TWI546759B - 遠距環境資料分類系統及其方法 - Google Patents
遠距環境資料分類系統及其方法 Download PDFInfo
- Publication number
- TWI546759B TWI546759B TW102111104A TW102111104A TWI546759B TW I546759 B TWI546759 B TW I546759B TW 102111104 A TW102111104 A TW 102111104A TW 102111104 A TW102111104 A TW 102111104A TW I546759 B TWI546759 B TW I546759B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- network
- monitoring
- parameter data
- environmental
- Prior art date
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Description
本發明係有關一種資料分類系統及其方法,特別是指一種利用人工智慧類神經網路及分類演算法進行分類之遠距環境資料分類系統及其方法。
世上有四千多種瓜果蠅,在台灣就有148種之多。這些瓜果蠅多為害蟲,大多數針對特定寄生植物產卵。卵敷化之幼蟲會引起寄生植物之攝食損害,特別是幼蟲食用寄生植物之果實部份時。故出現大量蟲害時,意謂著會破壞當地農民的收成,除嚴重影響瓜果產量與品質外,更會因檢疫問題成為我國蔬果外銷的障礙。因此蟲害的防治於農作物栽培之管理與研究上,往往是重要的課題之一。但僅憑紀錄害蟲數目並無法有效判讀其危害程度和分佈情形,必須搭配溫度、相對濕度、日照量、風速、風向、降雨量等耕地環境參數,作進一步的整合分析。
蒐集影響農作物生長的環境因素,如單位面積之害蟲數量、害蟲總數量、溫度、相對濕度、日照量、風速、風向、降雨量、全球地理位置等等數據,對於用來栽培農作
物之周遭環境的監測以及農作物栽培之管理,為一項極為重要的工作。管理研究人員可依據此些數據來進行必要的管控。傳統上,這些環境因素的數據蒐集,通常係透過人力方式來進行。舉例來說,害蟲數量的計算,係利用捕蟲網以人工方式捕捉,再以目視計數方式予以統計及估算出單位面積之害蟲數量,或害蟲總數量;其他如溫度、相對濕度、日照量、風量、風速、降雨量、全球地理位置等等數據的蒐集,則是於現場安裝感測器來收集相關數據,再由管理研究人員依據這些數據製作統計報表,藉以依據此報表的內容來對農作物的栽培進行管控工作。
然而上述管控方式必須依靠大量人力,頗為費時、費力及效率不彰。這樣的數據蒐集若沒有經過整理統計,則難以進行判讀運用,且僅能事後針對數據所呈現之訊息進行檢討,以至於無法立即針對栽培農作物之周遭環境出現如感測器發生故障、害蟲族群數量激增、蟲害正在發生等情形,即時將警報訊息傳出,讓管理研究人員立即作相對應的處理、或是讓農民作為噴灑農藥之依據。此外,數據蒐集方面,亦無法同時間大量取得環境因素的數據。另管理研究人員以人工方式所為之判讀,其考量之因素有所限制,無法因應較為複雜之各種因素同時考量的情況。人工方式判讀容易因管理研究人員之主觀判斷,有不客觀的結果出現,造成無法做出適當的蟲害控制及管理。而在判讀數據之專業程度需求較高,令一般農民無法輕易使用。
至此,有必要提供一創新且負進步性之遠距環境資料
分類系統及其方法,使管理研究人員不必親臨現場,亦不必以人工方式進行數據蒐集。該系統及方法能即時依據所蒐集之數據資料,同時考量各種因素來運算出目前現場狀況,以作即時的回報或警示動作,並具備自我學習機制,以提高監控警報之準確度,以及資料蒐集之精準度,來解決前述問題。
本發明係提供一種遠距環境資料分類系統,包含:感測網路,其包含複數個感測節點裝置,係分別安置於遠端區域之複數個監測點以感測該些監測點之周圍環境的狀況,俾對應地產生複數個環境監測參數資料;前端閘道裝置,係連結該感測網路,用以接收該些環境監測參數資料,以透過無線通訊系統傳遞該些環境監測參數資料;以及後端主控伺服裝置,其包括:資料庫模組,係透過該無線通訊系統接收並儲存該些環境監測參數資料;類神經網路訓練模組,係連結該資料庫模組以讀取該些環境監測參數資料,俾將該些環境監測參數資料輸入類神經網路進行訓練,以由該類神經網路輸出複數個監測事件;及分類模型訓練模組,係對該些監測事件進行分類訓練以得到複數個監測結果。
本發明復提供一種遠距環境資料分類方法,其步驟包含:(a)將複數個環境監測參數資料組成複數組多維座標向量資料,再將該些多維座標向量資料輸入類神經網路中進行訓練,於訓練完成後由該類神經網路輸出複數個監測
事件;(b)依據分類模型對該些監測事件進行分類以產生複數個監測結果;(c)以該些監測結果對未經訓練之環境監測參數資料進行判斷,產生判斷結果;以及(d)產生對應該判斷結果之警示訊息,以將該警示訊息經由無線通訊系統傳送至無線通訊裝置上。
藉由前述本發明所提供之系統及方法,可將所蒐集到的環境監測參數資料,利用類神經網路進行訓練,再將經類神經網路訓練後之結果經一分類訓練,可得到複數個監測結果。爾後可以此些監測結果對未經訓練之環境監測參數資料進行判斷後,產生對應之警示訊息,並透過連接無線通訊系統之無線通訊模組傳送至一無線通訊裝置上。本發明所提供之系統及方法,不僅能依據所蒐集之數據資料來進行精確之分析,類神經網路亦具備自我學習之機制,而能夠同時考量數據資料中所具備之多種參數,以運算出現場狀況做出即時之警示動作。不僅使研究人員不需親臨現場,數據蒐集亦不需採人工方式進行,且判讀資料方面亦不會有不客觀之情形,簡易自動化之運作亦便於一般農民使用。
10‧‧‧遠距環境資料分類系統
100‧‧‧感測網路
110‧‧‧感測節點裝置
120‧‧‧群集動物數量自動統計裝置
20‧‧‧無線通訊系統
200‧‧‧前端閘道裝置
30‧‧‧無線通訊裝置
300‧‧‧後端主控伺服裝置
301‧‧‧資料庫模組
302‧‧‧類神經網路訓練模組
303‧‧‧分類模型訓練模組
304‧‧‧警示模組
305‧‧‧參數資料正規化模組
306‧‧‧無線通訊模組
307‧‧‧參數資料檢查模組
308‧‧‧診斷模組
40‧‧‧網路拓撲
401‧‧‧超平面
S01~S06‧‧‧步驟
第1圖為本發明之遠距環境資料分類系統之架構示意圖;第2A圖為本發明之後端主控伺服裝置之架構示意圖;第2B圖為本發明之後端主控伺服裝置之另一實施例之架構示意圖;
第3圖為本發明之遠距環境資料分類方法之流程圖;第4A圖為本發明產生複數個監測事件之網路拓撲示意圖;以及第4B及4C圖為本發明將網路拓撲分類成複數個監測結果之示意圖。
以下即配合圖式,詳細揭露說明本發明之遠距環境資料分類系統及其方法之實施例。
請參閱第1圖,為本發明之遠距環境資料分類系統之架構示意圖。本發明之遠距環境資料分類系統10,於一實際例中,係用於農作物害蟲之監測,特別係指果園之農作物及東方果實蠅此類害蟲,但本發明並不以此為限。該遠距環境資料分類系統10用以讓位於本地端位置之使用者可對一遠端位置的果園進行環境監測,且該遠距環境資料分類系統10可自動診斷出該遠端位置之果園的現場狀況,即時回報給位於本地端位置之使用者。因此,該遠距環境資料分類系統10係包含一無線通訊裝置30、一感測網路100、一前端閘道裝置200及一後端主控伺服裝置300,並整合至一無線通訊系統20。
無線通訊系統20可為一標準化之GSM(Global System for Mobile Communications)相容之無線通訊系統,或為CDMA2000、GPRS、LTE、WiMAX、WCDMA等。由於本發明之遠距環境資料分類系統10係基於一分散式之系統架構來建置,包括一本地端位置之後端架構和一遠地端位置
之前端架構,因此採用前述各種不同行動通訊標準之無線通訊系統20,來作為本地端位置之後端架構和遠地端位置之前端架構之間的資料交流之橋樑。
感測網路100可為無線式或有線式,但以無線式之感測網路(Wireless Sensor Network,WSN)為本發明之最佳實施方式(以下將以WSN無線式為例作說明)。該無線式之感測網路100係由複數個感測節點裝置110所構成,而各感測節點裝置110可為一TinyOS作業系統所管控之無線式感測節點裝置,且彼此之間的無線連結係採如標準化之吉克比(ZigBee)或藍芽(bluetooth)等無線網路通訊協定。
該些感測節點裝置110係分別安置在遠端區域中所欲監測之監測點上,例如農田中各植物生長處。於實際應用上,各個感測節點裝置110係用以感測所裝置之監測點之周圍環境的狀況,並對應地產生複數個環境監測參數資料,例如溫度、相對濕度、日照量、風速、降雨量、或全球地理位置等等監測參數。而該些感測節點裝置110可再分別連結至一個群集動物數量自動統計裝置120,用來統計各個感測節點裝置110所在之監測點的群集害蟲數量,例如為東方果實蠅之數量。
該群集動物數量自動統計裝置120可以將東方果實蠅誘引至一陷阱空間加以誘捕,並防止其脫逃,同時逐一計數進入至該陷阱空間中的東方果實蠅之數量。而該群集動物數量自動統計裝置120之詳細構造已揭露於本案申請人
先前所提出之中華民國專利申請案”多關卡感測型群集動物數量自動統計裝置”,故於此不對其詳細構造及功能作進一步之說明。
於一實施例中,該WSN無線式感測網路100係採多層跳躍式連結及路由方法(multihop linking and routing)來將各個感測節點裝置110所感測到的環境監測參數資料傳送至前端閘道裝置200。此多層跳躍式連結及路由方法係將WSN無線式感測網路100中所有的感測節點裝置110連結成一體之網路架構,例如為環狀、樹狀、星狀等網路架構,本發明並不以此為限。
前端閘道裝置200係用以對該WSN無線式感測網路100和後端主控伺服裝置300之間提供一資料交流的閘道功能;亦可蒐集該WSN無線式感測網路100中各感測節點裝置110所感測到的環境監測參數資料,並將此些環境監測參數資料以無線方式透過該無線通訊系統20來傳送給後端主控伺服裝置300。而後端主控伺服裝置300亦可透過該無線通訊系統20來發出管控指令(包括使用者指定之管控指令和自動產生之管控指令)轉傳至該WSN無線式感測網路100中各感測節點裝置110。
於一實施例中,該前端閘道裝置200可具有一GPS(Global Positioning System)地理定位功能,可自動偵知該前端閘道裝置200所在之處的全球地理位置(即經度和緯度),並對應地產生一組電子型式之地理位置參數資料。另該前端閘道裝置200亦可選擇性地包括本機內建之感測
功能,例如溫度、相對濕度、日照量、風速、降雨量等環境狀況數據之感測。使用者可依據其需求選擇性地設定由前端閘道裝置200或由該WSN無線式感測網路100中各感測節點裝置110來進行環境監測參數資料之蒐集工作。在資料的傳輸上,該前端閘道裝置200係將該些環境監測參數資料整合及格式化成一預定之無線通訊資料傳輸格式之封包,如可為標準化之SMS(Short Message Service)簡訊格式或GPRS(General Packet Radio Service)無線封包格式,藉以透過該無線通訊系統20來將該封包傳送給後端主控伺服裝置300。
於一實施例中,該前端閘道裝置200需先執行一無線感測網路佈建程序來將WSN無線式感測網路100中所有之感測節點裝置110彼此連結成一體之網路架構(最佳為樹狀網路架構),另各感測節點裝置110可透過該網路架構來以一多層跳躍式連結及路由方法(multihop linking and routing)來將各個感測節點裝置110所感測到的環境監測參數資料傳送至前端閘道裝置200,而前端閘道裝置200與WSN無線式感測網路100中所有感測節點裝置110之間的連線及資料溝通係採S-MAC(Sensor Media Access Control)之感測器媒體存取控制規範。
此外,於另一實施例中,在實際操作前,該前端閘道裝置200可對WSN無線式感測網路100中所有感測節點裝置110執行一時間同步化程序,令所有感測節點裝置110所內建計時功能均設定至同一時間,以提供相同之時間基
準,俾使各感測節點裝置110所產生之環境監測參數資料能位於同一時間基準上。前述之時間同步化程序,係採如RBS(Reference Broadcast Synchronization)或TPSN(Timing-sync Protocol for Sensor Networks)時間同步化方法。
再者,該前端閘道裝置200復包含一自動路由功能,可於WSN無線式感測網路100中的任一感測節點裝置發生故障,而導致連結至該故障之感測節點裝置之其他感測節點裝置無法正常回傳感測資料時,此狀況可被該前端閘道裝置200所偵知,並會執行該自動路由功能,以對該WSN無線式感測網路100目前所佈建之路由途徑執行一重整程序,將連結至該故障之感測節點裝置的其他感測節點裝置之路由路徑改為連結至其他良好之感測節點裝置,即可令該些感測節點裝置能再度正常回傳感測資料給該前端閘道裝置200。
於一實施例中,該前端閘道裝置200可利用一個人電腦平台或一可程式化之嵌入式微處理器來實現;如採個人電腦平台之實施方式,其優點在於具有較佳之擴充性,但缺點為較耗費電力,如利用可程式化之嵌入式微處理器之實施方式,其優點則在於較為節省電力,但擴充性較個人電腦平台差。
接著請同時參閱第2A圖,為本發明之後端主控伺服裝置之架構示意圖。該後端主控伺服裝置300係為具微處理器之個人電腦平台,其包含一資料庫模組301、一類神
經網路訓練模組302、一分類模型訓練模組303及一參數資料正規化模組305。該資料庫模組301,係透過該無線通訊系統20接收並儲存該些環境監測參數資料。於一實施例中,該資料庫模組301可為一MySQL資料庫。
該類神經網路訓練模組302連結該資料庫模組301以讀取該些環境監測參數資料,並將該些環境監測參數資料輸入類神經網路進行訓練,以由該類神經網路輸出複數個監測事件。該類神經網路訓練模組302係採一非監督式學習網路(unsupervised Learning Network)之自組織映射圖(self-organizing map,SOM)網路之訓練方式。所謂非監督式學習網路,係由外部資料取得學習範例,從學習範例中去尋找內在的規則,再利用找出之內在規則,運用於新的範例上。而SOM網路係基於競爭式學習(Competitive Learning)法則的一種類神經網路,競爭式學習法則是一種自組織的學習方式,將一群未經標示(Unlabelled)的樣本中,尋找某些相似的特徵聚集成同類。一般類神經網路競爭中,只有一個神經元會被激發成活化狀態,而其他神經元則會被抑制成休止狀態,且當競爭結束後,只有獲勝之神經元可以進行學習。SOM網路在競爭學習後,因SOM加入了鄰近區域(neighborhood)的概念,不只一個獲勝之神經元可以學習,而是獲勝神經元之鄰近區域範圍內的神經元都有資格學習。因此在SOM中,輸出層通常是以矩陣的方式排列於二維空間中(亦可應用於高維度),根據輸入向量相互競爭,以爭取被活化的權利,最後根據輸入向量
的特徵拓撲於輸出空間中。另SOM網路與一般類神經網路最大不同之處在於,SOM網路只有輸入層及輸出層,並無隱藏層。輸入層係輸入用來訓練的資料,於本發明中即是輸入該些環境監測參數資料所組成之複數組多維座標向量資料,於執行維度降低運算後,該輸出層則輸出一具有至少二維以上之網路拓撲,網路拓撲為輸出層類神經元所組成的座標系,代表著輸入向量的聚類所在,即輸出層類神經元的相對位置是有意義的,這使得SOM網路與其他類神經網路有著最大不同之處。故於本發明中,輸出層所輸出之網路拓撲,其包含依據該些環境監測參數資料所聚類出之複數個監測事件,例如正常運作、感測器故障、或蟲害正在發生等等。
由於SOM網路輸出的神經元,係以具有意義之拓撲結構展現在輸出空間,神經元彼此相互競爭以得到被活化的權利。而該SOM網路演算步驟如下,則是先定義輸入資料存在於空間R n 中,輸出層拓撲座標設定為二維(亦可多維),神經元個數為n,並隨機給定初始連結加權值m i =[μ i1,μ i2,...,μ in ] T R n ,同時也從樣本資料中擷取部份資料當作訓練資料x=[λ 1,λ 2,...,λ n ] T R n 。於本發明之一實施例中,輸入向量可為具有時間參數之溫度(temperature)、相對濕度(humidity)、日照量(illumination)及害蟲數量(pest number),定義如x(i,t)=[T(i,t),H(i,t),I(i,t)P(i,t)],而所輸入之溫度範圍可從5~50度C,相對濕度範圍可從35~95%,而日照量可從0~80000流明(Lux)。然由於日照量參數數值相對
於其他數值大,因此在輸入類神經網路訓練模組302前,必須先經一參數資料正規化模組305,將日照量之數值予以對數計算;另本發明係依據害蟲數量以分析蟲害正在發生,可見害蟲數量乃分析過程中最重要的參數之一,為了使最後輸出層所輸出之網路拓撲結果易於分別正常運作或蟲害正在發生之情形,令其特徵更為明顯,該害蟲數量之數值亦必須先經該參數資料正規化模組305將害蟲數量之數值予以平方後,再輸入至類神經網路訓練模組302。因此,本發明之一實施例中所輸入之向量為x(i,t)=[T(i,t),H(i,t),log I(i,t),p 2(i,t)],如此一來,則能更為凸顯經類神經網路運算後之網路拓撲,其代表著輸入向量的聚類所在。於此實施例中僅列舉四個參數作為輸入向量,但本發明並不以此為限。
在將經參數資料正規化模組305調整後之參數向量輸入該類神經網路訓練模組302後,網路中的每個神經元均相互比較以求得被活化之權利,比較之基準係以與輸入資料的相似程度為準。而計算輸入之訓練資料與網路拓撲中每一初始連結加權值的距離,其數學式為Dis(x,j)=∥x(i,k)-m j ∥,Dis(x,j)係為歐式距離(Euclidean Distance)此一常用的相似程度量度。而決定優勝神經元的數學式為。其中c為優勝者(Winner),k表示訓練次數,表示與輸入資料x最為相似的神經元,而相似度最高乃表示該輸入向量與對應之神經元的歐式距離為最短。找出優勝者後,將進行連接加權值的更新,即是除優
勝者會更新外,還有優勝者鄰近半徑內所有類神經元的加權值都會更新,其數學式為m j (k+1)=m j (k)+α(k)h cj (k)[x(k)-m j (k)],其中h cj 為鄰近函數,α(k)為學習速率。為達收斂目的,鄰近函數會隨著訓練次數遞減,本發明係以高斯函式作為鄰近函式,定義如下:,其中r j 和r c 分別係指鄰近區域之其他神經元與獲勝神經元,∥r j -r c ∥則指該兩個神經元之間的距離,σ則為鄰近區域的範圍(region)。因此,訓練的結果會隨著時間的增加,而慢慢縮減鄰近區域的大小。請參照第4A圖,第4A圖為產生複數個監測事件之網路拓撲示意圖。該網路拓撲40包含數個感測區故障(即SF)之區域、數個蟲害正在發生(即PO)之區域及正常運作(NS)之區域。由於經過SOM網路演算之緣故,因此可以看到相同監測事件之區域都會聚集在一起,使該網路拓撲40包含具有意義之結構。
在類神經網路訓練模組302產生可茲辨別之複數個監測事件之網路拓撲後,除了採人為方式進行分辨外,另可採自動化之分類方式,係再利用一分類模型訓練模組303,係對該些監測事件進行分類訓練以得到複數個監測結果。分類模型訓練模組303係採一支援向量機(Support Vector Machine,SVM)之演算方法,該支援向量機係依據具複數個監測事件之網路拓撲進行分類訓練,產生至少一以上具有非線性邊界之超平面(Hyper Plane),以分割該網路拓撲內的複數個監測事件,來得到該些監測結果。
所謂的支援向量機之演算方法,係針對已轉換之輸入向量及與其有聯繫之輸入向量[r n ,y n ]分別給予”+1”或”-1”之計算,[11]該數學式係為,其中j=1,2,…,N,N為超平面數量,超平面可將類神經網路訓練模組302產生之網路拓撲分割成數個部份,而w j 和b j 係權重向量(vector of weight)和第j個之偏移量(bias)。藉由將資料分別列為正類別(+1)或負類別(-1)時,就可藉由超平面將資料分割成兩個類別。另SVM可提出具最大邊界(maxinizing margin)之計算方式:〈.r n 〉+b j ±1 for y n =±1 n。於此實施例中,係以三個正常運作、感測器故障、或蟲害正在發生之監測事件為例,藉由支援向量機產生至少一以上具有非線性邊界之超平面,可將該些監測事件予以分割。例如可產生二個不同邊界之超平面,分別如第4B圖及第4C圖所示。請參閱第4B圖,該網路拓撲40即以一超平面401將感測器故障(即SF)之區域分割出,而超平面401分割出的另一區域則包含蟲害正在發生(即PO)及正常運作(即NS)之區域,而該超平面401即為非線性邊界之超平面;請參閱第4C圖,該網路拓撲40即以一超平面401將正常運作(即NS)之區域分割出,而該超平面401分割出的另一區域則包含蟲害正在發生(即PO)及感測器故障(即SF)之區域,而該超平面401亦為非線性邊界之超平面。當然本發明並不以僅分割出上述之監測結果為限,更可進一步將感測器故障之監測結果分割出位於何處之感測節點裝置的感測器故障、或是依據季節分割出不
同之監測結果。由於在輸入類神經網路訓練模組302前之參數資料,有先經參數資料正規化模組305調整過,因此類神經網路訓練模組302所訓練出之網路拓撲,可使分類模型訓練模組303所採之支援向量機能夠更精準的產生至少一以上具非線性邊界之超平面,令分割出的監測結果之誤差值能夠降到最低。藉由該分類模型訓練模組303產生之超平面,令分割出監測結果之網路拓撲可化為一分類模型,該分類模型可作為後續診斷環境監測參數資料之依據。如輸入其他筆尚未經過本系統訓練過之環境監測參數資料,即可診斷出該筆資料係位於分類模型中的哪一種監測結果。而分類模型亦可依據季節來製作不同之分類模型以供應用。
而前述非監督式學習網路(unsupervised Learning Network)之自組織映射圖(self-organizing map,SOM)網路之訓練方式及支援向量機(Support Vector Machine,SVM)之演算方法,係採用LabVIEW軟體撰寫而成。藉由LabVIEW搭配MySQL資料庫以及GSM網路,得以完成本發明。另MySQL資料庫亦提供一網頁介面可讓使用者透過網路直接瀏覽或下載所監測到的數據。
於本發明之另一實施例中,請參閱第2B圖,該後端主控伺服裝置300復包含診斷模組308、警示模組304及無線通訊模組306。在分類模型訓練模組303完成分割出複數個監測結果後,連結該分類模型訓練模組303之診斷模組308,就可以依據該些監測結果,將未經訓練之環境
監測參數資料進行判斷,以得到該未經訓練之環境監測參數資料於該些監測結果中所對應之判斷結果,而警示模組304則可依據該判斷結果,產生對應之警示訊息。例如前述分割出一具有蟲害正在發生及正常運作之監測結果,以及另一具有感測器故障之監測結果之分類模型,將未經訓練之環境監測參數資料餵入該分類模型時,若該未經訓練之環境監測參數資料係歸類至「蟲害正在發生」及「感測器故障」之類別,即可產生「蟲害正在發生」及「感測器故障」之警示訊息;例如分割出一具有蟲害正在發生或感測器故障之監測結果,以及另一具有正常運作之監測結果,若該未經訓練之環境監測參數資料係歸類至「系統異常或蟲害正在發生」及「正常運作」之類別時,即可分別產生「系統異常或蟲害正在發生」及「正常運作」之警示訊息,本發明並不以此為限,端看該未經訓練之環境監測參數資料係歸類於哪個類別,即發送該類別所欲傳達之警示訊息。而該警示訊息格式可為標準化之SMS(Short Message Service)簡訊格式或GPRS(General Packet Radio Service)無線封包格式,因此警示模組304就可以透過一連接該無線通訊系統20之無線通訊模組306,將該些警示訊息傳送至一無線通訊裝置30上,進而達到遠端監控、診斷、警示的效果。該無線通訊裝置30可為手機。
於一實施例中,請再參閱第2B圖,該後端主控伺服裝置300復包含一參數資料檢查模組307。該參數資料檢查模組307係檢查從資料庫模組301讀取之環境監測參數
資料是否已經過類神經網路訓練模組302所訓練過、或是檢查有無新資料儲存入資料庫模組301內。若為無訓練過之參數資料,則將該參數資料輸入至類神經網路訓練模組302來加以訓練;若為已訓練過之參數資料,則可透過警示模組304發送警示訊息,以提醒管理者進行檢查;若無新資料儲存入資料庫模組301內,則有可能發生網路斷線、感測器故障等問題,才會導致資料庫模組301無新資料,此時即可透過警示模組304發送警示訊息;若有新資料即可透過診斷模組308來進行分類。這樣的機制可保持類神經網路訓練模組302可依據新的參數資料來進行訓練,亦可以作為資料接收是否有異常之檢查方式,例如原本系統設定每30分鐘會有新資料進入資料庫,若參數資料檢查模組307經過一定時間仍沒從資料庫模組301讀取到新資料,該系統亦可能有發生問題,例如無線通訊系統20斷線、前端閘道裝置200故障等。此時參數資料檢查模組307即可透過警示模組304發送警示訊息,以提醒管理者進行檢查。
請參閱第3圖,為本發明之遠距環境資料分類方法之流程圖,該方法係應用於農作物害蟲之監測。步驟S02係將複數個環境監測參數資料組成複數組多維座標向量資料,而該些環境監測參數資料係讀取自一資料庫,該些環境監測參數資料係包含害蟲數量、溫度、相對濕度、日照量、風速、風向、降雨量、或全球地理位置。於本發明之一實施例中,將該複數個環境監測參數資料組成複數組多
維座標向量資料前,必須先將該些環境監測參數資料中的害蟲數量之數值予以平方以及將日照量之數值予以對數計算後,再組成複數組多維座標向量資料,如步驟S01所示。而先將害蟲數量及日照量之數值先行處理,係為了能更凸顯經過類神經網路運算後之網路拓撲中代表著輸入向量之聚類所在。
在組成複數組多維座標向量資料後,輸入一類神經網路中進行訓練,訓練完成後由該類神經網路輸出複數個監測事件,如步驟S03所示。於該類神經網路中係採一非監督式學習網路之自組織映射圖網路之訓練方式,對該些多維座標向量資料執行維度降低運算,以降低該些多維座標向量資料之向量維度,產生一具有至少二維以上之網路拓撲,該網路拓撲包含該些監測事件。此一訓練方式之運算公式如前所述,在此不再贅述。
在產生包含複數個監測事件之網路拓撲後,除了採人為方式進行分辨外,另可採自動化之分類方式。於步驟S04中,依據一分類模型,將該些監測事件進行分類,以產生複數個監測結果。該分類模型係採支援向量機之演算方法,依據該些監測事件訓練而得。該分類模型可依據該網路拓撲產生至少一以上具有非線性邊界之超平面,以分割該網路拓撲內的複數個監測事件,來得到該些監測結果,
於本實施例中,係以三個正常運作、感測器故障、或蟲害正在發生之監測事件為例,藉由支援向量機產生至少一以上具有非線性邊界之超平面,將該些監測事件予以分
割,產生一可茲診斷用之分類模型。如第4C圖所示,例如產生一超平面401,係將網路拓撲40分割出一具有蟲害正在發生(即PO)及感測器故障(即SF)之監測結果,以及另一具有正常運作(即NS)之監測結果;或如第4B圖所示,產生另一種超平面401,係將網路拓撲40分割出一具有蟲害正在發生(即PO)及正常運作(即NS)之監測結果,以及另一具有感測器故障(即SF)之監測結果。
在得到監測結果後,即可以該些監測結果,對未經訓練之環境監測參數資料進行判斷,產生判斷結果(步驟S05)。對應該判斷結果產生警示訊息,以將該警示訊息經由無線通訊系統傳送至無線通訊裝置上,如步驟S06所示。例如依據「蟲害正在發生」、「感測器故障」或「正常運作」之監測結果之分類模型,對未經訓練之環境監測參數資料進行判斷,產生該筆未經訓練之環境監測參數資料係屬何種監測結果,若該筆未經訓練之環境監測參數資料屬「蟲害正在發生」之監測結果,則會產生「蟲害正在發生」之警示訊息。該警示訊息格式可為標準化之SMS(Short Message Service)簡訊格式或GPRS(General Packet Radio Service)無線封包格式,因此該警示訊息可經由無線通訊系統傳送至如手機之無線通訊裝置上,進而達到遠端監控、診斷、警示的效果。
本發明之遠距環境資料分類方法,於另一實施例中,亦可達到自動化診斷、學習之功效。在從資料庫讀取環境監測參數資料時,可針對該些資料進行判斷是否為最新資
料,或是檢查有無資料。若非最新資料或無資料,即可立刻傳送警示訊息至無線通訊裝置,來提示管理者必須注意。若為最新資料,則開始進行如前述步驟S01~S04的類神經網路以及分類模型的訓練,來取得複數個監測結果。該些監測結果包含「蟲害正在發生」、「感測器故障」或「正常運作」等,之後即可進行步驟S05~S06判斷系統是否正常運作,若不正常則傳送警示訊息;或是判斷蟲害是否發生,若正發生則傳送警示訊息。
藉由上述本發明之系統與方法,能夠依據所蒐集之數據資料,進行非監督式學習網路之自組織映射圖網路的學習及支援向量機的分類,產生數個監測結果,並依據該些監測結果對未經訓練之環境監測參數資料進行判斷,以產生判斷結果並對應產生警示訊息。而這樣的系統與方法,更適合運用在自動檢測果園內東方果實蠅危害之程度,以發出警報訊息,提供農民更精準的管理資訊,可達農業自動化之功效。而「蟲害正在發生」之警示訊息亦作為農民噴灑農藥之依據,防止東方果實蠅破壞農民之收成,間接提昇及增進瓜果產量與品質。
上述僅為本發明之較佳實施例,並非用以限制本發明之實質技術內容的範圍。本發明之實質技術內容係廣義地定義於下述之申請專利範圍中。若任何他人所完成之技術實體或方法與下述之申請專利範圍所定義者為完全相同、或是為一種等效之變更,均將被視為涵蓋於本發明之申請專利範圍之中。
300‧‧‧後端主控伺服裝置
301‧‧‧資料庫模組
302‧‧‧類神經網路訓練模組
303‧‧‧分類模型訓練模組
304‧‧‧警示模組
305‧‧‧參數資料正規化模組
306‧‧‧無線通訊模組
307‧‧‧參數資料檢查模組
308‧‧‧診斷模組
Claims (7)
- 一種遠距環境資料分類系統,包含:感測網路,其包含複數個感測節點裝置,係分別安置於遠端區域之複數個監測點以感測該些監測點之周圍環境的狀況,俾對應地產生複數個環境監測參數資料;前端閘道裝置,係連結該感測網路,用以接收該些環境監測參數資料,以透過無線通訊系統傳遞該些環境監測參數資料;以及後端主控伺服裝置,其包括:資料庫模組,係透過該無線通訊系統接收並儲存該些環境監測參數資料;類神經網路訓練模組,係連結該資料庫模組以讀取該些環境監測參數資料,俾將該些環境監測參數資料輸入類神經網路進行訓練,以由該類神經網路輸出複數個監測事件,其中,該類神經網路訓練模組係採非監督式學習網路之自組織映射圖網路之訓練方式,該非監督式學習網路之自組織映射圖網路包含輸入層及輸出層,該輸入層係用以輸入該些環境監測參數資料組成之複數組多維座標向量資料,於執行維度降低運算後,該輸出層係輸出具有至少二維以上之網路拓撲,該網路拓撲包含該些監測事件;及分類模型訓練模組,係對該些監測事件進行 分類訓練以得到複數個監測結果,其中,該分類模型訓練模組係採支援向量機之演算方法,該支援向量機係依據該網路拓撲,產生至少一以上具有非線性邊界之超平面,以分割該網路拓撲內之該些監測事件,來得到該些監測結果。
- 如申請專利範圍第1項所述之遠距環境資料分類系統,其中,該些環境監測參數資料係包含害蟲數量、溫度、相對濕度、日照量、風速、風向、降雨量、或全球地理位置。
- 如申請專利範圍第2項所述之遠距環境資料分類系統,其中,該後端主控伺服裝置復包含參數資料正規化模組,該參數資料正規化模組係先將該害蟲數量之數值予以平方以及將該日照量之數值予以對數計算後,再輸入該類神經網路訓練模組。
- 如申請專利範圍第1項所述之遠距環境資料分類系統,其中,該後端主控伺服裝置復包含:診斷模組,係依據該些監測結果將未經訓練之環境監測參數資料進行判斷,以得到該未經訓練之環境監測參數資料於該些監測結果中所對應之判斷結果;以及警示模組,係依據該判斷結果產生對應之警示訊息,並將該警示訊息透過該無線通訊系統傳送至無線通訊裝置上。
- 一種遠距環境資料分類方法,包含: (a)將複數個環境監測參數資料組成複數組多維座標向量資料,再將該些多維座標向量資料輸入類神經網路中進行訓練,於訓練完成後由該類神經網路輸出複數個監測事件,其中,該類神經網路係採非監督式學習網路之自組織映射圖網路之訓練方式,以對該些多維座標向量資料執行維度降低運算,並產生具有至少二維以上之網路拓撲,該網路拓撲包含該些監測事件;(b)依據分類模型對該些監測事件進行分類以產生複數個監測結果,其中,該分類模型係採支援向量機之演算方法,並依據該網路拓撲產生至少一以上具有非線性邊界之超平面,以分割該網路拓撲內之該些監測事件,來得到該些監測結果;(c)以該些監測結果對未經訓練之環境監測參數資料進行判斷,產生判斷結果;以及(d)產生對應該判斷結果之警示訊息,以將該警示訊息經由無線通訊系統傳送至無線通訊裝置上。
- 如申請專利範圍第5項所述之遠距環境資料分類方法,其中,該些環境監測參數資料係包含害蟲數量、溫度、相對濕度、日照量、風速、風向、降雨量、或全球地理位置。
- 如申請專利範圍第6項所述之遠距環境資料分類方法,其中,於該步驟(a)之前更包括:將該害蟲數量之數值予以平方以及將該日照量之數值予以對數計算 後,再組成該些多維座標向量資料,以輸入該類神經網路中進行訓練的步驟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102111104A TWI546759B (zh) | 2013-03-28 | 2013-03-28 | 遠距環境資料分類系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW102111104A TWI546759B (zh) | 2013-03-28 | 2013-03-28 | 遠距環境資料分類系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201437945A TW201437945A (zh) | 2014-10-01 |
TWI546759B true TWI546759B (zh) | 2016-08-21 |
Family
ID=52113419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102111104A TWI546759B (zh) | 2013-03-28 | 2013-03-28 | 遠距環境資料分類系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI546759B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI732226B (zh) * | 2018-08-14 | 2021-07-01 | 開曼群島商創新先進技術有限公司 | 分類模型生成方法及裝置、資料識別方法及裝置 |
TWI752641B (zh) * | 2020-09-17 | 2022-01-11 | 巨鷗科技股份有限公司 | 智慧防汛平台及其方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI618003B (zh) * | 2016-12-01 | 2018-03-11 | 財團法人資訊工業策進會 | 基於感測資料之估測方法及基於感測資料之估測系統 |
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
US11972343B2 (en) | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
US11569978B2 (en) | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
TWI707562B (zh) * | 2019-05-24 | 2020-10-11 | 安耐美國際智慧節能科技工程有限公司 | 智慧通訊閘道裝置及其實施方法 |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11797827B2 (en) * | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
-
2013
- 2013-03-28 TW TW102111104A patent/TWI546759B/zh not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI732226B (zh) * | 2018-08-14 | 2021-07-01 | 開曼群島商創新先進技術有限公司 | 分類模型生成方法及裝置、資料識別方法及裝置 |
US11107007B2 (en) | 2018-08-14 | 2021-08-31 | Advanced New Technologies Co., Ltd. | Classification model generation method and apparatus, and data identification method and apparatus |
TWI752641B (zh) * | 2020-09-17 | 2022-01-11 | 巨鷗科技股份有限公司 | 智慧防汛平台及其方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201437945A (zh) | 2014-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI546759B (zh) | 遠距環境資料分類系統及其方法 | |
dos Santos et al. | AgriPrediction: A proactive internet of things model to anticipate problems and improve production in agricultural crops | |
US11730162B2 (en) | Methods and systems for crop pest management utilizing geospatial images and microclimate data | |
Rekha et al. | High yield groundnut agronomy: An IoT based precision farming framework | |
Nóbrega et al. | Animal monitoring based on IoT technologies | |
Materne et al. | IoT monitoring system for early detection of agricultural pests and diseases | |
Nabi et al. | Wireless sensor network in precision farming for forecasting and monitoring of apple disease: a survey | |
EP3917315A1 (en) | Systems and methods for measuring beehive strength | |
CN106500775A (zh) | 一种有效的农作物生长监测系统 | |
CN112461828A (zh) | 一种基于卷积神经网络的病虫害智能测报预警系统 | |
KR20210059561A (ko) | 상생형 병해충 관리 시스템 및 그 방법 | |
CN107835504A (zh) | 一种农田生态环境信息智能采集系统 | |
Stamenković et al. | Advanced wireless sensor nodes and networks for agricultural applications | |
Tripathy et al. | Data mining and wireless sensor network for groundnut pest/disease precision protection | |
Vadlamudi | Rethinking food sufficiency with smart agriculture using Internet of things | |
Tripathy et al. | Data mining and wireless sensor network for groundnut pest/disease interaction and predictions-A preliminary study | |
JP2022082636A (ja) | 情報処理装置 | |
KR102467508B1 (ko) | 촬영 이미지 및 gps 분석 기반의 스마트 잔디 병충해 관리 시스템 | |
Jagyasi et al. | Event based experiential computing in agro-advisory system for rural farmers | |
Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
Revathi et al. | Iot and machine learning algorithm in smart agriculture | |
Ekanayaka et al. | IoT-Based Disease Diagnosis and Knowledge Dissemination System for Coconut Plants | |
Muhammed et al. | Artificial Intelligence of Things (AIoT) for smart agriculture: A review of architectures, technologies and solutions | |
Navaneethan et al. | Advanced Technologies for Precision Agriculture and Farming | |
Konde et al. | Internet of things (IoT) based technologies in smart agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |