基于LoRa的溫室智能補光系統研制

李晉蒲 曹瑞紅 趙建貴 高安琪 韋玉翡 李志偉

摘要： 由于天氣的影響，溫室作物面臨著光照不足、時間短且不均勻的問題，針對此現象研制了溫室智能補光系統。該系統包括環境因子的采集器與控制LED亮度的補光器2個部分，均采用高速、低功耗的STM32核心處理器，利用LoRa無線網絡實現采集器與補光器之間的數據傳輸。系統獲取光照、溫度、CO2環境等數據，并依據基于遺傳學算法優化后的溫室作物補光數學模型和作物所需最佳紅藍光閾值，對溫室內的作物自動補光;補光器采用節能且使用壽命長的紅藍燈相結合的LED點陣。試驗結果表明，本系統可以實現實時監測環境因子并獲取環境數據，實現溫室內的自動化補光，具有實用價值。

關鍵詞： 溫室;LoRa;LED點陣;智能補光

中圖分類號： S625.5+2? 文獻標志碼： A

文章編號：1002-1302（2020）05-0198-07

光是綠色植物進行光合作用的基礎，是植物生長發育的必要前提[1]。受冬季天氣的影響，溫室環境并不能給作物提供充足的光照，致使其長期處于弱光狀態，發育與生長速度緩慢甚至停止。因此，設計一套溫室補光系統是極有必要的。溫室內還存在光照不均勻的現象，為了使溫室作物達到最佳的生長環境，需要進行多區域監測;傳統有線傳輸存在布線困難、維護性差的問題，而傳統的無線傳輸距離較短、功耗大。綜合以上2點，系統采用新型無線LoRa（long range）網絡進行數據傳輸。LoRa不僅傳輸距離遠、成本低，而且還極大地改善了接收的靈敏度，大大降低了功耗。發光二極管（LED）相對于傳統補光燈來說，具有光譜特性明顯、電光轉化效率高、易調光、工作電壓低、發光均勻穩定和壽命長等優點[2-4]。以LED為主要補光設備為溫室內的作物提供充足的光源，不僅可以滿足溫室作物生長所需的光質，并且功耗低、價格低廉[5]。現有補光算法大體分為2種：一種是基于凈光合速率的補光數學模型，另一種是直接根據作物所需最佳光照進行補光[6-7]。兩者都不能根據實際環境因子給予作物最佳補光數據，針對這種現象，系統以番茄為例，根據實際環境中溫度和CO2濃度，采用了基于遺傳學算法的溫室作物補光數學模型，可以更加精準地提供補光數據。

系統分為環境因子的采集器與控制LED亮度的補光器兩大部分。采集器主要是進行多區域監測，采集溫室內不同區域的光照、溫度和CO2濃度等信息，并將這些信息傳輸給補光器;補光器依據基于遺傳學算法優化后的溫室作物補光數學模型，對采集器傳輸的數據進行計算，得出該區的最佳光照，并與實際情況對比從而實現對不同區域的精準補光。本系統與傳統的補光系統相比，區別在于可以依據溫室內不同區域環境的差異和優化后基于遺傳學算法的溫室作物補光數學模型，分區域進行特定補光，不僅解決了溫室內光照不均勻的狀況，還能依據溫室不同作物的補光閾值，實現多種作物的精準補光，耗能低，實用性更強[8]。

1 基于遺傳學算法的溫室作物補光數學模型以及優化

溫室內部光照不均勻的問題普遍存在，因此對于溫室內不同區域的作物進行同等強度的補光顯然是不可取的。本系統采用補光模型，針對溫室不同區域的環境因子實現分區補光[9]。現有遺傳學算法尋優目標值模型，根據不同溫度以及CO2濃度來探尋番茄的最優光合速率，基于此獲得相應條件下的光子通量密度，也就是相應條件下的光飽和點;然后利用多元回歸的方法，通過對不同的溫度以及CO2濃度與相應條件下的光飽和點進行數據擬合，生成了以溫度和CO2濃度為輸入，光飽和點為輸出的光環境目標值模型[10]。模型如式（1）所示。

ILSP=32.57+75.58T+0.461 7C-1.202T2-0.004 15TC+0.000 097 3C2。（1）

式中：ILSP表示作物的光飽和點，μmol/（m2.s）;T表示溫室內的溫度，℃;C表示溫室內CO2的質量分數，mg/kg。

系統采用該遺傳算法尋優目標值模型作為補光模型。但由于此模型所針對的環境與本系統所針對的環境并不完全一致，在此對其進行了調整。根據本系統所針對的溫室環境以及對所測數據的整理和計算，對式（1）優化處理，調整后的模型如式（2）所示。對模型結果進行分析，其確定系數R2為0.982，表明該模型具有良好的擬合成效;對模型進行驗證，得出模型具有良好的測試精度和適用性，光飽和點的實測值與模擬值最大相對誤差不超過5%。

ILSP=33.63+74.23T+0.451 9C-1.113T2-0.003 27TC+0.000 106 4C2。（2）

2 系統總體設計

溫室智能補光系統包括采集器與補光器兩大部分。采集器由若干個采集區實現對溫室內各區域光照度、溫度以及CO2濃度等實時數據的采集。由于是分區域進行數據采集，有線傳輸布線困難，本系統通過LoRa無線單元將采集器各區數據信息分別發送至補光器;補光器依據數學補光模型計算出各區該溫度與CO2濃度條件下溫室作物所需最佳光強，與該區實時光照數據進行對比，再依據紅藍光配比給定閾值[11]，紅藍光配比如表1所示。通過脈沖寬度調制（PWM）控制補光燈的亮暗程度，達到分區智能補光的效果。系統總體結構如圖1所示。

3 硬件設計

3.1 采集器

采集器由電源模塊、核心處理單元、LoRa無線單元、OLED屏以及多個采集區組成，每個采集區又包括光照單元、溫度監測單元、CO2濃度監測單元3個部分。光照監測單元采用GY-30與ISL29020這2種傳感器結合，主要用于監測溫室內的光照度和紅藍光強;溫度監測單元采用高精度的DS18B20，測量范圍為-55～125 ℃，精度為±0.5 ℃[12]，實時監測溫室內的溫度;CO2濃度監測單元采用S80053 CO2，實時監測溫室內CO2濃度的變化，其測量范圍為0～10 000 mg/kg，測量精度達到 ±40 mg/kg;OLED屏主要用來顯示溫室內的環境數據。

3.1.1 電源模塊

溫室中智能補光系統需要電源模塊為其供給能量，因此電源模塊是其不可或缺的一部分。本系統有相應的電源接口，可用電源適配器直接為系統供電。由于STM32F103CBT6芯片的額定工作電壓為3.3 V，部分傳感器的額定工作電壓為5 V，所以在電源模塊中必須進行降壓處理。降壓處理分為2個部分：一是以12 V為輸入電壓，使用AMS1117-5.0穩壓器先將電壓降為5 V，可以為部分傳感器提供電能;二是以5 V為輸入電壓，使用AMS1117-3.3穩壓器將電壓降為3.3 V，從而為STM32F103CBT6芯片提供電源。電源模塊的電路原理如圖2所示。

3.1.2 核心處理單元

核心處理單元以STM32F103CBT6為核心處理器，處理速度達到72 MHz，引腳資源48個，GPIO口37個，IIC通信接口2個，滿足設計需求。STM32F103CBT6以主流的Cortex為內核，性能極高，一流的外設以及低功耗的特性，使其應用起來更加方便。對于本系統來說，STM32F103CBT6芯片完全滿足設計需求。

3.1.3 LoRa無線單元

無線單元需選用耗能低、遠距離傳輸、抗干擾能力強的模塊，表2為幾種無線通信的對比。綜合分析，該系統采用的無線模塊其射頻芯片SX1278主要采用LoRaTM遠程調制解調器，以結合高效的循環交錯糾錯編碼算法[13]。LoRa工作電流為12 mA左右，休眠電流為200 nA;其傳輸距離遠高于其他無線通訊，普通環境下的傳輸距離能夠達到3 000 m;抗噪能力強，LoRa的擴頻因子可以達到6～12。

系統采用星型網絡結構，采集器和補光器通過主動喚醒進行數據傳輸，實現系統低功耗策略。采集器通過定時器將LoRa喚醒，對補光器下達命令，采集器開始進行數據的采集和傳輸，完成后進入休眠狀態。LoRa調制解調器使用隱式和顯式的數據包傳輸格式[13]。LoRa數據包格式如表3所示。

LoRa數據包的傳輸周期涵括了發送前導碼周期Tpreamble和報頭及有效負載的傳輸周期Tpayload，前導碼傳輸周期如式（3）所示。

Tpreamble=（npreamble+4.25）×Ts。（3）

式中：npreamble表示前導碼長度，需在軟件設計時設置，Ts表示LoRa符號速率，根據軟件設置的信號擴頻因子（SF）、編碼率（CR）及信號帶寬（BW）得到。計算公式為

Ts=2SF BW。（4）

對于數據包報頭和有效負載周期的計算，首先確定符號npayload的數目，計算公式為

npayload=8+maxceil[JB（[]（8PL-4SF+28+16CRC-20IH） 4（SF-2DE）]（CR+4），0[JB）}]。（5）

式中：PL是有效負載字節數;SF指擴頻因子;IH=1是禁止報頭，IH=0是使能報頭;DE=1是開啟低速率優化，DE=0是無低速率優化;CR指編碼率，取值為1～4。

報頭和有效負載傳輸周期公式為

Tpayload=npayload×Ts。（6）

數據包傳輸周期（Tpacket）公式為

Tpacket=Tpreamble+Tpayload。（7）

通過系統將信號擴頻因子（SF）設置成12，編碼率（CR）設置成1，帶寬（BW）設置成7，采用自組網通訊協議提升無線傳輸速率。

3.1.4 光照監測單元

光照監測單元分為2個部分：一是以GY-30為主，對溫室內整體光強進行實時監測;二是以光強傳感器ISL29020和紅藍濾光片的組合為主，實現對室內紅光和藍光光強的監測[14]。

GY-30對環境的檢測范圍大、精度高[15-16]。利用GY-30監測光照度，與補光模型所計算出的最佳光照度進行對比，若大于最佳光照度，則關閉補光燈，反之，則進行補光操作。GY-30數字光照模塊與核心處理單元的互聯，并由核心處理單元（采集器）通過LoRa無線單元向補光器發送數據。

利用2個光強傳感器ISL29020分別完成對紅光和藍光的監測和分析：在檢測紅光時，使用可使625～740 nm范圍內紅光透過的濾光片加在ISL29020上，使紅光照射到ISL29020，從而使其檢測紅光;在檢測藍光時，使用可使400～480 nm范圍內藍光透過的濾光片加在ISL29020上，使藍光照射到ISL29020，從而使其檢測藍光[11]。ISL29020與采集器中的核心處理單元相連，通過LoRa無線單元將獲取的光照度傳輸給補光器。

3.2 補光器

補光器由核心處理單元、電源模塊、LoRa無線單元、LED點陣燈、LED驅動單元5個部分構成。其中LED點陣燈、LED驅動單元組成了若干個補光區，與采集區一一對應，實現分區補光。LED點陣燈由紅、藍2種燈組成10×10的矩形陣[17]，根據LED驅動單元的調節，實現對溫室內部作物進行補光的變換;LED驅動單元主要對光環境進行調控，即改變LED點陣燈的亮度，將補光器中核心處理單元發出的微弱信號轉變為大電流，由此完成光強信息動態調控的過程，可以根據溫室作物所需最佳光照量，周期性地調節溫室內的光強。

3.2.1 LED點陣燈

溫室內植物的光合作用以及生長發育所需的主要光質是藍光和紅光[18]，有研究表明，紅光和藍光組合可以明顯提高番茄的光合速率，使其加速生長并改善其品質[11]。因此，選用紅、藍2種光源組合作為補光光源是比較理想的。基于上述原因，系統使用紅、藍2種LED燈源來為溫室中的農作物進行補光。本系統選用的是超高亮度LED圓形燈[11]，具體參數如表4所示。

由于單顆LED燈光照度有限，不足以補充足夠的光照，在此將多顆LED燈進行了組合排列。除此之外，為了使各個植株可以同時吸收紅光和藍光，且使光源均勻，系統采用互相交叉的方式安裝補光燈，紅燈和藍燈相互交錯。綜合上述2點，本系統采用了10×10的矩陣模型，每個燈四周排布了與其不一樣的燈。其中，水平與豎直方向上每相鄰兩燈之間的距離經測驗以2.2 cm最優。具體如圖3所示。

3.2.2 LED驅動單元

相對于其他調光方式，PWM調光擁有絕對優勢：（1）高精度，可以實現精準調光，從而使補光效果更佳;（2）可使LED燈保持在恒流條件下工作，大大減少了LED燈的損壞，提高其使用壽命;（3）顏色一致性好，可以極好地避免LED出現色偏[17]。基于上述幾點，以及為了能夠有效地控制紅藍補光燈的亮度，系統采用了PWM調光方式。

LED驅動單元以PT4115恒流驅動為核心，搭配電阻、電容、電感等元器件，構成驅動電路，具體如圖4所示。PT4115恒流驅動通過DIM引進并直接接受PWM，支持PWM調光。此外，可以通過采樣電阻Rs設定輸出控制LED的最大平均電流[11]，電流計算如式（8）所示。

Iout=0.1×D/Rs。（8）

式中：Iout是控制LED的最大平均電流;D是PWM的占空比;Rs為采樣電阻。

驅動電路以及補光燈陣如圖4所示。

4 軟件設計

本系統的采集器和補光器均以STM32F103CBT6單片機為核心：采集器利用GY-30、ISL29020、DS18B20、S8 0053CO2這4種傳感器實現對溫室內環境因子的采集，通過LoRa無線單元再將數據傳遞給補光器，通過補光器對數據進行處理并實現自適應功能。該系統的程序流程圖如圖5所示。

首先對整個系統進行初始化，初始化成功后，采集器和補光器均做好準備。以采集一區為例：采集一區采集當前溫室內一區的光照、CO2濃度、溫度、紅藍光強等信息，并將這些信息通過LoRa無線單元傳送給補光器[18]。補光器的核心處理器接收到數據后，通過補光模型計算出一區作物的最佳光照度，并與一區的實時光照進行對比：若實時光照度大于或等于最佳光照度，則使補光一區的燈為滅;若實時光照度小于最佳光照度，則對比紅藍光強是否小于預先設定的閾值，根據閾值與一區實際紅藍光強的差值，通過PWM改變補光一區LED點陣燈亮度，對溫室內光照度進行調整。5 min后，采集一區重新采集數據，以此循環。其他采集區也依照采集一區的方法進行實時補光。

5 結論

根據溫室作物在不同溫度、CO2濃度的條件下所需的光飽合度和紅藍光閾值，本研究設計了一種基于LoRa溫室智能補光系統，利用GY-30實時監測溫室的整體光照情況，根據補光模型得到實際光照度與作物所需最佳光照的差值，核心處理單元通過改變PWM信號改變LED補光燈的亮度，來實現溫室內的精準補光[19]。將該系統置于溫室進行運行測試，結果表明，LoRa無線單元在數據發送與接收中傳輸良好，基本無誤與延遲;采集器采集的數據精度比較準確，基本上完成了對溫室內部環境的多區域監測;補光器能夠根據數據信息發出PWM信號，準確調整LED點陣燈的亮度，實現對溫室作物的精準補光[20]。本設計實現了對溫室作物的自動化補光，并具有良好的穩定性，節約了人力，實現了溫室作物高效定量的調控目的;其功能強、操作性好，具有成本低、可自動補光的優點，因此具有一定的社會價值和應用價值。

參考文獻：

[1]朱 舟，童向亞，鄭書河. 基于作物光照需求的溫室光調控系統[J]. 農機化研究，2016，38（2）：192-196.

[2]程望斌，劉金剛，劉碧籃，等. 自適應LED補光照明系統的設計與研究[J]. 湖南理工學院學報（自然科學版），2018，31（4）：23-26.

[3]徐一清. LED組合光源的優化設計及其在溫室植物生產中的應用[D]. 杭州：浙江農林大學，2017.

[4]付 明. LED植物生長補光燈在遼寧省茄果類蔬菜生產上的應用[J]. 蔬菜，2018（8）：47-49.

[5]都金龍. 植物補光系統在溫室中的應用[N]. 中國花卉報，2011-12-17（3）.

[6]閆文凱，張雅婷，張玉琪，等. LED株間補光對日光溫室番茄產量及光合作用的影響[J]. 西北農林科技大學學報（自然科學版），2018，46（7）：132-138，146.

[7]趙秀元. 北方地區溫室番茄栽培技術[J]. 山西農業科學，2009，37（7）：87-88.

[8]王 靜，崔慶法，林茂茲. 不同結構日光溫室光環境及補光研究[J]. 農業工程學報，2002，18（4）：86-89.

[9]徐 永. 溫室補光及其發展趨勢[J]. 農業工程技術，2015（28）：29-32.

[10]胡 瑾. 基于作物光合需求的設施光環境調控方法與技術研究[D]. 楊凌：西北農林科技大學，2016.

[11]李 明，劉 娟，凌廣明. 溫室大棚LED智能補光自適應控制系統[J]. 江蘇農業科學，2018，46（11）：193-196.

[CM（29][12]周克輝. 基于單片機控制的DS18B20數字溫度計設計[J]. 湖南農機，2010，37（11）：61-62.

[13]柳永波. 基于LoRa的無線自組網MAC協議研究[D]. 陜西西安：西安電子科技大學，2017.

[14]張 輝，卜雯意，施 豪. 日光式室內植物生長LED燈模型的建立與實現[J]. 黃山學院學報，2018，20（5）：36-40.

[15]韓 文. LED補光對番茄幼苗生長調控的研究[D]. 石河子：石河子大學，2018.

[16]鄧一凡. LED植物補光系統優化設計與控制[D]. 天津：河北工業大學，2017.

[17]張現征，王 丹，董 飛，等. 不同比例紅藍光對番茄幼苗生長發育及光合特性的影響[J]. 江蘇農業科學，2019，47（14）：136-138.

[18]代家為. 溫室大棚中智能補光控制系統的設計與實現[D]. 哈爾濱：黑龍江大學，2017.

[19]王 琦，梁鐸耀，孫竹梅，等. 光熱感應溫室自動控制系統設計[J]. 自動化儀表，2018，39（9）：59-62.

[20]馬志遠. 晉中市平川番茄周年生產技術[J]. 山西農業科學，2011，39（7）：676-678，692.

收 稿日期：2019-11-25

基金項目：國家重點研發計劃（編號：2017YFD0701501）;山西省研究生教育創新項目（編號：2019SY201）。

作者簡介：李晉蒲（1994—），女，山西晉城人，碩士研究生，研究方向為農業工程、農業電氣化及信息化、農業物聯網。E-mail：807349720@qq.com。

通信簡介：李志偉，博士，教授，博士生導師，主要從事計算機控制技術、智能農業裝備和生物環境測控技術研究。E-mail：lizhiweitong@163.com。