前向模糊推理的菇房異常環(huán)境預警系統(tǒng)*

董　靜， 王君君， 陳天恩

(1.中國農(nóng)業(yè)大學 信息與電氣工程學院,北京 100083;2.國家農(nóng)業(yè)信息化工程技術研究中心，北京 100097)

?

前向模糊推理的菇房異常環(huán)境預警系統(tǒng)*

董靜1， 王君君2， 陳天恩2

(1.中國農(nóng)業(yè)大學 信息與電氣工程學院,北京 100083;2.國家農(nóng)業(yè)信息化工程技術研究中心，北京 100097)

為了提高食用菌菇房環(huán)境監(jiān)測水平，降低菇房異常環(huán)境發(fā)生造成的食用菌生產(chǎn)損失，拋棄了常用的閾值方法判斷菇房異常環(huán)境，提出一種基于前向模糊推理的菇房異常環(huán)境推理方法，該方法首先通過物聯(lián)網(wǎng)技術對菇房環(huán)境進行實時數(shù)據(jù)采集，通過數(shù)據(jù)預處理方法去除原始感知數(shù)據(jù)中的異常值，采用加權平均法的數(shù)據(jù)融合技術融合同一菇房內(nèi)多傳感器數(shù)據(jù)，通過前向模糊推理方法對菇房異常環(huán)境進行推理。最終設計和實現(xiàn)了菇房異常環(huán)境預警系統(tǒng)，該系統(tǒng)采用B/S的系統(tǒng)架構，可方便用戶隨時隨地查看菇房環(huán)境情況，接收異常環(huán)境預警信息。系統(tǒng)在經(jīng)過一段時間的測試運行后，證明系統(tǒng)采用前向模糊推理方法可準確推斷出菇房異常環(huán)境的發(fā)生，同時有效減少誤發(fā)預警信息次數(shù)。

菇房; 遠程監(jiān)測; 前向模糊推理

0　引　言

自20世紀90年代以來，我國的食用菌產(chǎn)業(yè)得到了迅猛發(fā)展，成為世界上最大的食用菌生產(chǎn)國和出口國，而且食用菌生產(chǎn)產(chǎn)值位居我國種植業(yè)產(chǎn)值第六位，產(chǎn)品出口到世界上119個國家和地區(qū)。但目前，我國的食用菌生產(chǎn)仍是以傳統(tǒng)的家庭生產(chǎn)為主，在對食用菌生長起重要作用的菇房環(huán)境監(jiān)控方面，仍是以人工測量為主，這不僅造成了人力資源的巨大浪費，而且實時性差，使得生產(chǎn)者不能及時掌握菇房異常環(huán)境的發(fā)生，給食用菌生產(chǎn)帶來損失[1，2]。快速準確采集菇房內(nèi)關鍵環(huán)境因子，實現(xiàn)對菇房環(huán)境的24 h實時監(jiān)控，并且能準確推斷出菇房異常環(huán)境并及時通知食用菌生產(chǎn)者，是幫助食用菌生產(chǎn)者提高食用菌產(chǎn)量，避免食用菌生產(chǎn)損失發(fā)生的重要方法。

在對菇房環(huán)境監(jiān)控方面，國內(nèi)已經(jīng)有了一些研究[3～5]。但這些研究著重點在于對菇房環(huán)境進行監(jiān)控，而對于菇房異常環(huán)境則采用簡單的閾值方法進行判斷，造成系統(tǒng)對于菇房異常環(huán)境判斷的誤差較大。因此，需要采用新的技術和方法，設計和實現(xiàn)菇房環(huán)境的實時監(jiān)控和異常環(huán)境推理的系統(tǒng)。

物聯(lián)網(wǎng)(the Internet of things,IoT)是近些年來得到快速發(fā)展的新一代信息技術，它通過互聯(lián)網(wǎng)將物(設備)與物(設備)連接在一起，進行信息傳輸和交換，并結合數(shù)據(jù)挖掘和分析對數(shù)據(jù)信息處理，實現(xiàn)對物體的識別、監(jiān)控和管理[6]。而農(nóng)業(yè)是物聯(lián)網(wǎng)的一個重要應用領域，已經(jīng)有了大量的物聯(lián)網(wǎng)應用。這些應用證明了物聯(lián)網(wǎng)技術可以實現(xiàn)對農(nóng)業(yè)生產(chǎn)的監(jiān)控和管理[7,8]。因此，本文將利用物聯(lián)網(wǎng)技術對菇房環(huán)境進行實時數(shù)據(jù)采集和監(jiān)控，并采用前向模糊推理方法對菇房異常環(huán)境進行推理，對于異常環(huán)境的發(fā)生將通過短信等方式通知食用菌生產(chǎn)者，從而幫助食用菌生產(chǎn)者實時掌握菇房環(huán)境情況，避免菇房異常環(huán)境發(fā)生造成的損失。

1　系統(tǒng)設計

食用菌菇房異常環(huán)境預警系統(tǒng)主要通過實時采集菇房內(nèi)的關鍵環(huán)境參數(shù)，上傳至后臺服務器進行數(shù)據(jù)預處理和異常環(huán)境的推理，實現(xiàn)對菇房環(huán)境的實時監(jiān)控、異常環(huán)境的預警。

1.1系統(tǒng)總體設計

系統(tǒng)主要由數(shù)據(jù)采集、數(shù)據(jù)處理和異常環(huán)境推理三部分組成。其中，數(shù)據(jù)采集主要通過在菇房內(nèi)部署傳感器設備，采集對食用菌生長起主要作用的環(huán)境因子(如光照強度、空氣溫度、空氣相對濕度、CO2濃度等)；采集后的數(shù)據(jù)由網(wǎng)關節(jié)點通過3G網(wǎng)絡或有線方式發(fā)送給后臺服務器進行數(shù)據(jù)處理；數(shù)據(jù)處理將去除原始感知數(shù)據(jù)中的異常值、重復值，并對多傳感器數(shù)據(jù)進行數(shù)據(jù)融合，使得菇房感知數(shù)據(jù)可靠可用；處理后的數(shù)據(jù)，一方面存入數(shù)據(jù)庫中供歷史數(shù)據(jù)查詢和數(shù)據(jù)統(tǒng)計分析使用；另一方面進入異常環(huán)境推理模塊進行異常環(huán)境判斷，在菇房發(fā)生異常環(huán)境的情況下，發(fā)送預警信息給生產(chǎn)者。系統(tǒng)架構如圖1所示。

圖1　系統(tǒng)總體架構圖

1.2系統(tǒng)主要功能結構

系統(tǒng)功能結構如圖2所示。

圖2　系統(tǒng)總體功能示意圖

1.2.1實時數(shù)據(jù)監(jiān)控

實時數(shù)據(jù)監(jiān)控由實時環(huán)境數(shù)據(jù)監(jiān)控和異常環(huán)境推理兩部分構成。用戶在瀏覽器端可查看各菇房的實時環(huán)境數(shù)據(jù)、24 h環(huán)境數(shù)據(jù)變化曲線和各控制設備的狀態(tài)。系統(tǒng)可根據(jù)各菇房實時環(huán)境數(shù)據(jù)和推理規(guī)則進行異常環(huán)境推理，如果發(fā)生異常環(huán)境，系統(tǒng)會及時通知生產(chǎn)者，讓生產(chǎn)者能夠及時調(diào)整控制設備狀態(tài)，使得菇房處于食用菌生長的最佳環(huán)境下。

1.2.2推理規(guī)則維護

推理規(guī)則是實時環(huán)境預警的核心部分。其中，推理規(guī)則分為異常環(huán)境推理和病害推理。可以根據(jù)食用菌生長特點將環(huán)境分為最佳生長環(huán)境、適宜生長環(huán)境、不適宜生長環(huán)境和異常環(huán)境等不同等級，每個環(huán)境等級將根據(jù)不同的食用菌種類確定邊界閾值。系統(tǒng)在第一次部署時，可在遠程服務器上下載已經(jīng)配置好的推理規(guī)則，并根據(jù)自己的實際生產(chǎn)調(diào)整推理規(guī)則。同時，用戶也可以新建推理規(guī)則，并將推理規(guī)則上傳到遠程服務器中。

2　系統(tǒng)實現(xiàn)與應用

2.1無線傳感器網(wǎng)絡的數(shù)據(jù)采集

在本系統(tǒng)中硬件設備采用了北京農(nóng)業(yè)信息技術研究中心研制的菇房環(huán)境數(shù)據(jù)采集設備。該設備根據(jù)食用菌生長過程中溫度、空氣相對濕度、CO2濃度和光照強度是起主要作用的環(huán)境因子，選擇搭載了SHT10/11溫濕度一體化傳感器；MG811CO2濃度傳感器；QY—150A光照強度傳感器。同時該設備搭載了CC2530的ZigBee通信模塊，可以組成無線傳感器網(wǎng)絡。匯聚節(jié)點和網(wǎng)關節(jié)點之間通信采用ZigBee方式，網(wǎng)關和遠程服務器之間通信可以采用3G無線方式或者有線方式。

2.2菇房原始感知數(shù)據(jù)處理

首先,多點采集菇房環(huán)境數(shù)據(jù)獲得菇房環(huán)境分布情況；其次,采用分布圖法去除菇房原始環(huán)境數(shù)據(jù)中的奇異數(shù)據(jù)使得環(huán)境數(shù)據(jù)可用可靠；最后,通過傳感器數(shù)據(jù)融合技術獲得菇房整體環(huán)境數(shù)據(jù)。

2.2.1分布圖法去除異常數(shù)據(jù)

因傳感器設備、通信網(wǎng)絡和其它原因，會使得傳感器上傳的原始數(shù)據(jù)中存在異常數(shù)據(jù)和缺失數(shù)據(jù)，需要去除奇異數(shù)據(jù)和補齊缺失數(shù)據(jù)[9]。

以溫度數(shù)據(jù)為例，設某一時間段內(nèi)服務器接收到且經(jīng)過排序后的數(shù)據(jù)序列為x1,x2,x3,…,xn其中，x1為下極限，xn為上極限，定義中位數(shù)為

(1)

定義上四分位數(shù)Fu為區(qū)間[xm,xn]的中位數(shù)，下四位數(shù)Fi為區(qū)間[x1,xm]的中位數(shù)。分布圖的離散度DF為DF=Fu-Fi。有效數(shù)據(jù)判斷區(qū)間為

|xi-xm|<βDF

(2)

式中β為常數(shù)，根據(jù)菇房內(nèi)傳感器測量精度而定。β取1.5，能夠有效去除數(shù)據(jù)序列中的奇異數(shù)據(jù)。在去除了奇異數(shù)據(jù)后，對于數(shù)據(jù)序列中的缺失數(shù)據(jù)，將采用兩點插值法進行補缺。

2.2.2傳感器數(shù)據(jù)的融合

處理后的環(huán)境數(shù)據(jù)已能正確反映出菇房內(nèi)的環(huán)境分布情況，但系統(tǒng)中菇房是基本單位，生產(chǎn)者需要知道菇房的整體環(huán)境數(shù)據(jù)，因此,需要融合同一菇房內(nèi)多個傳感器數(shù)據(jù)。

(3)

(4)

(5)

(6)

式中αi,βi,λi均為加權系數(shù)，而加權系數(shù)采用自適應加權算法進行確定。

2.3食用菌異常生長環(huán)境預警

食用菌侵染性病害的發(fā)生往往與菇房環(huán)境數(shù)據(jù)的異常有關[10]。例如:杏鮑菇子實體處于高溫、高濕、通風性不良的環(huán)境中容易受到細菌類假單胞桿菌的侵染發(fā)生黃腐病。因此，在菇房環(huán)境數(shù)據(jù)實時監(jiān)測過程中，需要知道菇房的異常環(huán)境的發(fā)生，并且推斷出可能導致的后果和引發(fā)的病害，及時發(fā)送預警信息和對應的解決措施給生產(chǎn)者。本系統(tǒng)拋棄了常用的閾值判斷法，而采用了菇房環(huán)境信息與食用菌生長信息相結合的前向模糊推理方法進行異常環(huán)境的判斷。

以杏鮑菇為例，杏鮑菇子實體可生長的溫度在10～21 ℃下，其中，最適生長溫度在16～17 ℃；可生長的CO2濃度在1 200×10-6左右；可生長的空氣濕度為80 %～90 %RH。因此，系統(tǒng)選擇將溫度(t)劃分為5個模糊等級，分別為過低(GD)、偏低(PD)、適中(SZ)、偏高(PG)、過高(GG)；空氣相對濕度(RH)和CO2濃度(c) 則劃分為3個模糊等級，分別為偏低(PD)、適中(SZ)、偏高(PG)。

系統(tǒng)采用常見的IF-THEN格式的產(chǎn)生式規(guī)則進行知識表示。一條規(guī)則由規(guī)則前件和規(guī)則后件組成。在本系統(tǒng)中，前件是環(huán)境數(shù)據(jù)的組合，即溫度、空氣相對濕度和CO2濃度組成，后件部分則是異常環(huán)境的發(fā)生情況和可能發(fā)生的病害信息。部分推理規(guī)則如下：

IFtisSZANDhisSZANDcisSZThen菇房環(huán)境良好，處于適宜生長階段；

IFtisSZANDhisPGANDcisSZThen溫室濕度過大，處于不適宜生長環(huán)境，可能致使幼菇枯萎；

IFtisGGANDhisPGANDcisPGThen菇房處于異常環(huán)境，杏鮑菇可能發(fā)生黃腐病。

食用菌異常環(huán)境預警過程如圖3所示。

圖3　環(huán)境預警過程

當預警模塊推斷出當前菇房環(huán)境處于食用菌生長的異常環(huán)境下，會通過短信接口向菇房生產(chǎn)負責人發(fā)送警報信息。

2.4系統(tǒng)測試環(huán)境

系統(tǒng)在北京農(nóng)科院內(nèi)食用菌生產(chǎn)實驗菇房內(nèi)進行測試。該菇房面積大約為300 m2，有3個排風扇、1個水簾、1套加熱設備和1套加濕噴霧設備。在菇房內(nèi)每隔50 m位置部署一套數(shù)據(jù)采集設備。系統(tǒng)初始化時設置每隔1 min采集上傳一次數(shù)據(jù)。系統(tǒng)部署時，該菇房中栽植杏鮑菇，且正處于子實體生長階段。

2.5系統(tǒng)運行結果和分析

系統(tǒng)在第一次部署時要進行系統(tǒng)設置，初始化控制設備信息、環(huán)境采集設備信息和溫室基礎信息，以及環(huán)境預警中所需要用到的食用菌菇房異常環(huán)境推理規(guī)則的設置。當在菇房內(nèi)部署好無線傳感器網(wǎng)絡后，采集到菇房環(huán)境數(shù)據(jù)后，即可進行24 h菇房環(huán)境實時監(jiān)控和異常環(huán)境的推理。

圖4是系統(tǒng)部署一個月內(nèi)，分別采用閾值方法和前向模糊預警法對菇房內(nèi)異常環(huán)境進行判斷并發(fā)出預警信息的次數(shù)。從圖4中可以看出，采用前向模糊推理法發(fā)出的異常環(huán)境預警次數(shù)明顯比閾值法要低。

圖4　系統(tǒng)發(fā)出環(huán)境異常預警次數(shù)

圖5是系統(tǒng)發(fā)出預警信息后，通過實際判斷得出的誤預警發(fā)生次數(shù)。從圖5中可以看出，采用前向模糊推理方法發(fā)出的誤差次數(shù)要低于閾值法。綜合圖4和圖5中的數(shù)據(jù)可得出，采用前向模糊推理法發(fā)出的有效預警次數(shù)要多于閾值法發(fā)出的預警次數(shù)。

圖5　誤預警次數(shù)

在菇房中食用菌處于子實體生長階段，需要高濕恒溫的生長環(huán)境，子實體由于呼吸作用引起溫度和CO2濃度的升高，采用閾值法判斷無法解決各環(huán)境因子相互耦合的問題，導致系統(tǒng)發(fā)出的預警次數(shù)較多且誤發(fā)預警也比較次數(shù)多。采用前向模糊推理方法可根據(jù)食用菌各生長階段的實際情況設置不同的推理規(guī)則，解決環(huán)境因子間的耦合關系，可準確推斷出菇房異常環(huán)境的發(fā)生，并給出相應的處理意

見。

3　結　論

本文開發(fā)的菇房異常環(huán)境推理系統(tǒng)，在實現(xiàn)菇房環(huán)境實時監(jiān)控的基礎之上，提出基于前向模糊推理方法的菇房異常環(huán)境的推理方法。通過系統(tǒng)測試表明:對菇房原始感知數(shù)據(jù)進行預處理，去除異常數(shù)據(jù)和補齊缺少數(shù)據(jù)，使得采集的菇房環(huán)境數(shù)據(jù)更加可靠；采用數(shù)據(jù)融合技術融合多傳感器數(shù)據(jù)，使得菇房環(huán)境有完整統(tǒng)一的表示，同時采用前向模糊推理方法提高了系統(tǒng)對于異常環(huán)境推理的準確性。但系統(tǒng)仍需在實際使用過程中，逐步完善和擴展前向模糊推理規(guī)則，提高系統(tǒng)的適用性。

[1]張俊飚,李鵬.我國食用菌新興產(chǎn)業(yè)發(fā)展的戰(zhàn)略思考與對策建議[J].華中農(nóng)業(yè)大學學報：社會科學版,2014(5):1-7.

[2]于海龍,郭倩,楊娟,等.環(huán)境因子對食用菌生長發(fā)育影響的研究進展[J].上海農(nóng)業(yè)學報,2009(3):100-104.

[3]萬軍,趙不賄,景亮,等.基于ZigBee技術的食用菌工廠監(jiān)控系統(tǒng)設計[J].計算機測量與控制,2013(5):1208-1210,1222.

[4]劉華,李曉靜,張侃諭,等.基于CAN總線的食用菌菇房智能控制系統(tǒng)的開發(fā)[J].計算機測量與控制,2010(5):1070-1072.

[5]彭鎮(zhèn),景亮,陸繼遠,等.基于OPC技術的食用菌工廠化生產(chǎn)遠程監(jiān)控系統(tǒng)[J].現(xiàn)代科學儀器,2013(3):83-86.

[6]葛文杰,趙春江.農(nóng)業(yè)物聯(lián)網(wǎng)研究與應用現(xiàn)狀及發(fā)展對策研究[J].農(nóng)業(yè)機械學報,2014(7):222-230.

[7]王希杰.基于物聯(lián)網(wǎng)技術的生態(tài)環(huán)境監(jiān)測應用研究[J].傳感器與微系統(tǒng),2011,30(7):149-152.

[8]夏于,孫忠富,杜克明,等.基于物聯(lián)網(wǎng)的小麥苗情診斷管理系統(tǒng)設計與實現(xiàn)[J].農(nóng)業(yè)工程學報,2013(5):117-124.

[9]張軍,楊子晨.多傳感器數(shù)據(jù)采集系統(tǒng)中的數(shù)據(jù)融合研究[J].傳感器與微系統(tǒng),2014,33(3):52-54,57.

[10] 胡清秀,宋金娣,管道平.食用菌病蟲害危害分析與防治關鍵控制點[J].中國農(nóng)學通報,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

國家科技支撐計劃課題資助項目(2013BAD15B05);北京市農(nóng)林科學院科技創(chuàng)新能力建設專項項目(KJCX2014041)

S24

A

1000—9787(2016)09—0085—04

董靜(1982-)，男，河南安陽人，博士研究生，助理研究員，研究方向為農(nóng)業(yè)信息化。