基于物聯(lián)網(wǎng)技術(shù)的智能溫室關(guān)鍵技術(shù)研究

引 言

物聯(lián)網(wǎng)技術(shù)作為近年來(lái)最熱門的話題之一，被認(rèn)為是繼計(jì)算機(jī)、互聯(lián)網(wǎng)之后的第三次信息技術(shù)革命。其在農(nóng)業(yè)領(lǐng)域中有著廣泛地應(yīng)用，無(wú)論是從農(nóng)產(chǎn)品種植地培育準(zhǔn)備階段、生長(zhǎng)階段還是收獲階段，都可以用物聯(lián)網(wǎng)技術(shù)來(lái)提高效率、精細(xì)管理和降低生產(chǎn)管理成本[1-5]?？v觀當(dāng)前物聯(lián)網(wǎng)技術(shù)在智能溫室中的應(yīng)用，大多注重在信息監(jiān)測(cè)、傳輸和一些簡(jiǎn)單的自動(dòng)化控制方面，實(shí)際上僅僅是實(shí)現(xiàn)了由機(jī)器設(shè)備代替人力勞動(dòng)。在對(duì)大數(shù)據(jù)的融合、數(shù)據(jù)深度挖掘、生長(zhǎng)模型建立、人工智能等方面的應(yīng)用上還存在較大不足。本文在對(duì)智能溫室研究現(xiàn)狀進(jìn)行分析的基礎(chǔ)上，提出了將農(nóng)業(yè)專家系統(tǒng)、模糊控制、數(shù)據(jù)融合、視頻圖像分析等關(guān)鍵技術(shù)應(yīng)用到現(xiàn)代智能溫室系統(tǒng)中的方法。

1 智能溫室研究現(xiàn)狀分析

當(dāng)前基于物聯(lián)網(wǎng)技術(shù)的智能溫室系統(tǒng)研究較多的集中在對(duì)前端信息感知和數(shù)據(jù)通信網(wǎng)絡(luò)的研究，如無(wú)線傳感器網(wǎng)絡(luò)、ZigBee通信協(xié)議、物聯(lián)網(wǎng)網(wǎng)關(guān)接入等[6-11]。在環(huán)境調(diào)控方面， 主要通過(guò)反饋控制的方式來(lái)實(shí)現(xiàn)。通常采用在建立相應(yīng)控制規(guī)則的基礎(chǔ)上，對(duì)傳感器采集數(shù)據(jù)值和預(yù)設(shè)參數(shù)值比較，通過(guò)條件判斷的方式來(lái)下發(fā)對(duì)現(xiàn)場(chǎng)機(jī)電設(shè)備的控制指令。這種實(shí)現(xiàn)方式可根據(jù)溫室內(nèi)現(xiàn)狀來(lái)自動(dòng)調(diào)控環(huán)境因素，但控制方式簡(jiǎn)單，無(wú)法在作物整個(gè)生長(zhǎng)周期內(nèi)提供穩(wěn)定、可靠的調(diào)控。往往在面臨較為復(fù)雜的實(shí)際情況時(shí)，出現(xiàn)控制工作的不穩(wěn)定甚至錯(cuò)誤?？傮w上看，缺乏一個(gè)系統(tǒng)科學(xué)的決策機(jī)制，無(wú)法完全體現(xiàn)出人工智能的特點(diǎn)。

在數(shù)據(jù)處理和發(fā)掘方面，當(dāng)前更多的是完成對(duì)傳感器數(shù)據(jù)和視頻信息地存儲(chǔ)，提供實(shí)時(shí)、歷史數(shù)據(jù)地查詢和數(shù)據(jù)報(bào)表地呈現(xiàn)。對(duì)數(shù)據(jù)的融合、分析和挖掘方面是非常缺乏的， 無(wú)法對(duì)數(shù)據(jù)進(jìn)行深層次的利用，從而去指導(dǎo)生產(chǎn)和管理，造成數(shù)據(jù)的浪費(fèi)。

綜上，合理的將農(nóng)業(yè)專家系統(tǒng)、數(shù)據(jù)融合、視頻圖像、模糊控制分析等技術(shù)應(yīng)用到智能溫室中，將極大地提高系統(tǒng)智能化水平，真正讓農(nóng)業(yè)用戶體驗(yàn)到基于物聯(lián)網(wǎng)技術(shù)的智能溫室?guī)?lái)的效益。

2 關(guān)鍵技術(shù)研究

2.1 農(nóng)業(yè)專家系統(tǒng)

農(nóng)業(yè)專家系統(tǒng)是整個(gè)智能溫室系統(tǒng)的核心和大腦，一般由知識(shí)獲取工具、知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、模型庫(kù)、推理機(jī)、人機(jī)界面等組成。專家系統(tǒng)地開發(fā)需要大量農(nóng)業(yè)專家知識(shí)的積累、對(duì)知識(shí)的恰當(dāng)表示和描述、作物生長(zhǎng)模型的建立、推理機(jī)的實(shí)現(xiàn)等過(guò)程 [12,13]。由于開發(fā)過(guò)程長(zhǎng)、難度大，往往最為關(guān)鍵的農(nóng)業(yè)專家系統(tǒng)在智能溫室建設(shè)中容易被忽視。

下面以智能溫室中種植的番茄為例，提出一種番茄專家系統(tǒng)的構(gòu)建方法。

通過(guò)采用JavaWeb、Tomcat以及MySQL進(jìn)行 Web應(yīng)用程序開發(fā)，實(shí)現(xiàn)支持用戶通過(guò)網(wǎng)絡(luò)瀏覽器的應(yīng)用方式。系統(tǒng)功能主要分為番茄模型預(yù)測(cè)子系統(tǒng)、番茄病蟲害診斷子系統(tǒng)以及智能決策子系統(tǒng)三部分。采用三層架構(gòu)的 B/S模式實(shí)現(xiàn)。第一層為視圖層，由JSP頁(yè)面完成用戶的交互，包括番茄栽培的預(yù)測(cè)、診斷、管理的相關(guān)狀態(tài)輸入，對(duì)策、結(jié)果輸出等。第二層為邏輯應(yīng)用層，即控制層，包括 Web服務(wù)器和應(yīng)用服務(wù)器， 專家系統(tǒng)的推理、解釋等功能在該層實(shí)現(xiàn)。第三層是數(shù)據(jù)庫(kù)服務(wù)器，即模型，在農(nóng)作物專家系統(tǒng)推理機(jī)中要使用到的知識(shí)以數(shù)據(jù)庫(kù)的形式存放于數(shù)據(jù)層，并在數(shù)據(jù)層完成對(duì)數(shù)據(jù)的完整性和安全性的檢驗(yàn)工作。數(shù)據(jù)庫(kù)使用MySQL，數(shù)據(jù)庫(kù)中包含作物基本信息表、環(huán)境因素表、病蟲害信息表、知識(shí)表等。番茄專家系統(tǒng)登錄及功能界面如圖 1，圖 2 所示。

2.2 數(shù)據(jù)融合 

在智能溫室中，數(shù)據(jù)是 核心。系統(tǒng)對(duì)溫室內(nèi)環(huán)境是 否適應(yīng)作物生長(zhǎng)的判斷主要 依賴大量傳感器數(shù)據(jù)的上報(bào)。 單個(gè)傳感器獲取的數(shù)據(jù)是單 一和片面的，信息的參考價(jià) 值有限。對(duì)各個(gè)單一傳感器 的數(shù)據(jù)獨(dú)立處理，其結(jié)論必 定是片面的和不準(zhǔn)確的。在 某個(gè)傳感器故障且用戶又不 知曉的情況下，可能會(huì)導(dǎo)致 錯(cuò)誤的結(jié)論。因此采用多個(gè)不同種類、不同數(shù)量的傳感器進(jìn) 行溫室內(nèi)環(huán)境數(shù)據(jù)的監(jiān)測(cè)，以生成滿足實(shí)際需求的合成信息， 提高決策的可靠性和準(zhǔn)確性，使系統(tǒng)性能得到極大提高，這 其中的關(guān)鍵是多傳感器數(shù)據(jù)融合技術(shù)。

此外多傳感器數(shù)據(jù)融合也是傳感器節(jié)點(diǎn)實(shí)現(xiàn)節(jié)能的一種 有效技術(shù)途徑，數(shù)據(jù)融合技術(shù)通過(guò)降低網(wǎng)絡(luò)的數(shù)據(jù)傳輸量， 能夠達(dá)到節(jié)約能量的目的。它在數(shù)據(jù)從節(jié)點(diǎn)向基站傳輸?shù)倪^(guò)程 中，由中間節(jié)點(diǎn)收集多個(gè)節(jié)點(diǎn)的數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行融合 處理，去除冗余數(shù)據(jù)之后再轉(zhuǎn)發(fā)出去。這在智能溫室的實(shí)際 應(yīng)用中具有重要的意義。

數(shù)據(jù)融合就是利用計(jì)算機(jī)對(duì)各種信息源進(jìn)行處理、控制 和決策的一體化過(guò)程。多傳感器數(shù)據(jù)融合技術(shù)的基本原理就像人腦綜合處理來(lái)自視覺、聽覺、味覺、觸覺等感官信息一樣， 通過(guò)對(duì)多種傳感器數(shù)據(jù)進(jìn)行聯(lián)合處理、分析和綜合，把多傳感器在空間或時(shí)間上冗余或互補(bǔ)信息依據(jù)某種準(zhǔn)則來(lái)進(jìn)行組合，以獲得被測(cè)對(duì)象的一致性解釋或描述。

多數(shù)據(jù)傳感器數(shù)據(jù)融合的常用方法基本上可概括為隨機(jī)和人工智能兩大類，隨機(jī)類方法有加權(quán)平均法、卡爾曼濾波法、多貝葉斯估計(jì)法、Dempster-Shafer（ D-S）證據(jù)推理、產(chǎn)生式規(guī)則等 ；而人工智能類則有模糊邏輯理論、神經(jīng)網(wǎng)絡(luò)、粗糙集理論、專家系統(tǒng)等。常用多數(shù)據(jù)傳感器數(shù)據(jù)融合方法及其特點(diǎn)見表 1 所示，應(yīng)視具體場(chǎng)合采用不同的方法。且在實(shí)際應(yīng)用中，常采用兩種或以上的方法來(lái)實(shí)現(xiàn)多數(shù)據(jù)傳感器數(shù)據(jù)的融合。

2.3 視頻圖像分析

相對(duì)傳感器數(shù)據(jù)而言，圖像和視頻（圖像序列）提供的農(nóng)作物生長(zhǎng)狀態(tài)信息更加豐富和直觀。目前大多數(shù)智能溫室都安裝了圖像采集設(shè)備（攝像機(jī)），但對(duì)其所獲取數(shù)據(jù)地利用能力卻有待提高。通常的應(yīng)用方式是采用農(nóng)業(yè)專家在線視頻診斷和對(duì)歷史圖片地查看來(lái)判斷作物生長(zhǎng)態(tài)勢(shì)和病蟲害的相關(guān)情況，遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)到智能的目標(biāo)。

通過(guò)引入數(shù)字圖像處理、模式識(shí)別、數(shù)據(jù)挖掘等前沿技 術(shù)，可以提取出其中蘊(yùn)含的人類不易發(fā)現(xiàn)的有用信息（如作物 的總體生長(zhǎng)態(tài)勢(shì)、個(gè)體作物的特殊病變、作物生長(zhǎng)隨時(shí)間演變 的周期規(guī)律等），從而幫助我們及早發(fā)現(xiàn)問(wèn)題，作出有針對(duì)性 的決策，或者輔助構(gòu)建客觀、準(zhǔn)確的作物生長(zhǎng)模型，用于專 家系統(tǒng)的知識(shí)庫(kù)等。

 通過(guò)攝像機(jī)對(duì)作物生長(zhǎng)態(tài)勢(shì)進(jìn)行評(píng)估并預(yù)警的原理是， 首先對(duì)攝像機(jī)采集的圖像進(jìn)行預(yù)處理（包括圖像去噪、復(fù)原 及增強(qiáng)等），然后通過(guò)圖像分析技術(shù)提取出能夠反映作物生長(zhǎng) 態(tài)勢(shì)的特征量（如作物各部位的顏色、大小、根莖的粗細(xì)、紋 理的分布等），進(jìn)一步對(duì)由各特征量組成的特征矢量 X=（X1， X2，…，Xn）進(jìn)行決策處理，最后得出作物生長(zhǎng)良好或是較差的評(píng)判，并在作物生長(zhǎng)較差的結(jié)論下作出預(yù)警處理。

 特征矢量 X 不是一個(gè)確定的量，因?yàn)閿z像機(jī)采集到的某 一株具體作物、采集的時(shí)間、采集時(shí)的工作狀態(tài)都是隨機(jī)的， 因此應(yīng)該把 X 視作隨機(jī)分布在特征空間中的一個(gè)元素，即 X 是一個(gè)隨機(jī)矢量。對(duì)獲取的隨機(jī)矢量 X，我們運(yùn)用之前獲得 的先驗(yàn)知識(shí)，采取一定的決策規(guī)則（如最小誤判概率準(zhǔn)則、最 小損失準(zhǔn)則等），就可以得出作物長(zhǎng)勢(shì)良好還是較差的結(jié)論。 當(dāng)然，由于針對(duì)的是隨機(jī)量，運(yùn)用的是統(tǒng)計(jì)技術(shù)，因此結(jié)論 會(huì)有一定的誤判（結(jié)論本身也應(yīng)視作隨機(jī)的），這種誤判的大 小（或者反過(guò)來(lái)說(shuō)，可靠性的大?。┛梢酝ㄟ^(guò)熵理論來(lái)量化地 分析。

2.4 模糊控制

農(nóng)業(yè)生產(chǎn)是一個(gè)非常復(fù)雜的過(guò)程，在這個(gè)生產(chǎn)過(guò)程中， 各種各樣影響作物生長(zhǎng)的因素并存，并且它們之間也存在各種各樣的關(guān)系，它們對(duì)作物的影響或大或小，不能明確區(qū)分，而作物本身地生長(zhǎng)長(zhǎng)勢(shì)也常常不能簡(jiǎn)單地判斷為好或壞。因此， 在基于物聯(lián)網(wǎng)的智能溫室智能決策中，無(wú)論是模型地建立， 還是推理，如果采用傳統(tǒng)的技術(shù)，進(jìn)行明確的劃分和硬性的規(guī)定，實(shí)際上是不能很好地描述客觀對(duì)象的。通過(guò)引入模糊處理方式，并滲透到上述的各個(gè)技術(shù)領(lǐng)域中，如專家系統(tǒng)的實(shí)現(xiàn)、數(shù)據(jù)的融合以及圖像和視頻的處理等，將進(jìn)一步提高它們的性能。這里引入的模糊技術(shù)，并不是要把各個(gè)概念和結(jié)論模糊化，而是通過(guò)更逼真地描述客觀對(duì)象，得出更為準(zhǔn)確的確定性決策和結(jié)論。

3 未來(lái)發(fā)展方向

近年來(lái)，基于物聯(lián)網(wǎng)技術(shù)的智能溫室方興未艾。在實(shí)際建設(shè)和應(yīng)用過(guò)程中，各地智能溫室如雨后春筍遍地開花，但還缺乏科學(xué)的統(tǒng)籌規(guī)劃。各個(gè)智能溫室地建設(shè)往往各自為戰(zhàn)、信息孤立，單一服務(wù)器難以支撐智能溫室海量數(shù)據(jù)存儲(chǔ)、處理、挖掘的需求。且當(dāng)前智能溫室數(shù)據(jù)中心、機(jī)房、軟件的開發(fā)存在重復(fù)建設(shè)的浪費(fèi)。隨著云計(jì)算技術(shù)的落地生根、觸手可及， 未來(lái)智能溫室可能會(huì)朝著前端溫室差異化建設(shè)、后端云計(jì)算中心統(tǒng)一管理的方向發(fā)展?；谖锫?lián)網(wǎng)和云計(jì)算技術(shù)的智能溫室云服務(wù)平臺(tái)應(yīng)該會(huì)成為未來(lái)的趨勢(shì)。

結(jié) 語(yǔ)

隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，物聯(lián)網(wǎng)在農(nóng)業(yè)方面的應(yīng)用日趨廣泛和成熟。尤其在智能溫室應(yīng)用上，物聯(lián)網(wǎng)技術(shù)有著獨(dú)到的優(yōu)勢(shì)。從農(nóng)情信息的感知、傳輸?shù)綌?shù)據(jù)分析和挖掘、智能決策和控制，能夠極大地減少人力、物力地投入，降低成本， 確保農(nóng)產(chǎn)品的增產(chǎn)增收。

同時(shí)，物聯(lián)網(wǎng)在智能溫室的應(yīng)用上還存在一些技術(shù)上亟待改善的地方，如在多傳感器數(shù)據(jù)融合、傳感器節(jié)點(diǎn)的節(jié)能管理、農(nóng)業(yè)專家系統(tǒng)開發(fā)、視頻圖像分析、模糊控制等多個(gè)方面。我們只有不斷加強(qiáng)上述關(guān)鍵技術(shù)的研究和優(yōu)化，并將它們應(yīng)用到實(shí)際建設(shè)中，才能真正的為實(shí)現(xiàn)溫室的智能化，實(shí)現(xiàn)農(nóng)業(yè)信息化和現(xiàn)代化提供強(qiáng)勁的支持。