系统如图3所示。
二、温室大棚农产品环境物联网智能优化监控系统
温室大棚农产品环境物联网智能优化监控系统包括智能感知终端、智能控制终端、协调器端、现场监控端、云平台、浏览器端和移动APP端，通过ZigBee网络实现智能感知终端、智能控制终端和协调器端之间实现信息交互，协调器端与现场监控端之间通过USB接口实现信息交互，协调器端通过无线通信模块、云平台和5G网络实现浏览器端和移动APP端之间信息交互；智能感知终端实现对温室大棚环境参数的温湿度、光照度、土壤环境温度、土壤水分、粉尘和二氧化碳浓度进行检测，智能控制终端调节温室大棚的农产品生长环境参数，满足农产品过程对生态环境要求；移动APP端和浏览器端具有显示农产品生长环境数据，种植户也可随时利用移动APP端和浏览器端通过云平台进行远程调节，来能够植物生长需求；温室大棚农产品环境物联网智能优化监控系统如图4所示。
1、智能感知终端包括STM32单片机、CC2530模块、温室大棚的光照度传感器、环境温湿度传感器、土壤温度与水分传感器、二氧化碳传感器、粉尘传感器、PH值传感器和视频摄像头，采集温室大棚空气环境和土壤环境参数；智能感知终端如图5所示。
2、智能控制终端包括可编程序控制器、CC2530模块、排气扇、遮阳帘、加湿器、滴灌器、光照控制器和温控器，智能控制终端通过协调器端接收现场监控端和移动APP端控制指令控制智能控制端的外围设备状态，调节农产品的生态环境参数；智能控制终端如图6所示。
3、协调器端包括CC2530模块、STM32单片机、USB接口和无线通信模块，通过CC2530模块接受智能传感终端的传感器参数通过无线通信模块上传到云平台，供移动APP端和浏览器远程访问，通过USB接口与现场监控端实现信息交互。协调器端如图7所示。
4、现场监控端有农产品生长环境温度调节子系统实现对温室大棚环境的参数进行智能化调节。
相比于现有技术，本发明具有以下明显优点：
1、本发明CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型串联，CNN卷积神经网络模型中提取输入时序信息的空间特征向量，GRU神经网络模型对CNN卷积神经网络模型输出的输入信息的空间特征序列进行处理，挖掘CNN卷积神经网络模型输出信息的时序特征，在时间维度上提取CNN卷积神经网络模型输出的时间特征，根据输入信息活动序列数据的空间特征和时间特征的相互依赖的特征，实现对输入信息的时间特征和空间特征的2个维度的精确预测。
2、本发明ESN神经网络模型使用大规模随机稀疏网络(储备池)作为信息处理媒介，将农产品的各个生长阶段温度设定值从低维的输入空间映射到高维的状态空间，在高维的状态空间采用线性回归方法对ESN神经网络模型的输出连接权进行训练，而其他连接权随机产生，并在ESN神经网络模型训练过程中保持不变。ESN神经网络模型的输出连接权改变迅速，而内部连接权则只以高度耦合的方式缓慢改变。即如果ESN神经网络模型的内部连接权选择合适，在对ESN神经网络模型进行训练时可以忽略内部连接权的改变。ESN神经网络模型作为近年新兴的递归神经网络，稳定性、全局最优性和收敛速度相对传统神经网络有较大改进，ESN神经网络模型通过农产品的各个生长阶段温度设定值激励储备池，使储备池产生连续的单位产量能耗值状态变量信号，最后通过储备池单位产量能耗值状态变量与目标输出信号的线性回归算法确定ESN网络输出权值。ESN神经网络突出优点是训练速度快、简单，且输入连接权值和储备池内部连接权值在训练和使用过程中基本不变，因此ESN神经网络模型的权值和阈值只需要简单的线性回归即可计算得到，这样能确保其解为全局最优解。
3、本发明GRNN神经网络模型对农产品的单位产量综合能耗值具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，GRNN神经网络模型最后收敛于样本量积聚较多的优化回归面并且在农产品的单位产量综合能耗值样本数据较少时和不稳定的农产品的单位产量综合能耗值数据预测效果也较好。GRNN神经网络模型对农产品的单位产量综合能耗值泛化能力强，预测精度高，算法稳定，GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点，预测网络运算速度快，对农产品的单位产量综合能耗值的预测具有良好的应用前景。
4、本发明新陈代谢灰色GM(1，1)模型预测农产品的单位产量综合能耗值的时间跨度长。用GM(1,1)灰色预测模型模型可以根据农产品的单位产量综合能耗值的历史值预测未来时刻农产品的单位产量综合能耗值，用上述方法预测出的新的农产品的单位产量综合能耗值后，把新的农产品的单位产量综合能耗值再加加入农产品的单位产量综合能耗值的历史值的原始数列中，相应地去掉农产品的单位产量综合能耗值的历史值的原始数列开头的一个数据建模，再进行预测未来的农产品的单位产量综合能耗值。依此类推，预测出农产品的单位产量综合能耗值。这种方法称为等维灰数递补模型，它可实现较长时间的农产品的单位产量综合能耗值的预测。农户可以更加准确地掌握农产品的单位产量综合能耗值的变化趋势，提高农产品的生产经济效益。
附图说明
图1为本发明温度检测模块；
图2为本发明农产品生长全程温度设定模型；
图3为本发明农产品生长环境温度调节子系统；
图4为本发明温室大棚农产品环境物联网智能优化监控系统；
图5为本发明智能感知终端；
图6为本发明智能控制终端；
图7为本发明协调器端；
图8为本发明现场监控端软件功能。
具体实施方式
为了更好解释本发明，以便于理解，下面结合附图1-8对本发明的技术方案作详细描述。以下实施例是对本发明的解释，而本发明并不局限于以下实施例。
一、温度检测模块设计
温度检测模块包括多个AANN自联想神经网络模型和CNN卷积神经网络模型-GRU神经网络模型，CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型相串联；
1、AANN自联想神经网络模型设计
AANN自联想神经网络模型(Auto-associative neural network，AANN)，是一种特殊结构的前馈神经网络，AANN自联想神经网络结构包括一个输入层、一定数量的隐含层和一个输出层。首先通过农产品环境参数的输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从农产品环境参数输入的高维参数空间中提取了反映农产品环境参数系统结构的最具代表性的低维子空间，同时有效地滤去了农产品环境参数输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现农产品环境参数解压缩，将前面压缩的信息还原到各个参数值，从而实现农产品环境参数输入数据的重构。为了达到农产品环境参数信息压缩的目的，自联想神经网络络瓶颈层节点数目明显小于输入层，又为了防止形成农产品环境参数输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，AANN自联想神经网络的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对农产品环境参数信号进行编码和压缩得到输入传感器数据的相关模型，并在瓶颈层后进行农产品环境参数解码和解压缩以产生农产品环境参数输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的S型函数，自联想神经网用误差反向传播算法来训练。
2、CNN卷积神经网络模型-GRU神经网络模型设计
CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型相串联，CNN卷积神经网络模型-GRU神经网络模型输出被检测环境的温度测量值，每组环境参数传感器包括温度传感器、湿度传感器和风速传感器；CNN卷积神经网络模型能够直接从大量的AANN自联想神经网络模型输出中自动挖掘提取出表征系统状态的敏感空间特征，CNN卷积神经网络模型结构主要包括4个部分：①输入层(Input)。输入层即为CNN卷积神经网络模型的输入，一般将AANN自联想神经网络模型输出或预处理后的信号进行归一化后直接输入。②卷积层(Conv)。由于输入层数据维度较大，CNN卷积神经网络模型难以直接全面感知所有AANN自联想神经网络模型输出信息，需要将AANN自联想神经网络模型数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低CNN卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对AANN自联想神经网络模型输出信号进行遍历和卷积运算，从而实现对AANN自联想神经网络模型输出信号敏感特征的挖掘与提取。③池化层(Pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，AANN自联想神经网络模型输出特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的AANN自联想神经网络模型输出值的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。
GRU神经网络模型是长短期记忆网络的改进模型，其对长短期记忆网络的3个门函数进行优化，将遗忘门和输入门集成为单一的更新门，同时混合神经元状态与隐藏状态，可有效缓解循环神经网络中“梯度消失”的问题，并缩减长短期记忆网络单元的参数数量及模型的训练时间。GRU神经网络模型可以取得与LSTM神经网络模型相当甚至更好的性能也能更快收敛，更新门控制前一时刻的状态信息保留到当前状态中的程度,而重置门控制当前状态与先前的信息结合的程度。GRU神经网络的数学描述式为：
xt、ht-1、ht、rt、zt、yt分别为输入向量、上一时刻的状态记忆变量、当前时刻的状态记忆变量、更新门的状态、重置门的状态、当前候选集的状态、当前时刻的输出向量；wr、wz、wh和wo分别为更新门、重置门、候选集、输出向量与xt及ht-1构成的连接矩阵相乘的权重参数；Ι表示单位矩阵；σ表示sigmoid激活函数；tanh为正切函数。GRU神经网络以更新门和重置门为核心模块，输入变量xt与上一时刻的状态记忆变量ht-1的拼接矩阵经sigmoid非线性变换后输入更新门，决定上一时刻状态变量带入当前状态的程度。重置门控制上一时刻写入候选集的信息量，通过Ι-zt倍的ht-1存储上一时刻的信息，通过zt倍的ht-1记录当前时刻的信息，将二者相加作为当前时刻的输出。
二、农产品生长全程温度设定模型设计
农产品生长全程温度设定模型包括ESN神经网络模型、GRNN神经网络模型、递归模糊T-S神经网络模型、CNN卷积神经网络模型-GRU神经网络模型、TDL按拍延时器和新陈代谢灰色GM(1，1)模型；
1、ESN神经网络模型设计
ESN神经网络模型(Echo state network，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
式中W为神经网络的状态变量，Win为神经网络的输入变量；Wback为神经网络的输出状态变量连接权矩阵；x(n)表示ESN神经网络模型的内部状态；Wout为ESN神经网络模型的核储备池、RSN神经网络模型的输入以及ESN神经网络模型的输出之间的连接权矩阵；为ESN神经网络的输出偏差或可以代表噪声；f＝f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数；fi为双曲正切函数；fout为ESN神经网络模型的ε个输出函数。
2、GRNN神经网络模型设计
GRNN神经网络模型是一种局部逼近网络GRNN(Generalized Regression NeuralNetwork)，GRNN神经网络模型是建立在数理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也随之确定，在训练过程中只需要确定平滑参数一个变量。GRNN神经网络模型的学习全部依赖温度设定值的数据样本，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。GRNN神经网络模型的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。GRNN神经网络模型具有小样本下强大的预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利的GRNN神经网络模型由输入层、模式层、求和层和输出层构成，GRNN网络输入向量X为n维向量，网络出出向量Y为k维向量X＝{x1,x2,…,xn}T和Y＝{y1,y2,…,yk}T。模式层神经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神经元传递函数pi为：
pi＝exp{-[(x-xi)T(x-xi)]/2σ},(i＝1,2,…,m) (3)
上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述GRNN神经网络模型算法，则网络输出向量Y的第j个元素的估计值为:
yj＝sNj/sD,(j＝1,2,…k) (6)
GRNN神经网络模型建立在数理统计基础之上，能够根据输入温度设定值样本数据逼近其隐含的映射关系，GRNN神经网络模型的输出结果能够收敛于最优回归面，特别是在输入数据样本数据稀少的情况下，也能获得满意的预测效果。GRNN神经网络模型具有较强的预测能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性。
3、递归模糊T-S神经网络模型设计
递归模糊T-S神经网络模型包括前件网络和后件网络，作为递归环节将递归模糊T-S神经网络模型的输出反馈到网络前件第m个输入中，此反馈环节使整个T-S神经网络模型具有了递归的特性，递归模糊T-S神经网络模型输出既当前时刻的输入数据有关，又与上一时刻的输出数据相关联。
(1)、前件网络。第1层为输入层，该层的节点数为n。第2层为模糊化层，对输入数据进行模糊化，各神经元执行相应的隶属度函数第3层为模糊规则层。第4层的结点数为m，该层实现归一化计算。
(2)、后件网络。第1层是输入层，其中第0个节点的输入值x0＝1，它的作用是提供模糊规则后件的常数项。第2层有m个节点，它的作用是计算每一条规则后件：
第3层计算系统输出：
通过网络学习算法调整第2层的隶属度函数的中心值cj和宽度bj以及后件网络的连接权pjk，为了简化起见，将参数pjk固定，这时每条规则的后件在简化结构中变成了一层的连接权。该简化结构与常规模型的模糊神经网络具有完全相同的结构，可套用常规模型计算结果。
4、新陈代谢灰色GM(1，1)模型设计
新陈代谢灰色GM(1,1)模型的建模过程是将无规律的单位产量综合能耗历史值的原始数据进行累加，得到规律性比较强的生成序列后进行建模，由生成模型得到的数据再进行累减得到原始数据的预测值，然后进行预测。假设要预测参数的原始数列为：
x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (9)
一阶累加后生成新的序列为：x(1)＝(x(1)(1),x(1)(2),…x(1)(n))(10)
其中：
则x(1)序列具有指数增长的规律，即满足一阶线性微分方程：
公式中a成为发展灰数，它反映x(1)和x(0)的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x(1)的预测值为：
通过下公式的累减还原，得到原始序列x(0)的灰色预测模型为：
通过构建灰色预测GM(1,1)模型，可以实现对本专利单位产量综合能耗历史值的预测，构建对应检测参数的灰色预测GM(1,1)模型。新陈灰色预测GM(1,1)模型可以根据单位产量综合能耗历史值预测未来时刻单位产量综合能耗值，用上述方法预测出的单位产量综合能耗值后，把单位产量综合能耗值再加分别加入单位产量综合能耗历史值的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测多个单位产量综合能耗值值的预测。依此类推，预测出单位产量综合能耗值。这种方法称为新陈灰色预测GM(1,1)模型可实现较长时间的单位产量综合能耗值预测，种植户可以更加准确地掌握单位产量综合能耗值的变化趋势。
三、农产品生长全程温度粒子群算法优化子系统设计
农产品生长全程温度粒子群算法优化子系统，农产品生长全程温度粒子群算法优化子系统包括粒子群初始化、确定适应度值、目标函数计算、粒子群位置更新和最优农产品生长全程温度设定值确定，农产品生长全程温度设定值包括发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值；农产品生长全程温度粒子群算法优化子系统设计过程如下：
1、粒子群初始化
设农产品生长全程温度设定值包括发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值，且每份农产品生长全程温度设定值的每个阶段的温度设定值都有一定范围，作为农产品生长过程温度的约束条件，每个阶段温度设定值在该范围内才能满足农产品生长需要。根据农产品生长过程的每个阶段温度约束条件，随机生成代表农产品生长全程温度设定值的4个阶段的4个实数，它们排列在一起构成一个农产品生长全程温度设定值的粒子群个体，定义为一个粒子群的4维搜索空间。连续产生这样的M个农产品生长全程温度设定值的粒子群个体，M为粒子群的规模，亦即每代生猪饲料配方的粒子群个体数，设粒子群数量为M。
2、确定适应度值
适应度值用来评价农产品生长过程温度设定值的粒子群个体的优劣，作为农产品生长全程温度设定值优化过程优胜劣汰的依据。农产品生长全程温度设定值优化是对农产品生长全程温度设定值进行优化组合，在达到农产品生长过程满足农产品营养标准的前提下力争农产品生长全程温度设定值的效益最好；每个农产品生长全程温度设定值的粒子群个体作为农产品生长全程温度设定模型的输入，农产品生长全程温度设定模型的输出作为该农产品生长全程温度设定值的单位产量综合能耗值的预测值，每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值的倒数作为该农产品生长全程温度设定值的粒子群个体的适应度值，每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值的倒数越大，该单位产量综合能耗值的粒子群个体的适应度值就越高，粒子群中每个单位产量综合能耗值的粒子群个体的单位产量综合能耗值预测值倒数的和为该粒子群总的适应度值。
3、目标函数计算
如迭代到指定的最大代数，到达后粒子群算法即停止；或者农产品生长全程温度设定值的粒子群个体适应度值与指定的农产品生长全程温度设定值的粒子群个体适应度值的差值小于设定阈值作为粒子群算法的目标函数，该农产品生长全程温度设定值的粒子群个体为最优解。
4、粒子群位置更新
M个粒子构成粒子群，其中每个粒子都是D维的向量，在D维搜索空间中的第i个微粒的位置和速度可分别表示为Xi＝[xi,1,xi,2,…,xi,D]和Vi＝[vi,1,vi,2,…,vi,D]，通过评价每个粒子的适应度值，确定t时刻每个粒子所经过的最佳位置Pi＝[pi,1,pi,2,…,pi,d]，在迭代过程中逐个检查相应的农产品生长全程温度设定值的粒子群个体是否满足农产品生长全程温度设定值的约束条件，若满足则新的农产品生长全程温度设定值粒子群个体作为新一代成员；否则，舍弃该新的农产品生长全程温度设定值个体。
5、最优农产品生长全程温度设定值确定
在满足粒子群算法停止条件后，计算每一个农产品生长全程温度设定值的粒子群个体的适应度值，适应度值最大的农产品生长全程温度设定值的粒子群个体为最优的农产品生长全程温度设定值的粒子群个体，得到农产品生长全程温度设定值最优设定值。
四、农产品生长环境温度调节子系统设计
农产品生长环境温度调节子系统包括农产品全程温度粒子群算法优化子系统、递归模糊T-S神经网络控制器、PID控制器、DRNN神经网络模型、ESN神经网络控制器、GRU神经网络模型、GRNN神经网络模型和温度检测模块；其中农产品全程温度粒子群算法优化子系统、递归模糊T-S神经网络控制器、ESN神经网络控制器、GRU神经网络模型、GRNN神经网络模型和温度检测模块的设计过程参照本专利的相关设计过程。
DRNN神经网络模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映递归模糊T-S神经网络控制器和PID控制器输出的动态变化性能，可以精确动态融合递归模糊T-S神经网络控制器输出和PID控制器输出的控制量，每个DRNN神经网络模型2-7-1的3层网络结构，其隐层为回归层，在本专利DRNN神经网络模型中，设I＝[I1 (t)，I2 (t)，…，In (t)]为网络输入向量，其中Ii(t)为DRNN神经网络模型的输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN神经网络模型的输出。则DRNN神经网络模型的输出层输出为：
递归模糊T-S神经网络控制器输出和PID控制器输出分别作为DRNN神经网络模型的输入，DRNN神经网络模型实现对递归模糊T-S神经网络控制器输出和PID控制器输出的融合和再预测。
五、温室大棚农产品环境物联网智能优化监控系统设计
温室大棚农产品环境物联网智能优化监控系统包括智能感知终端、智能控制终端、协调器端、现场监控端、云平台、浏览器端和移动APP端，通过ZigBee网络实现智能感知终端、智能控制终端和协调器端之间实现信息交互，协调器端与现场监控端之间通过USB接口实现信息交互，协调器端通过无线通信模块、云平台和5G网络实现浏览器端和移动APP端之间信息交互；智能感知终端实现对温室大棚环境参数的温湿度、光照度、土壤环境温度、土壤水分、粉尘和二氧化碳浓度进行检测，智能控制终端调节温室大棚的农农产品生长环境参数，满足农植物过程对生态环境要求；移动APP端和浏览器端具有显示农产品生长环境数据，种植户也可随时利用移动APP端和浏览器端通过云平台进行远程调节，来能够植物生长需求。云平台利用数据库将海量数据进行存储，利用机器学习算法对数据进行处理，收到协调器端传来的视频数据和环境变量数据后云平台能够及时对其分别处理，并将环境变量数据和生长状况数据一一对应保存在云数据库；云平台接收到协调器端发来的环境变量因子时，结合当前该植物生长状况打分情况和该植物当前所处生长阶段，利用知识模型得到植物最佳生长环境信息。温室大棚农产品环境物联网智能优化监控系统如图4所示。
1、智能传感终端设计
智能传感终端包括STM32单片机、CC2530模块、温室大棚的光照度传感器、环境温湿度传感器、土壤温度与水分传感器、二氧化碳传感器、粉尘传感器、PH值传感器和视频摄像头参数的综合采集；选用STM32单片机作为微控制器和CC2530模块无线传输接口，用于实时采集生态环境系统参数数据，一方面实时接收感知模块的数据，通过协调器端上传物联网云服务器。DHT11温湿度传感器体积小、功耗低、响应快和抗干扰能力强，输出数据可由数据采集设备直接读取。GY-30光照强度传感器采用ROHM原装BH1750FVI芯片，支持速率最大为400Kbps，传感器内置16bitAD转换器直接数字输出，通过计算电压获得有效数据，光照度范围为0-65 535lx，分辨率最小到1lx，精度误差最大值为±20％。不区分环境光源，接近视觉灵敏度分光特性,可对广泛亮度进行1lx高精度测定。GP2Y1010AU0F粉尘传感器和MH-Z14A二氧化碳传感器检测的参数有空气粉尘浓度和空气二氧化碳浓度，GP2Y1010AU0F粉尘传感器通过检测粉尘的反射光来反应粉尘浓度，通过分析传感器输出电压的脉冲模式来区分室内粉尘中的烟雾。MH-Z14A二氧化碳传感器使用NDIR技术，选择性好、无氧气依赖性。智能传感终端如图5所示。
2、智能控制终端设计
智能控制终端包括可编程序控制器、CC2530模块、排气扇、遮阳帘、加湿器、滴灌器、光照控制器和温控器，用于对农植物栽培关键指标数据的控制，智能控制终端通过协调器端接收现场监控端和移动APP端控制指令控制智能控制端的外围设备状态，调节农植物的生态系统环境。智能控制终端如图6所示。
3、协调器端设计
协调器端包括CC2530模块、STM32单片机、USB接口和无线通信模块，通过CC2530模块接受智能传感终端的传感器的参数通过无线通信模块上传到机云平台，采用WIFI形式接入互联网，该无线ESP8266模块是超低功耗的UART-WIFI模块，封装尺寸小，可将用户的物理设备连接到WIFI上，进行互联网或局域网通信，实现联网功能。供移动APP端和浏览器远程访问；通过USB接口与现场监控端实现信息交互。协调器端如图7所示。
4、现场监控端软件设计
现场监控端是一台工业控制计算机，现场监控端主要实现对大棚环境参数进行采集和参数进行处理，实现与协调器端之间信息交互，现场监控端实现通信参数设置和对环境检测参数的分析和处理，现场监控端有农产品生长环境温度调节子系统实现对温室大棚环境的参数进行智能化调节。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图8。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (10)
1. 温室大棚农产品环境物联网智能优化监控方法，其特征在于，包括以下步骤：
步骤1、构建温度检测模块
温度检测模块包括多个AANN自联想神经网络模型和CNN卷积神经网络模型-GRU神经网络模型，CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型串联；
步骤2、农产品生长全程温度设定模型
农产品生长全程温度设定模型包括ESN神经网络模型、GRNN神经网络模型、递归模糊T-S神经网络模型、CNN卷积神经网络模型-GRU神经网络模型、TDL按拍延时器和新陈代谢灰色GM（1，1）模型；CNN卷积神经网络模型-GRU神经网络模型为CNN卷积神经网络模型与GRU神经网络模型串联；
步骤3、农产品生长全程温度粒子群算法优化子系统
农产品生长全程温度粒子群算法优化子系统包括粒子群初始化、确定适应度值、目标函数计算、粒子群位置更新和最优农产品生长全程温度设定值确定，农产品生长全程温度设定值包括发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值；
步骤4、构建农产品生长环境温度调节子系统
农产品生长环境温度调节子系统包括农产品全程温度粒子群算法优化子系统、递归模糊T-S神经网络控制器、PID控制器、DRNN神经网络模型、ESN神经网络控制器、GRU神经网络模型、GRNN神经网络模型和温度检测模块；农产品全程温度粒子群算法优化子系统的发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值分别作为对应的农产品生长期的温度设定值，对应的农产品生长期的温度设定值与温度检测模块输出的差和差的变化率分别作为递归模糊T-S神经网络控制器和PID控制器的对应输入，递归模糊T-S神经网络控制器和PID控制器的输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出与ESN神经网络控制器波动值的差和差的变化率作为ESN神经网络控制器的对应输入，ESN神经网络控制器输出分别作为GRNN神经网络模型和环境调节装置的输入，GRNN神经网络模型输出作为GRU神经网络模型输入，GRNN神经网络模型输出与GRU神经网络模型输出的差作为ESN神经网络控制器波动值，温度检测模块和环境调节装置分别实现农产品生产环境温度智能化检测和调节。
2.根据权利要求1所述的温室大棚农产品环境物联网智能优化监控方法，其特征在于，所述步骤1中，多组环境参数传感器输出时间序列值分别作为多个AANN自联想神经网络模型的对应输入，AANN自联想神经网络模型输出分别作为CNN卷积神经网络模型-GRU神经网络模型的对应输入，CNN卷积神经网络模型-GRU神经网络模型输出被检测环境的温度测量值，每组环境参数传感器包括温度传感器、湿度传感器和风速传感器。
3.根据权利要求1所述的温室大棚农产品环境物联网智能优化监控方法，其特征在于，所述步骤2中，单位产量综合能耗历史值作为新陈代谢灰色GM（1，1）模型输入，新陈代谢灰色GM（1，1）模型输出作为对应的TDL按拍延时器输入，发育期温度设定值、育苗期温度设定值、做果期温度设定值和结果期温度设定值分别作为ESN神经网络模型、GRNN神经网络模型和递归模糊T-S神经网络模型的对应输入，2个TDL按拍延时器输出、ESN神经网络模型、GRNN神经网络模型和递归模糊T-S神经网络模型的输出分别作为CNN卷积神经网络模型-GRU神经网络模型的对应输入，CNN卷积神经网络模型-GRU神经网络模型输出作为对应的TDL按拍延时器输入，CNN卷积神经网络模型-GRU神经网络模型输出为单位产量综合能耗值。
4.根据权利要求1所述的温室大棚农产品环境物联网智能优化监控方法，其特征在于，所述步骤3中，粒子群作为初始解随机地分布在搜索空间中，每只粒子被视为一种农产品生长全程温度设定值，每个粒子将在解空间中按照运动方向和位移运动，通过评价每个粒子的适应度值，确定每个粒子经过的最佳位置以及粒子群发现的最佳位置，更新各个粒子的速度和位置；反复寻优直到满足目标函数值，最后确定最优农产品生长全程温度设定值；
每个农产品生长全程温度设定值的粒子群个体作为农产品生长全程温度设定模型的输入，农产品生长全程温度设定模型的输出作为该农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值的预测值，每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值的倒数作为该农产品生长全程温度设定值的粒子群个体的适应度值，每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值的倒数越大，该农产品生长全程温度设定值的粒子群个体的适应度值就越高，粒子群中每个农产品生长全程温度设定值的粒子群个体的单位产量综合能耗值预测值倒数的和为该粒子群总的适应度值。
5.温室大棚农产品环境物联网智能优化监控系统，其特征在于，所述监控系统包括智能感知终端、智能控制终端、协调器端、现场监控端、云平台、浏览器端和移动APP端，通过ZigBee网络实现智能感知终端、智能控制终端和协调器端之间实现信息交互，协调器端与现场监控端之间通过USB接口实现信息交互，协调器端通过无线通信模块、云平台和5G网络实现浏览器端和移动APP端之间信息交互；监控系统加载有实现如权利要求1-4任一项所述的温室大棚农产品环境物联网智能优化监控方法的计算机程序步骤。
6.根据权利要求5所述的温室大棚农产品环境物联网智能优化监控系统，其特征在于，所述智能感知终端实现对温室大棚环境参数的温湿度、光照度、土壤环境温度、土壤水分、粉尘和二氧化碳浓度进行检测，智能控制终端调节温室大棚的农产品生长环境参数，满足农产品过程对生态环境要求。
7.根据权利要求5所述的温室大棚农产品环境物联网智能优化监控系统，其特征在于，所述移动APP端和浏览器端具有显示农产品生长环境数据，种植户利用移动APP端和浏览器端通过云平台进行远程调节植物生长需求。
8.根据权利要求5或6所述的温室大棚农产品环境物联网智能优化监控系统，其特征在于，所述智能感知终端包括STM32单片机、CC2530模块、温室大棚的光照度传感器、环境温湿度传感器、土壤温度与水分传感器、二氧化碳传感器、粉尘传感器、PH值传感器和视频摄像头，采集温室大棚空气环境和土壤环境参数。
9.根据权利要求5所述的温室大棚农产品环境物联网智能优化监控系统，其特征在于，所述智能控制终端包括可编程序控制器、CC2530模块、排气扇、遮阳帘、加湿器、滴灌器、光照控制器和温控器，智能控制终端通过协调器端接收现场监控端和移动APP端控制指令控制智能控制端的外围设备状态，调节农产品的生态环境参数。
10.根据权利要求5所述的温室大棚农产品环境物联网智能优化监控系统，其特征在于，所述协调器端包括CC2530模块、STM32单片机、USB接口和无线通信模块，通过CC2530模块接受智能传感终端的传感器参数通过无线通信模块上传到云平台，供移动APP端和浏览器远程访问，通过USB接口与现场监控端实现信息交互。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310284165.5A CN116520917A (zh) | 2023-03-22 | 2023-03-22 | 温室大棚农产品环境物联网智能优化监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310284165.5A CN116520917A (zh) | 2023-03-22 | 2023-03-22 | 温室大棚农产品环境物联网智能优化监控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116520917A true CN116520917A (zh) | 2023-08-01 |
Family
ID=87407238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310284165.5A Pending CN116520917A (zh) | 2023-03-22 | 2023-03-22 | 温室大棚农产品环境物联网智能优化监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520917A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117295201A (zh) * | 2023-08-21 | 2023-12-26 | 深圳市麦奇光电科技有限公司 | 智能led恒流调光驱动电源及其方法 |
-
2023
- 2023-03-22 CN CN202310284165.5A patent/CN116520917A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117295201A (zh) * | 2023-08-21 | 2023-12-26 | 深圳市麦奇光电科技有限公司 | 智能led恒流调光驱动电源及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN113141940A (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN110377084B (zh) | 一种基于智慧控制策略的建筑室内环境调控方法 | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN116520917A (zh) | 温室大棚农产品环境物联网智能优化监控方法及系统 | |
| CN108614601A (zh) | 一种融合随机森林算法的设施光环境调控方法 | |
| CN103605385A (zh) | 一种用于日光温室的co2气肥精细调控方法与装置 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| CN114365614A (zh) | 基于物联网的水肥精准调控方法、智能装备及系统 | |
| CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN112862256A (zh) | 一种畜禽舍环境大数据检测系统 | |
| CN113065749A (zh) | 一种建筑材料的养护室环境智能系统 | |
| CN117236650B (zh) | 一种水肥一体化智慧泵房控制方法 | |
| KR20210114751A (ko) | 작물의 생육량 예측 방법 및 장치 | |
| CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
| CN111726407B (zh) | 一种智能植物工厂环境下名优花卉及药用植物栽培的雾计算监控技术 | |
| CN117311422A (zh) | 一种农作物种植的大棚内部环境的调控方法及系统 | |
| CN112650177A (zh) | 一种虾养殖品远程在线监控管理系统及实现方法 | |
| CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
| Alshammari | Using Artificial Neural Networks with GridSearchCV for Predicting Indoor Temperature in a Smart Home |
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 |