基于NB-IoT技術的智能農業環境監測系統設計*

陳維娜，楊忠，顧姍姍，唐玉娟，王逸之

(金陵科技學院,南京市,211169)

0 引言

信息化、精準化是新時期農業發展的新要求,物聯網、計算機技術的迅速發展為智能農業方面提供了技術保障。在加強農業生產管理及問題決策中,如何精確、實時、高效地獲取農作物在種植和生長過程中的各項重要信息是重中之重[1]。在農業物聯網中,傳感器是獲取信息的主要設備,他們可以在目標監測區內對空氣溫濕度、二氧化碳濃度、光照強度等農業環境信息進行實時采集,為精準農業環境監測提供有效解決方案,從而提高農作物產量[2]。普通農田環境通常具有地理位置偏遠、面積寬廣、通訊設備難以調節等特點。在大多數情況下,農作物生長環境數據信息的獲取愈加艱難。針對于此,就需要將低成本、高效率、智能化設施應用于農田信息采集,加強改變傳統農業方式。

目前,在環境監測方面,ZigBee技術憑借可靠性好以及成本低等優勢廣泛應用于工業控制系統。董方武等采用ZigBee 無線網絡技術設計了一種淡水養殖溶氧濃度自動監控系統,它可以對水中的溶氧濃度和溫度等參數進行實時監控[3]。摩托羅拉實驗室開發了一套低耗能、自組織的傳感器網絡,該系統可以監測農業環境數據和過程參數[4]。然而,農業物聯網的部署需要考慮到農田環境的無線傳輸問題。受限于農田中網絡連接不方便、終端節點之間分布距離較遠等條件,傳統的廣域網絡在通信覆蓋范圍,接入容量,設備功耗等方面表現出乏力,面向短距離布設的WiFi、ZigBee等無線通信技術難以直接部署在野外大范圍內。高軍等[5]設計了基于GPRS網絡的節水灌溉控制系統,能根據土壤和作物用水情況實施精準灌溉,但GPRS通信功耗較高,長時間監測系統運行時長難以保證。楊禎等[6]采用LoRa無線通信技術作為溫度監測系統的數據傳輸方式,LoRa技術通信距離遠,功耗低,但是需要開發者自行布設基站或網關,且工作于非授權頻段,開發難度大,網絡安全性難以保證。因此選擇合適的數據通信方式是至關重要的。近年來,隨著窄帶物聯網(Narrow Band Internet of Things,NB-IoT)技術不斷完善,其獨有的低功耗、廣覆蓋、多連接、低成本等特性成為5G物聯網時代的重要技術選擇,同時也滿足了農業物聯網在無線信息傳輸方面的需求[7]。隨著NB-IoT技術的發展,單個節點傳輸距離已達到數千米,應用在農業物聯網中可以大面積布置環境監測,彌補了監測傳感器分布較遠的問題[8-10]。

本文針對以上提出的我國智慧農業發展方面存在的一些問題,本系統利用NB-IoT技術組建無線傳感網絡對農作物生長環境中的溫度、濕度、大氣壓強、光照強度及有害氣體指數進行實時采集監測,同時將無線傳感網絡采集的數據信息通過套接字打包發送到服務器,并在服務器部署網站來顯示相應圖表并進行閾值遠程控制,實現了遠距離、低功耗、智能化、多維度、多尺度的農作物信息實時監測系統。本系統可用于監控農業試驗田中的環境狀況,便于監測農作物異常情況并及時做出判斷,可應用于智慧農業信息系統的構建。

1 農業監測系統架構設計

窄帶物聯網農業監測系統是一款遠距離、低功耗、智能化、多維度、多尺度的農作物信息實時監測系統。其核心設計融合環境數據采集功能、數據上報及閾值下發功能、環境狀態提示報警功能以及網頁智能監測功能。本系統可以擴大通信距離,降低通信功耗,減少維護成本以及提高經濟效益。窄帶物聯網農業監測系統總體架構如圖1所示。

圖1 系統總體方案Fig.1 Overall scheme of the system

數據檢測模塊由監測用的多傳感器、核心處理器、NB-IoT通訊模塊、數據接口等構成,有獨立的電源模塊供電。通過監測設備上集成的傳感器可以采集農業環境的相應數據,數據經過處理后,監測模塊可以通過NB-IoT低功耗網絡將數據信息發送到數據管理云端平臺。最后,云端平臺數據管理系統可對傳感器數據進行處理和分析,供PC用戶實時查看。本系統以Cortex-M系列底板為硬件平臺,以STM32F407芯片為主控芯片。Cortex-M底板擁有I2C接口、UART串口、ADC接口、中斷接口、PWM接口、SPI接口、GPIO接口、8個直流電機接口和4個雙向直流電機接口、百兆網口、miniUSB接口、SD卡接口、8個伺服電機接口、OV7725攝像頭接口、液晶觸摸屏接口、用戶自定義擴展IO口、調試接口等。

2 監測系統硬件設計

2.1 窄帶物聯網通信模塊

目前使用較多的低功耗廣域網通信技術為LoRa,NB-IoT,具有通訊距離遠、功耗低特點,適合于物聯網應用場景。本系統使用的是移遠BC35-G通訊模組,這是一款高性能、低功耗的多頻段 NB-IoT無線通信模塊,支持B1/B3/B8/B5/B20/B28頻段。其尺寸僅為23.6 mm×19.9 mm×2.2 mm,能最大限度地滿足終端設備對小尺寸模塊產品的需求,同時有效地減小產品尺寸并優化產品成本。相比較于傳統通信模塊,BC35-G通訊模組具有覆蓋廣、連接多、成本低、功耗低的特點。

2.2 溫濕度采集模塊

為采集溫度和濕度,采用了溫度傳感器DHT11。相比較其他種類傳感器,DHT11的優點就是穩定性與可靠性都很好,廣泛應用在新興物聯網相關的監測領域。DHT11內部自含溫濕度校準系數,在采集溫濕度數據的過程中會自動進行校準。測試結果準確度極高。溫濕度模塊由濕度敏感的電阻式元件和NTC型電阻構成,響應很快。DHT11數字溫濕度傳感器配備單線制串行接口,其特有的單排4針引腳方便與各種類型的單片機相連,整個傳感器集成簡易,功耗極低,信號傳輸距離范圍0～20 m內時極為穩定,適合長時間室內外的溫濕度監測。

2.3 廣譜氣體監測模塊

為實現對有害氣體的有效檢測和量化顯示,選用氣敏式廣譜氣體傳感器MQ-2。氣敏式廣譜氣體傳感器是一種檢測特定氣體的傳感器。它主要包括半導體氣敏傳感器、接觸燃燒式氣敏傳感器和電化學氣敏傳感器等,其中用得最多的是半導體氣敏傳感器。它的應用主要有：一氧化碳氣體的檢測、瓦斯氣體的檢測、煤氣的檢測、氟利昂(R11、R12)的檢測、呼氣中乙醇的檢測、人體口腔的檢測等等。氣敏式廣譜氣體傳感器將氣體種類及其與濃度有關的信息轉換成電信號,根據這些電信號的強弱就可以獲得與待測氣體在環境中的存在情況有關的信息,從而可以進行檢測、監控、報警;還可以通過接口電路與計算機組成自動檢測、控制和報警系統。圖2為廣譜氣體監測模塊電路圖。

圖2 廣譜氣體監測模塊電路圖Fig.2 Circuit diagram of broad-spectrum gas monitoring module

2.4 光照強度采集模塊

為實現對光照強度進行定量的分析,采用數字化光照檢測芯片BH1750,這是一種用于兩線式串行總線接口的數字型光強度傳感器集成電路。這種集成電路可以根據收集的光線強度數據來調整液晶或者鍵盤背景的亮度,利用它的高分辨率可以探測較大范圍的光強度變化。該傳感器測量的光照度范圍為0～65 535 lux,最小誤差變動為±20%,分辨度為1 lux。圖3為光照強度采集模塊電路圖。

圖3 光照強度采集模塊電路圖Fig.3 Circuit diagram of light intensity acquisition module

2.5 氣壓監測模塊

為獲取大氣壓強,選擇了數字傳感器BMP180進行氣壓監測。這是一款高精度、小體積、超低能耗的壓力數字氣壓傳感器。該傳感器適合智能的高精度測量和數據采集,輸出高精度的壓力(或高度)和溫度測量數據,絕對精度最低可以達到0.03 hPa,并且耗電極低,只有3 μA。同時具有I2C總線的接口,便于進行訪問。圖4為氣壓監測模塊電路圖。

圖4 氣壓監測模塊電路圖Fig.4 Circuit diagram of air pressure monitoring module

3 監測系統軟件設計

3.1 通信模塊軟件設計

通訊模組與主控芯片通過串口進行通信。由于STM32F407具有多個串口,本項目使用串口控制通信模組,為了代碼的復用性,不采用直接對寄存器操作的編程方式,而采用標準庫編程,標準庫提供與芯片生產商無關的硬件抽象層,提供軟件接口,屏蔽了硬件的差異。通訊模組功能分為數據上報和閾值接收兩個部分,對于數據上報,需要先對采集的數據進行十六進制編碼生成模組可以識別的數據,然后使用串口AT指令對NB模塊進行控制,創建套接字連接服務器進行數據發送。具體實現過程為：初始化標準庫串口結構體,NVIC配置中斷優先級,USART函數配置,封裝字符發送函數,編寫串口中斷服務函數。以上可實現基礎通信功能。

通過窄帶物聯網模組進行網絡附著,當環境數據采集60次時,主控芯片對需上傳的數據進行編碼,通訊模組接收到數據上傳信號,此時該模組可以創建套接字與服務器進行連接,實現數據上報功能。由于模組與服務器連接是由模組主動申請,且需考慮系統通信能耗,當服務器接收到模組上傳的數據時,服務器需向模組發送閾值反饋,當模組接收到服務器得反饋,再通過主控芯片進行解碼和類型轉換,便可實現閾值下發功能。監測系統通信程序流程圖如圖5所示。

圖5 監測系統通信程序流程圖Fig.5 Flow chart of monitoring system communication program

3.2 環境數據采集功能軟件設計

本系統需要實現對農作物生長環境的溫度、濕度、大氣壓、光照強度和有害氣體指數進行采集并對采集時間進行周期控制,并且要對采集的數據進行處理,得到相對精確的數據。為實時對環境進行監測,本系統每隔500 ms對采集得數據進行分析,當采集的數據超出閾值范圍時,系統會通過蜂鳴器進行超出閾值的提示。網頁智能監測可以讓用戶可以實時獲取數據信息,并對數據進行檢索和監測。

對于溫度、濕度的采集,使用onewire通信協議,通過主控芯片GPIOF11引腳控制DHT11模塊獲取數據。對于大氣壓和光照強度數據的獲取,則采用IIC通信協議,大氣壓數據通過主控芯片PB6_I2C_SCK、PB7_I2C_SDA控制獲取數據,光照強度數據通過主控芯片GPIOA1、GPIOA0控制獲取數據。對于有害氣體指數的采集,不采用通信協議,直接通過主控芯片的PC1_ADC1讀取到MQ2傳感器的電壓值,進而得到轉化為精確的有害氣體濃度值。在具體實現過程中,為了使得數據盡可能減少偶然性,系統采集數據采用多次測量取平均值的方法,具體采集間隔為2 s,采集次數為60次,60次后重置循環。

為實現閾值超限報警功能,本系統采用前后臺系統,該系統應用程序是一個無限的循環,循環中調用相應的函數完成相應的操作,這部分為后臺行為。前臺程序通過中斷來處理事件。后臺程序則掌管整個系統軟、硬件資源的分配、管理以及任務的調度。因此通過設置定時器中斷拋出標志位,在主函數的循環中進行周期為500 ms的閾值監測。同時在檢測函數中進行具體的響應操作,超出閾值進行蜂鳴器報警的功能。

3.3 平臺終端軟件設計

平臺終端軟件采用網站客戶端設計,網站與服務器部分采用了前后端分離技術,后端使用Spring Boot框架以及Mybatis框架,前端采用Vue框架搭建,使用ECharts來完成數據可視化工作,使得數據閾值參數和歷史數據更加形象可讀?？蛻舳税ǔ壒芾韱T、普通管理員、普通用戶三個系統等級?？蛻舳丝梢詫崿F對用戶的增刪改查,并可以查看所有區域的溫濕度、大氣壓強、光照強度以及有害氣體指數的圖表同時包括運行模式設置、閾值修改等功能。

4 多傳感器數據融合方法設計

4.1 自適應加權平均融合方法

(1)

式中：xi——監測數據;

S——監測數據的樣本標準差;

Zc——肖維勒準則數。

Zc與n的關系如表1所示。

表1 肖維勒準則數Zc與數據量n關系Tab.1 Relation between Schoveller Criterion number Zc and data quantity n

(2)

為達到數據融合的目標,得到總方差最小的融合值,同時近似認為各傳感器數據相互獨立,即

2∑WiWj(x-xi)(x-xj)]

(3)

當均方誤差最小時,傳感器所對應的權值

(4)

類似地,可獲得該區域內濕度傳感器、光照強度傳感器等在剔除異常數據后的融合值。利用上述方式對不同監測傳感器數據進行處理,使得方差根據樣本的變化而改變,從而提高整個系統的容錯性和魯棒性。

4.2 基于神經網絡的融合方法

采用神經網絡方法對各區域內農業監測異類傳感器數據進行局部融合,各個區域的傳感器監測數據經過自適應加權平均融合后作為神經網絡的輸入,利用神經網絡分別對各區域的異類傳感器數據做融合處理,從而得到該區域環境狀況的綜合判斷。神經網絡通過模擬訓練得到輸入數據與輸出數據之間的關系,再通過輸入新的數據得出模擬預測結果。它的學習過程主要包括輸入模式順傳播、輸出誤差逆傳播、循環記憶訓練、學習結果判別。以三層前向神經網絡結構對本系統中各種異類農業監測傳感器數據進行分析,它包括輸入層、隱含層和輸出層三個部分。

圖6 三層前向神經網絡結構Fig.6 Three layer forward neural network structure

(5)

式中：f()——Sigmoid函數,它可以調節權重,經過訓練后在最小均方差意義之下使得誤差極小。

其滿足

(6)

本文中采用4個傳感器進行環境數據監測,每個傳感器的每一組樣本數據具有一個特征值,故輸入層節點數設定為m=4。輸出層的輸出表示農作物的環境監測狀態,分為環境較好、環境較差兩種類型,因此輸出層結點數為n=2,映射為(1,0),(0,1),輸出范圍為0～1。其中隱藏層的節點數并不固定,而是需要經過實際訓練的檢驗來不斷調整,權值的第t步更新

(7)

式中：μ——步長因子;

(8)

5 系統測試

5.1 系統通信測試

為測試農業監測系統整體通信性能,搭建3個溫濕度傳感器、1個大氣傳感器、2個廣譜氣體傳感器、2個光照傳感器和1個網關進行組網,通過網關收集不同類型的農業監測傳感器數據,上傳至用戶云服務器,由服務器端的程序接收并統計數據包,檢測網關從采集到上傳數據的丟包率、誤報率。測試過程中,農業監測系統的供電正常,NB-IoT模塊基站信號良好,同時所有農業監測類型傳感器均正常運行。通過網關收集上述5個不同類型傳感器的1 000個數據包,通過改變網關與多傳感器之間的距離測試系統的通信性能,每隔5 m進行一次測試。測試結果如表2所示。

表2 不同距離下的系統通信測試結果Tab.2 System communication test results at different distances

從表2可以看出,數據丟包率和誤包率會隨著網關與傳感器的通信距離增加而上漲,但是總體仍然處在可控范圍,因此該系統數據通信效果良好,數據傳輸的可靠性可以滿足農業監測的需求。

5.2 農業監測數據融合測試

為了測試農業監測系統多傳感器數據融合方法的有效性,選擇實測環境下的監測數據進行數據融合,將監測系統測量溫度值、濕度值、光照值等數據作為神經網絡的輸入,將農作物的環境監測狀態較好和較差作為神經網絡的輸出。其中部分傳感器節點數據如圖7所示。

圖7 部分傳感器節點監測數據曲線Fig.7 Monitoring data curve of some sensor nodes

圖8 訓練數據的梯度和均方誤差之間的關系Fig.8 Relationship between gradient and mean square error of training data

可以看出當迭代次數達到117次時,網絡輸出達到設定的誤差范圍(0.001)之內。當神經網絡收斂后保存權值,網絡訓練完成。由此,網絡中的權值和閾值也隨之確定。建立模型的最大訓練次數為10 000,網絡的學習速率為0.05,訓練網絡所要達到的目標誤差為0.65×10-3。同時,根據R2的取值來判斷模型的好壞,其取值范圍為0～1,如果結果是0說明模型擬合效果很差,如果結果是1說明模型無錯誤。一般來說R2越大,表示模型擬合效果越好。該模型的決定系數R2為0.998 42,因此基于神經網絡的環境監測狀態神經網絡模型方案科學可行。

從圖9可以得出神經網絡預測結果與已知的實際環境狀態輸出值對比,可發現預測與實際是比較接近的。對于6：00、12：00、19：00對應的環境監測數據,經過融合處理預測得到的結論為環境狀態惡劣程度趨近于1,表示農作物生長環境狀態較差,與實際數據的情況一致。模型擬合對于環境狀態的預測效果較好。

圖9 神經網絡學習與已知的訓練樣本輸出值對比圖Fig.9 Comparison between neural network learning and known training sample output value

為進一步驗證本文數據融合方法的優越性,用本文方法與未經自適應加權融合的傳統方法進行了對比,傳統方法選擇與本文方法相同的神經網絡模型,網絡參數設置完全一致。訓練樣本采用傳感器直接測量的數據,對環境監測數據的綜合效果進行測試,結果如表3所示。采用平均絕對誤差(MAE)和均方誤差(MSE)作為模型預測精度的判斷指標,定量衡量預測誤差大小。

表3 本文方法與傳統方法預測誤差對比Tab.3 Comparison of prediction error between this method and traditional method

6 結論

1) 本文針對智慧農業存在的遠距離、低功耗等問題,利用NB-IoT技術組建無線傳感網絡對農作物生長環境進行實時采集和監測,實現了智能化和多角度的農作物環境監測。

2) 在軟硬件平臺搭建的基礎上,本文研究了基于多傳感器數據融合方法,首先利用自適應加權平均融合然后再采用神經網絡方法對各區域內的傳感器數據進行融合,從而得到該區域農作物環境狀況的綜合判斷。

3) 與傳統方法相比,本文提出的方法對于環境狀態的預測效果較好,在不同指標上誤差降低了45%～58%,預測準確度大大提升。因此,該方法可以針對不同農作物及其生存環境需求,有效地為農作物的生存狀態提供預測,考核各種條件下的農作物的生長環境狀態。