时间:2022-11-07 17:01:04
引言:寻求写作上的突破?我们特意为您精选了1篇窄带物联网的农业种植智能测控检测范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。
0引言
随着经济的发展,人们的生活条件越来越好,对农产品的要求越来越高,对农作物的溯源需求越来越大。因此,现代农业完全颠覆了传统的农业耕种方式,其通过充分利用物联网技术,使得农业种植如同一个生产精细的车间。为此,基于嵌入式和窄带物联网技术,设计了一套农业种植智能测控系统,可以实时了解农作物环境的温湿度、pH值、光照强度,实时精准控制浇水量、施肥量、温度和湿度等。
1农业种植智能测控系统总体方案
为了实现农产品的溯源需求,设计了一套农业种植智能测控系统,用来获取农产品种植生产周期内的种植环境数据信息,根据搜集到的数据信息进行农产品种植评价预测,并分别建立不同品牌的农产品生长环境信息库,为后续的农产品种植提供参考数据。农业种植智能测控系统总体方案如图1所示。农业种植智能测控系统主要包括PC机、终端手机、服务器、网络、嵌入式网关和传感器网络,具体方案设计如下:(1)系统采用以ARM架构为核心的嵌入式微处理器作为网关取代传统PC机作为农业种植智能测控系统的控制核心,采用窄带物联网传输技术,再通过无线网络连入Internet实现和应用层用户进行交互。(2)系统的嵌入式网关EPC-R4760采用基于高通ARMCortex-A53APQ-8016的精简型工控机,其通过RS485接口与农产品种植环境采集的各种传感器节点连接起来,从而实时读取传感器数据信息。3)EPC-R4760嵌入式网关采集到农产品种植的数据信息后,经过简单的处理后,通过NB-IoT传输技术至Internet5G网络,再经由Internet5G网络将数据信息传输到服务器的数据库中保存。(4)PC机和手机终端通过5G网络和服务器与EPC-R4760嵌入式网关进行实时的在线连接,获取底层传感器的数据信息,再通过控制指令对其进行实时监测控制。基于嵌入式和窄带物联网的农业种植智能测控系统的结构框架如图2所示。其主要分为应用层、综合决策层和感知传输层,各个层分别执行相应的操作和功能。(1)农业种植智能测控系统感知传输层可以细分为感知层和传输层。其中,感知层由环境采集传感器网络、嵌入式网关和执行设备组成;传输层由NB-IoT网络、移动组网、运营商基站、云平台和嵌入式模块组成。(2)农业种植智能测控系统综合决策层包括农作物生长环境监测服务端和生长环境评价服务端。其中,前者主要是对感知传输层发送的农作物环境数据信息进行分析、处理和存储,并提供接口供终端客户查询。(3)农业种植智能测控系统的应用层主要用于终端客户和系统之间的交互工作,终端客户可以通过浏览器查看实时数据、历史数据、农作物生长环境及成长状况等系统信息。
2农业种植智能测控系统硬件设计
农业种植智能测控系统主要包括嵌入式网关、温湿度传感器、pH值传感器和光强度传感器等,系统先采集环境参数信息,再通过串口发送给嵌入式网关,最后通过嵌入式网关发送给服务器。
2.1嵌入式网关
本文选择一款基于高通ARMCortex-A53APQ8016四核处理器的嵌入式网关EPC-R4760,最高可达1.2GHz,不仅支持全高清显示且板载Wi-Fi、蓝牙和GPS无线解决方案,还可支持3G、4G/LTE模块的miniPCIe,M.2和SIM卡槽。系统搭载2GBLPD⁃DR3内存和8GBeMMC,EPC-R4760支持AndroidLinux和Win10物联网核心,具有非常稳定的性能。嵌入式网关EPC-R4760实物如图3所示。
2.2pH值检测电路
为了检测农作物土壤的pH值,选择美控公司的pH复合电极,其采用5层优质纯铜导线,直径达6mm,抗干扰能力强。pH复合电极实物如图4所示。由于pH复合电极输出的信号十分微弱,只有mV级别,微处理器无法采集这些信号,需要对这些微弱信号进行放大处理。因此,系统采用INA118P运算放大器组成一级放大电路,将mV级别的信号调理成0~5V之间的电压信号。pH复合电极检测电路如图5所示。图5中,pH复合电极检测电路输出电压为其中,Vin为pH复合电极输出的电压值;R1为滑动可调电阻的阻值;Vph为INA118P放大电路处理后的电压值。
2.3土壤温湿度传感器模块
土壤的温湿度对作物生长的作用非常重要,高低温都会影响土壤中微生物分解肥料中的有机质,高水分也会导致土壤通气性差,同时低水分也不利于满足作物生长。为了检测农作物土壤的温湿度,采用土壤温湿度传感器模块对其进行检测。土壤温湿度传感器模块实物如图6所示。土壤温湿度传感器可以同时对土壤温度和湿度共同测量,极大地方便了农民了解农作物土壤情况,其技术参数信息如表1所示。
2.4光照强度传感器
合适的光照是农作物正常生长的必要条件,系统采用建大仁科的pH-ZD光照强度传感器检测农作物光照,该传感器可以在0~200000Lux的强光下工作,工作温度在-10~70℃之间。光照强度传感器实物如图7所示,技术参数如表2所示。
3农作物环境评价预测
农作物种植的生长周期过程中,对农作物长势状况进行判断,主要需要依靠农民的种植经验,而这些纯粹的种植经验往往缺乏理论基础,有时往往会造成严重的种植事故。为此,在农民的种植经验上,引入了GRNN(GeneralRegressionNeuralNetwork)神经网络算法预测模型,将农作物的种植环境分为优、良、中、差,以农作物生长期间的环境气象条件、土壤污染度作为评价指标,再结合传感器网络采集到的光照强度、土壤温湿度、pH酸碱度作为模型回归预测的校验数据和样本数据,进行GRNN数据的校验和对农作物种植环境的评价预测。为了创建农作物生长环境评价的预测模型,采用前馈式神经网络GRNN。该模型算法由输入、模式、求和和输出等4层神经网络组成,对应的网络输入X=x1,x2,…,xn[]T,输出为Y=y1,y2,…,yn[]T,架构如图8所示。
4试验结果分析
农作物的环境数据经过GRNN神经网络处理后,可以根据MatLab仿真处理,建立该网络模型需要将所有的数据分为训练数据、测试数据、输入向量和输出向量。在此,采用某麦地种植基地冬麦作为试验作物,取100组数据,每组数据都包括光照强度、土壤温度、土壤湿度、土壤pH酸碱度和土壤种植适宜性等级等5项。其中,选取光照强度、土壤温湿度、pH酸碱度作为输入向量,土壤种植适宜性等级作为输出向量,前85组训练数据,后15组作为测试数据,测试结果如表3所示。由表3可以看出:GRNN神经网络对冬麦土壤种植适宜性等级的预测准确性为93.33%,与实测值非常接近,且耗时很短,能够实现预警作用,有助于农民提前进行施肥、浇水和调整土壤pH值。
5结论
利用传感器技术和窄带物联网设计了农业种植智能测控系统,采用嵌入式微处理器,结合传感技术,并采用GRNN神经网络实现了农作物种植环境参数的智能测量控制。MatLab仿真试验表明:GRNN神经网络对冬麦土壤种植适宜性等级的预测准确性为93.33%,与实测值非常接近,且耗时很短,能够实现预警作用,有助于农民提前进行施肥、浇水和调整土壤pH值。
作者:王旭 王胜 单位:阜阳职业技术学校 安徽国防科技职业学院