基于物联网技术的智能温室关键技术研究

引 言

物联网技术作为近年来最热门的话题之一，被认为是继计算机、互联网之后的第三次信息技术革命。其在农业领域中有着广泛地应用，无论是从农产品种植地培育准备阶段、生长阶段还是收获阶段，都可以用物联网技术来提高效率、精细管理和降低生产管理成本[1-5]。纵观当前物联网技术在智能温室中的应用，大多注重在信息监测、传输和一些简单的自动化控制方面，实际上仅仅是实现了由机器设备代替人力劳动。在对大数据的融合、数据深度挖掘、生长模型建立、人工智能等方面的应用上还存在较大不足。本文在对智能温室研究现状进行分析的基础上，提出了将农业专家系统、模糊控制、数据融合、视频图像分析等关键技术应用到现代智能温室系统中的方法。

1 智能温室研究现状分析

当前基于物联网技术的智能温室系统研究较多的集中在对前端信息感知和数据通信网络的研究，如无线传感器网络、ZigBee通信协议、物联网网关接入等[6-11]。在环境调控方面， 主要通过反馈控制的方式来实现。通常采用在建立相应控制规则的基础上，对传感器采集数据值和预设参数值比较，通过条件判断的方式来下发对现场机电设备的控制指令。这种实现方式可根据温室内现状来自动调控环境因素，但控制方式简单，无法在作物整个生长周期内提供稳定、可靠的调控。往往在面临较为复杂的实际情况时，出现控制工作的不稳定甚至错误。总体上看，缺乏一个系统科学的决策机制，无法完全体现出人工智能的特点。

在数据处理和发掘方面，当前更多的是完成对传感器数据和视频信息地存储，提供实时、历史数据地查询和数据报表地呈现。对数据的融合、分析和挖掘方面是非常缺乏的， 无法对数据进行深层次的利用，从而去指导生产和管理，造成数据的浪费。

综上，合理的将农业专家系统、数据融合、视频图像、模糊控制分析等技术应用到智能温室中，将极大地提高系统智能化水平，真正让农业用户体验到基于物联网技术的智能温室带来的效益。

2 关键技术研究

2.1 农业专家系统

农业专家系统是整个智能温室系统的核心和大脑，一般由知识获取工具、知识库、数据库、模型库、推理机、人机界面等组成。专家系统地开发需要大量农业专家知识的积累、对知识的恰当表示和描述、作物生长模型的建立、推理机的实现等过程 [12,13]。由于开发过程长、难度大，往往最为关键的农业专家系统在智能温室建设中容易被忽视。

下面以智能温室中种植的番茄为例，提出一种番茄专家系统的构建方法。

通过采用JavaWeb、Tomcat以及MySQL进行 Web应用程序开发，实现支持用户通过网络浏览器的应用方式。系统功能主要分为番茄模型预测子系统、番茄病虫害诊断子系统以及智能决策子系统三部分。采用三层架构的 B/S模式实现。第一层为视图层，由JSP页面完成用户的交互，包括番茄栽培的预测、诊断、管理的相关状态输入，对策、结果输出等。第二层为逻辑应用层，即控制层，包括 Web服务器和应用服务器， 专家系统的推理、解释等功能在该层实现。第三层是数据库服务器，即模型，在农作物专家系统推理机中要使用到的知识以数据库的形式存放于数据层，并在数据层完成对数据的完整性和安全性的检验工作。数据库使用MySQL，数据库中包含作物基本信息表、环境因素表、病虫害信息表、知识表等。番茄专家系统登录及功能界面如图 1，图 2 所示。

2.2 数据融合 

在智能温室中，数据是 核心。系统对温室内环境是 否适应作物生长的判断主要 依赖大量传感器数据的上报。 单个传感器获取的数据是单 一和片面的，信息的参考价 值有限。对各个单一传感器 的数据独立处理，其结论必 定是片面的和不准确的。在 某个传感器故障且用户又不 知晓的情况下，可能会导致 错误的结论。因此采用多个不同种类、不同数量的传感器进 行温室内环境数据的监测，以生成满足实际需求的合成信息， 提高决策的可靠性和准确性，使系统性能得到极大提高，这 其中的关键是多传感器数据融合技术。

此外多传感器数据融合也是传感器节点实现节能的一种 有效技术途径，数据融合技术通过降低网络的数据传输量， 能够达到节约能量的目的。它在数据从节点向基站传输的过程 中，由中间节点收集多个节点的数据，并对这些数据进行融合 处理，去除冗余数据之后再转发出去。这在智能温室的实际 应用中具有重要的意义。

数据融合就是利用计算机对各种信息源进行处理、控制 和决策的一体化过程。多传感器数据融合技术的基本原理就像人脑综合处理来自视觉、听觉、味觉、触觉等感官信息一样， 通过对多种传感器数据进行联合处理、分析和综合，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。

多数据传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer（ D-S）证据推理、产生式规则等 ；而人工智能类则有模糊逻辑理论、神经网络、粗糙集理论、专家系统等。常用多数据传感器数据融合方法及其特点见表 1 所示，应视具体场合采用不同的方法。且在实际应用中，常采用两种或以上的方法来实现多数据传感器数据的融合。

2.3 视频图像分析

相对传感器数据而言，图像和视频（图像序列）提供的农作物生长状态信息更加丰富和直观。目前大多数智能温室都安装了图像采集设备（摄像机），但对其所获取数据地利用能力却有待提高。通常的应用方式是采用农业专家在线视频诊断和对历史图片地查看来判断作物生长态势和病虫害的相关情况，远远没有达到智能的目标。

通过引入数字图像处理、模式识别、数据挖掘等前沿技 术，可以提取出其中蕴含的人类不易发现的有用信息（如作物 的总体生长态势、个体作物的特殊病变、作物生长随时间演变 的周期规律等），从而帮助我们及早发现问题，作出有针对性 的决策，或者辅助构建客观、准确的作物生长模型，用于专 家系统的知识库等。

 通过摄像机对作物生长态势进行评估并预警的原理是， 首先对摄像机采集的图像进行预处理（包括图像去噪、复原 及增强等），然后通过图像分析技术提取出能够反映作物生长 态势的特征量（如作物各部位的颜色、大小、根茎的粗细、纹 理的分布等），进一步对由各特征量组成的特征矢量 X=（X1， X2，…，Xn）进行决策处理，最后得出作物生长良好或是较差的评判，并在作物生长较差的结论下作出预警处理。

 特征矢量 X 不是一个确定的量，因为摄像机采集到的某 一株具体作物、采集的时间、采集时的工作状态都是随机的， 因此应该把 X 视作随机分布在特征空间中的一个元素，即 X 是一个随机矢量。对获取的随机矢量 X，我们运用之前获得 的先验知识，采取一定的决策规则（如最小误判概率准则、最 小损失准则等），就可以得出作物长势良好还是较差的结论。 当然，由于针对的是随机量，运用的是统计技术，因此结论 会有一定的误判（结论本身也应视作随机的），这种误判的大 小（或者反过来说，可靠性的大小）可以通过熵理论来量化地 分析。

2.4 模糊控制

农业生产是一个非常复杂的过程，在这个生产过程中， 各种各样影响作物生长的因素并存，并且它们之间也存在各种各样的关系，它们对作物的影响或大或小，不能明确区分，而作物本身地生长长势也常常不能简单地判断为好或坏。因此， 在基于物联网的智能温室智能决策中，无论是模型地建立， 还是推理，如果采用传统的技术，进行明确的划分和硬性的规定，实际上是不能很好地描述客观对象的。通过引入模糊处理方式，并渗透到上述的各个技术领域中，如专家系统的实现、数据的融合以及图像和视频的处理等，将进一步提高它们的性能。这里引入的模糊技术，并不是要把各个概念和结论模糊化，而是通过更逼真地描述客观对象，得出更为准确的确定性决策和结论。

3 未来发展方向

近年来，基于物联网技术的智能温室方兴未艾。在实际建设和应用过程中，各地智能温室如雨后春笋遍地开花，但还缺乏科学的统筹规划。各个智能温室地建设往往各自为战、信息孤立，单一服务器难以支撑智能温室海量数据存储、处理、挖掘的需求。且当前智能温室数据中心、机房、软件的开发存在重复建设的浪费。随着云计算技术的落地生根、触手可及， 未来智能温室可能会朝着前端温室差异化建设、后端云计算中心统一管理的方向发展。基于物联网和云计算技术的智能温室云服务平台应该会成为未来的趋势。

结 语

随着物联网技术的不断发展，物联网在农业方面的应用日趋广泛和成熟。尤其在智能温室应用上，物联网技术有着独到的优势。从农情信息的感知、传输到数据分析和挖掘、智能决策和控制，能够极大地减少人力、物力地投入，降低成本， 确保农产品的增产增收。

同时，物联网在智能温室的应用上还存在一些技术上亟待改善的地方，如在多传感器数据融合、传感器节点的节能管理、农业专家系统开发、视频图像分析、模糊控制等多个方面。我们只有不断加强上述关键技术的研究和优化，并将它们应用到实际建设中，才能真正的为实现温室的智能化，实现农业信息化和现代化提供强劲的支持。