基于NB-IoT的智能農業(yè)輔助控制系統

　　賀敏娜，王新懷，徐?茵，王?煥，王晗宇（西安電子科技大學(xué)，陜西?西安?710126）

　　摘?要：設計了以單片機為核心、基于NB-IoT、PID控制和阿里云服務(wù)器等技術(shù)的智能農業(yè)輔助控制系統。設計中系統可實(shí)時(shí)監測大棚內作物的生長(cháng)狀況，并自動(dòng)對溫濕度等環(huán)境因素作出相應調整，將分布式傳感器在不同節點(diǎn)采集到的作物生長(cháng)狀況及生長(cháng)環(huán)境等數據發(fā)送到數據采集中心，自動(dòng)進(jìn)行初步分析后上傳至服務(wù)器，用戶(hù)可通過(guò)網(wǎng)頁(yè)或手機客戶(hù)端遠程了解作物生長(cháng)狀況、控制環(huán)境參數及設備運行。由于系統成本低廉，有著(zhù)廣闊的應用場(chǎng)景，可在農業(yè)基地大棚、家庭植物護理等場(chǎng)景布置應用，適應精準扶貧。

　　關(guān)鍵詞：NB-IoT；智慧農業(yè)；視覺(jué)分析；FCN；精準扶貧

　　注：本文受中央高?？蒲袠I(yè)務(wù)費項目（項目編號20101195625）支持；本項目獲得了2018年陜西省互聯(lián)網(wǎng)+大賽銅獎

　　0 引言

　　長(cháng)期以來(lái)，中國農業(yè)發(fā)展較為落后，科學(xué)技術(shù)對農業(yè)生產(chǎn)的貢獻率較低。隨著(zhù)物聯(lián)網(wǎng)技術(shù)的發(fā)展，農業(yè)智能化時(shí)代逐步到來(lái)。筆者經(jīng)過(guò)對陜西省蒲城縣等農業(yè)基地的多次實(shí)地考察，發(fā)現存在著(zhù)農業(yè)自動(dòng)化程度低、無(wú)法遠程監控、增產(chǎn)因素難以把控等問(wèn)題，因此對大棚內作物的生長(cháng)狀況進(jìn)行實(shí)時(shí)監控十分必要。本系統以分布式傳感器節點(diǎn)、NB-IoT數據鏈、云端服務(wù)器為關(guān)鍵組分，設計了具有遠端監控作物生長(cháng)狀態(tài)，調節環(huán)境參數等功能的智能農業(yè)輔助控制系統。

　　1 系統設計

　　本系統整體可分為4部分：第1部分是以單片機(MCU)和NB-IoT模塊為核心的節點(diǎn)主體；第2部分是以透傳云、服務(wù)器為核心的遠程分析及數據傳輸系統；第3部分是包括DHT11溫濕度傳感器、CCS811二氧化碳傳感器、BH1750光照度傳感器等定制化外置傳感器和繼電器、電磁閥等控制器；第4部分是樹(shù)莓派微型電腦和NB-IoT模塊節點(diǎn)以及攝像頭等數據量較大的傳感器。樹(shù)莓派上可讀取攝像頭拍攝畫(huà)面，運行本地分析程序，將分析結果通過(guò)NB-IoT上傳至透傳云。整體系統框架圖見(jiàn)圖1。

　　通過(guò)引入視覺(jué)分析，使用動(dòng)態(tài)閾值離散化和FCN（全卷積神經(jīng)網(wǎng)絡(luò )）等語(yǔ)義分割技術(shù)對棚區木耳的長(cháng)勢進(jìn)行動(dòng)態(tài)追蹤，有效解決了當前采摘效率較低的問(wèn)題。將傳感器和中心節點(diǎn)模塊化，用戶(hù)也可通過(guò)選裝相關(guān)配件、傳感器來(lái)選擇相關(guān)服務(wù)。通過(guò)對農作物生長(cháng)狀況歷史記錄分析，系統可半監督學(xué)習作物生長(cháng)全過(guò)程的最優(yōu)環(huán)境參數，對整個(gè)生長(cháng)周期有更全面的了解和調整，從而有效實(shí)時(shí)地監測大棚內作物的生長(cháng)狀況，并自動(dòng)作出相應調整，真正實(shí)現智能農業(yè)生產(chǎn)。

　　1.1 系統控制算法

　　系統在安裝后，節點(diǎn)向服務(wù)器進(jìn)行注冊，發(fā)送安裝的傳感器和控制器的種類(lèi)和個(gè)數。接著(zhù)初始化用戶(hù)界面，顯示各個(gè)傳感器和控制器的狀態(tài)，儲存各傳感器的歷史數據表格，以供用戶(hù)在圖形化界面上選擇自動(dòng)控制的流程和條件。服務(wù)器根據各節點(diǎn)的運算能力及接入的傳感器和控制器，將每個(gè)控制流程平均分布加載到各節點(diǎn)。最后對NB-IoT兩次喚醒之間的休眠間隔進(jìn)行配置，并使之實(shí)現同步喚醒。當NB-IoT休眠時(shí)，不進(jìn)行通訊，各節點(diǎn)和服務(wù)器獨立運行。需要發(fā)送的數據自動(dòng)存入緩沖區，等待NB-IoT喚醒后再進(jìn)行發(fā)送。設定控制算法流程示意圖見(jiàn)圖2。

　　1.2 系統工作過(guò)程

　　節點(diǎn)將接收到的傳感器數據輸入到控制中進(jìn)行計算，得出控制指令，并將得出的控制指令存入緩沖區等待發(fā)送。再讀取各個(gè)傳感器，將數據儲存至緩沖區等待上傳。若數據超過(guò)報警上下限則強制喚醒NB-IoT，向服務(wù)器發(fā)送報警信息；反之則進(jìn)入低功耗模式，等待NB-IoT模塊定時(shí)喚醒，以減小功耗。

　　服務(wù)器通過(guò)分析歷史數據，結合基地中心上傳的長(cháng)勢數據，得出目前狀態(tài)的種植方案，更新控制過(guò)程的各個(gè)參數。待節點(diǎn)的NB-IoT喚醒后，各節點(diǎn)向服務(wù)器上傳最新傳感器數據，在服務(wù)器上更新控制參數，進(jìn)而向其他節點(diǎn)發(fā)送控制指令（或接收其他節點(diǎn)發(fā)來(lái)的控制指令）。從其他節點(diǎn)接收本節點(diǎn)內控制算法所需要的數據。最后結束一次工作循環(huán)，使NB-IoT休眠。

　　2 系統功能實(shí)現

　　2.1 硬件部分

　　2.1.1 節點(diǎn)探針模塊

　　采用STM32F103C8T6作為微控制器（MCU），其功能強大且價(jià)格低廉。將每塊單片機封裝成一個(gè)監測“探針”，置于大棚中的監測點(diǎn)處，實(shí)現對大棚內的空氣溫濕度、光照強度和二氧化碳濃度的實(shí)時(shí)記錄，并將數據上傳至上位機，以便農業(yè)工作人員依據實(shí)地情況及時(shí)作出處理。

　　2.1.2 溫濕度檢測模塊

　　溫濕度測量采用數字傳感器DHT11，該傳感器依靠單總線(xiàn)協(xié)議與MCU（單片機）進(jìn)行通信。在未接收主機發(fā)送的開(kāi)始信號時(shí)，傳感器處于超低能耗狀態(tài)，盡可能地節省消耗。同時(shí)它應用了專(zhuān)用的數字模塊采集技術(shù)和溫濕度傳感技術(shù)，可確保高的測量可靠性與長(cháng)期穩定性。DHT11單總線(xiàn)協(xié)議時(shí)序圖見(jiàn)圖3。

　　2.1.3 光照強度檢測模塊

　　光照強度測量采用數字型光強度傳感器BH1750，它具有較高的分辨率，利用它可探測到變化范圍在1~65535 lx內的光強數據。傳感器有6種分辨率模式可供選擇，基于對實(shí)際情況的分析，采用了連續H分辨率模式，該模式工作在11 lx分辨率下，一次測量時(shí)長(cháng)約為120 ms。依照芯片對應的通信時(shí)序圖，我們編寫(xiě)了基于I 2 C通信協(xié)議的使用程序。I 2 C協(xié)議時(shí)序圖見(jiàn)圖4。

　　2.1.4 二氧化碳濃度檢測模塊

　　二氧化碳濃度是農業(yè)生產(chǎn)中一項較為重要的參數，在考慮了工作性能、實(shí)際需求、傳感器體積、成本等多個(gè)方面之后，最終確定使用Cambridge CMOS Sensors公司生產(chǎn)的超低功耗微型氣體傳感器CCS811。

　　2.2 軟件部分

　　2.2.1 服務(wù)器搭建

　　本系統通過(guò)租用云服務(wù)器將NB-IoT采集的數據保存下來(lái)，進(jìn)行數據管理。通過(guò)瀏覽器打開(kāi)我們的web端界面，輸入對應的NB-IoT設備ID，可實(shí)現web端與NB-IoT設備的連接。web端程序監測NB-IoT的實(shí)時(shí)情況，一旦NB-IoT采集的數據更新，即可立即獲取最新的大棚數據。這里同樣通過(guò)程序連接NB-IoT模塊，利用自定義函數來(lái)獲取賬號下的大棚數據信息。獲取的數據分別對應著(zhù)大棚號、節點(diǎn)號、棚內溫度(℃)，空氣濕度(%)、光照強度(lx)以及二氧化碳濃度。

　　為了方便數據的管理，我們使用關(guān)系型數據庫管理系統MySQL，存儲數據信息。通過(guò)建立獨立數據庫，在庫內為每個(gè)大棚單獨建表，各自存儲對應的數據，表的數量可根據當前狀況進(jìn)行增添或刪減，利于后期項目管理。當節點(diǎn)有需要時(shí)，服務(wù)器可回歸分析歷史記錄，得出對當前情況最有利的參數值。

　　在ODBC驅動(dòng)的輔助下，實(shí)現了JavaScript和MySQL數據庫的連接，當JavaScript獲取NB-IoT更新的數據時(shí)，數據即可有序存入庫中。

　　2.2.2 用戶(hù)界面實(shí)現

　　為了實(shí)現直觀(guān)顯示用戶(hù)所有設備狀態(tài)及關(guān)鍵數據，遠程控制大棚設備運作等功能，界面每個(gè)賬戶(hù)下的設備在首頁(yè)以卡片形式展示，用戶(hù)可看到各個(gè)設備所監測指標的數值及當前設備的在線(xiàn)狀態(tài)。用戶(hù)在界面點(diǎn)擊單個(gè)卡片便可進(jìn)入詳情頁(yè)面，查看該設備上的具體數據及圖表化形象展示。

　　配置適配器MyFragmentPagerAdapter，創(chuàng )建ViewHolder 并定義item點(diǎn)擊回調接口。用TabLayout控件，設置監聽(tīng)并重寫(xiě)onTabSelected方法。利用Adapter實(shí)現各個(gè)Fragment切換，并用RecyclerView來(lái)實(shí)現在頁(yè)面中添加列表式的item，同樣需要配置適配器RvAdapter。每個(gè)item配置但單獨的xml文件。各個(gè)item點(diǎn)擊的效果由item_selector.xml來(lái)實(shí)現。

　　利用Android下的廣播機制，通過(guò)自定義的UsrCloudClient、UsrCloudClientService等Java類(lèi)，來(lái)連接NB-IoT設備并進(jìn)行實(shí)時(shí)數據更新與獲取。

　　2.2.3 作物長(cháng)勢分析系統實(shí)現

　　本系統通過(guò)網(wǎng)絡(luò )攝像頭對圖像進(jìn)行采集后，先對圖像進(jìn)行語(yǔ)義分割。進(jìn)而采用FCN（全卷積網(wǎng)絡(luò )）對語(yǔ)義進(jìn) 行分割，通過(guò)預先劃分區域的圖像數據集訓練后，可對任意場(chǎng)景和角度將作物區域進(jìn)行分割。相比傳統的（Mask）蒙版劃分適應性更強，可靠性更高。典型FCN網(wǎng)絡(luò )架構見(jiàn)圖5。

　　3 結論

　　經(jīng)實(shí)際測試，本系統硬件、軟件及方案都可行，且高度滿(mǎn)足當前中國科技農業(yè)推廣的需求。對比目前同類(lèi)產(chǎn)品，本系統具有成本低、效率高、可定制化等優(yōu)點(diǎn)，基本適用于所有農作物的農業(yè)生產(chǎn)。

　　參考文獻

　　[1]孫科.使用 NB-IoT物聯(lián)網(wǎng)技術(shù)建設智慧小區[J].中國新通信，2017，19(9):95-96.

　　[2]許愛(ài)萍.天津智慧農業(yè)發(fā)展中的主要問(wèn)題與解決路徑[J].世界農業(yè)，2017(3):198-203.

　　[3]夏顯力，趙凱，王勁榮.美國農業(yè)發(fā)展對加快我國現代農業(yè)建設的啟示與借鑒[J].農業(yè)現代化研究，2007，28(4):467-471.

　　[4]王蘭明，牛文林.從以色列高效集約型農業(yè)看高科技應用效果[J].河北北方學(xué)院學(xué)報(自然科學(xué)版)，2001(2):39-41.

　　[5]林長(cháng)勇.基于NB-IoT的物聯(lián)網(wǎng)應用研究[J].信息與電腦(理論版)，2017(17):167-168.

　　[6]孟凡，王金忠.NB-IoT聯(lián)合組網(wǎng)及優(yōu)化策略[J].電信工程技術(shù)與標準化，2018，31(6):32-36.

　　[7]徐軍， 孫庭.數字圖像處理技術(shù)在圖像識別上的應用[J].有線(xiàn)電視技術(shù)，2008，15(5):129-130.

　　[8]李冠林，王海光，黃沖，等.基于圖像處理和圖像識別的植物病害診斷方法初探[C].公共植保與綠色防控，2010.

　　[9]于海斌，曾鵬，王忠鋒，等.分布式無(wú)線(xiàn)傳感器網(wǎng)絡(luò )通信協(xié)議研究[J].通信學(xué)報，2004，25(10):102-110.

　　[10]梅方權.農業(yè)信息化帶動(dòng)農業(yè)現代化的戰略分析[J].中國農村經(jīng)濟，2001(12):22-26.

　　[11]吳靜，張冬平.國家科技政策對農業(yè)創(chuàng )新型企業(yè)發(fā)展影響的實(shí)證分析[J].技術(shù)經(jīng)濟與管理研究，2018(6):106-113.

　　[12] Yang J D，Chen Y S，Hsu W H.Adaptive thresholding algorithm and itshardware implementation[J].Pattern Recognition Letters，1994，15(2):141-150.

　　[13] Long J， Shelhamer E， Darrell T. Fully convolutional networks forsemantic segmentation[J]. IEEE Transactions on Pattern Analysis & MachineIntelligence，2014，39(4):640-651.

　　作者簡(jiǎn)介：

　　王新懷，男，博士，副教授，研究方向：微波毫米波電路與系統設計、智能天線(xiàn)與天線(xiàn)組陣技術(shù)等領(lǐng)域。

　　徐茵，女，高級工程師，研究方向：微波毫米波電路與系統設計、實(shí)時(shí)信號處理系統設計等領(lǐng)域。

　　賀敏娜，經(jīng)濟與管理學(xué)院信息管理與信息系統專(zhuān)業(yè)。

　　王煥，電子工程學(xué)院電子信息工程專(zhuān)業(yè)。

　　王晗宇，電子工程學(xué)院電子信息工程專(zhuān)業(yè)。

　?。ㄗⅲ罕疚膩?lái)源于科技期刊《電子產(chǎn)品世界》2019年第9期第73頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。）