薛忠 呂建驊 李明 何子明 林銘研 王潤濤

摘要：

在菠蘿育苗過程中，為降低光照強度監(jiān)測誤差及滯后性，設計基于卡爾曼濾波算法的光照強度監(jiān)測系統(tǒng)。在構(gòu)建LoRa無線通訊、嵌入式數(shù)據(jù)采集終端的基礎(chǔ)上，開發(fā)具有顯示、存儲功能的可視化、在線監(jiān)測軟件界面，并提出卡爾曼濾波模型。通過對比試驗，得出卡爾曼濾波模型優(yōu)于加權(quán)遞推平均濾波模型，其平均絕對誤差不超過0.13%、均方根誤差不超過0.16%、滯后時間不大于1s。結(jié)果表明，該監(jiān)測系統(tǒng)具有較低的誤差和滯后性，對菠蘿育苗的光照精準調(diào)控具有指導意義。

關(guān)鍵詞：菠蘿育苗；光照強度；監(jiān)測系統(tǒng)；卡爾曼濾波

中圖分類號：TP274+.5

文獻標識碼：A

文章編號：20955553 （2023） 12010706

Light intensity monitoring system for pineapple seedling based on Kalman filter algorithm

Xue Zhong1， Lü Jianhua2， Li Ming2， He Ziming3， Lin Mingyan2， Wang Runtao2

（1. South Subtropical Crops Research Institute， China Academy of Tropical Agricultural Sciences， Zhanjiang，

524088， China; 2. Lingnan Normal University， Zhanjiang， 524048， China; 3. Guangdong Zhanshu Big Data

Co.， Ltd.， Zhanjiang， 524003， China）

Abstract：

In order to reduce the error and lag time of light intensity monitoring in the process of pineapple seedling growing， a light intensity monitoring system based on Kalman filter algorithm was designed. Based on the construction of LoRa wireless communication and embedded data acquisition terminal， a visual and online monitoring software interface with display and storage functions was developed， and a Kalman filter model was proposed. Through comparative experiments， it was concluded that the Kalman filter model was superior to the weighted recursive average filter model. The MAE percentage was not more than 0.13%， the RMSE percentage was not more than 0.16%， and the lag time was not more than 1 s. The results showed that the monitoring system had low error and lag time， which was ofguiding significance for the precise regulation of light in pineapple seedling.

Keywords：

pineapple seedling; light intensity; monitoring system; Kalman filter

0 引言

菠蘿是熱帶及亞熱帶的重要水果之一，是“中國十大熱帶名果”之一［1］。菠蘿種植主要集中在我國廣東省和海南省，其中廣東粵西地區(qū)占全國菠蘿種植面積的一半［2］。在菠蘿育苗實驗中發(fā)現(xiàn)菠蘿種苗的成活和生長對于光照依賴度高。光照強度過強時，菠蘿種苗葉片呈現(xiàn)紅黃色；過弱時，菠蘿生長緩慢［13］。因此，合理控制光照強度對于菠蘿工廠化育苗具有重要意義，進而為菠蘿機械化種植、提升種植效益奠定基礎(chǔ)［4］。近年來，廣大研究者以光照的自動化按需調(diào)控為目標［5］，針對光照強度監(jiān)測的靈活性和準確性等方面開展了大量研究，并取得了較大進展。目前，以物聯(lián)網(wǎng)為平臺的作物環(huán)境監(jiān)測系統(tǒng)可以靈活監(jiān)測環(huán)境的溫濕度、光照強度等參數(shù)［67］。楊文奇［8］、姚霞［9］等以嵌入式系統(tǒng)為基礎(chǔ)，運用物聯(lián)網(wǎng)技術(shù)，設計了靈活的環(huán)境信息無線采集系統(tǒng)，但由于傳感器本身含有噪聲以及環(huán)境因素帶來的擾動，使得測量結(jié)果存在一定的誤差。為了降低光照強度測量誤差，廣大科研工作者設計了多元回歸模型［10］、最小二乘支持向量機（LS-SVM）模型［11］、BP神經(jīng)網(wǎng)絡模型［12］以及最近鄰法改進的BP神經(jīng)網(wǎng)絡模型［13］等算法，雖然提高了測量精度，但是存在樣本數(shù)據(jù)需求大、學習速度慢、運算量大、容易陷入局部最優(yōu)解和處理結(jié)果滯后等問題。

針對上述現(xiàn)狀，本文在充分考慮菠蘿育苗室內(nèi)自然光照包含復雜噪聲干擾的前提下，通過LoRa無線通訊技術(shù)，以STC15W4K60S4單片機為主控制器設計監(jiān)測硬件平臺。使用Labview2019軟件開發(fā)具有數(shù)據(jù)顯示、存儲的軟件系統(tǒng)。并構(gòu)建卡爾曼濾波算法監(jiān)測模型，通過與加權(quán)遞推平均濾波算法對比試驗，驗證了其濾波效果和動態(tài)跟隨性能。

1 硬件系統(tǒng)結(jié)構(gòu)設計

監(jiān)測系統(tǒng)采用分布式系統(tǒng)設計，無線采集節(jié)點分組設置于溫室內(nèi)各監(jiān)測點（節(jié)點數(shù)量可按需設置），負責采集室內(nèi)的光照強度、溫度等信息，通過LoRa無線通訊傳送數(shù)據(jù)給上位機進行相應的數(shù)據(jù)顯示及存儲，如圖1所示。

硬件電路包括處理器、光照傳感器、溫度傳感器、無線通信模塊、液晶顯示模塊、按鍵復位模塊與電源穩(wěn)壓濾波電路七個部分，由VCC和GND組成的3.3V電源供電。處理器型號為STC15W4K60S4，具有低功耗和多種通訊接口等特點，在掉電模式下功耗小于0.4uA，在空閑模式下功耗小于1mA，主要完成傳感器的信息采集與處理、液晶顯示以及與無線通訊模塊的通信等功能；光照傳感器選用BH1750FVI型傳感器，可采集的光照強度范圍為1～65535Lux，通過I2C總線將光照數(shù)據(jù)傳送給處理器；溫度傳感器選用DS18B20型傳感器，可采集的溫度范圍為-55～+125℃，通過單總線將溫度數(shù)據(jù)傳送給處理器；無線通訊模塊采用基于LoRa通信方式的SX1278模塊，通過TTL串口通信與處理器連接，在距離3000m范圍內(nèi)實現(xiàn)可靠無線傳輸；液晶顯示采用0.96寸的低功耗OLED顯示器，通過I2C總線接收處理器的數(shù)據(jù)；按鍵復位電路由開關(guān)、電容和電阻組成，當按鍵按下時產(chǎn)生高電平，對系統(tǒng)進行硬件復位；電源穩(wěn)壓濾波電路由0.1uf和10uf電容組成，硬件電路如圖2所示。

2 系統(tǒng)軟件設計

主要程序流程如圖3所示。

Labview開發(fā)工具友好的圖形界面、豐富的接口方式，被廣泛用于農(nóng)業(yè)、工業(yè)等監(jiān)控領(lǐng)域［1416］。本系統(tǒng)軟件部分基于Labview2019平臺開發(fā)，通過圖形編程語言設計人機交互界面，以串口通信方式實現(xiàn)與下位機的數(shù)據(jù)收發(fā)。

系統(tǒng)通過串口下達指令至采集節(jié)點，傳感器采集的光照強度與溫度數(shù)據(jù)經(jīng)由處理器濾波后，上傳至上位機軟件進行圖形和數(shù)字顯示存儲。軟件界面如圖4所示，系統(tǒng)接收到4路（根據(jù)節(jié)點數(shù)量可調(diào)整）光照強度和溫度信息，每個從機有兩路光照強度傳感器。系統(tǒng)在每次處理數(shù)后，將數(shù)據(jù)以數(shù)字和曲線形式顯示在界面，并同時完成數(shù)據(jù)的Excel文檔存儲。

3 濾波算法

BH1750FVI型傳感器由于自身存在的電子噪聲以及測量環(huán)境存在的擾動，光照強度監(jiān)測系統(tǒng)在采集數(shù)據(jù)時會有各種隨機噪聲造成干擾，為保證系統(tǒng)監(jiān)測精度，需構(gòu)建有效的濾波模型降低噪聲干擾。由于嵌入式處理器的運算能力有限，在常規(guī)的嵌入式系統(tǒng)中加權(quán)遞推平均濾波算法較為常用，為提高系統(tǒng)的穩(wěn)定性和測量數(shù)據(jù)的準確性，光照監(jiān)測系統(tǒng)選用加權(quán)遞推平均濾波算法與卡爾曼濾波算法進行對比分析。

3.1 模型參數(shù)設計

加權(quán)遞推平均濾波算法運算速度快，耗費處理器資源小，常被用于嵌入式系統(tǒng)的數(shù)字濾波處理［1718］，其表達式為

y——經(jīng)加權(quán)遞推平均濾波算法的輸出值。

本文以選取4個采集點為例，定義一個長度為4的x數(shù)組用來存放傳感器獲取的數(shù)據(jù)，即式（1）里的n為4，最新獲取的傳感器數(shù)據(jù)賦值給x4，前一次獲取的數(shù)據(jù)x4賦值給x3、x3賦值給x2，依次類推，每一次獲取數(shù)據(jù)更新一次數(shù)組。

卡爾曼濾波算法是一種去除噪聲還原真實數(shù)據(jù)的數(shù)據(jù)處理技術(shù)，具有需要內(nèi)存小、計算速度快、實時性強的特點［1920］，在農(nóng)業(yè)領(lǐng)域中的農(nóng)機測速［21］以及無人機定位［22］已有應用，因此其能夠滿足本系統(tǒng)設計的需求。在本濾波算法中，通過光照強度上一時刻的預測值與當前時刻的測量值的加權(quán)運算，進而計算當前時刻光照強度的最優(yōu)解。

本設計取系統(tǒng)光照強度與光照強度變化率作為卡爾曼濾波算法的估計變量，其變量及狀態(tài)轉(zhuǎn)移矩陣如式（2）所示，其中采樣時間差為1s。

式中：

Lk——光照強度；

Ak——光照強度變化率；

x^k——系統(tǒng)估計變量；

Fk——狀態(tài)轉(zhuǎn)移矩陣；

Δt——硬件電路的采樣時間差。

濾波算法根據(jù)狀態(tài)轉(zhuǎn)移矩陣估計下一時刻光照強度、光照強度變化率及其不確定度，如式（3）所示。在此方程中，還需要考慮外界過程影響uk以及環(huán)境不確定度Qk。由于在采集系統(tǒng)中不設計補光等外界操作，因此可將uk等于0。在相對穩(wěn)定的室內(nèi)環(huán)境，考慮過程噪聲的影響，即引入過程噪聲，其方差Q取值為0.01。

在完成估計后，需要更新算法中的增益k，并將其與目前狀態(tài)監(jiān)測值共同對估計結(jié)果進行修正計算，如式（4）所示。標準卡爾曼濾波方程中，卡爾曼增益在更新時需考慮測量時的傳感器噪聲協(xié)方差Rk，設計中選用的BH1750FVI型光照傳感器能夠有效地抑制50/60Hz的光噪聲，在H-Resolution模式下，穩(wěn)定120ms后的測量精度為1Lux，因此在1s的采樣頻率下取Rk為1。

3.2 對比試驗分析

首先通過輸入固定值光照強度，對比分析加權(quán)遞推平均濾波算法和卡爾曼濾波算法的濾波效果。選取2000Lux、4000Lux、6000Lux與8000Lux作為4個參考定值光照強度。每個信號各取200個含有高斯白噪聲數(shù)據(jù)存入數(shù)組，通過加權(quán)遞推平均濾波算法與卡爾曼濾波算法處理，得到的濾波曲線如圖5所示。

從圖5（a）～圖5（d）可知，光照強度數(shù)值越大，噪聲干擾的動態(tài)波動范圍越大。加權(quán)遞推平均濾波算法達到了較好的濾波效果，但在2000Lux、4000Lux、6000Lux與8000Lux 光照強度濾波曲線中，峰值階躍變化顯著，這不利于后續(xù)控制系統(tǒng)的應用，該算法在響應速率上存在一定的滯后性，是由于需完成所有采集點數(shù)據(jù)加權(quán)運算再輸出，這種缺陷會隨著采集點數(shù)量的增加而放大?？柭鼮V波算法呈現(xiàn)的濾波曲線較為平滑，但也表現(xiàn)出一定的波動。為了定量分析兩種濾波算法的效果，分別將4種光照強度數(shù)據(jù)進行平均絕對誤差MAE和均方根誤差RMSE計算，代入式（5）和式（6）可得出表1所示的光照強度誤差數(shù)據(jù)。

式中：

predictedi——i時刻的測量值；

actuali——i時刻的真實值；

n——樣本總數(shù)。

從表1可以看出，經(jīng)加權(quán)遞推平均濾波與卡爾曼濾波算法處理后的平均絕對誤差和均方根誤差均比噪聲信號的誤差小了很多。并且在2000Lux、4000Lux、6000Lux與8000Lux光照強度誤差分析中，卡爾曼濾波比加權(quán)遞推平均濾波的平均絕對誤差分別小了1.68、3.92、5.48、6.58Lux，均方根誤差分別小了2.03、4.86、6.68、8.23Lux。其平均絕對誤差分別為0.11%、0.13%、0.12%、0.11%，均方根誤差分別為0.14%、0.16%、0.15%、0.13%。

為進一步驗證算法模型的濾波效果和動態(tài)響應特性，于室內(nèi)進行動態(tài)實時的光照強度監(jiān)測，選取90min時間段動態(tài)濾波曲線進行分析，如圖6所示。

圖6中，真實值曲線為標準設備TES-1339R光照度計測得，作為試驗參照標準。2月份下午14時50分—16時20分，光照強度從9000Lux呈現(xiàn)逐漸增大的趨勢，16時04分左右由于云層遮擋，表現(xiàn)出短時的下降。光照強度呈現(xiàn)出不可預期的隨機性，為了更好地對比濾波算法效果，將光照強度顯著變化的兩部分曲線放大顯示在圖下方，在光照強度增大過程中，加權(quán)遞推平均濾波輸出曲線小于參照曲線。在光照強度減小過程中，加權(quán)遞推平均濾波輸出曲線大于參照曲線，呈現(xiàn)出較大的滯后偏差，滯后時間在2s以上；而卡爾曼濾波無論是光照強度的增大還是減小，都能夠達到較好的動態(tài)跟隨效果，滯后時間控制在1s之內(nèi)，曲線擬合度較高。

4 結(jié)論

1） 本文以嵌入式系統(tǒng)為基礎(chǔ)，設計了分布式多節(jié)點采集終端與LORA無線通信硬件結(jié)構(gòu)，開發(fā)了具有顯示、存儲功能的可視化、在線監(jiān)測軟件界面，實現(xiàn)了一種動態(tài)實時的光照強度監(jiān)測系統(tǒng)，繼而基于該監(jiān)測系統(tǒng)構(gòu)建了數(shù)據(jù)濾波模型。

2） 本文構(gòu)建了卡爾曼濾波模型，并與加權(quán)遞推平均濾波模型進行對比分析。定值光照強度濾波試驗表明，在2000、4000、6000、8000Lux光照強度時，卡爾曼濾波優(yōu)于加權(quán)遞推平均濾波，其平均絕對誤差分別為0.11%、0.13%、0.12%、0.11%，均方根誤差分別為0.14%、0.16%、0.15%、0.13%。動態(tài)實時光照強度濾波試驗表明，加權(quán)遞推平均濾波滯后時間在2s以上，卡爾曼濾波滯后時間控制在1s以內(nèi)。因此，所提出的卡爾曼濾波模型在光照強度監(jiān)測應用中具有較好的準確性和動態(tài)性。

3） 本文所提出的光照強度監(jiān)測系統(tǒng)能夠?qū)崿F(xiàn)菠蘿育苗室內(nèi)多節(jié)點光照強度的實時監(jiān)測，可為溫室環(huán)境調(diào)控提供重要的數(shù)據(jù)支持。

參 考 文 獻

［1］ 沈林晨， 薛坤鵬， 朱寒豹， 等. 菠蘿組培工廠化育苗設計和設備應用［J］. 現(xiàn)代農(nóng)業(yè)裝備， 2021， 42（6）： 29-33.

Shen Linchen， Xue Kunpeng， Zhu Hanbao， et al. Design and equipment application of pineapple industrialized seedlings production ［J］. Modern Agricultural Equipment， 2021， 42（6）： 29-33.

［2］ 郭利軍， 何舒， 張治禮， 等. 臺農(nóng)16號菠蘿工廠化育苗效益分析［J］. 分子植物育種， 2016， 14（10）： 2896-2903.

Guo Lijun， He Shu， Zhang Zhili， et al. Analysis of the economical benefit of tainong 16 pineapple industrialized seedlings production［J］. Molecular Plant Breeding， 2016， 14（10）： 2896-2903.

［3］ 張偉， 欒愛萍， 何業(yè)華， 等. 菠蘿雜交種子的發(fā)芽育苗方法研究［J］. 中國南方果樹， 2020， 49（3）： 46-48， 56.

［4］ 薛忠， 陳如約， 張秀梅. 菠蘿機械化種植與收獲研究現(xiàn)狀［J］. 山西農(nóng)業(yè)大學學報（自然科學版）， 2021， 41（3）： 110-120.

Xue Zhong， Chen Ruyue， Zhang Xiumei. Frontier of pineapple planting and harvesting mechanization in the world ［J］. Journal of Shanxi Agricultural University （Natural Sciences）， 2021， 41（3）： 110-120.

［5］ 程鑫， 徐曉輝， 宋濤， 等. 基于PSO-SVR模型的溫室智能補光系統(tǒng)研究［J］. 中國農(nóng)機化學報， 2020， 41（6）： 64-68， 82.

Cheng Xin， Xu Xiaohui， Song Tao， et al. Research on intelligent light-filling system in greenhouse based on PSO-SVR model ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（6）： 64-68， 82.

［6］ 杜興林， 劉春娥， 張啟宇， 等. 海帶育苗過程光照強度監(jiān)測系統(tǒng)的設計與實現(xiàn)［J］. 海洋科學， 2020， 44（5）： 115-122.

Du Xinglin， Liu Chune， Zhang Qiyu， et al. Design and implementation of illumination monitoring system for kelp seedling cultivation ［J］. Marine Sciences， 2020， 44（5）： 115-122.

［7］ 姚引娣， 王磊， 花靜云， 等. 基于B/S架構(gòu)的LoRa遠程溫室監(jiān)測系統(tǒng)［J］. 傳感器與微系統(tǒng)， 2021， 40（1）： 78-80， 84.

Yao Yindi， Wang Lei， Hua Jingyun， et al. LoRa remote greenhouse monitoring system based on B/S architecture ［J］. Transducer and Microsystem Technologies， 2021， 40（1）： 78-80， 84.

［8］ 楊文奇， 劉希光， 郭彥克， 等. 溫室環(huán)境物聯(lián)網(wǎng)監(jiān)測系統(tǒng)的設計［J］. 中國農(nóng)機化學報， 2017， 38（4）： 105-108， 140.

Yang Wenqi， Liu Xiguang， Guo Yanke， et al. Design of Internet of things monitoring system for greenhouse environment［J］. Journal of Chinese Agricultural Mechanization， 2017， 38（4）： 105-108， 140.

［9］ 姚霞， 吝濤， 周昊， 等. 基于物聯(lián)網(wǎng)長期在線監(jiān)測的辦公建筑室內(nèi)外環(huán)境質(zhì)量變化特征研究［J］. 環(huán)境科學學報， 2022， 42（7）： 123-139.

Yao Xia， Lin Tao， Zhou Hao， et al. Research on the dynamic characteristics of indoor and outdoor environmental quality of office buildings based on long-term online monitoring of Internet of Things ［J］. Acta Scientiae Circumstantiae， 2022， 42（7）： 123-139.

［10］ 劉源， 宋濤， 徐曉輝， 等. 基于多元回歸模型的精準光照系統(tǒng)［J］. 中國農(nóng)機化學報， 2019， 40（6）： 162-166.

Liu Yuan， Song Tao， Xu Xiaohui， et al. Design of intelligent lighting system based on multivariate regression model ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（6）： 162-166.

［11］ 單慧勇， 李晨陽， 張程皓， 等. 效益優(yōu)先的溫室光照優(yōu)化調(diào)控模型研究［J］. 中國農(nóng)機化學報， 2021， 42（2）： 66-73.

Shan Huiyong， Li Chenyang， Zhang Chenghao， et al. Research on optimal control model of greenhouse light based on benefit-priority ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 66-73.

［12］ 夏玉紅， 吳大軍， 王克明， 等. 農(nóng)田灌溉系統(tǒng)監(jiān)測數(shù)據(jù)校準和融合技術(shù)研究［J］. 中國農(nóng)機化學報， 2020， 41（11）： 107-112.

Xia Yuhong， Wu Dajun， Wang Keming， et al. Research on monitoring data calibration and fusion technology of farmland irrigation system ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（11）： 107-112.

［13］ Li X， Zhang X， Wang Y， et al. Temperature prediction model for solar greenhouse based on improved BP neural network ［J］. Journal of Physics： Conference Series， 2020， 1639（1）： 012036 （11pp）.

［14］ Waldbjoern J P， Maghareh A， Ge O， et al. Multi-rate real time hybrid simulation operated on a flexible LabVIEW real-time platform［J］. Engineering Structures， 2021， 239（7）： 112308.

［15］ Suresh T， Zhu F， Harkamal W， et al.A novel lidar-based instrument for high-throughput， 3d measurement of morphological traits in maize and sorghum［J］. Sensors， 2018， 18（4）： 1187.

［16］ 牛萍娟， 李艷艷， 田會娟， 等. 基于LabVIEW的智能LED植物補光照明系統(tǒng)設計［J］. 江蘇農(nóng)業(yè)科學， 2016， 44（10）： 394-398.

［17］ 包超， 朱宏亮， 高志宇， 等. 嵌入式數(shù)字濾波器在線處理脈沖堆測量脈沖波形信號［J］. 核電子學與探測技術(shù)， 2017， 37（9）： 908-912.

Bao Chao， Zhu Hongliang， Gao Zhiyu， et al. Pulse waveform of pulsed reactor online processing with embedded digital filter［J］. Nuclear Electronics & Detection Technology， 2017， 37（9）： 908-912.

［18］ 董曉璇， 程嗣怡， 羅朝義， 等. 一種基于加權(quán)遞推濾波的門限優(yōu)化檢測方法［J］. 現(xiàn)代雷達， 2019， 41（1）： 19-25.

［19］ 趙昊寧， 許家忠， 張海濱， 等. 基于卡爾曼濾波信號細分的減速器測試研究［J］. 電子測量與儀器學報， 2019， 33（8）： 14-21.

Zhao Haoning， Xu Jiazhong， Zhang Haibin， et al. Research on subdivision system of reducer testing based on Kalman filtering［J］. Journal of Electronic Measurement and Instrumentation， 2019， 33（8）： 14-21.

［20］ 周平， 楊啟良， 李加念， 等. 基于卡爾曼濾波的降雨起止時間手機遠程監(jiān)測裝置研制［J］. 農(nóng)業(yè)工程學報， 2021， 37（2）： 196-208.

Zhou Ping， Yang Qiliang， Li Jianian， et al. Design of mobile phone remote monitoring device for the initiation and termination time of rainfall based on Kalman filter［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（2）： 196-208.

［21］ 李亞軍， 向陽， 劉研， 等. 基于卡爾曼濾波的播種機GPS測速數(shù)據(jù)優(yōu)化算法研究［J］. 中國農(nóng)機化學報， 2020， 41（1）： 148-154.

Li Yajun， Xiang Yang， Liu Yan， et al. Research on optimized algorithm of GPS velocity data of seeder based on Kalman filter ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（1）： 148-154.

［22］ 李斌飛， 崔世鋼， 施國英， 等. 基于無跡卡爾曼濾波的農(nóng)用無人機定位研究［J］. 中國農(nóng)機化學報， 2020， 41（9）： 156-161.

Li Binfei， Cui Shigang， Shi Guoying， et al. Research on the agricultural unmanned aerial vehicles positioning based on unscented Kalman filter ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（9）： 156-161.