基于USB的温室环境便携式数据采集器

为提高温室生产的管理和自动化水平,针对中国农村的经济条件较差、基础设施相对比较薄弱的国情,研究一种具有低成本、高性能等特点的数据采集器。数据采集器以具有USB接口的高性能EZ-USB单片机作为核心器件,以大存储容量的Flash存储器作为数据存储单元;同时为了降低价格减小体积采用串行A/D和键盘输入作为输入单元,为了操作方便采用液晶作为显示单元。采用VC编制了USB主机的驱动以及上位机数据处理软件,设计了实际应用实例。该采集器具有性价比高、体积小、便于携带和使用等特点,适合进一步的推广应用。     

基于温度积分算法的温室环境控制方法

温室环境控制领域所研究的大多数智能控制算法复杂程度较高,不适宜实际生产应用,生产型温室大多采用设置静态工作点模式进行简单的环境控制,这种模式无法根据环境变化进行自动调整,浪费了大量的能量。针对这一问题,提出了基于温度积分算法的温室环境控制方法,根作物种类和生长阶段确定期望平均温度值,将全天24 h均分为长度更短的若干时间片,然后利用温度积分原理对每一时间片的温度调节点进行计算,根据得到的温度调节点结合当前实际温度进行环境控制。仿真试验表明,在保持温室内实际平均温度相同的情况下,利用温度积分算法对温室进行环境调节所消耗的能量为静态工作点的模式的64.43%。该方法计算量相对较小,适用于普通的温室环境控制器,能够简单有效地实现节能控制。     

基于改进多目标进化算法的温室环境优化控制

该文围绕温室环境控制问题,以温湿度2个主要环境因子为研究对象,建立了温室环境动态模型。设计1种基于改进的非支配排序多目标进化算法(modified non-dominated sorting evolutionary algorithm,MNSEA-II)的双比例积分微分(proportional integral derivative,PID)控制器的多输入、输出温室控制系统,以误差平方矩的积分型(integrated time square error,ITSE)为性能指标,使用多目标进化算法对其确立的目标函数进行寻优,求出Pareto最优解,进而对PID控制器的参数进行整定,使系统获得良好的控制性能。本文以Matlab/Simulink为仿真环境,对此温室控制系统进行了仿真研究。结果表明了温室模型的合理性和多目标进化算法优化的PID控制方法的有效性。     

PC板温室的温湿度预测模型建立与分析

根据PC板温室内太阳辐射、通风、对流和作物蒸腾作用引起的质热交换物理过程,基于物质和能量守恒,建立了与温室内外气象参数、土壤蒸发、作物生长状况和土壤品质相关的温度与湿度预测模型,并根据所建模型及仿真结果对温室环境系统进行分析。     

智能温室分布式环境控制系统

该文主要根据温室控制的特点,介绍了一套基于485总线分布式智能温室环境控制系统.其中包括系统的构成,硬件结构,传感器的选择和软件的各种功能.     

基于GPRS和WEB的温室环境信息采集系统的实现

针对农业对象具有的多样性、多变性、以及偏僻分散等特点,提出了一种基于GPRS和WEB技术的远程数据采集和信息发布系统方案。首先,通过RS—485总线与数字传感器连接,并与PC监控计算机构成温室现场监控系统;其次,通过GPRS无线通讯技术建立现场监控系统与互联网的连接,将实时采集信息发送到WEB数据服务器。系统软件核心技术系MS VB.NET和ASP.NET 开发而成,构建了基于B/S(Browser/Server)的“瘦客户”模式,只要通过浏览器不仅可实时浏览监测数据,而且能进行历史数据的查询。该系统的实现为农业网络信息通讯中“最后一公里”瓶颈问题提供了一种便捷的解决方案。     

基于自加速遗传粒子群算法的半封闭式温室能耗预测

针对半封闭式温室环境参数众多且难以测量的问题,提出了一种机理建模与系统辨识建模相结合的温室能耗建模方法。采用自加速遗传粒子群算法(self-accelerating hybrid algorithm of particle swarm optimization and genetic algorithm,SPSO-GA)对温室物理模型中难以确定的参数进行辨识,建立半封闭式温室能耗预测模型。根据上海半封闭式玻璃试验温室的气象数据和测量的能耗值,分别采用遗传算法(genetic algorithm,GA)、粒子群算法(PSO,particle swarm optimization)和SPSO-GA进行参数辨识与能耗预测比较分析。采用SPSO-GA获得的温室能耗预测结果与实测数据的相对误差为1.4%,分别比GA和PSO减少了2.9%和13.7%。根据日太阳光照辐射总量、室外日均温度2个参数及相应的变化曲线,预测的温室能耗值精确度大于86%。试验与模拟结果验证了基于SPSO-GA的温室能耗预测模型有效,可为半封闭式温室能量负载设计、管理和控制提供理论依据。     

中国温室环境智能控制算法研究进展

温室控制技术正面临着新的突破，智能控制将成为温室控制中发展的新阶段。该文以近年来我国温室控制领域的研究成果为基础，结合国际上一些比较值得注意的动向，分析了温室智能控制系统算法方法的特点，对其研究现状进行了评述，进一步探讨了相关问题，并提出了温室智能控制方法在今后可能发展的方向。     

基于ZigBee网络的温室环境远程监控系统设计与应用

针对温室环境数据信息监控特点,本文进行了基于ZigBee协议的传感器节点技术的开发,并在此基础上组成现场监控无线传感器网络,通过网络汇聚节点与无线移动网络（GPRS/CDMA）和INTERNET的无缝连接,实现数据远程传输至指定数据库服务器。无线传感器网络组建采用星型拓扑结构,通过软件设置在需求时唤醒ZigBee网络节点,使监控设备具有组网灵活、拆移便捷等优点。通过在实际生产过程中应用表明,该系统工作性能稳定,在数据采集和传输等方面均达到了设计要求,尤其是有效简化了现场设备安装与拆移等过程,使之更适合各类农业现场数据监控的需要。     

长江中下游地区Venlo型温室空气温湿度以及黄瓜蒸腾速率模拟研究

根据温室能量和质量平衡的物理学原理,建立了一个以温室外气候条件(太阳辐射、温度、湿度、风速等)为驱动变量,以温室结构、温室覆盖材料、温室内作物(高度、叶面积指数)为参数的温室小气候模拟模型,并利用上海Venlo型温室的三季试验数据对模型进行了检验。结果表明：模型能较好地预测中国长江中下游地区Venlo型温室内夏季和冬季空气温度、湿度以及作物蒸腾速率。模型对该地区夏干季节(2001年8月,三伏天)、夏湿季节(2002年6月下旬至7月中旬,梅雨季节)和冬季(2002年1月27日~2月5日)温室内空气温度、湿度以及作物蒸腾速率预测值与实际观测值的决定系数(R²)和标准误(SE)分别为：0.89,0.75,0.52;1.1℃,4.4%,0.040 g·m^-2·s^-1;0.80,0.84,0.77;1.5℃,4.4%,0.018 g·m^-2·s^-1;0.84,0.59,0.73;1.6℃,6.0%,0.012 g·m^-2·s^-1。该研究为进一步探讨温室环境的优化调控提供了理论依据和决策支持。     

基于改进型极限学习机的日光温室温湿度预测与验证

日光温室温湿度模型是其结构设计与控制的重要基础,因日光温室系统具有大惯性、强耦合、非线性等特性,采用机理分析法,难以建立其准确的数学模型,导致日光温室控制效果差。神经网络建模能更加灵活地得到日光温室系统的参数,但传统的极限学习机(extreme learning machine,ELM)存在隐含层神经元激励函数固定,只考虑经验风险(即训练误差最小化),而导致过拟合等问题。为了实现对日光温室内温湿度环境因子的综合控制,需要进一步提高日光温室环境因子的预测精度,该文将基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识,并利用经验模态分解(empirical mode decomposition,EMD)方法确定网络隐含层节点数,建立了日光温室温湿度环境因子预测模型。利用所建立的模型对日光温室内的温度和湿度等环境因子进行预测结果表明:温度模型有效性为0.9434,湿度模型有效性为0.9208,实测值与预测值的拟合关系比较理想,说明基于正交基函数的改进型极限学习机对日光温室进行系统辨识是可行的,且对日光温室智能控制的发展有一定的参考价值。     

基于微型自动导引运输车的盆栽作物数据采集系统

为了满足作物育/选种过程中高频次获取样本植株个体的生理指标及生长环境数据的需求,该文以微型自动导引运输车(automated guided vehicle,AGV)为基础结合ARM(advanced RISC machines)嵌入式技术设计了一套温室盆栽作物数据采集系统。该文介绍了温室盆栽作物数据采集系统的工作原理,组成结构和功能测试。系统由微型AGV、车载数据采集系统、通讯与控制系统等部分组成,微型AGV携带数据采集系统按照作业指令依次对样本植株个体的图像信息以及环境参数信息进行采集,解决了育/选种过程中需要人工方式对培育的样本植株个体数据进行采集的问题。随机选取160盆大豆样本进行数据采集试验,试验结果表明,采集的大豆植株图像完整、清晰,生长环境数据精确度高,平均误差不大于2%,对160个样本点的图像数据进行采集用时约9 min,数据采集效率大幅提高。试验过程中系统运行稳定,定位准确,误差为±6 mm,且无脱轨现象。该研究为温室盆栽作物个体的数据自动化采集提供了参考。     

基于正则化与时空约束改进K最近邻算法的农业物联网数据重构

针对农业复杂环境易发的物联网感知数据丢失异常问题,该文提出一种基于正则化惩罚的K最近邻数据重构方法(K nearest neighbor-regularization penalty,KNN-RP),采用岭回归方法对最近邻方法中的最小二乘因子进行正则化,并讨论了惩罚项的范数选取形式。通过对农业物联网感知数据的时空稳定性与相关性分析,确定了时间与空间约束矩阵的定义方式。采用温室数据样本对算法性能进行交叉验证,结果显示该文的KNN-RP性能在点丢失模型下优于KNN、反距离加权KNN算法以及DT算法,而在块丢失模型下优于KNN和反距离加权KNN算法,略低于DT算法,提高了农业物联网的感知数据质量。该研究可为基于物联网数据的农业生产决策提供参考。     

基于相似度的温室无线传感器网络定位算法

针对温室移动节点定位简单、易实现要求,提出了一种基于相似度的温室无线传感器网络定位方法。该方法主要包括虚拟网格划分、测量距离修正、节点定位3个阶段。首先,汇聚节点根据信标节点的分布信息,将温室区域等分划分虚拟网格,并返回除区域边界外的网格顶点的坐标;然后,汇聚节点通过比较信标节点间测量距离与真实距离的偏差,获得各信标节点的误差系数,用以修正传感器节点与各信标节点间的测量距离,并按序组成距离向量;最后,量化该距离向量与所有除区域边界外的网格顶点到各信标节点的距离向量之间的相似程度,选取相似度最高的网格顶点的质心为传感器节点的估计位置。仿真试验表明,该方法充分考虑测距误差、虚拟网格、信标节点数量对定位误差的影响,具有较高的稳定性和定位精度,能够满足网络定位成本受限的温室定位需求;将该方法与支持向量机定位算法进行比较,2种算法的定位误差均值分别为2.5407、2.9195 m,定位算法平均运行时间分别为0.2326、2.3719 s,表明该方法具有更低定位误差和计算复杂度。     

基于数据仓库的土壤环境监测综合挖掘模型构架

为解决土壤环境监测全流程优化问题,提出了监测流程综合挖掘方法,采用数据仓库和工作流挖掘技术,构建了一个土壤环境监测综合挖掘模型构架.首先,采用雪花结构建立了数据模型构架,为流程挖掘提供数据底层;然后建立了监测流程综合挖掘模型构架,给出了监测单元挖掘、监测点位挖掘和监测数据挖掘,以及综合挖掘的模型函数和参数,以局部优化和全局优化的思路实现了土壤环境监测全流程优化.研究结果对于提高土壤环境监测效率,拓展LIMS实验室信息管理系统功能,构建土壤环境监测数据仓库和专家系统提供指导.     

基于改进主成分分析和AdaBoost算法的运动虾苗识别方法

针对虾行为量化过程中运动虾苗较难检测与识别的问题,该文以南美白对虾虾苗为例,提出了一种基于改进主成分分析(principal component analysis,PCA)+AdaBoost算法的运动虾苗自动识别方法。在室内自然光条件下,利用工业相机采集承装容器中虾苗的灰度图像。提取图像中大小为100×100像素的不同运动状态的虾苗图像,首先使用改进PCA算法进行主成分分析,并进行特征提取。根据特征参数的分布情况,对其进行归一化处理,利用归一化的特征构建多个弱分类器,利用Adaboost方法将弱分类器构建成强分类器。最后,利用强分类器对运动虾苗进行识别。试验结果表明,在150幅不同运动状态虾苗测试样本中,基于改进PCA+Adaboost方法的识别正确率98%,平均每个样本识别时间为0.027 898 s,满足行为量化中的自动识别要求。     

基于改进多父辈遗传算法的农机调度优化方法

农机装备跨区作业存在作业任务重、转移范围大、作业时效性强等问题,传统的农机调度缺乏科学合理的调配方案.该研究开展了基于改进遗传算法的多机协同作业任务调度方法研究.首先对多块农田需连续进行多种生产任务的问题进行分析,建立在农机数量、转移距离、作业准备时间及作业时间等约束条件下的时间窗农机作业调度模型;然后以最小化作业时间...     

基于Android智能手机的小麦生产风险信息采集系统

为快速、方便地获取小麦生产风险信息,本文提出一套基于智能移动终端的信息采集系统,详细介绍了该系统的总体框架、主要功能与操作流程。并重点围绕一般信息采集、农田信息采集和灾害信息采集三个方面,分别就其中的一些关键技术点（本地存储、数据提交、空间信息获取、图像信息采集、视频信息采集与传输等）进行了阐述。通过初步应用的情况来看,该系统的特点及优势均较明显。     

基于RFID的智能大棚管理系统研究

研究提出了一种RFID的智能大棚构建框架,详细阐述了该系统的硬件结构和核心软件模块设计。     

基于深度强化学习的农田节点数据无人机采集方法

利用无人机采集农田传感器节点数据,可避免网络节点间多次转发数据造成节点电量耗尽,近网关节点过早死亡及网络生命周期缩短等问题。由于相邻传感器数据可能存在冗余、无人机可同时覆盖多个节点进行采集等特点,该研究针对冗余覆盖下部分节点数据采集和全节点数据采集,对无人机数据采集的路线及方案进行优化,以减轻无人机能耗,缩短任务完成时间。在冗余覆盖下部分节点数据采集场景中,通过竞争双重深度Q网络算法（Dueling Double Deep Q Network,DDDQN）优化无人机节点选择及采集顺序,使采集的数据满足覆盖率要求的同时无人机能效最优。仿真结果表明,该算法在满足相同感知覆盖率要求下,较深度Q网络（Deep Q Network,DQN）算法的飞行距离缩短了1.21 km,能耗减少27.9%。在全节点数据采集场景中,采用两级深度强化学习联合（Double Deep Reinforcement Learning,DDRL）方法对无人机的悬停位置和顺序进行优化,使无人机完成数据采集任务时的总能耗最小。仿真结果表明,单节点数据量在160 kB以下时,在不同节点个数及无人机飞行速度下,该方法比经典基于粒子群优化的旅行商问题（Particle Swarm Optimization-Traveling Salesman Problem,PSO-TSP）算法和最小化能量飞行控制（Minimized Energy Flight Control,MEFC）算法的总能耗最少节约6.3%。田间试验结果表明,相比PSO-TSP算法,基于DDRL的数据采集方法的无人机总能耗降低11.5%。研究结构可为无人机大田无线传感器节点数据采集提供参考。