多传感器数据融合技术在温室控制系统中的应用研究

李菲

【摘 要】本文将多传感器数据融合技术应用到温室控制系统中，实现对温室环境的智能感知、智能预警以及智能决策，实现温室的精准化种植与智能可视化的管理。在多传感器数据融合的过程中，采用两级融合方式，首先对同类数据采取自适应加权平均算法进行局部融合，再对异类数据采取D-S证据推断算法进行全局融合，并根据专家系统进行分析，从而作出最佳的决策判断。

【关键词】多传感器;数据融合;温室控制系统

中图分类号： S625;S126 文献标识码： A文章编号： 2095-2457（2019）30-0034-003

DOI：10.19694/j.cnki.issn2095-2457.2019.30.015

Application Research of Multi-sensor Data Fusion Technology in Greenhouse Control System

LI Fei

（Shaoyang University，Hunan Shaoyang 422000， China）

【Abstract】In this paper， the multi-sensor data fusion technology is applied to the greenhouse control system to realize the intelligent perception， intelligent early warning and intelligent decision-making of the greenhouse environment， and realize the precise planting and intelligent visualization management of the greenhouse. In the process of multi-sensor data fusion， a two-level fusion method is adopted. Firstly， an adaptive weighted average algorithm is used for local fusion of similar data， and then DS evidence inference algorithm is used for global fusion of heterogeneous data， and analyzed according to an expert system，Make the best decision judgment.

【Key words】Multi-sensor; Data fusion; Greenhouse control system

1 现状分析

智能温室控制系统主要依托部署在温室内的各种传感器，采集当前实时的环境温湿度、光照强度、二氧化碳浓度、土壤水分等，并通过无线通信网络与控制系统连接，实现对温室环境的智能感知、智能预警以及智能决策，提供精准化的种植与智能可视化的管理。

在整个智能控制系统中，智能预警与智能决策很大程度上都取决于智能感知的精确度，因此，多传感器信息的采集以及数据处理起到了非常关键的作用。

但是在温室环境中，利用传感器进行实时信息采集时，经常会遇到以下一些问题：

（1）由于温室的区域较大，而且为达到最适宜的培育环境，需要大量的传感器对温度、湿度等多个参数进行采集，同时为保证准确度，也需要对某一个参数采用多个传感器来采集。因此整个温室中，采集的实时数据是非常多的，但如果传感器采集到的大量数据不经过处理直接传送到温室控制系统，则会由于大量冗余数据的存在导致整个无线传感网络的负载过大，效率较低，导致系統出现响应延迟，从而严重地影响到测量精度与温室自动控制效果。

（2）传感器在测量数据的过程中，可能由于故障的原因导致现传感器节点失效或数据丢失或数据异常的现象，也有可能由于环境中的不稳定性，造成大量的不确定、随机性信息存在于测量数据中，最终导致系统出现误判的现象。

（3）在信息采集的过程中，既有同类传感器采集，也有异类传感器采集，但如果采集的数据比较分散，数据之间的关联性不明确，那么控制系统就不能进行综合性的分析，从而作出最有判断。因此，控制系统中必须要避免采用单参数开关量的阈值控制方式。那么，将多传感器融合技术引入到温室的智能监控系统中是非常有必要的。

2 温室控制系统中多传感器数据融合技术的应用

各种传感器采集的信息可能具有不同的特点，有响应速度快的、有响应速度慢的、有实时变化的、有非实时变化的、有相互支持的、也有相互矛盾的。多传感器数据融合技术实际上就是对这些复杂的数据进行处理，并依据某种准则进行组合，以此来实现被测对象的不失真获取，从而作出最优的判断与合理的推断。

多传感器数据融合的过程主要包括多传感器信号的获取、预处理、多传感器融合以及控制决策输出这几个环节，如图1所示。

图1 多传感器融合环节

2.1 预处理

由于信号的采集是基于多传感器的多点实时检测，因此，传感器采集的原始数据是非常庞大的，而且由于环境等随机因素的影响，其中较多干扰、噪声和失效信号。如果直接进行数据融合的话，那么会出现效率低、误判率高的情况。

因此，在进行数据融合之间要对采集的数据进行预处理，同时对测量信息进行相关性分析，判断不同时间和空间采集的数据是否关联于同一个被测目标，并建立N个类型，每个类型具有独立的特征。当采集到多个传感器的新测量值，与已知类型的特征进行比较，从而实现数据的分类。

2.2 多传感器数据融合

数据分类完成后就进入到多传感器的融合阶段，本文主要采用两级融合的方式来实现。首先对同类数据进行局部融合，再对异类数据进行全局融合，达到信息的全时间全空间处理。

由于温度、湿度、光照以及二氧化碳的浓度是温室农作物正常生长的必备条件，因此选取温室环境的这4个参数进行数据融合，具体的融合过程如图2所示。

图2 数据融合过程

2.2.1 局部融合

数据融合的方法可以分为随机类和人工智能类。随机类包括加权平均法、Bayes概率推理法、卡尔曼滤波法等;人工智能类包括模糊逻辑推理、神经网络、专家系统等算法。在本文的设计中，局部融合主要针对的是同类传感器采集的数据，需对同类环境数据进行冗余去除和优化处理。因此，在本文的局部融合中主要采用的是自适应加权平均算法。

加权平均法是将传感器提供的数据进行加权平均，结果作为融合值。在加权平均算法中最关键的问题就是如何选择合适的权值计算形式以及权值如何分配。该算法主要依据测量数据的精度来确定权值的分配，最终得出均方差最小的融合值。

假設测量温室的当前温度，在温室的不同区域布置了n个同型号的温度传感器进行测量，测量值为X1、X2、X3…Xn，每只传感器的权数为W1、W2、W3…Wn，在保证总均方差最小的目标下，根据各点的测量值以自适应的求值方式计算出各点的最优加权因子，进而使融合结果得到最优值。具体的加权算法如图3所示。

图3 加权算法结构图

2.2.2 全局融合

基于温室内作物的生长特点，全局融合主要采用的是D-S证据推断和专家系统结合的算法。其中，D-S证据推断算法主要分为更新、推断和合成3个层次。由于传感器存在一定的随机误差，因此在进行推理之前要更新传感器的观测数据，再经过推断获得传感器的观测结果，最终合成目标决策输出。D-S证据推断算法实现的具体结构图如图2.4所示，在D-S证据推断算法中最核心的问题就是D-S合成规则。

图4 D-S证据推断算法结构图

经过D-S证据推断算法进行全局融合后的数据再输送到专家系统。专家系统将人类专家的知识和经验以知识库的形式存入计算机，并模拟人类专家的思维进行推理。专家系统会根据参数的相互关系，分析数据结果，作出最佳的决策判断。

3 融合实例

以温室中黄瓜的种植为例，黄瓜喜湿、怕涝、不耐旱，它的生长分为幼苗期、定植期、初花期和结果期，不同的生长周期对温室环境的参数要求不同。

土壤水分：黄瓜发芽期的土壤相对含水量为80%-90%，定植期为80%左右，初花期为70%左右，结瓜期为80%。光照：要求中等强度的光照，光饱和点和补偿点分别为55000-66000lux和2000-3000lux，日照时间保持在8小时左右。幼苗期要注意遮阴，结瓜期可增长日照时间。空气湿度：空气的相对湿度为70%-80%。温度：白天的适宜温度为25℃-32℃，夜间的适宜温度为15℃-18℃。若温度低于10℃，会出现营养不良继而停止生长，若高于35℃，会引起落花，高于40℃，会停止生长。二氧化碳浓度：浓度越高，光合作用越强。在新型温室大棚中，温度适宜，通风效果好，故不需要专门释放二氧化碳进行补充。

以黄瓜的生长与虫害预测为例，多传感器数据融合过程如图5所示。

图5 基于多传感器数据融合的黄瓜生长与预测系统实现流程

该系统首先通过多个传感器对温室的环境参数进行检测，然后对采集好的数据实施预处理，再进入到两级的数据融合，最后辅以专家系统，对黄瓜生长或虫害预测作出决策处理。两级结合的融合算法不仅可以减轻融合负担，提高系统的融合效率，还能提高系统的有效决策能力。

4 总结

温室环境是一个多参数、复杂的系统，将多传感器数据融合技术引入到温室控制系统中，避免了单一环境参数作为系统阈值信号的控制方式。

在传感器数据进行融合时，本文采用了两层融合技术，对于同类传感器采用自适应加权平均算法实现局部融合，对于异类传感器采用D-S证据推断算法和专家系统实现全局融合，更好地提高了系统的测量精度以及决策的有效性。经过这种多传感器数据融合技术，温室控制系统能够自动将温室中的环境参数调整为农作物生长所需的最优参数。

【参考文献】

[1]唐娟.温室番茄生长中多传感器数据融合的应用[J].传感器与仪器仪表，2007（06）.

[2]程曼，袁洪波，张素，张德宁，史湘玲.基于多传感器数据融合的温室环境控制的研究[J].农机化研究，2009（07）.

[3]李琼.温室监控系统中多传感器数据融合技术的研究及应用[D].宁夏大学，2013.

[4]武晓嘉.多传感器数据融合在温室智能控制中的应用研究[D].太原理工大学，2005.