智能监控系统的开发基于DBN-SOFTMAX农业输入

文摘

解决问题的可追溯信息可追溯系统的不可靠性,我们开发了一个智能监控系统实现实时在线收购农业投入的理化参数和准确地预测输入产品的品种。首先,自主研发的监控设备被用来实现实时采集、格式转换和预处理的物理化学参数的输入,与云平台服务器和实时沟通。在这个过程中,罗拉技术采用解决长距离之间的无线通信问题,低功耗、多节点的环境。其次,深度信念网(DBN)模型是用于非监督学习物理化学参数输入产品和提取输入特征。最后,这些输入特性是利用将softmax分类器建立分类模型,可以准确地预测农业投入的品种。结果表明,6种农药、化肥、通过系统和其他农业投入预测,预测精度可以达到98.5%。因此,该系统可用于监测农业输入有效的品种和实时使用,以确保可追溯性信息的真实性和准确性。

1。介绍

农产品可追溯系统是一个功能强大的工具,用于解决食品安全问题(1]。农场上的信息输入,如杀虫剂和肥料用于种植,是消费者最关心的问题之一。目前,一些公司已经建立了自己的农产品可追溯系统(2]。然而,它是合理的,消费者不相信可感知的信息记录由生产者自己因为缺乏监督。因此,建立可追溯性系统,它可以记录的信息及时、准确,最终是一种迫切需要。

已经有许多报道关于农业投入的快速检测技术。仅举几例,邓小平等人建立了一个液体chromatography-tandem质谱(质)方法的同时测定benzoylurea农药残留在蔬菜3]。郑等人发现质牛奶中农药残留的检测方法4]。Selisker等人使用竞争酶联免疫吸附试验(ELISA)检测百草枯5]。Alcocer等人已经开发出一种多克隆抗体检测有机磷农药(6]。库玛和tran minh使用胆碱酯酶电极来检测农药(7]。红嘴山鸦等人用碳电极确定有机磷杀虫剂(8]。似乎,很多农业投入建立了快速检测技术。然而,大多数现有的监测农业输入信息仍然是一种残留检测的后期制作阶段,它仍然是难以通过实时在线监控数据。此外,当前建立可追溯系统的记录可追溯性信息,主要是手动输入;因此,不及时和准确的信息。

需要寻求另一种方法来克服这些缺点。在这个报告中,基于传感器和DBN-SOFTMAX算法,我们开发了一个智能监控系统的农业投入。不同于化工农业输入上述检测方法。提出了利用土壤中的传感器安排实现农业的监测和预测输入。一般来说,传感器用于农业实现湿度和温度等环境监测(9,10)或达到精确农业控制(11]。摘要传感器放置在土壤中被用来收集的物理化学特征输入如pH值和EC值,然后人工智能算法被用来分析上面的传感器数据,终于意识到农业投入的智能监控和预测。

2。监控系统设计

2.1。工作原理和总体结构

农业投入的情报部门的监控平台的总体结构如图1。

监测设备收集的数据每15秒获得农业投入物的物理化学参数,如pH值、电子电导率(EC)和温度,在真正的时间。数据预处理后,模拟数字转换,RS485 [12格式转换,罗拉(远程)模块传输数据到罗拉网关(13),将它们转换成RJ45格式。随后,数据将被接收并存储在云服务器上,执行和数据清洗和还原过程获得有用的数据为进一步建模和分类。在建模过程中,训练样本的输入数据不断增加,每周更新和模型获得更准确的预测结果。

2.2。硬件设计

监控系统主要由传感器模块、低功耗数字处理器,多通道AD / DA转换模块、RS485串行通信模块,罗拉无线通信模块,和太阳能模块。传感器模块包括pH传感器、EC传感器和温度传感器。RS485串口通信模块提供了多传感器数据融合服务。它使用轮询方式收集不同传感器数据相同的监视点通过RS485接口来完成多传感器数据融合。罗拉SX1278罗拉扩频芯片开发的无线通信模块;其传输距离和渗透能力超过一次高于传统的移频键控(14]。在罗拉无线通信中,纠错的能力更强自循环交叉算法纠错编码将被采纳。最大持续纠错是64位,可以减少大量错误数据的重传数据包,提高抗干扰性能和传输距离。监控系统的硬件结构如图2。

2.3。软件设计

2.3.1。罗拉节点软件设计

在罗拉有三种节点,也就是说,传感器、路由和聚合节点。路由节点负责转发数据。聚合节点不收集数据,但作为一个控制中心,它发送同步信息监测网络和接收的数据到本地监控和远程监控中心。相应的节点软件设计来执行每个节点的功能。本文所使用的传感器节点为例,介绍了软件设计方法。使用C语言开发软件和程序的流程图如图3:

整个编程过程中采用模块化设计,主要包括设备初始化、数据采集和处理、串行通信和无线通信。电脑监控控制采购周期和采购指挥和控制中心软件。如果节点软件接收到采集命令电脑监控中心发送的项目,马上响应,将收集到的数据传输到相应的传感器根据不同Modbus协议的命令。

2.3.2。监控中心的软件设计

软件工作流图如图4。监控中心软件使用c#开发和与罗拉网关通信模块通过TCP / IP网络编程和获取监控数据由罗拉网关互联网传播网络。监控软件主要包括参数设置、实时监测、数据处理等功能。参数设置功能设置采集周期,收购Modbus命令,和其他参数设置。实时监控功能是实时采集传感器数据。数据处理函数中调用DBN-SOFTMAX预测模型代码,分析接收到的数据,建立匹配的模型,预测输入的品种。

3所示。DBN-SOFTMAX算法和建模

3.1。DBN-Based特征提取方法

限制玻耳兹曼机(元)15),这是DBN (16,17),可以提取特性更抽象和显著提高神经网络泛化能力的18]。每个疟疾是一个两层的模型只包含一个隐藏层,和每个元培训输出作为输入用于下一个遏制。

3.1.1。限制玻耳兹曼机(元)

如果 ,在哪里可见单元之间的连接权重表示和隐藏的元素 是隐藏的细胞和可见的细胞的数量,分别。可见的和隐藏的单位都是二进制变量。也就是说, , 可见元素的抵消 , 可见元素的抵消 , 样品的数量,是一个隐层单元,是一个可见的层单元。

疟疾是一个无向图模型(19,20.)用来解决参数的值θ适合给定的训练数据,提取的特征(图5)。

遏制任务是用来适应输入训练数据,求出了最优参数θ,完成了特征提取。的参数θ可以学到的训练集来最大化对数似然函数。公式如下: 在哪里

解决最优参数的关键获得的偏导数吗 为 ,和其他参数。假设是一个参数值的 ,对数似然函数有关是

因为样品的数量T是已知的,对数似然函数的偏导数为连接体重吗 ,偏移量可见层的元素,偏移量的隐层单元可以表达的 和 。 是一个隐藏的训练样本的概率分布 ; 是一个联合概率函数对于一个给定的状态(v,h);该函数是 在哪里 是遏制的能量函数,是归一化因子。

3.1.2。CD算法

它已经表明,归一化因子很难得到解决(21]。因此,联合概率函数 也很难计算。为了解决这个问题,快速学习算法基于散度是用来训练数据对比,步骤如下:(1) 是由这个公式 , (2)疟疾行动网络结构之间的连接层,没有连接层和内对称的结构,即,当可见细胞的状态是固定的,一个激活的概率th隐藏的元素

隐藏状态的细胞固定时,激活的概率我th隐藏的元素

所有隐层单元的二进制状态方程计算(6)。在所有隐层单元的状态确定,我th可见单元根据方程(值为1的概率7)确定,可见层创建的重建(3)数据训练过程的参数更新公式如下: 在哪里ε是学习速率,的分布代表了重建模型定义。

3.2。将Softmax分类器

在上面的过程,最后获得的特征值x^(我)。然而,在预测输入品种,有必要分类输出和添加一个softmax分类器(22)到输出层组织学习特性值。提出了将softmax分类器的示意图如图6。标记训练集 ,在 有代表性的训练样本是k。给定的测试输入 ,这是分类模型计算概率,它属于每个类别。

因此,一套样品k类型、输出k维向量来表示概率向量。的jth概率向量中的元素代表属于的概率jth类别,元素值的总和是1。具体地说,我们的假设功能显示为

在 网络模型参数,是吗 本项目主要限制的概率值从0到1,这概率值之和为1。

在方程(9),样本的概率属于类的分类器的输出j是( ):

对应于训练样本的似然函数

的参数θ最大化似然函数的最优参数将softmax分类器。将softmax回归模型的成本函数

成本函数最小化的梯度下降法;梯度函数如下:

将softmax分类器有一个不同寻常的特点:它有一个“冗余”设置的参数(23]。为了说明这个功能,如果向量从参数向量减去吗 ,每一个就变成了 。所示的函数

在方程(15),我们可以看到参数和既可以获得相同的结果。换句话说,当是最优参数,也可以有同样的效果。这是在将softmax冗余参数分类器的缺点。将softmax分类器的损失函数是凸。虽然有一个最小值点,最小值是“平的”空间,而不是在一个点。也就是说,该地区所有点可以得到一个最小值。成本函数严格凸函数,我们需要添加一个重量衰减项,如下:

3.3。建模

在建立模型中,收集到的数据第一次被规范化,然后DBN用于非监督训练的提取功能。然而,这些特性是不能直接适用于分类(24- - - - - -26),所以将softmax分类器添加到输出执行监督分类培训。流程图如图7。

4所示。实验设计

在这个实验中,我们使用了六个农业投入,包括磷酸(P₂O₅、中化集团、中国),钾(K₂O、中化集团、中国)、复合肥料(尿素氮磷钾,SouthRanch,中国),Podol农药(TaoChun,中国),吡虫啉(德国拜耳)和oxamoxime(和义,中国),在中国广州,从当地的商店购买。这些输入的前三个是化肥、后者三人杀虫剂,和他们被安置在水溶液稀释比率(500:1)使用。十八soil-filled底部可泄油的锅盆准备和设置在露天环境。欧共体传感器、pH传感器、湿度传感器插入到土壤,和电源被打开,使实时收集传感器数据。期间从2016年10月到2017年3月,200毫升的每个输入水溶液喷洒成三锅的土壤。50岁以上的实验,前后土壤参数数据输入,包括水分比例(输入)之前,电导率(输入)之前,pH值(输入)之前,水分比例(输入),电导率(输入)之后,pH值(输入)记录。150年的数据为每个类型的输入产品,收集和数据的总数是900。

5。结果与讨论

5.1。数据的传感器

传感器数据在每个实验的输入是不一样的;收集传感器数据输入前-后可以更好地解释输入的特点。6个农业投入喷入土壤,分别收集和pH、电导率和水分数据之前和之后的输入。本文实验数据被随机选中的20倍观察。

观察收集的pH值,输入之前,他们都是接近7,这是中性的。在应用六个农业投入,pH值降低了。如图8,pH值的变化在不同输入相似和重叠。这表明,氢的能力没有显著差异在几个农业投入应用。

进一步观察电导率(EC)的变化,从对含水率EC值非常敏感,有一个重大的错误转变EC值分别观察。EC值划分的含水率,并获得比统计如图9。观察表明,在一般情况下,电子商务改变农药,包括podol农药、吡虫啉和oxamoxime较小,而化肥都比较大。钾的变化最可观的EC值,和它的价值比3更重要;然而,农药的EC值变化小于1.5。

5.2。建模和分析

传感器收集农业投入的培训及相关实验数据预测模型。每个数据样本的主要内容是输入产品类别,水分比例(输入)之前,电导率(输入)之前,pH值(输入)之前,水分比例(输入)后,电导率(输入)之后,pH值(输入)。在建立模型,分析方法(27)是用于交叉验证测试模型的性能。的900个样品分别拍摄,然后剩下的899个样本被用来构建模型。每个样本模型独立测试,而结果是平均获得的平均性能的方法。

当使用DBN特征提取,但是神经网络建立,在每一层神经元的数目是300年,100年,20岁的分别和6。隐藏层的激活函数是“logsig”训练方法是L-BFGS算法(28)和输出层函数是一个softmax函数。在DBN特征提取,遏制使用一种无监督学习方法遏制网络的每一层单独训练,确保特征信息保存的映射过程中尽可能多的。在训练结束后,一个分类器设置在最后DBN的水平;使用监督微调,最好的训练结果。因为遏制网络的每一层只调整权重的层,它没有保证整个DBN的特征向量映射是最优的。监督微调后,遏制网络训练的过程可以被视为重量参数的初始化过程的神经网络,使DBN网络能够克服传统BP网络的缺点由于随机初始化权重参数和容易陷入局部最优,训练时间长。

在培训期间,迭代的数量是400,学习速率为0.1,训练误差目标设置为0.001。培训结束后,提取的特征数据表所示1:

通过无监督培训的DBN和非线性映射,特性获得输入数据,如pH值、水分和电导率。提取特征后,相同类型的农业投入的凝聚力和不同农业投入的差异可以更好的证明。降维后的主成分分析(PCA)方法(29日)的三维分布特征值和原始值的三维分布如图10和11。它可以观察到的特征值提取DBN可以分开,但最初的输入值没有特征提取被打散了,有一些混乱。因此,很明显,使用分类提取的特征值能达到更好的预测结果。

我们使用此模型来预测农业投入。首先,通过应用RBM-based DBN模型,无监督培训原始数据进行了提高网络的鲁棒性。第二,获得的特性数据,并将softmax分类器添加到DBN,特征数据作为输入,输入的类别作为输出。第三,该特性数据和标记的样本来微调将softmax分类器相结合,最后,建立了模型预测的准确性。结果是图所示12。900个样本预测时,13个样本错误地预测模型的准确性为98.5%。

DBN-softmax的性能评估模型、bp神经网络和DBN-BP模型也建立和输入的预测精度比较的产品。

如表所示2,DBN-BP精度高于BP神经网络,因为DBN采用无监督layer-wise [16训练模式)机制。权重通过DBN学习获得的输入数据的结构,接近最优全局值。然而,BP神经网络的初始值被随机集,容易出现问题,如当地最优梯度扩散,所以需要手动调整参数30.]。DBN-BP DBN-SOFTMAX相比时,我们使用相同的DBN结构与不同的分类器,提取特征预测精度是相同的。它表明,预测精度主要取决于特征提取的质量,和不同分类器的结果没有很大的不同。

进一步研究确定系数(r平方)和均方根误差(RMSE)在测试模型的性能。摘要传统的建模方法相比,如BP-NN和支持向量机(SVM) [31日]。当建立支持向量机模型,nu-SVM算法选择和径向基函数(RBF)被选为内核函数。错误的惩罚系数γ和核函数参数ν是0.255和1,这是由网格搜索技术(32]。在建模的过程中,校准设置被用来构建模型,并用于交叉验证的分析方法进一步测试模型的鲁棒性和适应性。

如表所示3BP-NN模型观察时,校正集的性能是一样的支持向量机。然而,交叉验证的决定系数是小于支持向量机,和均方根误差比支持向量机更广泛,显示该模型不准确和稳定的支持向量机模型。DBN模型观察时,可以看到,在特征提取之后,确定系数的校正集和交叉验证最大BP-NN和SVM相比,分别达到0.99和0.99。与此同时,RMSE DBN模型校正集和交叉验证的是最小的,分别是0.03和0.15。一般而言,相比,支持向量机和BP-NN DBN仍被认为是最佳的建模方法。

6。结论

基于自主研发的监控设备和DBN-SOFTMAX模型中,我们开发了一个智能监控平台的农业投入;执行在线和实时监控在农场。当农业投入应用于农场,我们可以比较类型的输入和输入的应用程序和数据管理员可追溯系统。一旦生产者不记录可追溯性信息或输入错误的信息,我们的系统可以捕获相关数据及时、准确,然后自动提供安全警告生产商,确保可追溯性信息是真实和准确的。智能监控平台将为一个新的跟踪系统的发展。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

杨玲,吴Ting,李林的构思和设计实验;杨玲进行实验;Ting,胡安周,徐能Cai,和V Sarath先生分析了数据;杨玲,吴Ting,李林创作并完成手稿。

确认

本研究联合支持的国家自然科学基金(61501531);从广东省科学技术基金(2015 a020209173 2017 a020225007);基金从广州科技局(201704020030,201704020030);和“创新和强大的大学”专项资金(KA170500G)广东省教育部。诉Sarath先生被中国博士后科学基金会的支持。

引用

1. a . Regattieri m . Gamberi, r . Manzini”食品的可追溯性:一般框架和实验证据,”《食品工程,卷81,不。2、347 - 356年,2007页。视图:出版商的网站|谷歌学术搜索
2. t . Bosona和g . Gebresenbet”食品可追溯性的一个组成部分在食品和农业供应链物流管理”食品控制,33卷,不。1,32-48,2013页。视图:出版商的网站|谷歌学术搜索
3. z h . y .邓w·谢问:周,和江问:t, b . Li”测定11 benzoylurea杀虫剂残留在蔬菜质/女士,”《仪器分析,28卷,不。8,970 - 974年,2009页。视图:谷歌学术搜索
4. j . h .郑g . f .彭日成c . l .风扇和m . l .王”128年同时测定牛奶中农药残留的液体chromatography-tandem电喷射massspectrometry,”中国日报的色谱,27卷,不。3、254 - 263年,2009页。视图:谷歌学术搜索
5. m . y . Selisker d·p·赫尔佐格r . d . erb j . r . Fleeker和j . Itak”决心百草枯在水果和蔬菜的一个基于磁粉的酶联免疫吸附试验,”农业与食品化学杂志》上,43卷,不。2、544 - 547年,1995页。视图:出版商的网站|谷歌学术搜索
6. m . j . Alcocer·p·狄龙b·m·曼宁et al .,“使用膦酸作为一个通用的半抗原anti-organophosphate农药生产的广谱特异性抗体,”农业与食品化学杂志》上,48卷,不。6,2228 - 2233年,2000页。视图:出版商的网站|谷歌学术搜索
7. 美国库玛和c . tran minh杀虫剂决心与使用不同的酶固定化酶电极技术,”电分析,4卷,不。10日,949 - 954年,2010页。视图:出版商的网站|谷歌学术搜索
8. s . h .红嘴山鸦,a . Mulchandani p . Mulchandani w·陈,j . Wang和k·r·罗杰斯“有机磷hydrolase-based测量电流的传感器:调制灵敏度和底物选择性,”电分析,14卷,不。4、273 - 276年,2015页。视图:出版商的网站|谷歌学术搜索
9. j·伯勒尔、t·布鲁克和r . Beckwith”葡萄园计算:传感器网络在农业生产中,“IEEE普适计算,3卷,不。1,38-45,2004页。视图:出版商的网站|谷歌学术搜索
10. m . Srbinovska c . Gavrovski诉Dimcev, a . Krkoleva诉Borozan,“在精准农业环境参数监测使用无线传感器网络,”《清洁生产卷,88年,第307 - 297页,2015年。视图:出版商的网站|谷歌学术搜索
11. d·d·乔杜里,s . p . Nayse和l . m . Waghmare”应用无线传感器网络在精准农业温室参数控制,”无线和移动网络的国际期刊,3卷,不。1,第149 - 140页,2011。视图:出版商的网站|谷歌学术搜索
12. h·j·贾和z h .郭rs485 /以太网技术研究”2010年国际会议上产品E-Service E-Entertainment,页1 - 3,河南人,2010年11月。视图:出版商的网站|谷歌学术搜索
13. m·诺和a . Sikora”自由空间范围测量Semtech罗拉™技术,”2014年第二届国际研讨会会议中的无线系统智能数据采集和先进的计算系统页,19号Offenburg,德国,2014年9月。视图:出版商的网站|谷歌学术搜索
14. n .阿s Sudin l . m . Kamarudin et al .,“设计和开发multi-transceiver Lorafi董事会罗拉和ESP8266-Wifi通讯模块组成,”IOP会议系列:材料科学与该文第012051条,卷。318年,2018年。视图:出版商的网站|谷歌学术搜索
15. g·e·辛顿“实用指南培训限制玻耳兹曼机,”神经网络:做生意的诀窍,g . Montavon g·b·奥尔和k·r·穆勒,Eds。卷,7700在计算机科学的课堂讲稿施普林格,页599 - 619年,德国海德堡2012。视图:出版商的网站|谷歌学术搜索
16. y Bengio”,学习深度为人工智能架构,”机器学习的基础和趋势®,卷2,不。1、1 - 127、2009页。视图:出版商的网站|谷歌学术搜索
17. b . Scholkopf j·普拉特,t·霍夫曼,“贪婪layer-wise培训网络,深”国际会议上神经信息处理系统,第160 - 153页,2006年。视图:出版商的网站|谷歌学术搜索
18. g·e·辛顿和r . r . Salakhutdinov”,与神经网络,降低数据的维数”科学,卷313,不。5786年,第507 - 504页,2006年。视图:出版商的网站|谷歌学术搜索
19. 施n . Li j . m .锣,“变化检测合成孔径雷达图像中基于模糊限制玻耳兹曼机,”仿生计算理论和应用程序。BIC-TA 2016l . m .锣锅,t的歌,和g·张,Eds。卷,681通信在计算机和信息科学施普林格,页438 - 444年,新加坡,2016年。视图:出版商的网站|谷歌学术搜索
20. g . v .制作方表示,和m . d . Bruijne”结合生成和歧视表示学习肺CT分析卷积限制玻耳兹曼机,”IEEE医学成像,35卷,不。5,1262 - 1272年,2016页。视图:出版商的网站|谷歌学术搜索
21. p . m . r . a . Servedio,“随机噪声分类击败所有凸潜在的支持者,”机器学习,卷78,不。3、287 - 304年,2010页。视图:出版商的网站|谷歌学术搜索
22. l, m . w . Su, m .吴j .她和k .大臣”Softmax回归基础深稀疏autoencoder面部表情识别在人机交互、网络”信息科学卷。428年,49 - 61年,2018页。视图:出版商的网站|谷歌学术搜索
23. k .段s . s . Keerthi w·楚,s . k . Shevade和a . n .粪便”多媒体分类soft-max二元分类器的组合,”多个分类器系统。MCS 2003、t . Windeatt和f . Roli Eds。卷,2709在计算机科学的课堂讲稿施普林格,页125 - 134年,柏林,海德堡,2003年。视图:出版商的网站|谷歌学术搜索
24. 廖,j .徐j . Lv, s .周”的图像检索方法基于DBN和Softmax二进制图像分类器,”IETE技术评审,32卷,不。4、294 - 303年,2015页。视图:出版商的网站|谷歌学术搜索
25. a . Nagabandi g . Kahn r . s .担心和s·莱文,”神经网络动力学模型深度强化学习模范自由微调,”2018年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,页7559 - 7566,布里斯班,澳大利亚,2018年5月。视图:出版商的网站|谷歌学术搜索
26. 林j .杨y呗,f, m . Liu z侯,和刘x”小说心电图心律失常分类方法基于堆叠稀疏auto-encoders softmax回归,”国际期刊的机器学习和控制论,9卷,不。10日,1733 - 1740年,2017页。视图:出版商的网站|谷歌学术搜索
27. m·卡恩斯·d·罗恩,“分析交叉验证算法的稳定性和完整性检查范围,”神经计算,11卷,不。6,1427 - 1453年,1999页。视图:出版商的网站|谷歌学术搜索
28. d . c .刘和j . Nocedal”内存有限bfg大规模优化的方法,”数学规划,45卷,不。1 - 3、503 - 528年,1989页。视图:出版商的网站|谷歌学术搜索
29. 美国荒原,k . Esbensen和p . Geladi“主成分分析”,化学计量学和智能实验室系统,卷2,不。1 - 3,37-52,1987页。视图:出版商的网站|谷歌学术搜索
30. b .杨、x h·苏和y . d . Wang”基于一种改进的Bp神经网络优化遗传算法,”程序。国际会议在机器学习和控制论卷,61年,页64 - 68,北京,中国,2002年11月。视图:出版商的网站|谷歌学术搜索
31. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
32. l . i Bing,问:z姚明,z . m .罗和y .田,“Gird-pattern方法支持向量机的模型选择,”计算机工程与应用,44卷,不。15日,第138 - 136页,2008年。视图:谷歌学术搜索

版权

版权©2018杨玲等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。