智慧農(nóng)業(yè)是當前的研究熱點。隨著物聯(lián)網(wǎng)技術(shù)的普及,現(xiàn)代農(nóng)業(yè)迫切需要借助先進的技術(shù)手段實現(xiàn)農(nóng)作物生長環(huán)境的遠程監(jiān)測監(jiān)控及生長狀態(tài)的實時評估�，F(xiàn)階段,農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)已相對成熟,但倒伏狀態(tài)及作物需水量的實時評估仍存在一定困難�；谝陨犀F(xiàn)狀,本課題將機器學習算法引入到水稻生長狀態(tài)評估中,以實現(xiàn)基于物聯(lián)網(wǎng)云服務(wù)的水稻自動灌溉和倒伏預警系統(tǒng)。課題工作對于發(fā)展現(xiàn)代農(nóng)業(yè),提升農(nóng)作物管理技術(shù)水平具有重要價值。本文的主要工作包括:1、方案設(shè)計。針對農(nóng)作物生長狀態(tài)遠程監(jiān)測監(jiān)控及評估的需求,引入機器學習算法,構(gòu)建基于物聯(lián)網(wǎng)的水稻生長狀態(tài)監(jiān)控系統(tǒng)。該方案使用ZigBee與4G相結(jié)合的方式實現(xiàn)遠程數(shù)據(jù)通信,并通過云服務(wù)器存儲和解析生長狀態(tài)數(shù)據(jù)。2、需水量預測算法。對XGBoost算法進行改進,并利用開源數(shù)據(jù)集構(gòu)建模型,同時將改進后的算法與神經(jīng)網(wǎng)絡(luò)模型、貝葉斯模型、隨機森林模型,以及世界糧農(nóng)組織推薦使用的彭曼-蒙特斯公式進行了對比,結(jié)果表明,改進后的XGBoost模型在預測準確率上有較大提升。3、水稻倒伏狀態(tài)預警算法。將動態(tài)目標跟蹤中常用的光流算法應(yīng)用于水稻稻桿倒伏特征提取中,通過檢測擺動特征對倒伏情況進行預警。為了... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 論文的主要工作和創(chuàng)新點
    1.4 論文組織架構(gòu)
第二章 系統(tǒng)方案設(shè)計
    2.1 需求分析
    2.2 系統(tǒng)架構(gòu)
    2.3 通訊方案
    2.4 傳感器方案
    2.5 本章小結(jié)
第三章 水稻生長狀態(tài)評估算法
    3.1 水稻需水量預測算法
        3.1.1 作物需水量預測算法介紹
        3.1.2 XGBoost算法原理
        3.1.3 XGBoost算法的改進
        3.1.4 需水量預測算法驗證
    3.2 水稻倒伏預警算法
        3.2.1 水稻倒伏算法介紹
        3.2.2 Farneback光流法原理
        3.2.3 光流法實現(xiàn)
        3.2.4 倒伏特征提取
    3.3 本章小結(jié)
第四章 嵌入式軟硬件設(shè)計
    4.1 節(jié)點控制器硬件設(shè)計
        4.1.1 電源管理模塊
        4.1.2 傳感器模塊
        4.1.3 ZigBee通信模塊
        4.1.4 灌溉執(zhí)行模塊
    4.2 集中控制器硬件設(shè)計
        4.2.1 嵌入式集中控制器外設(shè)
        4.2.2 嵌入式集中控制器PL端硬件設(shè)計
    4.3 嵌入式軟件設(shè)計
        4.3.1 節(jié)點控制器軟件設(shè)計
        4.3.2 集中控制器軟件設(shè)計
    4.4 本章小結(jié)
第五章 服務(wù)器設(shè)計
    5.1 設(shè)備服務(wù)器設(shè)計
    5.2 數(shù)據(jù)庫設(shè)計
    5.3 RTMP服務(wù)器設(shè)計
    5.4 WEB服務(wù)器設(shè)計
    5.5 本章小結(jié)
第六章 系統(tǒng)測試
    6.1 硬件測試
        6.1.1 傳感器測試
        6.1.2 ZigBee通信測試
    6.2 服務(wù)器測試
    6.3 系統(tǒng)聯(lián)調(diào)
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
致謝
參考文獻
作者簡介


【參考文獻】：
期刊論文
[1]機器學習分類問題及算法研究綜述[J]. 楊劍鋒,喬佩蕊,李永梅,王寧.  統(tǒng)計與決策. 2019(06)
[2]中國耕地變化及耕地與水資源的匹配研究[J]. 陳紫璇,陳云浩,雷添杰.  水利水電技術(shù). 2019(02)
[3]不同水肥模式對水稻需水量及產(chǎn)量的影響——以洱海流域為例[J]. 韓煥豪,崔遠來,高蓉,熊嬌嬌,黃英,沈士洲,王樹鵬,張雷.  水利科學與寒區(qū)工程. 2018(12)
[4]基于Redis與SSM的大型設(shè)備數(shù)據(jù)運用系統(tǒng)設(shè)計[J]. 熊肖磊,王春偉,趙炯,周奇才.  現(xiàn)代機械. 2018(06)
[5]基于Kafka的分布式能效管理平臺的設(shè)計與實現(xiàn)[J]. 朱幼普,盧軍.  計算機與數(shù)字工程. 2018(12)
[6]基于Nginx的負載均衡技術(shù)研究與優(yōu)化[J]. 戴偉,馬明棟,王得玉.  計算機技術(shù)與發(fā)展. 2019(03)
[7]關(guān)于現(xiàn)代無線通信技術(shù)的發(fā)展現(xiàn)狀與趨勢探析[J]. 李晨.  電子世界. 2018(23)
[8]基于Vivado HLS圖像預處理IP核設(shè)計[J]. 張壯.  電子世界. 2018(18)
[9]BP神經(jīng)網(wǎng)絡(luò)與GA-BP農(nóng)作物需水量預測模型對比[J]. 江顯群,陳武奮.  排灌機械工程學報. 2018(08)
[10]基于Netty高并發(fā)物聯(lián)網(wǎng)服務(wù)器研究與設(shè)計[J]. 陳強,武佳佳.  電子技術(shù)與軟件工程. 2018(07)

碩士論文
[1]基于休眠的ZigBee無線傳感器網(wǎng)絡(luò)節(jié)能路由協(xié)議研究與實現(xiàn)[D]. 趙亞楠.重慶郵電大學 2017
[2]基于FPGA的雙攝像頭HDMI視頻系統(tǒng)的設(shè)計與研究[D]. 劉剛.蘭州交通大學 2016
[3]基于RTMP協(xié)議的輕量級視頻服務(wù)器的設(shè)計與實現(xiàn)[D]. 馮勛.電子科技大學 2015
[4]基于ZigBee技術(shù)的智慧農(nóng)業(yè)實時采集和遠程控制系統(tǒng)[D]. 付玉志.浙江大學 2015
[5]基于光譜和圖像的倒伏冬小麥產(chǎn)量評估方法[D]. 吳尚蓉.中北大學 2013



本文編號：3188954