张平川　白林峰　张洒　孙红杏　张远生　曲培新　张利伟　许睿　赵明富

摘要：基于CC2530嵌入式系统与温湿度、光照度、CO2等传感器构建的温室物联网系统，设计实现了卡尔曼滤波、欧几里德距离公式及多元聚类统计技术相结合的多传感数据融合算法，对温室冬茬黄瓜挂果期的温度、湿度、光照度3个参数进行了数据融合试验。试验结果表明，该算法能较好地实现数据融合，减小因各类误差引起的数据不确定性及误差，温度、湿度、光照度的相对误差明显小于算术平均值算法，优化了系统对各类环境参数的决策调控依据，有助于提高温室生产的经济效益。

关键词：温室物联网;卡尔曼滤波;欧几里德距离公式;多元聚类统计

中图分类号： TP393;S126  文献标志码： A  文章编号：1002-1302（2019）03-0174-03

利用物联网构建的温室作为一种信息化的高效现代农业生产设施，已经实现了基本的参数采集和基本的控制，如CO2浓度、光照度、pH值、温湿度、氮磷钾等的采集与控制，实现了自动浇灌、通风、远程监控等多种功能[1-5]。但由于温室物联网是一个典型的多传感器系统，涉及的传感器不仅种类多且因多点布设而数量众多，其内部环境温湿度、土壤温湿度、光照度、CO2浓度、氮磷钾含量、pH值等受多种因素的影响，分布存在着不均匀性，传感器节点的故障或安放位置的差异，使得物联网数据具有时变、多变量的特点，采集数据的实时性、准确性、稳定性和容错性等性能直接影响整个系统的决策[6-10]。设施农业发达国家如法国、荷兰、美国、日本等已经实现了将数据融合技术应用到温室环境控制领域，将温室环境因子进行多传感器数据融合，将数据融合技术应用到温室作物生长环境参数的调控系统中，提高了控制的准确性[11-13]。我国温室物联网系统应用控制决策技术较为滞后，多采用比例-积分-微分（PID）算法等传统的控制技术，目前对利用数据融合技术获得准确可靠有效数据进行环境参数调控方面开展了大量的研究，如贝叶斯估计、多贝叶斯估计、数字化构建技术、统计决策理论、神经网络方法、D-S（Dempster-Shafer）算法、模糊逻辑法、自适应加权算法、产生式规则法等，以实现对温室CO2浓度、光照度、pH值、温湿度、氮磷钾等作物生长因素作出综合和全面的优化[1，6，8-9，14-15]。因此，本研究针对温室物联网系统具有时变、多变量的多传感器特征，构建一个温室物联网系统，利用CC2530嵌入式系统作为节点控制器控制各类传感器进行数据采集和设备控制，采用ZigBee无线组网技术实现传感器数据的实时采集和在节点与上位机之间的数据传输，由上位机运行卡尔曼滤波、欧式距离矩阵和多元聚类算法，完成传感数据的融合，进而构建一种具有优化控制功能的温室物联网系统。

1 系统方案设计

设计实现的温室物联网系统总体结构见图1。

从图1可以看出，传感器节点控制器CC2530控制空气温湿度传感器DHT11、CO2传感器MG811、光照度传感器GY30、土壤温湿度传感器FDR100W、土壤pH值传感器SM2120B、基质肥力氮磷钾传感器SSIOT-SOIL-NPK等进行温室环境参数采集，经CC2530内置的ZigBee模块将数据传送给智能物联网网关ANGW1E4C4G，网关将各个节点的数据经过Internet传输给温室物联网数据中心，数据中心按照一定算法对数据进行存储、可视化显示、查询、分析决策等，并根据决策结果控制相对应的执行机构进行参数调控，如通风、浇灌、增加光照度等。

节点控制器选用的CC2530是具有2.4 GHz IEEE 802.15.4、ZigBee和RF4CE多种无线协议的1个真正的片上系统（SoC），能够以低功耗低成本建立强大的网络节点。本设计利用片内ZigBee功能，要求具有256 kB闪存容量，采用的是CC2530F256（256 kB闪存）。

空气温湿度传感器DHT11是数字温湿度复合传感器，能输出已校准温湿度数字信号。内部有1个负温度系数（NTC）测温元件和1个电阻式感知湿度的元件，并与内部的1个高性能8位单片机相连接，具有超快响应、抗干扰能力强、性能优良、性价比高、体积小、超低功耗等优点。采用4针单排引脚封装，连接方便。它应用了温湿度传感技术和专用的数字模块采集技术，保证了高可靠性与长期稳定性。每个DHT11传感器都在极为精确的湿度校验室中进行校准。信号传输距离可达20 m以上，使其能适应各类应用环境甚至最为苛刻的应用场合。

CO2传感器选用MQ811，MQ811采用固体电解质电池原理，主要特点是对CO2有良好的灵敏度和选择性，受温湿度变化的影响较小，具有良好的稳定性、重复性，可应用于空气质量控制系统、发酵过程控制、温室CO2浓度检测等领域。

光照度传感器选用GY30，GY30是1种数字光强度检测传感器，内置16 bit模数（AD）轉换器，直接数字输出，光照度范围为0～65 535 lx，可对各类环境的亮度进行1 lx的高精度测定，可省略复杂的计算，无需标定，不区分环境光源，接近于视觉灵敏度的分光特性。

土壤温湿度传感器FDR100W采用德国先进的频域反射测量技术（FDR技术）原理，是目前国际上流行的土壤水分测量方法，能够精确测量土壤和其他多孔介质的体积含水量。该传感器具有精度高、性能稳定、灵敏度高的特点，可用于土壤水分自动监测站、自动灌溉控制、温室环境等系统集成。土壤湿度（土壤容积含水率）的测量范围为0～100%（m3/m3），测量精度在0～50%（m3/m3）测量范围内为±2%（m3/m3）;分辨率为0.1%;测量主频为100 MHz，工作温度范围为 -40～85 ℃。适用于土壤墒情监测、水文水利监测、节水农业灌溉、温室大棚、草地牧场、土壤速测、植物培养、花卉蔬菜、科学试验等领域。

pH值传感器选用SM2120B，可实现多点同时监测，组网并远传。适用于各种场所，尤其适用于土壤、污水处理等场所。为便于工程组网及工业应用，本模块采用工业广泛使用的MODBUS-RTU通信协议，支持二次开发。主要优点是可组网，每个设备都可设置设备地址，采用DC7-24V宽范围电源供电，具有较高的线性度，一致性好，用户可校正。pH值测量范围为4～9，pH值分辨率为0.1/0.01，测量精度为±0.5，反应时间小于14 s，适用温度范围为0～65 ℃。

土壤基质肥力氮磷钾传感器SSIOT-SOIL-NPK，可适应设施精准农业需要，利用离子大孔液体接触电位分析原理，配合云端分析，提供稳定连续定量的氮磷钾含量。基本参数：总氮含量测量范围为0～1 000 mg/L，精度为±5%～10%;磷含量测量范围为0～1 000 mg/L，精度为±5%～10%;钾含量测量范围为0～1 000 mg/L，精度为±5%～10%;重复性为1%，具有较高的测量精度，线性度好。

系统可以采集温室的环境参数，可以通过设定温室内的土壤温度、土壤湿度、电导率、pH值、时间等参数来自动控制电磁阀和水泵、施肥系统等的目标值，通过空气温度、空气湿度、光照度、二氧化碳等参数来自动控制内遮阳、外遮阳、天窗、侧窗、外翻窗、加温设备、风机、湿帘、加湿设备、CO2发生器等的目标值和设备的开启/关闭时间等。更主要的是各类控制是基于上位机数据中心对传感器数据进行融合后作出的较优控制。

2 系统数据融合算法设计

温室物联网是一个典型的多传感器系统，必须采用计算机技术对不同时间、空间的多传感器信息资源，按照一定准则加以分析、综合、支配和使用，获得被测对象一致性解释和描述，完成需要的决策和评估，以提高信息的准确性和全面性，降低信息的不确定性等。系统数据融合的基本过程见图2。

从图2可以看出，采用各类多种传感器采集温室的环境参数，经过控制系统或物联网传感器节点进行A/D转换得到各类参数的数字信号，再经过参数特征提取或者数据预处理消除参数采集过程中的噪声或干扰信号，得到纯净数据送入数据融合中心完成数据融合并输出融合/决策结果进行执行。

本研究采用卡尔曼滤波与欧几里德加权平均相结合的数据融合算法进行温室物联网数据融合处理。卡尔曼滤波算法能较好适用于温室物联网等系统相对稳定线性的动态环境中传感器冗余数据信息的融合处理。

应用卡尔曼算法对N个传感器采集的数据进行融合后，既可以获得系统的当前状态估计，又可以预报系统的未来状态，由此可以从数据中抽取特征值或测量值本身。

卡尔曼算法的基本数学模型由公式（1）、公式（2）组成，算法流程见图3。

3 结果与分析

为了对系统进行验证，选择温室早春茬黄瓜在3月结果期的主导环境因子作为试验对象，此时植株生长量大，产瓜多。白天适宜温度是25～32 ℃;需要白天尽量创造较长的光照时间;黄瓜在不同生育阶段对湿度的要求是不同的，结果期所需相对湿度为70%～80%。试验采集了1组温度、湿度、光照度环境数据。

本研究选取温度、湿度、光照度3类传感器，每类设置8个传感器采集温室10：00—17：00之间相关数据。表1为选取的1组传感器采集的数据。

对温室内15：00采集的数据运用数据融合算法进行处理，数据融合结果见表2。

从公式（10）可以看出，d24=27.49为最小元素值，按照融合算法公式（9）得到温度值为28.64，类似的得到湿度值为78.91%，光照度为2 588 lx。数据融合结果与真实测量值之间的相对误差见表3。

从表3可以看出，采用“2”节中的融合算法得到的数据比较接近于测量值，且相对误差小于简单的数据平均算法融合结果，因此可以提高温室内数据的准确度与精确度，对于控制执行正确操作具有重要意义。

4 结束语

采用卡尔曼滤波算法结合欧几里德距离公式及多元聚类思想构建了数据融合算法，针对温室春茬黄瓜的主要环境参数如温度、湿度、光照度等进行了数据融合试验，得到了较为接近真实值的融合结果，并将数据融合结果与常用的算术平均值算法的融合结果进行比较，结果表明所设计的数据融合算法的相对误差要明显小于算术平均值算法，准确反映了温室实际状态，提高了数据采集的精度与准确度，对于温室中环境节约能源、提高温室控制的准确性具有重要价值。

参考文献：

[1]邹承俊，余 攀. 基于物联网技术的智能温室关键技术研究[J]. 物联网技术，2015（4）：33-35.

[2]段益群，刘国彦. 基于物联网的智慧农业大棚系统设计[J]. 软件工程师，2013（12）：35-35，31.

[3]王鸿磊，徐平平，樊继德，等. 多源感知高效循环智能控制设施大棚架构与实现[J]. 浙江农业学报，2016，28（7）：1224-1234.

[4]姜新华，张丽娜. 基于LabVIEW的日光温室多点温度监测系统设计[J]. 内蒙古大学学报（自然科学版），2012，43（1）：81-84.

[5]魏 芬，季宇峰. 基于无线传感网的温室大棚智能监控系统的研究[J]. 测控技术，2016（2）：104-107.

[6]阿兰·阿皮诺. 不确定性理论与多传感器数据融合[M]. 郎为民，余亮琴，陈 红，等译. 北京：机械工业出版社，2016.

[7]陈春玲，崔 琳，许童羽，等. 日光温室无线传感器多数据融合技术研究[J]. 沈阳农业大学学报，2016，47（1）：86-91.

[8]李富娟. 温室控制系统多传感器数据融合方法的设计[J]. 湖北农业科学，2016，55（16）：4287-4289.

[9]温 静，程 茂. 多传感器数据融合技术在温室控制中的应用[J]. 河北农业大学学报，2015，38（4）：111-115.

[10]Chen Y K，Si X C，Li Z G. Research on Kalman-filter based multisensor data fusion[J]. Journal of Systems Engineering and Electronics，2007，18（3）：497-502.

[11]熊迎军. 基于物联网的设施农业环境监控系统关键技术研究与应用[D]. 南京：南京农业大学，2013.

[12]黄小红. 传感器网络数据融合技术研究及在温室控制中的应用[D]. 成都：电子科技大学，2009.

[13]冯 颖. 基于物联网的现代农业信息智能化系统研究及应用[D]. 天津：天津大学，2013.

[14]王 振，白星振，马梦白，等. 一种基于数据预处理和卡尔曼滤波的温室监测数据融合算法[J]. 传感技术学报，2017，30（10）：1525-1530.

[15]董 偉，朱建勇. 基于多传感器的温室环境数据融合算法研究[J]. 物联网技术，2013（2）：16-18.张 奇，徐艳蕾，朱炽阳，等. 植物叶片面积精确测量系统的设计与开发[J]. 江苏农业科学，2019，47（3）：189-192，202.