基于物联网技术的智慧农业大棚动态监测与决策系统

陈家儒 薛艳 杜冬月 夏天钰 于浩

摘 要：本文运用多传感器设备、视频实时监控技术、Labview 、Python等构建了基于物联网技术的智慧农业大棚动态监测与决策系统。系统通过接收大棚内传感器的数据，实时获取大棚内的空气温湿度、土壤温湿度、土壤酸碱度、光照强度、CO2浓度等数据，并在网页端实现对草莓大棚的温度、pH值、土壤湿度等数据的实时检测和报警，进而提出优化方案。后台Python端可对草莓大棚的数据进行智能分析，并精准预测产量以及提供最优的草莓种植方案。该系统对农作物生长过程精准化、智能化管理，提高农业生产效率具有重要的应用价值。

关键词：物联网技术;智慧农业;动态监测;数据分析

中图分类号：S126     文献标识码：A     文章编号：1003-5168（2021）36-0013-05

Intelligent Agricultural Greenhouse Dynamic Monitoring and Decision-Making System Based on Internet of Things Technology

CHEN Jiaru XUE Yan    DU Dongyue  XIA Tianyu  YU Hao

（Jiangsu Ocean University，Lianyungang  Jiangsu  222005）

Abstract：This article uses multi-sensor equipment， video real-time monitoring technology， Labview， Python， etc. to build a smart agricultural greenhouse dynamic monitoring and decision-making system based on the Internet of Things technology. The system monitors the air temperature and humidity， soil temperature and humidity， soil pH， light intensity， carbon dioxide concentration and other parameters in the greenhouse in real time by receiving data from multiple sensors in the greenhouse， and realizes the temperature and pH value of the strawberry greenhouse on the hardware equipment and web page. ， soil moisture and other real-time data detection and alarm， and propose optimization schemes. The background python terminal can intelligently analyze the data of strawberry greenhouses and accurately predict the output and provide data standards for the optimal strawberry planting plan. This system has important application value for the precise and intelligent management of the crop growth process and the improvement of agricultural production efficiency.

Keywords： internet of things technology; smart agriculture; dynamic monitoring; data analysis

近年來，随着国家对农业领域的重视与扶持，越来越多的农业机械化产品应用到日常农业生产当中。其中，设施农业中有我们熟知的大棚，但是大棚还没有实现规模化的管控，更多还是依赖于人工种植管理。然而人们获取大棚生产信息的方式有限，主要是通过人工测量，耗时耗力，而且不具备实时性，不利于提高生产效率、扩大生产规模。随着新时代的到来，物联网技术被广泛应用于农业领域[1-2]。物联网是继计算机、互联网与移动通信网之后的世界信息产业第三次浪潮[3]，它以多种传感器感知物理世界的各种信息，再以通信网络手段传递到人们的设备终端，从而实现对外界环境的感知。

随着物联网应用的落地，使传统农业逐渐向智慧农业转型。智慧农业是按照工业发展理念，以信息和知识为生产要素，通过互联网、物联网、云计算、大数据等现代信息技术与农业深度跨界融合，实现农业生产全过程的信息感知、定量决策、智能控制、精准投入和个性化服务的全新农业生产方式[4-5]。

水分、阳光、温度、CO2浓度、土壤养分等是设施内影响植物生长的重要因素[6]。一般来说，对棚内环境参数的管理，必须结合作物种类、生长周期等不同而有所改变[7]。同时，棚内空间较大，要想准确地采集到大棚内果蔬生长的环境参数，需在空间范围内合理布置物联网感知层重要设备传感器，并且每个节点处实现多环境参数采集，将采集到的数据实时传输到系统，从而实现对棚内环境的动态感知。

1 系统总设计

本系统分为三个部分，分别是动态数据感知模块、后台数据处理与分析模块、智能决策模块。动态监测模块将获得的数据传输给路由器，4G路由器将获得的数据传输到云端和手机端。后台数据处理与分析模块对获得的实时动态数据进行分析，得出符合大棚果蔬生长的精确化环境参数，并将此环境参数作为智能决策模块的参数阈值。同时，初步强化计算机识别草莓伤痕和病害的能力，实现智慧农业大棚智能化管理（见图1）。

智慧农业大棚动态监测与决策系统分为三个部分。

1.1 动态数据感知

实时收集土壤温湿度、土壤养分、空气温湿度、光照强度、CO2浓度等设施内农作物生长环境参数，为数据处理模块提供实时数据。通过摄像头实时画面确定农作物生长状态，实现全方位、高精度的动态监测。

1.2 数据分析

系统接收大量的实时动态数据，将数据可视化，分析每一种参数对农作物生长的影响，得出精确的、适合农作物生长的环境参数，为后面决策阈值做准备。通过Python软件对获得的实时图像进行灰度处理，将农作物生长状况放大，对农作物的生长情况做出精准的分析与判断。

1.3 智能决策

数据分析模块在发现环境异常时将给出报警提示。此时，可以启动串口来控制外置设备，如雾化设备、遮阳设备、喷灌设备等。

2 动态数据监测模块设计

动态监测模块硬件部分主要包括传感器、工业4G路由器USR-806、网络控制器ZZ-IO444及一些辅助设备;软件部分主要是由智慧云平台以及微信小程序组成。传感器负责采集环境参数，数据上传设备通过基站上传数据包，平台解析数据包用来展示数据。

2.1 传感器硬件部分设计

本系统动态监测模块硬件部分采用的设备包括LTE路由器、土壤温湿度传感器、百叶箱式集成传感器、土壤pH值传感器、页面温湿度传感器、光合有效辐射传感器、摄像机等。

通过对大棚设施内空气温湿度、CO2浓度、光照强度等环境参数的监测分析，发现在小范围内的空气温湿度、CO2浓度、光照强度等环境参数随着时间变化而变化[7]。因此，从绿色环保的角度出发，在每个大棚内只需要摆放一台设备即可。

棚内植物叶面湿度的大小对植物叶片的生长是十分重要的。以往的研究者常常对空气的温度和湿度进行监测，忽略了对叶面温湿度的监测，而叶面温湿度是更能反映叶面真实生长情况的指标。本系统为解决这一问题，增加了叶面温湿度传感器。通过对叶面的温度、湿度进行精准测量，实现了对植物叶片生长环境的精准检测，达到预防病虫害的目的。

测量土壤温湿度、土壤pH值所用的传感器是插针式土壤温湿度、电导率、pH一体化传感器，该传感器可同时测量土壤温度、土壤湿度和土壤电导率;通过测量土壤的介电常数，能直接稳定地反映各种土壤的真实水分含量。土壤水分传感器可测量土壤水分的体积百分比，是符合目前国际标准的土壤水分测量方法。由于土壤环境多样，选择多个传感器共同测量不同地块的土壤pH值。

光合作用是植物在光照射下通过叶绿素吸收光能，在植物体内将CO2和水合成碳水化合物放出氧气的过程，是植物成长过程中不可或缺的一部分[8]。因此，本系统选取光合有效辐射传感器ZZ-LRS-PAR-485-A来监测植物的光合有效情况。

2.2 通信组网设计

大棚属于室外环境，环境差异较大，因此，本系统对不同的环境设计了两种通信方式。第一种方式是以太网模式，第二种方式是以物联网卡为基础的无线方式。以太网模式适用于距离居住区较近的大棚环境，由于系统搭载的网络传输摄像头数据量较大，从减小成本的角度，有线网的成本会比第二种方式物聯网卡的成本低。而物联网卡在野外插卡即用，方便快捷，应用范围广，可满足一些特殊环境的需求，对于远离居住区的野外大棚是一种很好的选择。

以太网组网模式选用的硬件设备是ZZ-IO444网络控制器，该网络控制器是一款结合网络IO功能、继电器输出控制设备。能够将传感器采集的数据实时传输到系统平台和微信小程序。

物联网卡入网方式，快捷简单，方便使用。其主要的硬件有USR-G806路由器、IO404继电器控制卡。USR-G806是一款4G无线路器，提供了一种通过WIFI或是网口接入4G网络的解决方案。该设备高性能嵌入式 CPU，工作频率高达580 MHz，可为智能电网、智能家居等数据传输领域提供可靠性的数据传输组网。

该组网方式同时拥有两个可以连接到广域网的接口（以太网口的WAN口和M2M网络的4G口），两路通道形成互补及备份，同时接上后优先使用以太网口的WAN口以保证数据的流畅，也节省4G的流量。当WAN口出现异常不能连接到广域网时，路由器又可以通过4G网口联通服务器，从而保证了数据的完整、可靠、稳定。组网方式如图2所示。

3 数据分析模块

本系统的数据分析部分包括Labview数据分析部分、NI VISION视觉处理部分、Python环境因素分析部分。Labview数据分析设计程序模组（与相对应的硬件设备对接）实现对草莓大棚的温度、土壤湿度、pH、CO2浓度等数据的实时检测与达到阈值的报警。提出和实施对应的解决方案，使得大棚生态相对稳定，运用Data Dashboard软件与电脑端连接，实现手机与电脑端互通数据，方便使用者随时随地观测数据，及时发现并处理出现的问题[9]。NI VISION部分实现了对草莓大棚植株的图像采集和病虫害分析，确保植株生长的每个时期处在相对健康的状态。Python部分程序设计实现了对具体问题具体分析的目标，通过每年/每天测量的大量数据和生长产出，进行数据筛选与集合，得出最佳的生长环境，有助于草莓大棚植株的最大化量产。

3.1 Labview部分

主程序基于Labview开发，Labview共分为两个面板：前面板和后面板。前面板用于操作和显示数据，后面板为内置程序设计与控件设计。后面板包括温度区块、大气压区块、CO2区块、pH检测区块，来显示作物生长环境的实时变化[10]。温度区块采用图表加温度计显示的方式来展示数据，写入模块实现历史数据的存储，算法方面采用数据与输入控件数值比较判断显示灯闪烁，添加了两个控制柄来防止温度异常。大气压区块和CO2区块采用相同的方法，一是显示实时数据（大气压表和CO2图表），二是历史数据记录。对于pH值检测区块，为了准确定位，采用分地区处理，将一个地域分为三个地区，一号地、二号地和三号地。分别检测三个地块的pH，读取的数据采用草莓样本比较（pH5～8为正常），过大或过小指示灯都会闪烁。总体设置6 000 ms的延时，保证数据稳定输入，另外本系统还设计了串口模块，用于连接大棚设备，实现虚拟数据与实际数据的区分和比较。

前面板设计了写入程序、控制柄、温度、pH等判断控件。运行文件把数据存储点依次连接，设置草莓为样本的温度阈值25 ℃，pH阈值5～8，然后开始运行，可以看到当温度超过阈值时，指示灯会闪烁，温度计会显示温度和图表，并记录数据。温度异常时使用控制柄，通过加热和喷洒清水来维持温度正常，大气压表和CO2图表也会有同样的显示与记录。为了准确定位pH异常的地区，将地域分为三块，这样能及时做出准确判断、处理。

最后，通过对网页板块的设计，整个程序不形成程序闭环，依靠互联网知识面广的优点，权衡利弊。点击网址就可以进入物联网平台，输入所给账号、密码，在数据中心可以看到空气温湿度、土壤温湿度、土壤pH、光照强度等环境条件的实时信息。

3.2 NI VISION部分

本程序是基于Labview的视觉与运动模块，对原始草莓的图像进行初步处理，使草莓的病害更为清晰，且易于被机器识别[11-12]。

在实际图像处理中，NI VISION中含有很多图像颜色模型，例如，RGB、HIS、HSL、HSV等[13-14]。不同的颜色模型即指不同的三维颜色空间的可见光子集。例如，RGB颜色模型是在单位立方体空间内的颜色合集，RGB分别表示红绿蓝三原色;HSL颜色模型则是用圆锥来描述，HIS分别表示色调、饱和度、亮度。不同的颜色模型之间可以互相转化[15]。

该程序首先将由摄像头拍摄的RGB图像转换为HSL、HSV图像，如图3、图4所示。

由图3和图4可知，转换为HSV格式的黑白对比度明显高于HSL格式，伤痕和病理位置区分也更加明显。由于程序会改变图片的亮度、对比度、Gamma值，使得图片更容易被机器或者管理人员识别。图像亮度是图像给人的一种直观感受，如果是灰度图像，则与灰度值有关，灰度值越高则图像越亮。图象对比度是一副图像中各种不同颜色最亮处和最暗处之间的差别，差别越大对比度越高，与分辨率没有很大关系，只与最暗和最亮有关，图像对比度越高给人的感觉就越刺眼，更加鲜亮突出;越低則给人感觉变化不明显，反差就越小。这个概念只在给定的图像中，与图像中颜色亮度的变化有关[16-17]。

3.3 Python部分

3.3.1 需求分析。用户在草莓种植过程中，会遇到不少问题。通过传感器采集的数据可以来实时监控草莓生产情况，并及时解决可能出现的意外情况。但是，用户对于环境因素与草莓最终品质之间的关系不清晰。以往用户只能凭借经验来改善种植技术，不仅费时而且效率低下。因此，用户迫切需要一个能够帮助其探究草莓品质与环境因素联系的功能。

3.3.2 系统功能分析。用户需要探究的是草莓品质与环境因素的联系，因此该系统需要具备以下功能。第一，能够收集草莓从发芽到成熟整个过程的环境数据;第二，能够通过离散数据拟合出草莓品质与环境因素的函数;第三，能够对不良数据进行分析，并弄清具体是哪个环境因素的影响和影响值的多少。

3.3.3 具体实现。本程序是通过多元线性拟合算法，分析草莓生长的5个影响参数对草莓最终品质的影响（草莓品质以百分制来体现，例如，100草莓品质最佳）。

根据草莓的记录进行人工评分，且数据需要保证尽可能多和准确，需要把这样的数据成为样本数据，通过这些样本数据进行多元线性拟合[18-19]，最终得到如公式（1）的草莓评级函数。

[a0+a1x1+a2x2+…+anxn]    （1）

得到函数后，需要对采集到的大量草莓记录放入模型中，得出在该记录下的草莓评级，需要先将数据以数组的形式存储，在完成草莓评级后对数据进行分析。首先求出在所有记录下草莓评级的平均值，标记低于平均值的参数，同时，求出记录下每个因素的超标量（或多于平均值或少于平均值），然后乘以对应的权值（权值不固定，通过算法拟合后生成），最终得到每个因素的超标量，有的可能超标过多，有的可能超标一点点（在Excel表上乘以100%）。这样用户就可以清晰地了解是什么影响了草莓的评级，处理后数据如表1所示。

3.3.4 算法特点。分析过程并不会具体给出评级公式，这种评级公式根据具体的样本数据得出，并且可以加入机器学习的方法进行训练得到精度更高的模型。

算法是一个学习型算法，用户可以通过本算法计算出今年的评级结果，然后摘选出准确度高的记录，并将其当作样本数据，这样就可以对模型进行更新优化，然后第二年可以得到更好的结果。

算法可以让用户预测草莓的最终评级，用户可以手动输入实际的环境因素值，然后模型将给出预测评级，那么用户可以根据想要的结果来调整环境的布置以及技术。

4 智能决策模块

当空气温湿度、土壤盐分、土壤温湿度等环境参数不在草莓生长的阈值范围内，继电器可以打开相应的排风、遮阳、喷灌、水肥等命令。本系统所使用的4路继电器，既能将传感器数据通过基站上传至平台，又能实现继电器功能，采取相应的解决措施，如采用雾化降温装置、遮阳装置、浇灌设备、水肥系统等。

智能决策模块作为本系统的最后一个环节，作为环境监测模块的一个反馈，是整个系统一个不可缺少的部分。目前系统决策模块尚不完善，控制方法有待提高。为了进一步提高智慧农业的智能化程度，必须使用更加先进的控制算法或原理。

5 结语

本文实现了对农业大棚设施内的环境参数的实时动态监测、实时传输，并且对草莓大棚做了详细的数据分析，通过对3块地对比试验得出符合草莓生长的最佳生存环境。虽然系统经过了实测，但经验并不丰富，智能决策模块并不完善，对于实时动态监测模块得到的环境数据，不能够作为实现自动化的反馈措施，仍需要人工进行简单手动操作，如自动识别病虫害后自动喷洒农药;温度、CO2浓度等检测异常后做出报警但不执行喷洒清水降温、施肥等操作仍需要人工确认。

参考文献：

[1] 申格，吴文斌，史云，等.我国智慧农业研究和应用最新进展分析[J].中国农业信息，2018（2）：1-14.

[2] 王杰华，洪丽芳，许锦丽，等.基于物联网的智慧农业管理系统设计[J].湖北农业科学，2021（10）：133-136.

[3] 王保云.物联网技术研究综述[J].电子测量与仪器学报，2009（12）：1-7.

[4] 张洲.基于物联网的智慧农业系统设计及实现[D].成都：电子科技大学，2019.

[5] 何东健.基于物联网的农业信息感知智能服务研究与实践[R].咸阳：西北农林科技大学，2018.

[6] 王文斌，高占峰.影响蔬菜生长的气象因子分析[J].安徽农业科学，201（35）：17202-17203，17211.

[7] 马光恕，廉华.设施内环境要素的变化规律及对蔬菜生长发育的影响[J].黑龙江八一农垦大学学报，2002（3）：16-20.

[8] 劉庆.不同光周期及光质对草莓生理特性及品质的影响[D].泰安：山东农业大学，2015.

[9] 陈福彬，柴海莉，高晶敏.基于LabVIEW的自动化测试平台的设计[J].国外电子测量技术，2012（11）：9-14.

[10] 赵敏.基于LabVIEW的运动控制系统的软件设计[D].太原：中北大学，2014.

[11] 杨忠仁，饶程，邹建，等.基于LabVIEW数据采集系统[J].重庆大学学报（自然科学版），2004（2）：32-35.

[12] 贾昊，张烨，崔忠政，等.基于NI Vision机器视觉技术的应用[J].电子测试，2018（21）：28-29，39.

[13] 牛冲，牛昱光，李寒，等.基于图像灰度直方图特征的草莓病虫害识别[J].江苏农业科学，2017（4）：169-172.

[14] 刘晶，郑书恒，张涛，等.北京地区设施草莓主要病虫害发生现状调查与防控建议[J].中国植保导刊，2015（10）：35-37，60.

[15] 杨晋丹，杨涛，苗腾，等.基于卷积神经网络的草莓叶部白粉病病害识别[J].江苏农业学报，2018（3）：527-532.

[16] 牛冲.基于图像处理的草莓病害识别方法研究[D].太原：太原理工大学，2016.

[17] 苏博妮，化希耀.基于机器视觉的草莓图像处理研究[J].首都师范大学学报（自然科学版），2018（4）：42-45.

[18] 龚红菊.基于分形理论及图像纹理分析的水稻产量预测方法研究[D].南京：南京农业大学，2008.

[19] 邵秀凤，李利.基于最小二乘法曲线拟合的油井产量预测[J].微型电脑应用，2009（12）：13-14，76.