农业物联网传感节点的数据检测问题及数据异常检测方法探讨

摘要：为了确保农业生产环境监测的准确性，检测作物的生长状况、科学指导作物生长、实时监控传感器节点、及时发现异常信息、改善整个农业物联网的正常运行很有必要。基于此，本文基于物联网节点检测原理，分析农业物联网传感节点数据检测问题，并提出数据异常检测方法，利用特征模糊聚类概率搜索方法检测节点的异常，并建立相应的数学模型，计算节点数据与异常数据的相关概率，利用度量准则进行比较，判断该节点数据是否有异常，以供参考。

关键词：农业物联网；数据检测；数据异常

一、农业物联网传感节点数据检测

（一） 农业物联网数据应用

当前，在农业生产领域尽管利用信息化手段进行机械化生产，但实际操作层面上的智能化水平并不高。利用物联网不仅可以提高农业数据的处理能力，还可以提升应用平台的技术水平。例如，利用物联网技术实现温室内温度的控制，一方面，通过数据技术增强感温装置的作用；另一方面，根据数据分析温室内的气温、空气湿度和农作物生产周期，给出最优的方案，设定最优的温度范围，实现温度智能调整，更好地促进农作物生长。因此，在应用物联网的过程中，应更多地关注数据技术的应用，把数据技术与物联网相结合，使其更好地发挥作用，充分利用其在农业信息化建设中的作用。

（二）物联网节点检测原理

与互联网相比，物联网依赖于由传感器构成的传感网络。物联网传感器网络中的节点数据异常检测又称物联网传感器网络中的节点数据校验，通过与普通节点的数据比对，从而达到对节点数据的异常检测。基于此，传统的基于网络节点的特征抽取，必须从网络中抽取相同的特征进行检测，而在物联网线路中，由于传感器获取的信息具有较大的随机性和非线性，导致各传感器收集的数据存在一些差异，难以形成统一特征，难以有效描述异常节点，导致节点定位和判断不准确，从而造成物联网传感器网络中数据异常检测精度降低的问题。

针对常规方法存在的这些缺点，本文采用基于特征模糊聚类概率搜索的方法进行节点数据的异常识别。该方法克服了传统的基于节点单个样本特性的缺点，可以精准检测物联网传感器网络中的异常信息，为快速、完整地过滤掉异常信息提供了依据。

（三）特征模糊聚类概率检测

农业物联网中的异常节点的检测大多基于传感器获取的差异性信息，难以建立统一的传输模式。针对物联网传感器网络中的异常数据，首先要解决如何通过特征模糊聚类的方法实现。通过对该矩阵的降维，在该矩阵中选择待测节点的数据，获得与其相关的节点，从而筛选出异常数据的特征，并进行特征模糊聚类，提高异常数据的识别率。在对物联网传感器网络进行异常数据采集后，统计特征模糊聚类的概率，判断该数据是否为非正常数据。利用常规方法对传感器网络中的节点进行异常检测时，忽视节点与非正常数据的关联，导致检测的准确率不高，因此可以采用特征模糊聚类方法提高检测的准确性。

二、农业物联网传感节点的数据检测问题

（一）农业物联网数据检测功能

在构建农业物联网的基础架构后，针对特定的农业生产，必须设计相应的系统功能。农业物联网不仅要实现其基础功能，还要充分发挥在农业领域的优越性。总体而言，该系统的设计具有如下特点。

第一，实时环境监控。基础功能是利用各种传感器实时监控环境，包括温度、湿度、二氧化碳浓度、光照、土壤肥力、水分等，并将这些信息以图像、图表等方式显示在网络上，然后由服务平台进行数据分析和处理。

第二，远程监控，除了具备实时监控的作用外，还能对农户进行远程监控。农民只需通过手机或计算机登录该系统，通过移动网络以及提前设置的系统参数，智能化遥控大棚内的设施，并随时查看大棚的具体状况。

第三，对农业生产的预测和分析打破了以往农民凭经验进行农业生产的传统模式。通过大数据技术，可以分析作物的生长特性、生长周期、土壤肥力以及土壤干旱程度，从而确定作物的种植面积，并通过大数据进行预测，判断是否会影响作物的生长，从而进行调整。同时，农业物联网还应具有预警功能，可以提前设置作物的理想状态，当超过一定的限度后，系统会发出预警信号，提醒农民作出调整。

（二）农业物联网数据异常

通常情况下，传感器节点会处于较恶劣的环境中，长时间暴露在阳光、雨水环境下，会对传感器节点造成一定程度的破坏。由于传感器节点的损坏，数据会出现异常，因此，需要实时监控传感器网络并及时处理，确保整个网络的正常运转。在农业物联网中，传感器根据时间顺序，连续采集作物生长和环境指数，具有周期性、实时性和无限性的特点。受生产工艺、成本和网络等因素的制约，在采集数据时，难免会出现异常，导致数据质量大幅降低，难以保障物联网设备的智能化控制和高效的数据分析。因此，有效、实时地发现异常信息，是农业信息化管理和决策的关键。

（三）农业物联网信息采集平台

为了实现农业物联网的应用层和数据处理，要建立农田物联网信息采集平台，主要负责农田的小气候数据采集和大气总体气象数据收集，而小气象数据采集采用的是基于ZigBee技术和不同类型的传感器构建的无线传感器网络，包括大气温度、湿度、二氧化碳、土壤含水量和光照强度等，通过GPRS模块与PC互联网进行数据通讯，将采集到的数据上传到服务器。利用中国气象科学数据共享服务平台的API接口进行采集，利用API接口获取Json数据，利用JAVA语言分析获取实时天气数据，从Tomcat中抽取农业相关的气温、雨量、气压和湿度等信息，并上传服务器，以便进行历史、实时的数据查询以及后续的检测研究。

（四）异常农情数据在线监测框架

农业异常数据的在线监测框架如图1所示。在数据采样间隔、离散程度、周期特性的基础上，给出了滑窗尺度的计算方法，该算法首先对T段的数据进行规范化，然后根据数据的离散程度、采样间隔等因素，得出滑动窗口的大小。

（五）农田系统数据故障类型

在农业物联网系统中，当某个节点接收到信息时，会认为这一节点的功能出现了问题。异常值是收集到的数据与原来的数据不一致，在检测系统中，数据不会随着时间的推移而发生变化。数据的同质性是收集的数据很少发生变化，在这一测试系统中，是指数据保持在固定数值，例如，一天的气温在特定的温度范围内会上下浮动1℃。

三、农业物联网传感节点数据异常检测方法

（一）特征模糊聚类概率的计算

在对物联网传感器网络进行异常数据采集后，通过分析节点和异常数据的特征模糊聚类概率，判断该数据是否为非正常数据。利用常规方法对传感器网络中的节点进行异常检测时，忽视了节点与非正常数据的关联，导致检测的准确率不高，从而采用基于特征模糊聚类的方法提高检测的正确性。该方法根据节点的特征，可以划分为异常数据和结点数据。在判断物联网传感器网络中的节点数据为非正常数据时，必须计算特征模糊聚类概率。

在物联网中，传感器节点数据的异常识别是关键，它直接用于预测该特征的聚类概率，但预测精度不高，必须采用概率预测方法。利用传统的检测方法和特征模糊聚类概率法检测物联网中传感器节点的异常，当网络中的节点数量较多时，采用特征模糊聚类概率法进行检测的准确率越高，与传统检测方法相比的优势就越大，而节点的异常检测可以有效解决传统检测方法存在的高漏检率问题。

（二）基于统计学方法的数据异常检测方法

应用统计学方法首先给出了随机分布概率分布的数学模型，该模型分布可能为正态分布或泊松分布，在计算集合中，每个与模型数据相符的概率都会列出来，其中一些概率较小的出现异常。采用聚类技术对数据进行分类，通过聚类操作，在出现异常数据时，会发现某一簇或多簇的样本数据很少，且与其他簇之间存在较大差异，通常情况下，簇内的数据为异常。在这种情况下，距离检测技术必须先确定数据之间的距离，再计算数据之间的间隔，如果数据之间的间隔较近就是正常的数据，而一旦距离超出某一范围，就会被称之为“离群点”，但距离异常的检测时间更长。利用密度检测异常数据，是基于距离的方法，可以把各个点之间的间隔和数目综合起来，从而获得数据的密度。基于密度的异常检测技术能有效识别区域异常，但由于是基于距离的异常检测，所以计算量较大。

（三）基于时空相关性的数据异常检测方法

前期工作中，统计和分析了大量的历史数据，得到两个相邻样本之间的差值，即一个随机变量的平均和变化，为时间相关性的检测奠定了基础。通过K－means算法对各个检测节点进行空间聚类，可以改善相同聚类中节点的空间相似性，为检测提供依据。

在实时监控中，采用基于时间相关性和空间相关性的方法。该方法首先对当前的数据进行时间相关性检测，结果表明数据是正确的，将在下次采集到的数据中继续进行检测；当结果出现问题时，节点会向中心节点报告可疑信息，由中心节点进行空间相关性检测，如果检测结果为正常，则判定为错误；如果结果异常说明传感器的结点可能出现问题。时间相关性检测是对数据进行一级过滤，可以快速处理每条数据；空间相关性检测是一种二次过滤，能有效排除错误信息，提高算法的准确性。该方法简单、计算量小、由传感器节点本身实现分布式故障检测，无需与其他节点数据交换，可以降低网络的通讯费用；空间相关性检测要求集群中各个结点的数据都集中在一个中心节点上进行，相对于大量的常规数据，利用时间相关性进行检测可以发现，异常数据出现的可能性较低，不会产生过多的计算量。

四、结语

综上所述，本文主要研究物联网技术在现代农业中的应用，提出一种新的基于时空相关技术的网络节点故障诊断方法，该方法可以确保在高精度的情况下，快速检测故障传感器节点，其中，采用基于时间相关的方法，可以实现分布式运算，而且无需节点之间的通讯。

参考文献：

[1]林山驰，刘林，李相国.基于多信息融合的设施农业物联网系统设计[J].现代信息科技，2022，06（19）：136-141.

[2]王波.基于物联网的无线传感网络数据采集方法[J].内蒙古民族大学学报（自然科学版），2019，34（01）：9-14.

[3]王文，饶元，李绍稳，等.基于预测模型的异常农情数据在线检测方法的研究[J].湖南农业大学学报（自然科学版），2020，46（04）：495-500.

[4]谌颃，戴华珍，龚文静，等.智慧农业物联网控制系统设计与研究[J].信息记录材料，2022，23（04）：195-197.

[5]彭旭，饶元，乔焰.基于宽度卷积神经网络的异常农情数据检测方法[J].华南农业大学学报，2022，43（02）：113-121.

[6]黄华.物联网中传感节点数据异常检测方法研究[J].计算机仿真，2012，29（05）：159-162.

[7]金鹏，夏晓峰，乔焰，等.基于深度信念网络的高维传感器数据异常检测算法[J].传感技术学报，2019，32（06）：892-901.

[8]段青玲，肖晓琰，刘怡然，等.基于SW-SVR的畜禽养殖物联网异常数据实时检测方法[J].农业机械学报，2017，48（08）：159-165.

[9]李汀.基于区块链的工业物联网节点行为数据分析与追踪模型研究[D].重庆：重庆邮电大学，2020.

作者简介：王飞鸿（1999），男，浙江省温州市人，硕士研究生，主要研究方向为智慧农业物联网数据异常检测、智慧城市物联网异常检测，邮箱：2281777777@qq.com。