【摘要】：隨著蔬菜種植業(yè)與水產(chǎn)養(yǎng)殖業(yè)的不斷發(fā)展,越來越多的農(nóng)業(yè)生產(chǎn)者選擇了結合蔬菜水培和水產(chǎn)養(yǎng)殖兩種農(nóng)業(yè)生產(chǎn)技術的魚菜共生生產(chǎn)方式。但是魚菜共生的管理過程較為復雜,需要嚴密監(jiān)控環(huán)境參數(shù),并做出相關環(huán)境參數(shù)調控,以維持魚菜共生生態(tài)系統(tǒng)的穩(wěn)定。在這種背景下,引入物聯(lián)網(wǎng)、互聯(lián)網(wǎng)和移動網(wǎng)絡自動監(jiān)測調控環(huán)境參數(shù),使魚菜生長在最適宜的環(huán)境里,有利于提高蔬菜和魚類的產(chǎn)量。因此,本文在總結國內外研究現(xiàn)狀的基礎上,針對魚菜共生自動化程度較低、管理復雜等問題,設計了魚菜共生水質環(huán)境智能測控系統(tǒng)。1.通過閱讀大量魚菜共生測控系統(tǒng)相關文獻和實時調研,分析了系統(tǒng)的用戶需求、魚菜生長環(huán)境需求、功能需求和非功能性需求,并給出了系統(tǒng)的總體方案設計。2.分析處理魚菜共生試驗數(shù)據(jù),研究構建了基于TensorFlow框架的魚菜共生水質溶解氧DNNR預測模型,可準確預測魚菜共生水體中未來半小時的溶解氧數(shù)據(jù),經(jīng)測試溶解氧預測值與真實值誤差在±0.5mg/L范圍內。3.本文采用層次化設計,對魚菜共生水質環(huán)境智能測控系統(tǒng)進行硬件設計。分別選擇了環(huán)境感知的水質傳感器、設備控制的STC-102控制終端、數(shù)據(jù)傳輸?shù)腞S485通訊串口和4G網(wǎng)絡模塊以及人機交互的工業(yè)平板電腦,完成了系統(tǒng)的基本硬件組成。4.通過軟件的C/S架構模型將軟件設計分為服務器安全傳輸設計、軟件功能設計和數(shù)據(jù)庫設計。服務器安全傳輸模塊分別使用系統(tǒng)遠程測控軟件和現(xiàn)場測控軟件作為C/S模型的客戶端和服務器端,使用面向連接的TCP模型來實現(xiàn)信息的交互;從現(xiàn)場測控軟件和遠程測控軟件的幾個主要功能模塊進行軟件功能的詳細設計;選取MySQL作為系統(tǒng)的數(shù)據(jù)庫完成數(shù)據(jù)實體E-R圖、數(shù)據(jù)表和數(shù)據(jù)訪問接口三個部分的設計。5.在完成預測模型構建和軟硬件設計的基礎上,使用Java語言開發(fā)基于SSM框架的現(xiàn)場測控軟件和遠程PC機客戶端軟件,完成魚菜共生環(huán)境數(shù)據(jù)的采集、上傳和設備的智能或遠程調控。經(jīng)魚菜共生試驗測試表明,該系統(tǒng)運行穩(wěn)定可靠,對環(huán)境參數(shù)的監(jiān)測實時性和準確性較高,對參數(shù)調控即時穩(wěn)定,符合預期目標,證明本文所做工作是切實有效的。魚菜共生水質環(huán)境智能測控系統(tǒng)的研究,有助于提高現(xiàn)代農(nóng)業(yè)生產(chǎn)中數(shù)據(jù)采集的實時準確性、數(shù)據(jù)傳輸?shù)陌踩煽啃砸约霸O備控制的即時性,對農(nóng)業(yè)自動化和智能化發(fā)展具有重要的推動意義。
【圖文】：

試驗選取的 6 個水質參數(shù)中，溶解氧的含量高低對魚菜共生的影響最大，，且溶在一天內變化較為劇烈，夜間魚菜共生水體經(jīng)常處于低氧或缺氧狀態(tài)，非常容菜生長，嚴重時甚至可能造成羅非魚大片死亡。當系統(tǒng)監(jiān)測到溶解氧低于 5m開啟增氧泵，增氧的速度較慢，溶解氧需要較長的時間增長合適的范圍內。為非魚長時間處于低氧狀態(tài)，本文構建了 DNNR 溶解氧預測模型，預測未來半小的含量，可以提前開啟增氧。數(shù)據(jù)分析與處理本文選取的監(jiān)測數(shù)據(jù)時間長度為 2018 年 10 月 17 日到 2018 年 10 月 24 日，均監(jiān)測得到，數(shù)據(jù)采集間隔為 30min，共獲取 337 條監(jiān)測數(shù)據(jù)，監(jiān)測數(shù)據(jù)共包含，分別為水體溫度（℃）、電導率（ds/m）、pH、溶解氧含量（mg/L）、氨氮含量（m酸鹽含量（mg/L），其中溶解氧為預測特征，另外 5 個為輸入特征。監(jiān)測數(shù)據(jù)圖 6 所示。

圖 8 DNNR 模型訓練損失值曲線Fig.8 DNNR model training loss value curve圖 8 中可以看出，雖然訓練初始損失值較大，但在 1000 次迭代后迅速降在一次波動后逐漸趨于平穩(wěn)，最后模型訓練損失值收斂于 0.189。種模型性能對比展現(xiàn)所選深度回歸模型（DNNR）相對其他常用回歸模型用于魚菜共生水控系統(tǒng)當中更加適宜，本文選取了單隱含層 BP 神經(jīng)網(wǎng)絡（BPNN）和徑向絡（RBFNN）與之進行對比，其中不同模型的不同結構均訓練多次，從中最優(yōu)的用來進行結果對比，對比結果如表 3 所示。表 3 三種模型性能對比Table 3 Performance comparison of three models模型 模型深度 模型結構 激活函數(shù) 訓練 MSE 測試DNNR 2 5-25-15-1 ReLu 0.189 0.1BPNN 1 5-15-1 TanH 0.089 0.2
【學位授予單位】：山東農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：S969.38;TP311.52

【參考文獻】

相關期刊論文 前10條

1 曹亮;周煒;沈文超;;遠程測控技術的發(fā)展現(xiàn)狀和趨勢[J];電子技術與軟件工程;2015年23期

2 丁小濤;張兆輝;姜玉萍;陳春宏;;魚菜共生技術在城市家庭中的應用前景[J];上海農(nóng)業(yè)學報;2015年06期

3 張開生;田開元;呂明;呂超;;基于物聯(lián)網(wǎng)技術的農(nóng)業(yè)大棚環(huán)境監(jiān)控系統(tǒng)設計[J];西安科技大學學報;2015年06期

4 邢超;;淺談遠程監(jiān)控技術在水利工程中的應用[J];中國管理信息化;2015年09期

5 孔祥次;;基于物聯(lián)網(wǎng)技術的現(xiàn)代漁機智能控制研究現(xiàn)狀與前景展望[J];江蘇農(nóng)機化;2014年04期

6 董軍;楊秀娟;;基于情景感知水稻育秧大棚農(nóng)業(yè)物聯(lián)網(wǎng)的設計與實現(xiàn)[J];物聯(lián)網(wǎng)技術;2014年06期

7 邵春;;熒光法溶解氧在線分析儀的應用[J];設備管理與維修;2014年S1期

8 杜曉梅;;淡水養(yǎng)殖水體環(huán)境的主要指標[J];黑龍江水產(chǎn);2014年02期

9 藺生金;;簡述物聯(lián)網(wǎng)在智慧林業(yè)建設中的應用[J];內蒙古林業(yè);2014年04期

10 孫闖;李晨;王艷立;郭秀云;杜鵑;徐鎮(zhèn);;北方圍欄高效養(yǎng)魚試驗研究[J];現(xiàn)代農(nóng)業(yè)科技;2014年04期

本文編號：2636266