物联网的智能农业监测系统毕业论文75

No：_ 毕 业 设 计 报 告课题: 基于物联网的智能农业监测系统的设计与实现 院系: 软 件 学 院 班级: 软 件 1109 班 学号: 2011180434 学生: 陈 俊 指导教师: 邹 赛 装订交卷日期:2014/4/7毕业设计成绩评定表指导教师评语:（包含学生在毕业设计期间的表现）成绩（平时成绩）: 指导教师签名：年 月 日评阅教师评语：（毕业设计与设计报告的质量与水平）成绩（评阅成绩）: 评阅教师签名：年 月 日答辩情况记录:（不安排答辩的学生此表不填）答辩成绩:答辩委员会主任(答辩教师小组长)签名:年 月 日总评成绩:毕业设计任务书一、设计课题：基于物联网的智能农业监测系统的设计与实现二、设计目的： 智能农业，是通信、计算机和农学等若干学科和领域共同发展并相互结合所形成的产物，它将信息采集、传输、处理和控制集成在一起，使人们更容易获得农作物生长各个阶段的各类信息，也让人们更容易掌控这些信息，通过人工智能与农业生产的结合真正实现人与自然的交互。随着通信、计算机、传感网等技术的迅猛发展，将物联网应用到农业监测系统中已经是目前的发展趋势，它将采集到的温度、湿度、光照强度、土壤水分、土壤温度、植物生长状况等农业信息进行加工、传输和利用，为农业生产在各个时期的精准管理和预测预警提供信息支持，追求以最少的资源消耗获得最大的优质产出，使农业增长由主要依赖自然条件和自然资源向主要依赖信息资源转变，使不可控的产业得以有效控制。 本文设计了基于物联网的智能农业监测系统，目的是实现目标监测区域内，无线传感器网络节点的自动组网、影响农作物生长的环境参数的实时采集以及上位机监测软件的数据分析和远程监测，同时为了降低传感器节点的能耗、提高采集数据的准确度，提出了KDF算法用于数据处理。三、设计要求 1建立一个实用、可靠、可长期监测的农业环境监测系统;2该系统能够准确实时的获取农作物生长的环境信息并对这些信息进行远程监测。四、毕业设计报告要求：1 系统可以正常稳定的工作；2 无线传感器节点可以正常构建无线Mesh网络，可以进行数据可靠传输；3 系统通过Tomcat服务器在线发布，用户可以在任何一台与Internet相连的PC机上登录本系统进行数据查询和系统管理，实现远程监测的功能；4 系统采用的节能机制达到了很好的节能效果，且采集数据的精度符合要求。五、设计进度计划：11月15日11月25日 查阅物联网相关资料2月 1日 2月25日 系统架构设计3月 1日 3月25月 撰写毕业设计报告4月初 毕业设计答辩（如有变动，另行通知）六、毕业答辨需提交的材料：毕业设计报告 学生： 陈 俊 指导教师签名： 年 月 日摘要 物联网作为信息产业的第三次浪潮，在农业中的应用将会解决一系列科学技术问题，例如分布在广域空间的信息获取，高效可靠的信息传输以及面向不同应用的智能决策等，将是实现传统农业向现代农业转变的助推器和加速器。农业生产过程中，温度、湿度、光照强度、C02浓度、水分以及其他养分等多种自然因素共同影响农作物的生长，传统农业的管理方式远远没有达到精细化管理的标准，只能算是粗放式管理，在这种管理方式下，通过人的感知能力管理上述环境参数，无法达到准确性要求，要实现现代农业的智能化管理，建立一个实用、可靠、可长期监测的农业环境监测系统是非常必要的。因此，本文设计了基于物联网的智能农业监测系统，该系统能够准确实时的获取农作物生长的环境信息并对这些信息进行远程监测。 论文首先详细阐述物联网和农业物联网的内涵和体系结构、农业物联网的关键技术和未来发展。介绍了数据融合的相关概念，并提出了KDF算法用于系统对感知数据的处理。KDF算法是基于卡尔曼滤波的数据融合算法，能够达到减少冗余信息、降低能量消耗以及消除干扰使获得的感知数据更加准确的目的。其次，论文给出了系统的总体设计，并根据设计要求，以MSP430F5438微处理器、射频模块CC2520、射频放大前端CC2591以及SHT 10温湿度传感器等环境感知传感器为核心，构建了传感器硬件节点。传感器节点的软件以Z-Stack协栈为基础，成功的实现了无线Mesh网络的组建和数据的可靠传输。最后，论文介绍了上位机监测软件，上位机监测软件基于B/S架构，使用JSP语言在MyEclipse环境下开发，具有良好的人机交互前台界面;后台采用MySQL数据库，完成环境参数数据和其他有用信息的存储;将整个系统通过Tomcat服务器在线发布，系统便可以接入到Internet中，形成“底层(传感器)-Internet网络一远程监控”的结构，使连入互联网的计算机均可以访问。对系统从功能实现角度来开展的实验结果显示，该系统可以正常稳定的工作，无线传感器节点可以正常构建无线Mesh网络，可以进行数据可靠传输，系统通过Tomcat服务器在线发布，用户可以在任何一台与Internet相连的PC机上登录本系统进行数据查询和系统管理，实现远程监测的功能，并且本系统采用的节能机制达到了很好的节能效果，且采集数据的精度符合要求。关键词:农业物联网;无线传感器网络;数据融合;B/S架构目 录摘要6第一章 绪论11.1课题背景11.2研究的目的与意义21.2.1研究目的21.2. 2现实意义31. 3主要研究内容与论文结构4第二章 物联网与农业62. 1物联网62.1.1物联网内涵62. 1. 2物联网体系结构72. 2农业物联网82. 2.1农业物联网内涵82. 2. 2农业物联网体系结构92. 3农业物联网的关键技术102. 4农业物联网的未来发展11第三章 系统的数据融合处理133. 1数据融合的原理及意义133. 1.1数据融合的原理133. 1 .2数据融合的意义143. 2数据融合的分类153. 3数据融合的基本方法173.4系统的数据融合处理203. 4. 1 KDF算法的提出203. 4. 2卡尔曼滤波算法203. 4. 3 KDF算法21第四章 传感器节点的设计与实现254. 1系统总体设计254. 2传感器节点的硬件设计264. 2. 1硬件设计方案264.2.2处理器模块284. 2. 3外部传感器模块304.2.4无线通信模块314. 3传感器节点的软件设计344. 3. 1节点软件开发环境344.3.2 Z-Stack协议栈研究354. 3. 3网络组建354.3.4数据传输37第五章 智能监测处理中心的设计与实现425. 1智能监测处理中心开发平台概述425. 2智能监测处理中心总体设计435. 3智能监测处理中心前台界面设计455. 3. 1登录界面455. 3. 2主界面465. 3. 3数据管理界面475. 4串口通信的实现505. 4. 1串口通信基础505. 4. 2 Java串口通信515.4.3串口通信的实现525. 5客户端与数据库的交互545. 5. 1数据库简介545. 5. 2数据库表54第六章 系统测试与结果分析576. 1无线传感器网络运行效果测试576. 2系统远程监测功能测试586. 3节点节能效果测试606. 4采集结果精度测试61第七章 总结与展望637. 1总结637. 2展望64参考文献65致谢67第一章 绪论1.1课题背景 农业历来被认为是稳民心、安天下的产业，我国人口占世界总人口的22%，耕地面积却不足世界耕地面积的7%，一直创造着以不足世界7%的耕地养活世界近22%人口的奇迹。随着经济的高速发展，资源短缺、环境恶化与人口剧增的矛盾越来越突出，我国传统农业在走过了近30年的以资源换产量、以高投入换粮食增产的道路后不得不面对因基础薄弱、科技含量不足、生产技术落后而导致的农业产量增长缓慢、生产效益低下、农业不能得到很好的发展等诸多问题。我国要发展现代化信息化农业，同样有诸多问题鱼需解决，例如资源紧缺的问题，仅水资源紧缺就会严重影响我国农作物产量，还有生态环境恶化的问题，生态环境退化会带来非常严重的土壤退化，不利于我国农业长期发展，还有我国农产品安全问题将直接影响国民的正常生活。为了保障我国农产品的产量供给，同时保证我国农产品食物安全和农业生态环境安全，提高农业生产经营精细化管理水平，实现农村经济可持续发展，我们必须根据农业发展的实际需求，掌握农业领域的关键技术，加快发展现代化、信息化、智能化农业，达到提高我国农产品质量和生产效率、降低生产成本、合理利用农业资源、改善生态环境的目的，从而推动农村经济迅速发展并推动中国经济高速增长。 作为信息产业的第三次浪潮，物联网技术可以在土壤和水资源的可持续利用、生态环境监测、农业生产过程精细化管理、农产品与食品安全可追溯系统和大型农业机械作业服务调度、远程工况监测与故障诊断等多个农业领域发展。物联网技术通过信息感知技术可以获取更多的信息，包括作物信息、农业环境信息、农机作业信息等，为智能农业提供更加丰富的实时信息，通过全面互联共享可以获得更多的网络服务，提高智能农业科学决策水平和作业实施水平。物联网技术必将为改造传统农业，改变农业增产方式，发展信息化、智能化、可持续发展的现代农业发挥重要作用，引领我国现代农业的未来发展。我国国家中长期科学2和技术发展规划纲要中，明确将“传感器网络及智能信息处理”作为“重点领域及其优先主题”，“农业物联网技术”己经纳入“十二五”863 计划发展纲要，作为物联网重要分支之一的农业物联网技术必将在我国具有广阔的应用前景。1.2研究的目的与意义1.2.1研究目的 在农业生产过程中，温度、湿度、光照强度、COz浓度、水分、以及其他养分等多种自然因素共同影响农作物生长。传统农业的管理方式远远没有达到精细化管理的标准，只能算是粗放式管理，在这种管理方式下，通过人的感知能力来管理上述环境参数，是无法达到准确性要求的。而智能农业，是通信、计算机和农学等若干学科和领域共同发展并相互结合所形成的产物，它将信息采集、传输、处理和控制集成在一起，使人们更容易获得农作物生长各个阶段的各类信息，也让人们更容易掌控这些信息，通过人工智能与农业生产的结合真正实现人与自然的交互。智能农业的核心问题可以概括为以下四部分，即农业信息的获取、对所获取信息的管理、经信息分析做出的决策、由决策而决定的具体实施方针，在这四部分中，对农业信息的获取是智能农业的起点，也是非常关键的一点，做不到准确实时的获取农业信息，就无法建造真正的智能农业。而实现智能农业，建立一个实用、可靠、可长期监测的农业环境监测系统是非常必要的. 随着通信、计算机、传感网等技术的迅猛发展，将物联网应用到农业监测系统中已经是目前的发展趋势，它将采集到的温度、湿度、光照强度、土壤水分、土壤温度、植物生长状况等农业信息进行加工、传输和利用，为农业生产在各个时期的精准管理和预测预警提供信息支持，追求以最少的资源消耗获得最大的优质产出，使农业增长由主要依赖自然条件和自然资源向主要依赖信息资源转变，使不可控的产业得以有效控制。 本文采用无线传感器网络技术，将物联网与农业信息、的采集相结合，设计了基于物联网的智能农业监测系统，目的是实现目标监测区域内，无线传感器网络节点的自动组网、影响农作物生长的环境参数的实时采集以及上位机监测软件的数据分析和远程监测，同时为了降低传感器节点的能耗、提高采集数据的准确度，提出了KDF算法用于数据处理。1.2. 2现实意义 与传统的农业监测技术和系统相比，本文设计的基于物联网的智能农业监测系统有以下优点: (1)无线传感器节点能够自动组网。当网络中的某个节点因电池耗尽或者节点出现故障等原因停止工作时，传感器网络中的节点个数会动态的增加或者减少，整个传感器网络的拓扑结构会随之发生相应的变化。本文设计的无线传感器节点，能够在无任何人工帮助的情况下，通过控制网络拓扑机制和遵守网络形成协议来自动形成具有转发大量监测数据功能的多跳自组织网络，并且能够保证网络形成后一直工作，具有很高的鲁棒性和可靠性。 (2)无线传感器节点能够实现低功耗并且获得高准确度的数据。由于传感器节点尺寸小，只能采取电池供电，而电池能量有限，传感器节点均分布在田间，数量庞大且分布广泛，经常更换电池会带来非常繁琐且繁重的工作量。如何减少节点的功耗，延长节点寿命，对于整个系统网络的稳定、高效运行是至关重要的，同时，由于采集和传输过程中周围环境的干扰，数据的准确性有待提高。本文采用基于卡尔曼滤波的数据融合方法解决这两个问题。在无线传感器网络中，处理器进行数据计算所消耗的能量，远远小于数据在通信过程中消耗的能量，本文的数据融合，是在节点采集数据之后到发送数据之前进行的数据冗余处理，有效减少了无线传输过程中的数据传输量，达到节能的目的，并且卡尔曼滤波可以有效消除感知数据的干扰及不确定性，从而获得更加准确可靠的环境参数数据。 (3)系统实现资源共享。将Web协议移植到系统中，将系统通过Tomcat服务器在线发布，系统便可以接入到Internet中，实现“底层(传感器)-Internet网络一远程监控”的结构，能够将整个系统的信息发布到互联网上，既可以随时随地对影响农作物的环境参数进行监测，又实现了农业信息资源的共享，为今后物联网在农业环境监测领域中的进一步研究与探索奠定了重要的技术基础。 (4)网络部署方便。传感器节点在监测区域要大量部署，为了对目标系统本身特性不构成影响并且方便部署，传感器节点体积要尽可能小。本系统中的节点采用微型化设计，部署一次就可以长期稳定工作，不容易受到人为因素的影响。 (5)系统实现低成本。系统中传感器节点数量庞大且功能简单，单个节点的造价能够极大的影响整个系统的成本。所以，在保证节点性能的前提下应该尽可能降低单个节点的成本，本系统的传感器节点在保证电路正常、稳定工作的前提下，采用尽可能少的使用电子元器件的方式设计，有效降低整个系统的成本。 (6)系统实现高精度采集。无线传感器节点具有一定的存储和计算能力。尽管无线传感器节点网络分布密度大且数据采集量大，每个节点均能将监测区域采集到的大量环境信息高精度地传至上位机存储分析。1. 3主要研究内容与论文结构 物联网的应用非常广泛，遍及国民经济和人类生活的方方面面，可以说，信息时代，物联网无处不在，所以，对物联网的研究也涉及多个方面，本文主要研究物联网在农业环境监测中的应用，设计了基于物联网的智能农业监测系统，实现目标监测区域内，无线传感器网络节点的自动组网、影响农作物生长的环境参数的实时采集以及上位机的数据分析和远程监测，并从传感器节点数据精度和节能角度出发，对数据进行数据融合处理。本文分为7章，文章结构安排和具体内容如下: 第1章绪论 给出本文的研究背景，并详细的描述了课题的研究目的及意义，归纳了全文的主要内容和结构安排。 第2章物联网与农业 从内涵和体系结构等方面对物联网进行介绍，并重点介绍农业物联网，对农业物联网的内涵、体系结构、关键技术以及未来发展做了详细阐述。 第3章系统的数据融合处理 详细阐述了数据融合的原理及意义，介绍了从融合级别角度出发所形成的数据融合分类方法，并介绍了数据融合中常用的基本方法，最后提出KDF算法，作为本系统数据处理的方法。 第4章传感器节点的设计与实现 本章介绍了系统的总体设计和传感器节点的硬件设计，对MSP430F5438, CC2520,CC2591以及各类传感器的具体性能和各项参数进行详细的介绍，并给出部分电路图。同时介绍了传感器节点的软件设计，详细的阐述了传感器节点的软件开发环境以及组建无线Mesh网络和数据可靠传输的过程。 第5章智能监测处理中心的设计与实现 介绍了智能监测处理中心的开发平台以及智能监测处理中心的总体设计，并对前台界面的设计、串口通信的实现方法以及客户端与数据库如何进行交互进行了详细阐述。 第6章系统测试与结果分析 从测试设备、测试地址以及测试方法等方面对系统进行的无线传感器网络运行效果测试、系统远程监测功能测试、节点节能效果测试和采集结果精度测试做了详细描述，并对测试结果进行了分析。 第7章总结与展望 对本文的研究内容进行总结，并指出本系统可以改进的方面以及下一步可以进行的工作。第二章 物联网与农业2. 1物联网2.1.1物联网内涵 物联网(The Internet of Things, IOT)，既“物物相连的互联网”。目前，关于物联网比较准确的定义是:物联网是通过各种感知设备和系统、条码与二维码、全球定位系统，按照约定的通信协议，将物与物、人与物、人与人连接起来，通过各种接入网、互联网等网络进行信息交换，以实现智能化识别、定位、跟踪、监控和管理的一种信息网络，在这种网络中，每一个物件都可以寻址，每一个物件都可以控制，每一个物件都可以通信。 物联网与传统的互联网是有着本质区别的，二者的区别在于:首先，物联网是对具有全面感知能力的物体和人的互联集合，物联网全面感知的目的是随时随地对物体进行信息采集和获取，采用的技术手段主要有RFID技术、二维码技术、GPS技术、传感器技术、无线传感器网络等。物联网作为各种感知技术的综合应用，其应用过程需要多种类型的传感器，这些能够捕获不同信息且具有不同信息格式的传感器都作为不同的信息源，按一定规律采集所需要的信息，并且传感器上传的数据具有实时性;其次，物联网对数据具有可靠传送能力，物联网上的传感器数量极其庞大，形成了海量的采集信息，这就要求物联网必须适应各种异构网络和协议以确保传输过程中数据的正确性和及时性，物联网是一种建立在互联网上的网络，作为互联网的延伸，物联网能够遵循约定的通信协议，通过相应的软硬件实现规定的通信规则，将各种有线和无线网络与互联网融合，准确实时地将采集到的物体信息传递出去;最后，物联网能够实现智能处理，智能处理可以说是物联网最为核心和关键的部分，也是物联网能够得到广泛应用的基础，它能够综合应用当前各个学科比较前沿的技术，对已经经过感知层全面感知和传输层可靠无误传输的数据进行全面的分析和处理，为人们当前从事的各种活动作出指导，这种指导具有前瞻性，且通常是智能化的81，并且在物联网中，不仅仅提供了传感器与互联网等各种网络的连接，物联网自身也可以进行智能处理，具有对物体实施智能控制的能力。物联网将传感器技术和智能处理技术相融合，结合云计算、模式识别等各种智能技术，扩充其应用领域。2. 1. 2物联网体系结构根据物联网的基本特征，物联网的体系结构被分为如图2.1所示的三个层次 物联网的感知层是物联网发展和应用的基础，这一层的功能是使用传感器进行物理世界信息的采集。这一层最常用到的技术有射频识别技术、传感技术、远程操作技术以及ZigBee技术等。物体木身不具备通信能力，感知层明传感器和RIND技术对各种物体进行标识，通过短距离无线通信技术等通信子层的通信模块与网关交互信息。感知层设备具有多种延伸网，包括传感网、无线个域网(WPAN)、家庭网、工业总线等，也可以先组成延伸网再与网关交互。 物联网的网络层建立在现有的移动通信网和互联网基础上 , 网络层的主要作用之一是利用可以连入互联网的各种类型的网络，将数据和控制指令进行安全可靠、准确有效的传输，同时实现数据传输过程中的通信算法。对感知层上传的数据进行存储分析也是物联网网络层的重要主成部分，是应用层众多应用的基础。 物联网的应用层实现了研究和开发物联网的目的和意义，这一层在前两层的基础上，结合相应的软、硬件开发和智能控制技术，为人们呈现出一个无限互联、满意服务、随心控制的全新世界。该层包括为物联网应用提供通用支撑服务和调用接口的应用支撑子层以及各种具体的物联网应用，物联网的具体应用可以分为监控类型的应用，比如物联网在智能环保和智能司法方面的应用;控制类型的应用，比如物联网在智能交通和智能家居方面的应用;查询类型的应用，比如物联网在智能城市和智能交通方面的应用;扫描类型的应用，比如物联网在手机钱包和高速公路不停车收费方面的应用。总之，物联网可以应用到与人们生活息息相关的各个领域。对物联网的研究仍在继续，物联网的应用领域也正在不断拓宽，随着各项支持物联网的技术的发展，物联网一定能够带给人类更便捷、更贴心的应用。2. 2农业物联网2. 2.1农业物联网内涵 当前，我国正处在从传统农业向现代农业迅速推进的过程当中，现代农业的发展从生产、经营、管理到服务，各个环节都迫切呼唤信息技术的支持。物联网浪潮的到来，为现代农业的发展创造了前所未有的机遇，改造传统农业并发展现代农业，迫切需要使用物联网技术大田种植、设施园艺、畜禽养殖、水产养殖、农产品物流等农业行业领域的各种农业要素实施数字化设计、智能化控制、精准化运行和科学化管理，从而实现对各种农业要素的“全面感知、可靠传输和智能处理”，进而达到高产、高效、优质、生态、安全的目标。 物联网技术在经过十几年的在农业领域的实际应用和不断发展，已经与农业领域紧密结合，形成了农业物联网。研究农业的著名学者、中国农业大学李道亮教授在经过十几年对信息化技术在农业领域应用的探索和研究以后，给出如下结论:“农业物联网就是物联网技术在农业生产、经营、管理和服务中的具体应用，即运用各类传感器、RFID等感知设备，广泛地采集大田种植、设施园艺、畜禽水产养殖和农产品物流等农业相关信息;通过建立数据传输和格式转换方法，充分利用无线传感器网络、电信网和互联网等多种现代信息传输通道，实现农业信息的可靠传输;最后将获取的海量农业信J息进行融合处理，并通过智能化操作终端实现农业的自动化生产、最优化控制、智能化管理、系统化物流、电子化交易，进而实现农业生产集约、高产、优质、高效、生态和安全的目标。从该定义可以看出，农业物联网可以通过感知技术获取更多的数据信息，包括作物信息、农田环境信息、农机作业信砂息，通过传输技术为我们的农业提供更加丰富的实时信息，通过全面互联共享获得更多的网络服务，通过智能决策提高农业科学决策水平和作业实施水平。2. 2. 2农业物联网体系结构 农业物联网属于交叉学科，是物联网技术在农业领域广泛应用的产物，农业物联网体系划分可以参照物联网体系划分的标准。农业领域的信息要经过产生、传输、处理和应用四个过程，农业物联网相应的被分成如图2.2所示的四层模型。 感知层利用传感器、RFID, GPS, RS和条码技术等各种感知技术，借助各种设备和手段，对自然界中存在并且对农业生产有意义的各类数据信息进行获取，实现“物”的识别。传输层具有完成大范围内信息传输与广泛互联功能，能够将现有的广域网技术与感知层的传感网技术相融合，把感知到的农业信息无障碍、快速、安全、可靠的传送到需要信息的地方，使物品在全球范围能实现远距离大范围通信。处理层通过云计算、数据挖掘、模式识别、预测预警等信息处理技术，实现最终的信息技术与行业的深度融合，完成物品的信息汇总、共享、预测和分析决策等功能。应用层是农业物联网体系结构的最高层，是面向终端用户的，可以根据用户的不同需求搭建不同的操作平台，农业物联网的应用主要实现了大田种植、设施园艺、畜禽养殖、水产养殖、农产品交付过程中管理者的直接参与，通过农业物联网，管理者可以更快的获取各类信息，对于突发情况，管理者可以做出更及时的反应，通过远程控制，管理者可以实现对整个农业生产线更精细的管理，管理者可以从物联网多个应用角度出发对农业进行管理，达到农业生产高产、优质、高效、生态和安全的目标。2. 3农业物联网的关键技术 农业物联网是物联网在农业领域实际应用和不断发展的产物，因此，农业物联网的关键技术也是从物联网的关键技术发展而来的，农业物联网的关键技术主要分为以下几个方面: 农业信息感知技术，是指利用农业传感器、RFID, GPS, RS、条码等技术在任何时间、任何地点对农业领域的物体进行信息采集和获取。农业信息感知技术主要包括以下几种:第一种，农业传感器感知技术，在农田种植过程中，温度、湿度、光照强度、C02浓度、水分以及其他养分等多种自然因素共同影响农作物的生长，同样，动物的生长和繁殖过程也离不开周围环境因素的影响，这些都属于农业要素信息，及时获得这些农业要素信息是非常重要的，农业传感器可以用于采集各种农业要素信息;第二种，条码技术，该技术是集条码理论、光电技术、计算机技术、通信技术、条码印制技术为一体的自动识别技术，在农产品追溯中有广泛的应用;第三种，RFID技术，利用射频信号通过空间藕合实现无接触信息传递并通过所传递的信息达到自动识别的目的;第四种，GPS技术，即全球定位系统，是指利用卫星，在全球范围内进行实时定位和导航的技术，全球定位系统技术在农业上对农业机械田间作业和管理起到导航作用;第五种，RS技术，即遥感技术，通过遥感器获得地球上各类物体的电磁波信息，并以此为依据进行远程控测和识别，RS技术在农业上主要用于作物长势、水分、养分和产量的监测。 农业信息传输技术，是指将涉农物体通过感知设备接入到传输网络中，借助有线或无线通信网络，随时随地进行高可靠度的信息交互和共享。农业信息传输技术主要包括以下几种:第一种，无线传感器网络，通常被设计成鲁棒性强、稳定性好、低功耗低成本并且操作与维护简单的多跳自组织网络，负责感知、采集和处理网络覆盖区域内被感知对象的信息，无线传感网络主要应用在大田灌溉、农业资源监测、水产养殖、农产品溯源等方面:第二种，移动通信技术，随着农业信息化水平的提高，移动通信技术逐渐成为农业信息远距离传输的关键技术，移动通信技术的开发与应用极大的推进了我国农业向现代农业发展的进程。 农业信息处理技术，是以农业信息知识为基础，采用各种智能计算方法和手段，使得物体具备一定的智能性，能够主动或被动地实现与用户的沟通。农业信息处理技术主要包括以下几种:第一种，农业预测预警技术，农业预测能够以土壤、环境、气象资料、作物或动物生长、农业生产条件、化肥农药、饲料、航拍或卫星影像等时机农业资料为依据，经济理论为基础，数学模型为手段，对研究对象未来发展的可能性进行推测和估计。农业预警是指对农业的未来状态进行测度，预报不正确状态的时空范围和危害程度以及提出防范措施;第二种，农业智能控制技术，是指农业领域中在给定约束条件的情况下，将人工智能、控制论、系统论、运筹学和信息论等多种学科综合与集成，对被控制系统实现控制;第三种，农业智能决策技术，是智能决策支持系统在农业领域的具体应用，结合了人工智能、商务智能、决策支持系统、农业知识管理系统、农业专家系统等内容:第四种，农业诊断推理技术，当农业客体，如人棚里的植物、花园里的花卉、畜牧业中的动物，发生病虫灭害时，客体本身会表现出一定的特征，农业诊断是指农业专家根据这些客体所表现出的特征，根据理论和过往经验对其进行识别判断，找出相应的方法进行预防或者改变。农业诊断推理指运用数字化表示和函数化描述的知识表示方法，构建基于“症状一疾病一病因”的因果网络诊断推理模型;第五种，农业视觉处理技术，是指利用图像处理技术对采集的农业场景图像进行处理而实现对农业场景中的目标进行识别和理解的过程，基本视觉信息包括亮度、形状、颜色、纹理等。2. 4农业物联网的未来发展 作为农业信息化发展高级阶段的农业物联网正展现出其蓬勃的生命力，随着物联网关键技术和应用模式的不断成熟，农业物联网从起步阶段逐渐步入快速推进阶段. 随着世界各国对物联网关键技术、标准和应用研究的不断推进、相互吸收借鉴以及大批有实力的企业进入农业物联网领域，对农业物联网关键技术的研发重视程度在不断提高，农业物联网的核心技术和关键技术将会得到突破性进展，农业物联网技术的应用规模将不断扩大。随着农业物联网企业和标准的不断完善，农业物联网将朝着协同化方向发展，形成不同农业产业物体间、不同企业间乃至不同地区不同国家间的农业物联网信息的互联互通操作，应用模式从闭环走向开环，最终形成可服务于不同应用领域的农业物联网应用体系。随着云计算与云服务技术的发展，农业物联网感知信息将在真实世界和虚拟世界之间智能化流动，相关农业感知信息服务将会随时接入、随时获得，未来农业物联网将如图2.3所示。总体来讲，农业物联网将朝着更透彻的感知、更全面的互联互通、更深入的智慧服务和更优化的集成趋势发展。第三章 系统的数据融合处理3. 1数据融合的原理及意义3. 1.1数据融合的原理 1973年，美国国防部资助开发了吉纳信号理解系统，该系统是数据融合最早的雏形，标志着数据融合技术最早在军事领域出现，此后，随着计算机技术和通信技术紧密地互相结合并快速发展，数据融合技术被广泛应用于军事、民用和科研领域的数据处理，并且在数据处理的实际应用中，数据融合技术得到了极大的发展。 数据融合技术是应用在数据处理方面的多学科交叉的新技术，其研究的内容具有多样性的特点，对从信息源获得的可用信息可以进行多种综合处理，并且数据融合技术的分析和决策方法涉及多个知识领域，所以到目前为止，数据融合并没有一个统一的定义，根据资料，数据融合技术可以较为贴切的归纳为:数据融合技术是一种信息处理技术，对按时序获得的观测信息，使用计算机在特定准则下加以自动分析、综合，以完成所需的决策和评估任务。数据融合处理的数据可以来自多个不同的信息源，对数据的处理方法可以来自不同科研领域的不同技术，数据融合的原理可以概括如下:首先，采集观测目标数据，即应用传感器等感知技术获得最原始的信息或数据，采集到的观测数据形式有多种，通常是时间函数数据、输出矢量、成像数据和属性说明等;其次，提取特征矢量，即对用感知技术采集到的观测数据进行特征提取，得到感知数据的特征矢量;再次，模式识别处理，这一处理过程是针一对所获得的特征矢量进行，该过程采用诸如汇聚算法等统计模式识别算法对所获得的特征矢量进行处理，得到各个传感器关于目标的目标属性判决;然后关联，关联过程是针对传感器获得的数据而进行的，针对不同的目标，传感器节点会获得不同的数据，将所有传感器采集获得的数据按照统一目标分组，这一过程即为关联;最后，数据合成，该过程的合成不是简单的数据组合，而是将数据进行综合加工处理的数据融合，经融合后得到关于目标的一致性解释与描述。3. 1 .2数据融合的意义 本系统的数据采集网络采用基于ZigBee技术的无线传感器网络，数据融合对于无线传感器网络的意义可以表述如下: (1)减少冗余信息，降低能量消耗 为了增强采集数据的准确性并确保整个无线传感器网络的稳定性和鲁棒性，无线传感器节点需要大量且广泛的分布于采集区域内，相邻无线传感器节点的采集区域可能重叠，从而导致相邻传感器节点发送的信息存在冗余性。曾有学者计算显示，传感器节点使用无线方式传输比特到100米远所消耗的能量可供执行3000条指令16，在这种情况下，汇聚节点并未获得更多的信息，反而使网络消耗了更多的能量，因此，在保证精度的情况下，对传感器节点采集到的感知数据信息进行融合处理，能够大大降低无线通信过程中的数据传输，而处理器进行数据计算所消耗的能量，远远小于数据在通信过程中消耗的能量，所以在传感器节点采集到数据之后到发送数据之前进行数据冗余处理，可以有效的减少无线传输过程中的数据传输量，达到去除冗余信息、降低能量消耗的目的。 (2)提高采集信息的准确性 无线传感器节点负责采集影响农作物生长的环境参数信息，由于传感器节点存在因成本和体积而导致的精度问题，加之进行数据采集时周围环境因素的影响以及使用无线通信进行数据传递时容易受到干扰和破坏，单一传感器节点获得的数据信息往往存在不可靠性。使用数据融合技术，对采集同一信息的多个传感器所采集到的数据进行数据融合处理，就可以有效提高所采集信息的精度和准确性。 (3)提高数据收集效率 对传感器节点采集到的数据进行数据融合处理，减少了需要传输的数据量，从某种程度上降低了数据链路过程中的链路难度，减少了数据在无线通信过程中的冲突碰撞，减轻了网络的传输拥塞，降低了数据的传输延迟，有效提高了数据收集效率。3. 2数据融合的分类 传感器网络中的数据融合技术可以有不同的分类方式，根据对传感器数据的融合级别，数据融合技术可以被分为以下三类: (1)像素级融合 像素级融合是最初级的融合，在像素级融合中，每一个传感器观测物体，然后组合来自各传感器的原始数据并进行特征识别，该过程通常是从原始数据中提取一个特征矢量，根据此特征矢量做出一致性解释与描述。在像素级融合中，原始数据必须是匹配的，传感器测量的是同一物理现象，如果传感器不是同类的，则无法进行像素级融合，只能进行特征级融合或决策级融合。像素级融合的主要优点在于，它能够提供其他融合层次不能提供的细微信息且不存在信息损失，具有较高的融合性能。像素级融合通常要求精确的传感器配准和很高的传输带宽。像素级融合的过程如图3.1所示 (2)特征级融合 特征级融合属于中级融合，在特征级融合中，每个传感器观测目标之后对各传感器的观测进行特征提取，产生特征矢量，最后融合这些特征矢量，并做出基于联合特征矢量的属性说明。特征级融合是像索级融合与更高级决策级融合的折中形式，特征级融合一般采用分布式或集中式的融合体系，特征级触合可以对数据进行综合融合。特征级融合的优点在于需要的通信带宽小，但结果的精确性也在相应减小。由于特征级融合兼具了像索级融合与决策级触合的优缺点，具有较大灵活性，在许多情况下很实用。特征级融合的过程如图3.2所示。(3)决策级融合决策级融合位于三层数据融合的最高层。在该层融合中，每个传感器观测目标，并提取感知数据的特征，形成特征矢量；然后使用模式识别处理等方法对得到的特征矢量进行处理，获得各传感器关于目标的说明;再按统一目标将各传感器关于目标的说明数据进行分级，即关联;最后采用融合算法合成已统一目标的各传感器数据，得到该目标的一致性解释与描述。决策级融合是面向应用的融合。决策级融合的主要优点是容错性强、通信量小、抗干扰能力强。它的缺点是信息损失大、精确性差。决策级融合的过程如图3.3所示。上述的数据融合方法各有特点，在具体应用的过程中应该根据具体数据融合的目的和条件选择合适的融合方法。 在物联网的实际应用中，三个级别的数据融合技术可以综合使用。有的应用中数据形式比较简单，不需要进行像素级融合，就使用灵活的特征级融合手段，而有的应用要处理大量原始数据，则选用像素级融合。一个给定的系统，可能涉及多个级别的数据融合技术。3. 3数据融合的基本方法 在无线传感器网络系统的设计和实现过程中，并没有一种通用的数据融合方法，对于传感器网络的数据融合，总是根据具体的实际应用背景，来选择相应的融合算法。传感器网络数据融合的方法有很多，如图3.4所示，本文主要介绍几种常用的数据融合方法。 (1)加权平均法 在所有的数据融合方法中，加权平均法是最简单最直观的方法，该方法将多个传感器上传的冗余信息进行加权平均计算，计算的结果作为最后的融合值，常用于处理数据源的数据具有较大差异的情况。加权平均融合算法的优点是信息丢失少，所以需要对原始数据进行融合的情况下常采用加权平均法，但是加权平均因为需要建立数据模型或统计特征，所以加权平均法的使用范围有限。 (2)贝叶斯估计 贝叶斯估计算法是最早应用于不确定数据融合的一种推理方法，也是静态数据融合中的一种常用方法，它的基本思想是在假设先验概率的条件后，利用贝叶斯公式计算出后验概率，然后根据后验概率做出决策。在无线传感器网络中，传感器节点作为不同的信息源，其信息被表示成不同的概率密度函数，以特定原则对这些概率密度函数进行组合，用假定条件进行数据融合处理，实现用条件概率来测量系统不确定性的目的。若多个传感器监测目标一致，则可以直接对传感器所获得的感知信息进行融合，若多个传感器根据不同的目标对统一物体进行描述，只能以间接方式采用贝叶斯估计进行数据融合。贝叶斯估计算法的特点是由数学公理推导，易于理解且计算量小，常用来处理一些不确定问题。贝叶斯估计的缺点是在实际中很难知道先验概率，当假定的先验概率与实际情况不相符时，获得的推理结果性能比较差，因此，贝叶斯估计算法的适用范围比较小。 (3)卡尔曼滤波 据资料记载，斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器，并将其应用于解决阿波罗计划的轨道预测，关于这种滤波器的论文由Kalman等发表。卡尔曼滤波是一种递归的估计，它不需要任何有关的历史数据信息，它的估计过程只与上一个相关状态的估计值和当前状态的实际值有关，是线性滤波最常用的处理方法。在无线传感器网络中，卡尔曼滤波器常常被用于动态环境下对感知数据的融合计算，通过递推确定融合信息统计意义下的最优估计。递推特性使得卡尔曼滤波非常适合应用在无海量信息存储性能的系统中，在需要估计系统当前状态又需要预报系统的未来状态的情况下，也常常采用卡尔曼滤波对传感器数据进行融合。卡尔曼滤波数据融合算法信息丢失较少，所以适合对原始数据进行融合，缺点是需要建立数学模型或统计特征，适用范围有限。本系统对无线传感器感知数据的处理方法采用了基于卡尔曼滤波原理的数据融合方法，关于卡尔曼滤波的内容将在下一节内容中详细阐述。 (4)神经网络法 神经网络法也是由多个科研领域高度综合、联合应用、共同发展而形成的交叉学科，将神经网络法应用于无线传感器网络节点的感知数据融合，模拟了人脑可以对大量信息进行识别存储、可以对不同信息进行综合分析、可以对各种复杂信息进行有层次系统性的自学习的功能，神经网络可以对传感器节点的感知数据以某种算法为依据进行学习，根据学习的结果对传感器的感知数据进行处理并输出信息，通过分配权值来完成数据融合操作以及对知识的获取。神经网络算法的优点是对先验知识要求不高或者根本没有要求，因此神经网络法有较强的自适应能力，缺点是神经网络算法的运算量大，规则难建立。 此外，常用的数据融合方法还包括Dempster-Shafer证据推理法、模糊逻辑法、统计决策理论和小波分析等。3.4系统的数据融合处理3. 4. 1 KDF算法的提出 本文设计的智能农业监测系统既可以应用于温室或农业大棚等封闭环境，也可以应用在农业大田等露天环境，无论应用于哪种情况，本系统无线传感器节点监测的都是一个相对稳定的环境，在该种环境下，存在在某一段时间内，被监测的目标数据无明显变化的情况，即无线传感器节点感知到的数据具有时间的相关性，使得单个传感器节点监测获得的数据存在冗余。由于传感器节点在数据传输的过程中消耗的能量最多，大量冗余信息的存在，会使传感器网络白白耗费掉大量能量，同时，由于传感器节点本身的限制及进行数据采集时周围环境的影响，使传感器节点获得的原始数据在精度方面与实际需要具有一定的差距。本文采用的数据融合思想是在传感器节点处进行像素级的融合处理，该处理是在传感器节点获得感知数据后立即进行的数据融合计算，此时的感知数据还没有进行任何算法的处理，这种融合的好处是:利用可用信息之间的相关性对原始数据进行综合与分析并且对一定测量次数内获得的有限的测量数据进行融合处理，可以有效的消除无线传感器测量中的干扰及不确定性，从而获得更加准确、更加可靠的测量数据，达到减少数据传输、节省能量的目的。基于此思路，本文提出了基于卡尔曼滤波的数据融合算法(KDF)用于系统的数据融合处理。KDF算法是在传感器节点采集数据之后到将数据传输至上位机之前加入一个数据处理过程，在该过程中，传感器节点采集到的数据首先要与之前系统设定的闽值进行对比测算，若采集到的数据超出闽值设置范围，进行报警提示，若采集到的数据在所设定闽值范围内，则将传感器节点采集到的数据通过卡尔曼滤波器进行滤波处理，去除环境噪声和干扰的影响，最后将去除噪声后的数据再通过数据融合模型进行处理。KUP在有效去除噪声、得到更准确数据的同时，可以减少数据传输量，节省能耗。3. 4. 2卡尔曼滤波算法 前文己经对卡尔曼滤波做了简要的介绍，在无线传感器网络中，因为传感器节点获得的数据可以看成是离散的数据，将卡尔曼滤波用于感知数据的滤波可以提供统计意义下的最优估计，并且卡尔曼滤波的过程只需要很小的存储空间，这使得卡尔曼滤波非常适合应用在无线传感器网络中，所以本系统的数据采用卡尔曼滤波来处理。卡尔曼滤波器是一个离散控制过程的系统，该系统可用一个线性随机微分方程来描述: X (k)=AX(k一1)+BU(k)+W(k) (3.1) 再加上系统的测量值: Z(k)=HX(k)+V(k) (3.2)公式(3.1)和(3.2)中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，A, B,H为矩阵。W(k)和V(k)分别表示过程噪声和测量噪声，被假设成高斯白噪声，方差Q、R不随系统状态变化而变化。 假定现在的系统状态是k，公式(3.3)至(3.7)是卡尔曼滤波过程的5个主要运算过程。 X(k I k一1) = AX(k一Ilk一1)+BU(k) (3.3)其中，X(k-1 I k-1)是k-1时刻的最优值，X(k I k -1)是根据X(k-11 k-1)得到的估计值，U(k)为现在状态的控制量，如果没有控制量，它可以为0. P(k I k一1)二AP(k-1 I k-1)A十Q (3.4)其中，P为X的协方差，P(k I k -1)是X(k I k-1)对应的协方差，P(k-1 I k-1)是X(k一Ilk一1)对应的协方差，A表示A的转置矩阵，Q是系统过程的协方差。 X(kIk)=X(kIk一1) +Kg(k)(Z(k)一HX(k I k一1) (3.5) Kg(k) = P(k I k一1)H/(HP(k I k一1)H+ R) (3.6)式(3.5)中心为卡尔曼增益，结合公式(3.3), (3.4)得到的估计值，再根据测量值Z(k)修正k时刻的估计值，得到k时刻的最优化估计值X(klk) o P(k I k) = (I一心(k)H)P(k I k-1) (3.7)其中I为单位阵，对于单模型单测量，I =1。由公式7计算出k时刻X (k I k)的协方差P，卡尔曼滤波器就可以自回归的运算下去3. 4. 3 KDF算法 每一个无线传感器节点采集到的数据都可以形成一个行矩阵，该行矩阵的列表示传感器节点经过相同的时间间隔在不同时刻获得的感知数据，n个无线传感器节点可以获得n行感知数据。无线传感器节点在一定时间内获得的感知数据具有时间相关性，将相似部分的感知数据进行融合，可以消除数据信息的冗余。假设无线传感器网络: (1)由n个无线传感器节点采集同一监测目标的数据。 (2)每个传感器节点以固定的时间间隔进行数据采集，不同时刻获得的采集数据记为x,，其中i=1,2,3. (3)某个传感器在一段时间内获得的感知数据可以记为X -x,x2,x3,.Ix, a 显然在相对稳定的环境中，相邻间隔采集到的数据变化很小，即相邻的数据具有相似性，我们对数据处理如下:设定四个参数AX、J，、口2和:，其中Ox是一个绝对值，我们称之为误差闽值，表示数据间的最大距离，取值为所有感知数据的最大误差;二。和是系统设置的闽值，分别表示监测目标数据的上限和下限，当获得的感知数据超出这个范围时，要进行报警提示:是给定的采集次数，无线传感器节点以固定的时间间隔进行数据采集，设定合适的采集次数:，可以避免传感器发送数据的时间间隔过长以及由于数据增多而造成的计算量增大，所以:又可以叫做超时闽值。采用KDF算法对数据进行融合处理包括阂值限定计算、卡尔曼滤波、加权平均融合三部分，下面对KDF算法进行详细的阐述。 (1) IA值限定计算在农作物生长过程中，影响植物生长的温度、湿度和光照强度等因素都有其特定的参数范围，在该范围内，植物可以正常生长，超出该范围，会影响植物正常生长甚至带来病虫灾害限制植物生长。当植物生长周围环境变化或者无线传感器节点出现问题时，都会使采集的目标数据不在设定的闭值范围内，必须要及时提示用户以便用户做出相应处理。阂值限定计算能够将设定该值范围以外的数据直接筛选出来及时传至上位机给用户报警提示，并且筛选出的数据不经过卡尔曼滤波和加权平均融合的处理，减少了不必要的计算量。同时阂值限定计算通过使用误差阂值ax和超时阂值:，有效的限制了传感器发送数据的时间间隔和传感器节点对数据处理时的计算量。该部分的处理过程如下: 设x，为无线传感器节点获得的第一个感知数据。 每获得一个新的感知数据x，都要与系统设置的阂值。，和。:进行比较，若感知数据x，超出阂值设置范围，则对该数据不进行任何后续处理，直接传至上位机进行报警提示，若感知数据x，在闭值设置范围内，则进行步骤。 将x，分别与之前i-1次获得的感知数据xi 1 x2 X31 . I X ,-，进行差值比较，获得X, - xk，其中k=1,2,3, , i-1 o (a)若其中任意两个数据的差值均不超过误差阂值Ax，即卜，- xk卜AX Ik=1,2,3,-,1-1，将x，送入卡尔曼滤波器进行滤波处理，当采集次数超过超时阂值:时，加权平均融合计算前i一1个数据的均值，此时i一1二:。 (b)当其中任意两个数据的差值超过误差阂值“时，即x;-xk dx , k=1,2,3-i-1，将x，送入卡尔曼滤波器进行滤波处理，加权平均融合计算前i-1个数据的均值，此时i一1z。将第i次采集获得的感知数据x，作为下一次感知的第一个数据x; o重复、的步骤。(2)卡尔曼滤波 在KDF算法中引入卡尔曼滤波的目的是尽可能减少传感器节点本身的限制和进行数据采集和传输时周围环境干扰对数据精度的影响，由于卡尔曼滤波在滤波的时候不需要任何历史数据信息，只由前一次的估计结果和当前时刻的测量值即可获得