前向模糊推理的菇房异常环境预警系统*

董　静， 王君君， 陈天恩

(1.中国农业大学 信息与电气工程学院,北京 100083;2.国家农业信息化工程技术研究中心，北京 100097)



前向模糊推理的菇房异常环境预警系统*

董静1， 王君君2， 陈天恩2

(1.中国农业大学 信息与电气工程学院,北京 100083;2.国家农业信息化工程技术研究中心，北京 100097)

为了提高食用菌菇房环境监测水平，降低菇房异常环境发生造成的食用菌生产损失，抛弃了常用的阈值方法判断菇房异常环境，提出一种基于前向模糊推理的菇房异常环境推理方法，该方法首先通过物联网技术对菇房环境进行实时数据采集，通过数据预处理方法去除原始感知数据中的异常值，采用加权平均法的数据融合技术融合同一菇房内多传感器数据，通过前向模糊推理方法对菇房异常环境进行推理。最终设计和实现了菇房异常环境预警系统，该系统采用B/S的系统架构，可方便用户随时随地查看菇房环境情况，接收异常环境预警信息。系统在经过一段时间的测试运行后，证明系统采用前向模糊推理方法可准确推断出菇房异常环境的发生，同时有效减少误发预警信息次数。

菇房; 远程监测; 前向模糊推理

0　引　言

自20世纪90年代以来，我国的食用菌产业得到了迅猛发展，成为世界上最大的食用菌生产国和出口国，而且食用菌生产产值位居我国种植业产值第六位，产品出口到世界上119个国家和地区。但目前，我国的食用菌生产仍是以传统的家庭生产为主，在对食用菌生长起重要作用的菇房环境监控方面，仍是以人工测量为主，这不仅造成了人力资源的巨大浪费，而且实时性差，使得生产者不能及时掌握菇房异常环境的发生，给食用菌生产带来损失[1，2]。快速准确采集菇房内关键环境因子，实现对菇房环境的24 h实时监控，并且能准确推断出菇房异常环境并及时通知食用菌生产者，是帮助食用菌生产者提高食用菌产量，避免食用菌生产损失发生的重要方法。

在对菇房环境监控方面，国内已经有了一些研究[3～5]。但这些研究着重点在于对菇房环境进行监控，而对于菇房异常环境则采用简单的阈值方法进行判断，造成系统对于菇房异常环境判断的误差较大。因此，需要采用新的技术和方法，设计和实现菇房环境的实时监控和异常环境推理的系统。

物联网(the Internet of things,IoT)是近些年来得到快速发展的新一代信息技术，它通过互联网将物(设备)与物(设备)连接在一起，进行信息传输和交换，并结合数据挖掘和分析对数据信息处理，实现对物体的识别、监控和管理[6]。而农业是物联网的一个重要应用领域，已经有了大量的物联网应用。这些应用证明了物联网技术可以实现对农业生产的监控和管理[7,8]。因此，本文将利用物联网技术对菇房环境进行实时数据采集和监控，并采用前向模糊推理方法对菇房异常环境进行推理，对于异常环境的发生将通过短信等方式通知食用菌生产者，从而帮助食用菌生产者实时掌握菇房环境情况，避免菇房异常环境发生造成的损失。

1　系统设计

食用菌菇房异常环境预警系统主要通过实时采集菇房内的关键环境参数，上传至后台服务器进行数据预处理和异常环境的推理，实现对菇房环境的实时监控、异常环境的预警。

1.1系统总体设计

系统主要由数据采集、数据处理和异常环境推理三部分组成。其中，数据采集主要通过在菇房内部署传感器设备，采集对食用菌生长起主要作用的环境因子(如光照强度、空气温度、空气相对湿度、CO2浓度等)；采集后的数据由网关节点通过3G网络或有线方式发送给后台服务器进行数据处理；数据处理将去除原始感知数据中的异常值、重复值，并对多传感器数据进行数据融合，使得菇房感知数据可靠可用；处理后的数据，一方面存入数据库中供历史数据查询和数据统计分析使用；另一方面进入异常环境推理模块进行异常环境判断，在菇房发生异常环境的情况下，发送预警信息给生产者。系统架构如图1所示。

图1　系统总体架构图

1.2系统主要功能结构

系统功能结构如图2所示。

图2　系统总体功能示意图

1.2.1实时数据监控

实时数据监控由实时环境数据监控和异常环境推理两部分构成。用户在浏览器端可查看各菇房的实时环境数据、24 h环境数据变化曲线和各控制设备的状态。系统可根据各菇房实时环境数据和推理规则进行异常环境推理，如果发生异常环境，系统会及时通知生产者，让生产者能够及时调整控制设备状态，使得菇房处于食用菌生长的最佳环境下。

1.2.2推理规则维护

推理规则是实时环境预警的核心部分。其中，推理规则分为异常环境推理和病害推理。可以根据食用菌生长特点将环境分为最佳生长环境、适宜生长环境、不适宜生长环境和异常环境等不同等级，每个环境等级将根据不同的食用菌种类确定边界阈值。系统在第一次部署时，可在远程服务器上下载已经配置好的推理规则，并根据自己的实际生产调整推理规则。同时，用户也可以新建推理规则，并将推理规则上传到远程服务器中。

2　系统实现与应用

2.1无线传感器网络的数据采集

在本系统中硬件设备采用了北京农业信息技术研究中心研制的菇房环境数据采集设备。该设备根据食用菌生长过程中温度、空气相对湿度、CO2浓度和光照强度是起主要作用的环境因子，选择搭载了SHT10/11温湿度一体化传感器；MG811CO2浓度传感器；QY—150A光照强度传感器。同时该设备搭载了CC2530的ZigBee通信模块，可以组成无线传感器网络。汇聚节点和网关节点之间通信采用ZigBee方式，网关和远程服务器之间通信可以采用3G无线方式或者有线方式。

2.2菇房原始感知数据处理

首先,多点采集菇房环境数据获得菇房环境分布情况；其次,采用分布图法去除菇房原始环境数据中的奇异数据使得环境数据可用可靠；最后,通过传感器数据融合技术获得菇房整体环境数据。

2.2.1分布图法去除异常数据

因传感器设备、通信网络和其它原因，会使得传感器上传的原始数据中存在异常数据和缺失数据，需要去除奇异数据和补齐缺失数据[9]。

以温度数据为例，设某一时间段内服务器接收到且经过排序后的数据序列为x1,x2,x3,…,xn其中，x1为下极限，xn为上极限，定义中位数为

(1)

定义上四分位数Fu为区间[xm,xn]的中位数，下四位数Fi为区间[x1,xm]的中位数。分布图的离散度DF为DF=Fu-Fi。有效数据判断区间为

|xi-xm|<βDF

(2)

式中β为常数，根据菇房内传感器测量精度而定。β取1.5，能够有效去除数据序列中的奇异数据。在去除了奇异数据后，对于数据序列中的缺失数据，将采用两点插值法进行补缺。

2.2.2传感器数据的融合

处理后的环境数据已能正确反映出菇房内的环境分布情况，但系统中菇房是基本单位，生产者需要知道菇房的整体环境数据，因此,需要融合同一菇房内多个传感器数据。

(3)

(4)

(5)

(6)

式中αi,βi,λi均为加权系数，而加权系数采用自适应加权算法进行确定。

2.3食用菌异常生长环境预警

食用菌侵染性病害的发生往往与菇房环境数据的异常有关[10]。例如:杏鲍菇子实体处于高温、高湿、通风性不良的环境中容易受到细菌类假单胞杆菌的侵染发生黄腐病。因此，在菇房环境数据实时监测过程中，需要知道菇房的异常环境的发生，并且推断出可能导致的后果和引发的病害，及时发送预警信息和对应的解决措施给生产者。本系统抛弃了常用的阈值判断法，而采用了菇房环境信息与食用菌生长信息相结合的前向模糊推理方法进行异常环境的判断。

以杏鲍菇为例，杏鲍菇子实体可生长的温度在10～21 ℃下，其中，最适生长温度在16～17 ℃；可生长的CO2浓度在1 200×10-6左右；可生长的空气湿度为80 %～90 %RH。因此，系统选择将温度(t)划分为5个模糊等级，分别为过低(GD)、偏低(PD)、适中(SZ)、偏高(PG)、过高(GG)；空气相对湿度(RH)和CO2浓度(c) 则划分为3个模糊等级，分别为偏低(PD)、适中(SZ)、偏高(PG)。

系统采用常见的IF-THEN格式的产生式规则进行知识表示。一条规则由规则前件和规则后件组成。在本系统中，前件是环境数据的组合，即温度、空气相对湿度和CO2浓度组成，后件部分则是异常环境的发生情况和可能发生的病害信息。部分推理规则如下：

IFtisSZANDhisSZANDcisSZThen菇房环境良好，处于适宜生长阶段；

IFtisSZANDhisPGANDcisSZThen温室湿度过大，处于不适宜生长环境，可能致使幼菇枯萎；

IFtisGGANDhisPGANDcisPGThen菇房处于异常环境，杏鲍菇可能发生黄腐病。

食用菌异常环境预警过程如图3所示。

图3　环境预警过程

当预警模块推断出当前菇房环境处于食用菌生长的异常环境下，会通过短信接口向菇房生产负责人发送警报信息。

2.4系统测试环境

系统在北京农科院内食用菌生产实验菇房内进行测试。该菇房面积大约为300 m2，有3个排风扇、1个水帘、1套加热设备和1套加湿喷雾设备。在菇房内每隔50 m位置部署一套数据采集设备。系统初始化时设置每隔1 min采集上传一次数据。系统部署时，该菇房中栽植杏鲍菇，且正处于子实体生长阶段。

2.5系统运行结果和分析

系统在第一次部署时要进行系统设置，初始化控制设备信息、环境采集设备信息和温室基础信息，以及环境预警中所需要用到的食用菌菇房异常环境推理规则的设置。当在菇房内部署好无线传感器网络后，采集到菇房环境数据后，即可进行24 h菇房环境实时监控和异常环境的推理。

图4是系统部署一个月内，分别采用阈值方法和前向模糊预警法对菇房内异常环境进行判断并发出预警信息的次数。从图4中可以看出，采用前向模糊推理法发出的异常环境预警次数明显比阈值法要低。

图4　系统发出环境异常预警次数

图5是系统发出预警信息后，通过实际判断得出的误预警发生次数。从图5中可以看出，采用前向模糊推理方法发出的误差次数要低于阈值法。综合图4和图5中的数据可得出，采用前向模糊推理法发出的有效预警次数要多于阈值法发出的预警次数。

图5　误预警次数

在菇房中食用菌处于子实体生长阶段，需要高湿恒温的生长环境，子实体由于呼吸作用引起温度和CO2浓度的升高，采用阈值法判断无法解决各环境因子相互耦合的问题，导致系统发出的预警次数较多且误发预警也比较次数多。采用前向模糊推理方法可根据食用菌各生长阶段的实际情况设置不同的推理规则，解决环境因子间的耦合关系，可准确推断出菇房异常环境的发生，并给出相应的处理意

见。

3　结　论

本文开发的菇房异常环境推理系统，在实现菇房环境实时监控的基础之上，提出基于前向模糊推理方法的菇房异常环境的推理方法。通过系统测试表明:对菇房原始感知数据进行预处理，去除异常数据和补齐缺少数据，使得采集的菇房环境数据更加可靠；采用数据融合技术融合多传感器数据，使得菇房环境有完整统一的表示，同时采用前向模糊推理方法提高了系统对于异常环境推理的准确性。但系统仍需在实际使用过程中，逐步完善和扩展前向模糊推理规则，提高系统的适用性。

[1]张俊飚,李鹏.我国食用菌新兴产业发展的战略思考与对策建议[J].华中农业大学学报：社会科学版,2014(5):1-7.

[2]于海龙,郭倩,杨娟,等.环境因子对食用菌生长发育影响的研究进展[J].上海农业学报,2009(3):100-104.

[3]万军,赵不贿,景亮,等.基于ZigBee技术的食用菌工厂监控系统设计[J].计算机测量与控制,2013(5):1208-1210,1222.

[4]刘华,李晓静,张侃谕,等.基于CAN总线的食用菌菇房智能控制系统的开发[J].计算机测量与控制,2010(5):1070-1072.

[5]彭镇,景亮,陆继远,等.基于OPC技术的食用菌工厂化生产远程监控系统[J].现代科学仪器,2013(3):83-86.

[6]葛文杰,赵春江.农业物联网研究与应用现状及发展对策研究[J].农业机械学报,2014(7):222-230.

[7]王希杰.基于物联网技术的生态环境监测应用研究[J].传感器与微系统,2011,30(7):149-152.

[8]夏于,孙忠富,杜克明,等.基于物联网的小麦苗情诊断管理系统设计与实现[J].农业工程学报,2013(5):117-124.

[9]张军,杨子晨.多传感器数据采集系统中的数据融合研究[J].传感器与微系统,2014,33(3):52-54,57.

[10] 胡清秀,宋金娣,管道平.食用菌病虫害危害分析与防治关键控制点[J].中国农学通报,2008(12):401-406.

Mushroom abnormal environmental early warning system based on forward fuzzy reasoning*

DONG Jing1, WANG Jun-jun2, CHEN Tian-en2

(1.College of Information and Electrical Engineering,China Agriculture University,Beijing 100083,China;2.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China)

In order to improve level of edible mushroom room environment monitoring, reduce edible fungus production loss caused by mushroom house abnormal circumstances,abandon commonly used threshold method to judge mushroom house abnormal environment,put forward a kind of mushroom room abnormal environmental reasoning method based on forward fuzzy reasoning,through the Internet of things(IoT) technology,mushroom house environment real-time data acquisition is carried out,and through data preprocessing method,remove the outliers in original sensing data,data fusion technology of weighted average method is used to fuse multisensor data inside the same mushroom room,through forward fuzzy reasoning method,reasoning of mushroom abnormal environment is carried out.Design and implement mushroom house abnormal environmental early warning system,the system adopts B/S system architecture,which is convenient for users to view mushroom room environment anywhere,receive abnormal environment early warning information.After test operation for a period of time,it is proved that the system uses forward fuzzy reasoning method can accurately infer occurrence of abnormal environment of mushroom house,at the same time effectively reduce false alert information.

mushroom; remote monitoring; forward fuzzy reasoning

10.13873/J.1000—9787(2016)09—0085—04

2015—11—09

国家科技支撑计划课题资助项目(2013BAD15B05);北京市农林科学院科技创新能力建设专项项目(KJCX2014041)

S24

A

1000—9787(2016)09—0085—04

董静(1982-)，男，河南安阳人，博士研究生，助理研究员，研究方向为农业信息化。