鱼菜共生水质环境智能测控系统研发

发布时间：2020-04-22 06:41

【摘要】：随着蔬菜种植业与水产养殖业的不断发展,越来越多的农业生产者选择了结合蔬菜水培和水产养殖两种农业生产技术的鱼菜共生生产方式。但是鱼菜共生的管理过程较为复杂,需要严密监控环境参数,并做出相关环境参数调控,以维持鱼菜共生生态系统的稳定。在这种背景下,引入物联网、互联网和移动网络自动监测调控环境参数,使鱼菜生长在最适宜的环境里,有利于提高蔬菜和鱼类的产量。因此,本文在总结国内外研究现状的基础上,针对鱼菜共生自动化程度较低、管理复杂等问题,设计了鱼菜共生水质环境智能测控系统。1.通过阅读大量鱼菜共生测控系统相关文献和实时调研,分析了系统的用户需求、鱼菜生长环境需求、功能需求和非功能性需求,并给出了系统的总体方案设计。2.分析处理鱼菜共生试验数据,研究构建了基于TensorFlow框架的鱼菜共生水质溶解氧DNNR预测模型,可准确预测鱼菜共生水体中未来半小时的溶解氧数据,经测试溶解氧预测值与真实值误差在±0.5mg/L范围内。3.本文采用层次化设计,对鱼菜共生水质环境智能测控系统进行硬件设计。分别选择了环境感知的水质传感器、设备控制的STC-102控制终端、数据传输的RS485通讯串口和4G网络模块以及人机交互的工业平板电脑,完成了系统的基本硬件组成。4.通过软件的C/S架构模型将软件设计分为服务器安全传输设计、软件功能设计和数据库设计。服务器安全传输模块分别使用系统远程测控软件和现场测控软件作为C/S模型的客户端和服务器端,使用面向连接的TCP模型来实现信息的交互;从现场测控软件和远程测控软件的几个主要功能模块进行软件功能的详细设计;选取MySQL作为系统的数据库完成数据实体E-R图、数据表和数据访问接口三个部分的设计。5.在完成预测模型构建和软硬件设计的基础上,使用Java语言开发基于SSM框架的现场测控软件和远程PC机客户端软件,完成鱼菜共生环境数据的采集、上传和设备的智能或远程调控。经鱼菜共生试验测试表明,该系统运行稳定可靠,对环境参数的监测实时性和准确性较高,对参数调控即时稳定,符合预期目标,证明本文所做工作是切实有效的。鱼菜共生水质环境智能测控系统的研究,有助于提高现代农业生产中数据采集的实时准确性、数据传输的安全可靠性以及设备控制的即时性,对农业自动化和智能化发展具有重要的推动意义。
【图文】：

监测数据,走势图,溶解氧,增氧

试验选取的 6 个水质参数中，溶解氧的含量高低对鱼菜共生的影响最大，，且溶在一天内变化较为剧烈，夜间鱼菜共生水体经常处于低氧或缺氧状态，非常容菜生长，严重时甚至可能造成罗非鱼大片死亡。当系统监测到溶解氧低于 5m开启增氧泵，增氧的速度较慢，溶解氧需要较长的时间增长合适的范围内。为非鱼长时间处于低氧状态，本文构建了 DNNR 溶解氧预测模型，预测未来半小的含量，可以提前开启增氧。数据分析与处理本文选取的监测数据时间长度为 2018 年 10 月 17 日到 2018 年 10 月 24 日，均监测得到，数据采集间隔为 30min，共获取 337 条监测数据，监测数据共包含，分别为水体温度（℃）、电导率（ds/m）、pH、溶解氧含量（mg/L）、氨氮含量（m酸盐含量（mg/L），其中溶解氧为预测特征，另外 5 个为输入特征。监测数据图 6 所示。

曲线,模型训练,曲线,回归模型

图 8 DNNR 模型训练损失值曲线Fig.8 DNNR model training loss value curve图 8 中可以看出，虽然训练初始损失值较大，但在 1000 次迭代后迅速降在一次波动后逐渐趋于平稳，最后模型训练损失值收敛于 0.189。种模型性能对比展现所选深度回归模型（DNNR）相对其他常用回归模型用于鱼菜共生水控系统当中更加适宜，本文选取了单隐含层 BP 神经网络（BPNN）和径向络（RBFNN）与之进行对比，其中不同模型的不同结构均训练多次，从中最优的用来进行结果对比，对比结果如表 3 所示。表 3 三种模型性能对比Table 3 Performance comparison of three models模型模型深度模型结构激活函数训练 MSE 测试DNNR 2 5-25-15-1 ReLu 0.189 0.1BPNN 1 5-15-1 TanH 0.089 0.2
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S969.38;TP311.52

【参考文献】