[發(fā)明專利]一種基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110051665.5
• 申請(qǐng)日: 2021-01-15
• 公開（公告）號(hào): CN112800877A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 江煜;楊忠
• 申請(qǐng)（專利權(quán)）人: 金陵科技學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06Q50/02;G16Y10/05;A01G13/00;H04L29/08
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治方法，具體步驟如下，其特征在于：

步驟1，搭建以STM32為基礎(chǔ)的害蟲防治物聯(lián)網(wǎng)系統(tǒng)：使用STM32作為物聯(lián)網(wǎng)網(wǎng)絡(luò)層的控制器，利用WiFi通訊模塊作為網(wǎng)絡(luò)層分別與感知層和平臺(tái)層的無線通信方式；

步驟2：確定網(wǎng)絡(luò)層通信協(xié)議：通訊數(shù)據(jù)格式有幀頭、地址、命令碼、有效數(shù)據(jù)、校驗(yàn)位、幀尾，利用不同命令碼對(duì)STM32發(fā)送工作指令，并對(duì)不同的感知層傳感器進(jìn)行地址編碼，以做數(shù)據(jù)辨別；

步驟3，獲取模擬噪聲環(huán)境數(shù)據(jù)：向步驟2中平臺(tái)獲取的農(nóng)業(yè)圖像數(shù)據(jù)添加椒鹽噪聲，通過添加椒鹽噪聲模擬噪聲環(huán)境下采集信號(hào)所受到的干擾；

步驟4，訓(xùn)練SVM害蟲分類模型：將步驟3獲得的農(nóng)業(yè)圖像數(shù)據(jù)化分為訓(xùn)練樣本和測(cè)試樣本，將訓(xùn)練樣本的特征作為輸入，訓(xùn)練樣本的標(biāo)簽作為輸出，獲得SVM害蟲分類模型；

步驟5，實(shí)現(xiàn)基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治：針對(duì)SVM害蟲分類模型輸出的害蟲分類結(jié)果，發(fā)送對(duì)應(yīng)命令碼至STM32控制器中，通過外接的害蟲防治系統(tǒng)，有針對(duì)性的滅除害蟲。

2.根據(jù)權(quán)利要求1所述的一種基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治方法，其特征在于：步驟1中搭建以STM32為基礎(chǔ)的害蟲防治物聯(lián)網(wǎng)系統(tǒng)可以表示為：

該系統(tǒng)分為：感知層、網(wǎng)絡(luò)層，感知層的數(shù)據(jù)通過STM32的WiFi模塊與網(wǎng)絡(luò)層相連接，感知層包括：溫度傳感器采集的溫度數(shù)據(jù)、濕度傳感器采集的濕度數(shù)據(jù)、PH值傳感器采集的PH值數(shù)據(jù)、光強(qiáng)傳感器采集的光強(qiáng)數(shù)據(jù)、CCD傳感器采集的農(nóng)田圖像數(shù)據(jù)，每個(gè)傳感器節(jié)點(diǎn)互相獨(dú)立；STM32控制器通過驅(qū)動(dòng)電路、濾波放大電路、A/D轉(zhuǎn)換電路采集感知層的各類數(shù)據(jù)，并利用WIFI模塊將采集到的數(shù)據(jù)發(fā)送至物聯(lián)網(wǎng)平臺(tái)，物聯(lián)網(wǎng)平臺(tái)層對(duì)檢測(cè)到的數(shù)據(jù)做近一步的處理分析。

3.根據(jù)權(quán)利要求1所述的一種基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治方法，其特征在于：步驟3中獲取模擬噪聲環(huán)境數(shù)據(jù)可以表示為：

在物聯(lián)網(wǎng)平臺(tái)層對(duì)數(shù)據(jù)進(jìn)行處理分析前，先構(gòu)建基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲分類模型，物聯(lián)網(wǎng)平臺(tái)層通過網(wǎng)絡(luò)通訊協(xié)議的命令碼區(qū)分感知層采集到的數(shù)據(jù)，并獲得實(shí)時(shí)采集的農(nóng)田圖像，當(dāng)STM32檢測(cè)到各類數(shù)據(jù)后，會(huì)將數(shù)據(jù)打包成數(shù)據(jù)格式為：幀頭、地址、命令碼、有效數(shù)據(jù)、校驗(yàn)位、幀尾，平臺(tái)層收到農(nóng)田圖像數(shù)據(jù)后，建立農(nóng)田圖像數(shù)據(jù)集，在圖像數(shù)據(jù)集的基礎(chǔ)上添加椒鹽噪聲模擬環(huán)境噪聲，所添加的椒鹽噪聲模型為：

其中，I_max和I_min是圖像像素點(diǎn)的最大值和最小值，p為圖像出現(xiàn)噪聲的概率，p的取值范圍為20％～30％，i_xy是采集圖像像素點(diǎn)(x,y)的實(shí)際值，f(x,y)是添加椒鹽噪聲后的圖像像素點(diǎn)值。

4.根據(jù)權(quán)利要求1所述的一種基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治方法，其特征在于：步驟4中訓(xùn)練SVM害蟲分類模型的過程可以表示為：

農(nóng)業(yè)圖像數(shù)據(jù)集組成k個(gè)數(shù)據(jù)的樣本集(x_i,y_i)_j，其中j＝1,2,...,k，i＝1,2,...,n，n是訓(xùn)練樣本的個(gè)數(shù)，y∈{-1，1}是害蟲類別標(biāo)號(hào)，通過“間隔最大化”學(xué)習(xí)策略學(xué)習(xí)得到k個(gè)分類的最優(yōu)超平面為：

ω·x+b＝0 (2)

式中ω是法向量，b是位移量，相應(yīng)的線性分類函數(shù)的一般形式為：

f(x)＝ω·x+b (3)

同時(shí)最優(yōu)超平面使所有樣本點(diǎn)滿足：

f(x)|≥1 (4)

SVM的支持向量是使式4成立的樣本點(diǎn)，找到支持向量后，可將數(shù)據(jù)分為兩類；SVM模型采用高斯徑向基核函數(shù)，其中高斯徑向基核函數(shù)函數(shù)如下：

在分類時(shí)，SVM算法通過核函數(shù)將樣本數(shù)據(jù)從低維特征空間非線性的映射到高維特征空間中，在高維特征空間里找出間隔最大化的最優(yōu)超平面，非線性分類函數(shù)為：

SVM算法本身是個(gè)二分類模型，同時(shí)構(gòu)造多個(gè)二分類模型可解決多分類問題，當(dāng)有n個(gè)害蟲類別時(shí)，一組SVM分類器需要設(shè)計(jì)n(n-1)/2個(gè)SVM模型，最終訓(xùn)練k個(gè)SVM害蟲分類器。

5.根據(jù)權(quán)利要求1所述的一種基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治方法，其特征在于：步驟5中實(shí)現(xiàn)基于農(nóng)業(yè)物聯(lián)網(wǎng)的害蟲防治的過程表示為：

在步驟4訓(xùn)練得到SVM害蟲分類器后，將分類器嵌入到物聯(lián)網(wǎng)的平臺(tái)層中，感知層在各個(gè)監(jiān)測(cè)點(diǎn)監(jiān)測(cè)到溫度數(shù)據(jù)、濕度數(shù)據(jù)、PH值數(shù)據(jù)、光強(qiáng)數(shù)據(jù)、農(nóng)田圖像數(shù)據(jù)后，通過STM32將數(shù)據(jù)打包利用WIFI模塊發(fā)送至平臺(tái)層，平臺(tái)層通過數(shù)據(jù)中的命令碼區(qū)分各類數(shù)據(jù)，獨(dú)立進(jìn)行分析，在平臺(tái)上顯示實(shí)時(shí)的溫度數(shù)據(jù)、濕度數(shù)據(jù)、PH值數(shù)據(jù)、光強(qiáng)數(shù)據(jù)，并將農(nóng)田圖像數(shù)據(jù)輸入到SVM害蟲分類器中，輸出農(nóng)田害蟲類型，結(jié)合各類數(shù)據(jù)有針對(duì)性地將調(diào)整農(nóng)田基本建設(shè)、調(diào)整種植結(jié)構(gòu)、合理施肥、適時(shí)灌水、化學(xué)防治等防治措施發(fā)送至平臺(tái)層，提醒種植人員進(jìn)行防治。