基于窄帶物聯網的中藥材種植智能測控系統設計

張凈 張濤 郭洪波

摘要：針對目前市場上中藥質量良莠不齊的問題，設計了一種基于窄帶物聯網（NB-IoT）的中藥材種植智能測控系統，該系統主要采用了窄帶物聯網技術，結合STM32微處理器和無線通信技術，能夠實時監測中藥材種植過程中影響中藥材生長的土壤溫度、土壤濕度、土壤酸堿度和土壤鹽分含量等參數。首先運用層次分析法，并結合藥農種植經驗確定中藥材種植的土壤適宜性等級，然后運用K均值聚類算法（K-means）去除原始的噪聲數據，再通過廣義回歸神經網絡（GRNN）算法對中藥材生長土壤環境進行綜合評估，實現中草藥的溯源，且能起到預警作用，輔助藥農及時調整種植環境。本系統既可應用在戶外（荒山野嶺）進行規模化中草藥種植，亦可以應用在室內（大棚）進行小規模名貴藥材種植。

關鍵詞：中藥材;窄帶物聯網技術;STM32微處理器;層次分析法;K均值聚類算法;GRNN

中圖分類號： S126文獻標志碼： A文章編號：1002-1302（2020）13-0256-09

收稿日期：2019-04-18

基金項目：鎮江市2017年經信委軟件產業發展專項資金“水培蔬菜測控系統應用開發及產業化”。

作者簡介：張凈（1975—），女，江蘇鎮江人，博士，副教授，主要從事計算機應用研究。E-mail：jszj08062000@163.com。

通信作者：張濤，碩士，主要從事電子與通信技術研究。E-mail：nanshenstudy@163.com。隨著國際上對中醫藥重視程度的提高以及越來越多的人對中醫的認可，中藥材的需求量不斷增加。由于目前各種食品安全問題的不斷出現，中草藥在種植過程中所遇到的安全問題越來越受到重視，人們對良心藥的需求日益凸顯。為了保障中藥材產品的質量及其標準化數據的準確性，促進中醫藥產業的蓬勃發展，需要使用新一代的物聯網技術提高和增強溯源中藥材產品的質量，加強中藥材的質量安全控制，建立并完善中藥材種植從幼苗期、生長期到成熟期的溯源規范。

目前中藥材溯源設備還不完善，大部分中藥材的種植還停留在人工播種、人工施肥階段，機械化水平低，導致生產效率低下，直接影響藥農種植面積，大部分個體藥農的種植并未形成規模化和集約化，并且大部分藥農的文化程度不高，雖然目前國家對于農藥、化肥的使用量進行了嚴格把控，但是由于藥農本身對農藥殘留、重金屬殘留等知識了解較少，仍盲目施肥，過分依賴化工產品的使用，注重中藥材的產量而不注重其質量，導致市場上收購的中藥材在檢測時通過率低，造成利潤損失，市場上銷售的中藥材質量良莠不齊[1]。基于此，本研究提出一種基于窄帶物聯網（NB-IoT）的中藥材種植測控系統，使中藥材的生長環境更符合規范要求，進而更好地協助藥農種植中藥材。

1系統總體設計

基于窄帶物聯網的中藥材種植測控系統的體系架構見圖1，主要包括感知與傳輸層、智能決策層和應用層[2]。其中感知與傳輸層中的感知層由傳感器、執行設備和嵌入式網關組成。傳輸層（網絡層）主要包括 NB-IoT無線通信模塊、嵌入式模塊、NB-IoT物聯網專用卡、運營商基站、核心網以及物聯網與平臺等[3]。每一塊NB-IoT終端模組直接和運營商基站連接，在現有運營商基站部署條件的支持下，解決了城域及更大范圍區域的物聯網節點組網難題，對于中藥材種植系統來說，實現了單跳通信。嵌入式網關通過RS485串口直接和傳感器連接，微處理器通過發送指令讀取土壤溫度、濕度、pH值、鹽分等數字傳感器上的參數值或控制執行設備，并進一步對返回信息進行分析和處理，提取出需要的數據，然后通過串口通信將采集到的中藥材種植環境數據發送給NB-IoT模塊。NB-IoT模塊接收到中藥材種植環境數據后通過運營商NB-IoT網絡將數據傳輸至遠程服務器端[4]。智能決策層主要包括中藥材生長環境監測服務端和遠程服務端。中藥材生長環境環境監測服務端主要對上傳的信息進行分析和存儲，提供查詢接口給客戶端，通過廣義回歸神經網絡（GRNN）算法對中藥材的種植環境進行判斷和預測，并構建中藥材種植環境的適宜性評價模型，最后按照統一格式將采集的信息和測控系統的分析結果儲存至數據庫中。應用層主要實現測控系統與用戶的交互工作，遠程用戶可以通過手機和電腦登錄瀏覽器查看中藥材測控系統平臺上的實時數據、土壤環境等級、中藥材的成長狀況和訪問歷史數據。

2系統硬件設計

2.1傳感器模塊

對于不同中藥材種植環境的監測所需要的傳感器種類不同，具體傳感器的選取，可根據與具體藥材種類生長最相關的信息參數來確定。對于生長在室內或室外的同種藥材所選擇的控制設備也不相同。俗話說“施肥不測土，浪費白辛苦;酸堿不改良，施肥也白忙”。所以土壤環境參數的記錄、存儲對于中藥材的種植是必不可少的一項工作，本研究系統采用的土壤水分溫濕度傳感器、土壤酸堿度傳感器、土壤鹽分傳感器等是最具有代表性的傳感器，適用于絕大多數中藥材的生長測量。本研究系統所采用的土壤水分溫濕度傳感器可檢測中草藥生長過程中周圍土壤的溫度和濕度，然后對比所種植草藥品種生度的適宜溫濕度范圍，從而確定是否需要澆水或遮陽，降水時也可以實時監測土壤溫濕度，如果降水量過大，則需要開啟擋雨工具進行擋雨，以保證中草藥在適宜溫濕度范圍內生長。土壤酸堿度傳感器和土壤鹽分傳感器用于實時測量中藥材生長過程中土壤的pH值和鹽分含量。

2.2網關模塊

嵌入式網關位于整個測控系統的底層，是系統信息采集、通信、傳輸和控制過程中的關鍵環節，采用太陽能電池板供電，主要實現傳感器采集數據的讀取和處理，控制感知層的電磁閥以及NB-IoT模塊與遠程服務器端的通信。網關節點首先通過RS485總線接口讀取土壤溫度、濕度、酸堿度、鹽分等數字傳感器中的數值，并對讀取的信息進行處理，最后通過串口通信傳送給NB-IoT模塊，再由NB-IoT模塊傳送到服務器端。網關模塊可以同時接收和解析通信服務器下發的指令，控制繼電器的開啟和閉合。網關模塊的處理芯片是STM32f03VB處理器。本研究系統傳輸層選用的是基于蜂窩的窄帶物聯網技術，它相對于傳統物聯網技術具有廣覆蓋、低功耗、大連接、低成本、穩定可靠等優勢[5]。網關節點實物如圖2所示。

3系統軟件設計

3.1嵌入式模塊

嵌入式模塊主要實現5個功能：（1）根據藥材種類設置數據采集時間間隔，控制系統執行條件等參數;（2）按設定的程序或指令進行數據采集并將其存儲在數據庫中;（3）根據中藥材的品種不同，每個環境參數可獨立設定，適應于不同的季節、生長期，方便靈活;（4）系統具備報警和實時遠程監測功能，當某項環境指標參數超過或者低于極限值時，系統可以發出警報提醒相關人員進行實時處理，管理人員也可以通過網絡，實時觀察中藥材生長的環境參數;（5）利用該系統收集到的數據創建的相關中草藥生長參數數據庫，可作為研究根據及生產指導依據，輔助中藥材的種植農戶積累種植經驗，使種植管理全過程高效化、工廠化。

3.2服務器模塊

本研究系統的服務器模塊所采用的是數據服務器和通信服務器分離的方式，降低了數據和通信之間的耦合性，提高了執行效率和響應速度，可保證通信的穩定可靠，同時能保證數據的響應速度。數據服務器系統主要負責接收存儲傳感器數據、提供歷史數據查詢接口。通信服務器主要負責應用層和感知層之間的實時通信。

3.3系統智能決策模塊

中藥材種植環境測控系統的目標是在中草藥采摘銷售之前（包括幼苗期、生長期），根據該藥材生長的環境判斷該種中草藥質量是否合格，能否采摘及銷售到市場上。所以對中藥材種植環境進行準確的分析評價，既有助于及時調整環境參數，又能實現產品溯源[6]，更好地讓老百姓吃到放心藥，是本研究系統需要進行的基礎性工作。

3.3.1智能決策方案分析目前，對種植環境評價常用的方法有遺傳算法、反向傳播（BP）神經網絡算法、模糊評價法、蟻群算法等，其中遺傳算法收斂速度慢，且容易陷入局部最小值的問題;BP神經網絡算法受初始權值影響大，且收斂速度慢;模糊評價法計算過程復雜且主觀性強;蟻群算法是一種仿生的優化算法，還存在一定的缺陷，可能會存在搜索時間過長、在搜索過程中停滯不前、過早收斂等問題，致使得到的最終解并不是最優解，而僅是局部最優解。本研究提出的GRNN算法，剛好彌補以上算法在模型預測中會呈現的鋸齒現象，使得預測準確率比較高，并且GRNN是一種高度并行徑向基神經網絡，GNRR算法具有訓練速度快、局部逼近能力強、預測結果和評價準確率高等特點[7]。整個智能決策層的算法流程見圖3。

3.3.1.1評價指標體系構建在進行預測評價之前，須先對要預測的中藥材種植土壤進行適宜性評價，不同中藥材種植土壤影響因素不同，以四川麥冬為例，影響其生長的土壤指標主要有土壤pH值、鹽分含量、溫度、濕度4項指標[8]。

3.3.1.2評價指標權值計算目前，關于適宜性指標權值確定的方法較多，如模糊評價法、回歸分析法、層次分析法等。本研究針對四川麥冬的種植條件，根據專家、藥農種植經驗，結合層次分析法求取各指標因子的權重[9]。

由表1可見，組合權重最高的是土壤鹽分含量，

表1麥冬種植土壤適宜性評價體系與權重

目標層指標層單因子權重組合權重土壤種植麥冬適宜性土壤溫度0.4000.211土壤濕度0.4000.211土壤pH值0.5000.263土壤鹽分含量0.6000.315

之后依次是土壤pH值、土壤溫度、土壤濕度。

3.3.1.3評價模型評價模型的科學合理性對于最后的評價結果有直接影響，結合中藥材麥冬種植的實際情況，最終確定用加權指數和模型作為種植評價分析模型[10]。加權指數和評價的本質是將評價單元各指標權重累加求和，按照求得的評價單元總分值來進行土壤的適宜性等級劃分。

N=∑mi=1wiEij。（1）

式中：N為評價單元最終指數和;Eij為第i個因子中第j個等級的評分值;wi為第i項評價指標的權重;m為評價指標的數量。

將4個評價指標量化分級賦權值后的圖層進行疊加，對各個因子的權重進行累加求和，最終求得各個評價單元的總分值。在獲得評價單元總分值的基礎上，運用等差序列法來確定種植過程中各土壤參數適宜性等級的臨界值，并根據各個臨界值對評價單元進行分級評價。其中采用等差序列法劃分麥冬種植土壤參數適宜性等級臨界值的具體方法如下：

先確定各評價區間的平均值，具體公式為

S=Lmax-Lminn;（2）

Lmax=∑mi=1max[wiEij（i=1，2，3，…，k）];（3）

Lmin=∑mi=1min[wiEij（i=1，2，3，…，k）]。（4）

式中：S為各個區間平均指數值;n為劃分區間數量;Lmax為每個指標各項等級最大指數和;Lmin為每個指標各項等級的最小指數和。

各區間適宜性上下限為

Si=S1（Lmax，Lmax-S）

S2（Lmax-S，Lmax-2S）

Sn[Lmax-（n-1）S，Lmin]。（5）

式中：Si為種植麥冬土壤的平均等級。

根據以往麥冬的長勢情況并結合藥農的種植經驗將麥冬種植土壤適宜性劃分為4級，分別為優、良、中、差（表2）。

表2麥冬種植土壤適宜性評價結果與分區

適宜性分級適宜性區間藥材長勢描述優（75，100]周期短、產量大、藥效好良（56，75]周期較短、產量較大、藥效好中（35，56]周期長、產量一般、藥效較好差[0，35]產量小或沒有、藥效差

3.3.2基于K-means算法的降噪原始數據往往不太準確或存在一些問題，比如在不同系統中采集的數據由于缺少統一的定義會產生不一致問題，即使在同一系統中，對某一客觀實物也常常會存在幾種不同的描述，這種現象經常會導致數據的重復和冗余，除此之外，使用過程中的一些人為因素或其他一些不可靠因素也會使數據出現屬性值缺失或異常現象。噪聲數據指的是存在錯誤或異常的數據，與需求不相關的數據或者沒有意義的數據，本研究系統噪聲數據產生的原因有采集數據的設備出現故障、數據在傳輸的過程中出錯或輸入數據錯誤等。

為了解決上述問題，本研究提出使用K-means聚類算法去除噪聲數據。K-means算法是處理聚類問題的經典算法，具有簡單、快速等特點，對解決大數據集，該算法具有可伸縮性和高效性;當簇接近高斯分布時，其效果較好。K-means算法采用迭代的方法，在迭代過程中不斷將數據對象指派到離它最近的簇中，直到聚類函數收斂為止[11]。

算法的輸入、輸出以及工作步驟如下：

（1）輸入初始數據集Data和簇的數目K;

（2）將每個對象分配給離它最近的聚類中心所在的簇;

（3）更新所有簇的均值中心作為新的聚類中心，直到聚類中心不再發生變化;

（4）輸出K個簇

以中藥材四川麥冬為例，由于在麥冬種植過程中收集到的數據量龐大，這里選取一部分數據進行測試，以小時為單位選取150組數據每組數據中均包括土壤溫度、土壤濕度、土壤pH值、土壤鹽分含量。對原始數據和K-means算法處理后的數據分別進行Matlab仿真。

從圖4、圖5可以看出，原始數據中土壤溫度聚集在13～14 ℃之間，但有幾個數據存在波動，達到19 ℃以上，通過降噪后，數據聚集在13～14 ℃之間。

從圖6、圖7可以看出，原始數據中土壤濕度聚集在52～54 ℃之間，由于個別數據波動大，致使其他時間數據像分布在一條水平直線上不直觀，通過降噪后土壤濕度聚集在 53.0～54.2 ℃之間，在小范圍內波動。

由圖8、圖9可知，在原始數據中土壤pH值主要維持在8～9之間，存在個別異常pH值，通過去噪后土壤pH值穩定在8.60～8.85 之間。

由圖10、圖11可知，土壤鹽分含量集中在16～18 mg/L之間，存在個別異常值，通過去噪后土壤鹽分含量穩定在17～18 mg/L之間。

綜上，原始數據中常存在噪聲數據，使得數據波動范圍過大，影響后續對數據的處理，通過 K-menas 聚類算法處理后數據變得更加密集和精確。

3.3.3基于GRNN算法的評價預測首先通過層次分析法確定中藥材生長環境中各個參數指標的等級范圍，然后通過感知層收集影響該種中藥材種植的環境參數。本研究主要對從中藥材種植到采收

階段的數據進行評價預測，由于中藥材種植的特殊性，與普通植物種植不同的是，大多數中藥材種植周期比較長，感知層模塊收集的數據量比較大，將數據庫里的數據通過K-means算法處理后去除異常數據，得到正確的中藥材種植過程中的環境數據，再對數據進行歸一化處理。

為了構建中藥材質量等級評價模型，本研究選用的是廣義回歸神經網絡算法，它是一種基于非線性回歸理論的前饋式神經網絡模型[12]，其結構見圖12。

GRNN的輸入向量經過高斯函數激活后，傳遞給隱含層。其輸出表達式為

同，本研究系統設備見圖14，選擇的測試地點為位四川省綿陽市種植基地（圖15），其生長周期為1年左右。本研究測試時間為2018年4月2日至2019年3月25日，共有4個測試點，每個測試點放置1個設備。

首先系統對土壤溫度、土壤濕度、土壤pH值、土壤鹽分含量進行采集，并存儲到數據庫中，供用戶查看。其次對數據庫里的數據進行分析，為便于用戶查看，利用java、mysql、html語言建立一個中藥材種植溯源信息管理平臺，以網頁形式表達種植環境信息，圖16為中藥材種植環境信息和分析結果頁面。

5結論

本研究系統采用太陽能為其供電，節能環保，且解決了在山區空曠土壤無電的問題，采用了傳感器技術、物聯網技術，選擇土壤溫度、土壤濕度、土壤pH值及土壤鹽分含量為參數，在確定藥材種類后，利用層析分析法結合專家經驗確定藥材種植適宜性土壤標準，建立了GRNN模型，并將其應用在中藥材測控系統中，對麥冬的種植環境進行評價和預測估計。經仿真驗證，本研究系統對中藥材種植環境的評價和預測符合標準。本研究系統使得中藥材種植過程可測控，使種植管理全過程高效化、工廠化，且可根據收集到的數據創建相關中藥材生長數據庫，為研究及生產指導提供依據。

參考文獻：

[1]李晉宏，李文鵬. 中藥種植過程溯源系統的設計[J]. 計算機光盤軟件與應用，2014（8）：231-232.

[2]劉君，晏國生，柳平增，等. 基于物聯網的農作物生產智能測控系統的研究與應用[J]. 農業網絡信息，2011（2）：17-20.

[3]王純龍，李賀強. NB-IoT的關鍵技術及在農業物聯網中的應用[J]. 電子技術與軟件工程，2017（16）：20.

[4]Oh S M，Shin J S. An efficient small data transmission scheme in the 3GPP NB-IoT system[J]. IEEE Communications Letters，2017，21

（3）：660-663.

[5]Kim T，Kim D M，Pratas N，et al. An enhanced access reservation protocol with a partial preamble transmission mechanism in NB-IoT systems[J]. IEEE Communications Letters，2017，21（10）：2270-2273.

[6]張辰露，梁宗鎖，馮自立，等. 我國中藥材溯源體系建設進展與啟示[J]. 中國藥房，2015，26（16）：2295-2298.

[7]張婭莉，喇果彥. GRNN神經網絡在信息分析預測中的應用[J]. 數據采集與處理，2009，24（增刊1）：100-103.

[8]黃虹. 麥冬高產栽培要點[J]. 安徽林業，2006（2）：36.

[9]龔亞君，張潔，項志南，等. 中藥麥冬本草溯源釋疑[J]. 中國藥師，2017，20（2）：229-231.

[10]唐雪香，王桂保，劉軒. 基于GIS的種植棗樹耕地適宜性評價與品種區劃[J]. 江蘇農業科學，2015，43（8）：179-182.

[11]楊柳. K-means 聚類算法性能分析與優化研究[J]. 火控雷達技術，2019，48（2）：16-19.

[12]Zhang Y，Sheng L. Transformer fault diagnosis based on GRNN and FCM[J]. High Voltage Apparatus，2016，52（5）：116-120.胡艷海，周林飛. 石佛寺水庫二維水動力數值模擬[J]. 江蘇農業科學，2020，48（13）：265-271.doi：10.15889/j.issn.1002-1302.2020.13.053