文摘

获得的实时智能监控与智能高度关注加强作物的生产力意义重大。目前,物联网将生成大量的实时数据的传感器、执行器、和识别技术。然而,从数据中提取有意义的见解对于实现智能农业生态系统是必要的。基于之前的研究,还发现,有限的研究仅仅是实现机器学习(ML)实时数据通过定制的硬件和专用服务器。在这项研究中,我们提出了一个定制的手持设备,使提供建议农民在实时数据的基础上通过物联网硬件和毫升。提出了一种三层结构研究中实现自定义硬件与2.4 GHz无线个域网和物联网传感器的数据采集、沟通和建议。作为一个实时实现的一部分,传感器的校准与精密加工形成一个实时数据集。这项研究评估4毫升模型和得出结论,XGBoost显示更好的准确性提出了数据集。XGBoost推荐该作物的基础上选定的参数。开发的手持设备可以定制与推进特性与作物的建议。

1。介绍

农业是人类生存的关键,因为它的主要来源是粮食和其他基本资源。此外,农业占世界上4%的国民生产总值(GDP) (1]。城市化和人口增长在2050年得出结论,粮食生产必须以最小的水资源可持续增长了一倍(2]。地球上97%的水是咸的,而其余3是淡水3]。农业使用70%的淡水灌溉在大多数发展中国家4]。因此,有效的利用淡水灌溉过程中是最重要的问题方面降低成本和产量提高。使用传统的方法,农民手动检查和调节水的可用性导致失水50% (5]。然而,不同灌溉技术如滴灌,水洒灌溉,沟灌最小化浪费30 - 70% (6]。然而,土壤中水分含量的优化管理与这些灌溉技术还没有达到水上的使用在农业领域导致了溢出从土壤中营养物质的7]。

农业也需要足够的水平的化肥和农药,农民使用化肥和杀虫剂,而忽视了最优作物的需求。除此之外,水可用性、营养水平和土壤水分是一些其他因素影响农作物产量。与传统的方法,它是一个具有挑战性的任务确定水资源丰富,营养水平,土壤水分并确定哪些因素是打击食品生产(8]。这里,智能和实时系统有助于监测农业领域的各种参数,有效地控制水位与其他资源来提高生产率(9]。如今,实时监控和智能系统与物联网(物联网),可能与IoT-enabled农业物联网监测传感器和通信协议实现农业(10]。上述事实得出结论,在多个领域包括农业物联网扮演了重要角色的传感、通信、通过物联网硬件和实时监控功能。此外,从先前的研究结论是,毫升模型交付重要结果实时数据(11]。研究框架研究问题“如何和什么目的毫升技术可能用于农业物联网实时数据吗?本研究问题的基础上,本研究进行了文献综述。

1.1。文献综述

大规模农业监控应用程序需要可靠的WSN网络因为传感器的最大数量是长期操作。蔬菜温室无线传感器网络体系结构,提出了实现科学栽培和最小化管理工作从环境监测的角度来看(12]。智能温室管理系统和网络用于控制和监测农业温室自动参数和活动(13,14]。智能温室信息监控系统记录环境因素与ZigBee无线传感器(15]。Wi-Fi-based智能传感器网络提出了农业环境监测,和农业环境的系统允许智能监控16,17]。WSN的努力推荐传感器数据可以收集和发送到主服务器(18]。WPAN-based水质监测系统提出了清理和收集实时传感器数据在农业用地与虚拟仪器数据记录器(19]。除了网络,物联网技术的出现使得农民和技术人员解决农民所面临的挑战,诸如水资源短缺、成本控制和效率问题(20.]。

一个可伸缩的物联网和网络架构提出了远程监测和控制农业(21]。相同的,一个节能无线个域网传感器网络与双向沟通和终端设备集成交付数据从传感器到PC在变量的时间由中央节点(22]。SiloSense是一个独特的体系结构基于ZigBee监控粮食筒仓的储存条件保护他们免受损坏和疾病(23]。最重要的参数是需要监控虽然种植小麦和其他蔬菜土壤湿度,环境温度,气压,阳光强度(24]。也和WSN-based农业系统监测空气、温度、土壤水分和湿度与射频模块(25]。基于云计算和IoT-based智能灌溉系统的目的是获取土壤水分数据,温度和土壤健康,减少水消耗(26,27]。IoT-based温室农业是实现监控气候条件和获得一个云服务器上的数据进行分析,而无线个域网协议和无线模块集成28,29日]。IoT-based框架被设计用来执行数据分析使用实时数据来提高生产率在农场通过温度、土壤水分和湿度传感器(30.,31日]。

IoT-enabled植物病害和害虫预测系统实现为减少杀虫剂和杀真菌剂的使用,此外,评估气象数据也进行了识别害虫增长和气候之间的关系(32]。毫升有助于检查和分析数据来自不同领域的农业来提高农作物产量,提供不同的分析技术预测作物的产量和植物病害33,34]。ML-based预测模型帮助农民获得正确的收获与无条件的天气行为(35]。ML算法,如神经网络模型用于预测分析(36]。从文献综述,确定在农业领域,智能监控需要执行与物联网等先进技术。文献还认为他们是有限的研究,分析了通过传感器获得的数据的准确性。此外,定制的硬件基础上的农业领域要求是本品由先前的研究人员所作的探索。毫升技术应用在不同的数据集疾病检测、环境参数监测,在灌溉和自动化,但以往的研究尚未探索作物推荐在实时数据的基础上。然而,实现毫升实时数据主要需要一个资源受限和专用服务器完成任务获取实时农业数据,而不是使用它有多种用途。

为了克服这个研究,本研究的差距实现定制的物联网硬件获取现场实时数据通过无线个人区域网(WPAN)和无线局域网(WLAN)。WPAN可以减少功耗和传输传感器数据可靠和安全。WLAN用于定制的硬件连接到云服务器通过IP协议。保持数据的准确性,应用于传感器的校准方法。也从先前的研究,确定物联网需要分析技术提供明智的决定基于实时传感器数据从传感器获取物联网(11]。研究的贡献如下:(我)定制的传感器节点的硬件、主节点和手持设备与无线个域网射频调制解调器是专为传感农业领域的实时数据,包括温度、湿度、土壤pH值和水位(2)干扰测试是验证无线个域网实现的信号不干扰其他信号在同一频带(3)提高数据传输的安全性,私钥的对称加密方法是应用利用XXTea加密功能(iv)云服务器开发日志实时传感器数据的农业领域(v)pretrained机器学习模型应用到实时数据,如温度、湿度、降雨量、土壤pH传感器的云服务器季节性农作物的建议

这项研究的组织如下:部分1.1涵盖了拟议的系统。部分2涵盖了系统的发展线路图。部分3介绍了仿真分析和校准。部分4涵盖了开发的实时实现节点和当前的消费分析。本文在最后部分得出结论。

2。建议的体系结构

实现作物推荐的主要目的,在实时,机器学习利用。这系统打算利用多个传感器的实时数据收集,如温度、湿度、降雨量、和土壤pH传感器来提高效率和作物的建议下,与机器学习技术的支持。如图1架构分为多个模块,软件和硬件部分,每个都有它的目的,从硬件节点,数据收集;服务器,数据处理;最后,手持设备用户。

系统是由各种环境传感器部署在农业领域收集数据等各种特征水位、温度、土壤pH值和湿度。这些信息然后发送到主节点,我们系统的主要枢纽,负责沟通与发达的云服务器,并将从传感器获取的数据。在信息存储和服务器,也贯穿了ML算法研究。从那里,基于该算法的分析,信息呈现给用户在手持设备上,如作物的建议。作物从手持设备推荐功能被激活,收到和建议在手持设备上根据用户的请求。

2.1。数据采集层

数据采集层是主要的层架构的获取农业领域的环境参数。这一层是专门致力于持续监测环境参数包括水位、温度、湿度、光强度、降雨水平。为此,物联网传感器连接到传感器节点如图2并通过2.4 GHz无线个域网通信(37),主节点传输数据。此外,传感器节点启用安全,干扰技术,安全可靠的通信和节点的映射功能。

2.2。数据处理层

物联网设备和传感器记录的环境参数实时农业领域。感觉数据处理与数据处理层。主节点,它由无线个域网的射频模块,从数据采集层接收数据并将其传输到云服务器通过无线模块(图3)。主节点是由电池供电。记录器的数据也可以在可视化的数据处理层通过蓝牙传感器数据。主节点与无线模块连接到网络日志感觉云服务器中的数据。

2.3。分析和可视化层

图4说明了系统逻辑,解释了预处理和分析收集的数据从传感器节点。在主节点接收到传感器数据转化成一组脚本,并登录到云服务器。在这里,一个云服务器日志传感器节点值也发达。在预处理步骤中,传感器数据转换成适当的格式进行机器学习分析。美联储数据机器学习模型和基于数据模型,它表明推荐的作物。模型的结果存储在云服务器上,手持设备,连接到云服务器也可视化推荐的作物和实时传感器数据。为用户提供一个方式收集的数据从传感器和机器学习的结果,云服务器。

云服务器是两个不同的API开发协议后端和前端和后端之间的数据交换和定制网关。接口的前端和后端之间的数据交换与REST API实现。REST api使用HTTP请求来执行基本的数据库活动在一个资源,例如创建、读取、更新和删除记录。REST api接受JSON请求负载和响应发送JSON。JSON是数据传输的标准。后端之间的接口,并使用MQTT协议网关实现。云服务器协助检查所有传感器值实时从农业领域检索。此外,一个手持设备连接到云服务器提供的更新作物根据用户请求生成的。

3所示。硬件开发

在本节中,我们提出了传感器节点的原理图,主要是实现数据采集。此外,定制的硬件进行农业监测包括数据记录器和手持设备。传感器节点的详细描述和下面是手持设备。

3.1。传感器节点

图5说明了不同的电子元件的连接的传感器节点。节点由一个2.4 GHz射频调制解调器工作在全双工模式下传输数据从一个节点到另一个连接的网络。总之,两个传感器(气体传感器和湿度传感器)连接到节点放置在现场。气体传感器的作用是测量气体的浓度(如液化石油气和丁烷)在目前的环境。环境的湿度是一个湿度传感器检测到的帮助。湿度传感器给9600波特率的单片机的串行数据。这些传感器的输出模拟形式。模拟信号从模拟到数字传感器是美联储在8针的接口(38]。

这个销的作用是把模拟信号转换成数字信号。从传感器获取的信号后,单片机执行逻辑操作和控制整个操作。一个显示(162 LCD)是附加到每个节点。这是显示测量参数的函数。MAX 232集成电路还用于提供节点和PC机之间的通信。的帮助下,最终用户可以很容易地观察参数和执行必要的行动。整个电路工作在5 V电源。射频模块连接到单片机的发射机和接收机销。ZigBee模块(CC2500) [37)用于系统提供的无线通信网络。这个模块工作在全双工模式下也可以与许多通信设备在同一时间。提出了网络中每个节点的拓扑是基于网格拓扑。所有必需的组件的集成和开发硬件传感器节点如图6。传感器节点与LCD可视化集成传感器的值。

3.2。手持设备

图7显示一个手持设备的线路图,由蓝牙调制解调器。这个调制解调器的主要功能是接收从数据记录器节点传输数据。这个节点是终端用户,很容易为终端用户提供收集的数据。该节点与其他节点在网状拓扑。显示用于显示测量数据。基于这些数据,用户可以很容易地决定。图8说明了手持设备的硬件,手持设备也集成了显示可视化数据实时传感器值和作物的建议。

3.2.1之上。当前消费分析的硬件

当前消费分析是基于当前执行的每个组件所需的用于开发系统。功耗的无线个域网射频调制解调器是为每个节点最多,其次是消费的单片机。尽管权力不是一个系统的设计问题,很明显,设计系统需要更少的能量比标准可用的设备如Mica2和Micaz节点。当前消费的分析得出结论,设计硬件消耗更少的能量在数据传输。具体来说,手持设备只是消耗电流79毫安。当前的消费可能不同硬件中的组件时增加。从表1,得出节点的功耗1是85毫安,节点2是85毫安,节点3是264毫安,节点4是104毫安,节点5是83毫安。满足电力需求的传感器节点,一个能量收集系统将集成到传感器节点在未来。在农业、太阳能电池板将用于实现太阳能收集系统传感器节点。表2显示当前消费的手持设备,它是79毫安。电源与电池到手持设备实现。

3.3。校准的传感器

在本节中,传感器校准执行设置传感器操作准确,不会出现错误。本节描述传感器校准(温度/湿度、土壤水分和超声波)用于开发系统。传感器校准是重要的一步,在系统中传感器的实际实现。开发的系统,每个传感器都是第一次校准用标准工具和检查其准确性后,传感器系统中使用。土壤湿度传感器校准,烤箱使用方法。温度/湿度传感器校准,使用湿度。超声波传感器校准用标准测量的尺子。为每个传感器和测试进行了与标准工具相比,它是观察到传感器校准适当如下。

3.3.1。土壤水分传感器

土壤水分传感器取自Sunrom模型(http://sunrom.com/)没有。1282年(39]。传感器提供了阅读在数值方面,我们可以看到在桌子上3。这个传感器措施基于土壤体积含水量的水分。另一方面,标准炉方法,发现土壤水分给阅读百分比。最初,烤箱的传感器读数映射方法(40)检查传感器之间的错误价值和工具价值。图9表明土壤含水量之间的关系由传感器和显示标准仪器。它提供了传感器的标定值关于烤箱的百分比值的方法。验证校准,重复实验通过土壤样本从五个不同的地方有效水含量和校准用的标准工具。表4展示了示例数据的土壤含水量(%)与传感器的值。传感器读取传感器接收到的模拟-数字转换器(ADC),转换为%值使用方程(1)。如果传感器的ADC值是255,那么价值被认为是100%准确的有关标准烘箱法。

3.3.2。超声波传感器

超声波传感器(41是校准标准范围内。表5清楚地展示了传感器值之间的偏差值和规模是3厘米。所以,这偏压由相应的单片机编程。它显示了一个常数偏差值的传感器,这是消除的帮助下单片机程序。校准后,传感器显示准确的读数。

3.3.3。温度/湿度传感器

温度/湿度校准与干湿表(42]。它是通过映射传感器的值与标准仪器。使用编程控制器调整值。阅读是2020年3月每半个小时。如表所示6,阅读,和相应传感器校准。传感器的校准,使用干湿表按照给出的计算(43]。

3.4。安全和干扰测试

3.4.1。安全

作为安全特性的一部分,在实施阶段,我们采用AVR微控制器应用程序与一个家庭被提出。复杂的算法是一个诅咒在AVR利用时间复杂或内存,因为他们经常把执行代码变成阻塞,这意味着其他常规由控制器被阻塞,可能创建延迟执行的函数。记住这些因素,我们应该采取相当敏感而采用加密算法在这些低位控制器。加密功能XXTea和AVRCrypto可用于实现加密方法。在我们的例子中,我们使用XXTea加密函数实现对称加密私钥,仍然独家网络节点增加的另一个层数据通信的安全性。

3.4.2。干扰

检测和处理干扰的基本参数包括比特误码率(BER),包错误率(每),接收信号强度指示(RSSI) signal-to-interference-to-noise比(SINR),吞吐量和延时。在这项研究中,我们应用一个干扰避免算法基于频率捷变(39]。该算法允许无线个域网检测干扰和灵活移动节点安全通道以最小的能耗和最小的延迟在处理干扰。在这种技术,终端设备与传输时间测量每至少20包,如果每超出25%的水平,干扰信息转移到母公司路由器来评估链路质量指标(LQI)。当父路由器确定LQI值小于100,它指示扫描能量检测对访问进行干扰检测通道(ED)。

4所示。机器学习模型

如前所述,机器学习算法用于推荐农作物基于传感器数据。实现,该算法首先必须被训练理解系统和环境提供作物推荐的结果。本研究的目标之一是选择算法是最好的算法,不仅可以使用系统中,在其他情况下类似的数据。要做到这一点,四个不同的分类算法进行了测试,看看哪一个最高的精度。(一)决策树(DTs):通过分层分区的训练数据,一些函数是用来分割数据,这个部门是做迭代,直到叶子节点包含数量记录,可用于分类数据量(44,45]。然而,如[46),该算法面临一些限制因为一个小变化在训练数据集可以导致树中的显著变化,并预测未来值准确性将变得更加困难(b)支持向量机(SVM)是主要用于分类,分类数据通过构建维度两个类之间,找到一个最优超平面分类数据,使用间隔相邻点之间的距离,和类之间的区别和最小误差(47]。根据一个简单的解释,由于训练数据,该算法生成的最佳超平面排名的新例子(c)随机森林(RF)是最好的用于分类问题和集成了DT总包装过程中通过选择一个子集树中的各个节点的功能,避免相关的引导设置(45),使用树分类器,其中一个为每个分类器树(d)XGBoost: DT模型一样,该算法的目标是,顾名思义,以提高模型的性能。它创建一个序列的模型,而不是单独培训所有的模型,它连续模型,新模型试图纠正错误之前的模型(48]。第一个模型是建立在原始数据集,第二个模型提高了第一个模型,第三个模型提高了第二个模型,等等。模型添加顺序,直到没有进一步方面可以作出改进

4.1。数据创建

完整的硬件的系统如图10 ()。图10 (b)说明了传感器节点基于嵌入式的2.4 GHz无线个域网模块与多个传感器包括水位、温度、湿度、酸碱度、光照强度。此外,传感器节点与液晶显示界面的传感器数据的可视化。在这项研究中,一个定制的传感器与物联网传感器节点部署在农业部门Maheru,旁遮普地区,如图11。传感器节点部署在室外环境从传感器实时获取数据。正如前面所讨论的在这一节中,传感器节点与多个传感器来检测界面上的农田的环境参数,与云服务器通信通过一个主节点基于2.4 GHz无线个域网通信和无线保真(wi - fi)。

传感器数据的输入参数是温度、湿度、水位、土壤博士物联网传感器节点超过6个月的32000个样本用于建立一个数据集进行训练。手工数据分割方法被采纳的总数分为训练样本和测试样本。70:30比率为该数据集,选择70%的训练,30%的测试如表所示7。

在数据集生成期间,除了时间戳和传感器收集的数据,其他功能被添加到每个记录的基础上计算和预处理数据从传感器的值。表8显示每个数据集的特性。数据集之间的区别是标准的一个只有一个条目为每个特性而sensorID集群有3个条目,平均价值,diff_sen,每一个关于三个传感器用于测试。

4.2。模型分析

各种各样的ML算法被用来分析模型找到最好的一个在我们的系统中使用。对于我们的例子中,我们为每个算法共有8执行测试,每个都有一组不同的参数,训练算法来确定哪一个最高精度,使它可以应用在我们的系统。每个测试运行使用Python, scikit-learn库(37),和世爵平台。每个算法使用适当的脚本开发库scikit-learn分类和使用默认配置。正如前面提到的,70%的数据集是用于培训,30%是用于测试。表9显示了每一个测试的结果,图12显示相同的结果改善分析。

5。实时实现

硬件原型是部署在实时评估发达系统根据传感器获取作物建议值。如图4、实时传感器值美联储pretrained模型。基于收到实时传感器数据,XGBoost模型取得了更好的准确性在其他pretrained毫升模型如表所示9。此外,模型的结果见图13(一)和13(b),在图13(一)作物建议处理基于温度、湿度、雨水平,土壤博士 - - - - - -轴表示数据样本的数量, - - - - - -轴表示范围的温度、湿度、雨,温度和土壤博士的阴谋,橙色表示小麦,水稻,蓝色表示。

根据温度、湿度、雨的水平,土壤pH值,优化作物推荐。例如,在情节、温度的温度范围39°四十五°C,推荐的作物是小麦。在潮湿的情况下,小麦的最低湿度水平建议。水稻建议3毫米的雨水平和8的pH值,建议和小麦。作物交付的建议的基础上,训练数据,并且它与其他位置可能会有所不同,通过实时数据作为数据集开发研究的位置。在情况下,如果在其他位置所需的硬件实现,然后与物联网传感器需要开发定制的硬件发展的一段时间的数据集。

在图14、作物建议处理基于温度、湿度、养分和光照强度。的 - - - - - -轴表示数据样本的数量, - - - - - -轴表示范围的温度、湿度、养分和光照强度。温度图,蓝色表示绿色叶子,和暴力色彩表示西红柿。根据温度、湿度、养分和光照强度,优化作物推荐。在温度范围内温度的阴谋,20°正在°C,推荐的作物是番茄。在35°C的温度,情节的结论是,绿叶和番茄作物推荐。

在潮湿的情况下,如果湿度水平的范围在60%和70%之间,然后作物包括绿叶和西红柿都是推荐。营养水平的番茄作物推荐在0到1%之间。如果光强度是8点烛光,番茄作物高度推荐。手持设备基于云服务器还通过互联网接收作物推荐基于需求。表10介绍了智能农业监测的比较与先前的研究。来验证提出的研究中,以下沟通、评估参数数据处理、分析、模拟、校准和手持设备。该研究提供了通信协议的优点,使用2.4 GHz无线个域网和wi - fi。

这些两个通信平台的集成使本地获取数据并在云中。从表中,得出结论,提出研究有有益的方面提供实时数据用户在手持设备上通过稳定和可靠的通信。看到在前面的研究中,许多研究人员已经实现了先进的无线通信技术像罗拉。LoRa-based传感器节点增加了基础设施的部署成本相比ZigBee-based传感器节点。然而,罗拉和无线个域网可以利用在农业领域结合监测以以下方式。

ZigBee-based传感器节点部署在农业领域监测环境参数,和单一LoRa-based节点可以作为主管节点所有ZigBee-based传感器节点。这个LoRa-based节点连接到网关,罗拉可以传输到一个远程的数据。从那里,ZigBee-based传感器节点的信息可视化在云服务器上。这种方法可以实现提高连通性和减少基础设施成本。这项研究有增强的硬件节点映射特性,频率捷变干扰规避和XXTea加密功能。所有这些特性都记录在硬件编程。

6。结论

实时智能监控与智能提高作物生产力受到很大的关注。目前,物联网将生成大量的实时数据从传感器、致动器、和识别技术。然而,从数据中提取有意义的见解是所需的智能监测农业生态系统和便携式设备。目前的研究重点是实现定制的手持设备协助农民与作物推荐毫升。认识到这一点,首先,定制的硬件设计和传感器校准获取免费数据的错误。此外,安全也是内置的定制硬件安全的云服务器上的数据传输。实时数据是可用的云服务器,它是用于形成数据集的结论为作物推荐最优毫升模型。确定最优毫升模型之后,它被应用在云服务器上。毫升模型在此基础上,推荐的作物产生的实时数据定制的硬件。

数据可用性

数据可以在请求。数据相关的疑问,请致电Baseem汗,(电子邮件保护)。

的利益冲突

作者宣称没有利益冲突。