萬宏鳳,鹿艷晶

(鄭州職業(yè)技術(shù)學院 ,鄭州 450000)

0 引言

隨著科技的發(fā)展,我國農(nóng)業(yè)機械逐漸趨于現(xiàn)代化。農(nóng)用植保無人機作為一種新型農(nóng)用機械,由于其具有良好的機動性能、較高的噴灑效率、較低的作業(yè)成本及安全和環(huán)保的特性,逐漸替代了傳統(tǒng)人工作業(yè)方式,應用于農(nóng)業(yè)生產(chǎn)和植保作業(yè)[1-2]。植保機在作業(yè)過程中,通過利用遙感分析、傳感器等技術(shù)對農(nóng)作物的漲勢及害蟲病害進行監(jiān)測,從而實現(xiàn)精準噴藥。然而,這種方式并不能有效解決農(nóng)作物病蟲害的問題,只能緩解病蟲害問題。

數(shù)據(jù)庫技術(shù)是一種結(jié)合了計算機科學和信息管理技術(shù)的綜合數(shù)據(jù)管理技術(shù),可實現(xiàn)數(shù)據(jù)資源的共享[3-4]:一方面,利用傳統(tǒng)的農(nóng)業(yè)生產(chǎn)資料;另一方面,利用傳感器實時感知農(nóng)業(yè)數(shù)據(jù)信息,將這些信息應用計算機數(shù)據(jù)庫技術(shù),可建立一個具有診斷、瀏覽和查詢功能的數(shù)據(jù)庫,并通過結(jié)合歷史資料和當前農(nóng)業(yè)狀況,依據(jù)數(shù)據(jù)庫中的預警模型達到對農(nóng)作物病蟲害進行有效、準確和及時預警的目的。目前,數(shù)據(jù)庫在建立和使用過程中需要操作系統(tǒng)和網(wǎng)絡系統(tǒng)相互連接和支持才可運行,其中的任何一個環(huán)節(jié)出現(xiàn)不合法的使用,均會造成數(shù)據(jù)庫數(shù)據(jù)的泄漏甚至破壞。

為了保證植保機的正常作業(yè),需對數(shù)據(jù)庫的各個環(huán)節(jié)如數(shù)據(jù)庫和網(wǎng)絡系統(tǒng)等采取措施,包括采取用戶識別和鑒別手段、人員訪問控制及將數(shù)據(jù)庫加密等手段,以保證其安全運行。因此,筆者擬對網(wǎng)絡安全數(shù)據(jù)庫在植保機系統(tǒng)中的應用進行研究。

1 硬件設(shè)計

1.1 總體設(shè)計

為了保證對植保機數(shù)據(jù)庫進行有效的管理,采用較為通用和高效的DNN門戶內(nèi)容管理系統(tǒng)對植保機的數(shù)據(jù)庫進行管理[5],具有開源、靈活擴展的優(yōu)點,且安全性能良好。其結(jié)構(gòu)組成主要包括3層,分別為客戶端、網(wǎng)絡服務端和數(shù)據(jù)庫端,結(jié)構(gòu)簡圖如圖1所示。

圖1 植保機的門戶內(nèi)容管理系統(tǒng)結(jié)構(gòu)簡圖Fig.1 The structure diagram of portal content management system for plant protection machine

1.2 客戶端

客戶端主要是用戶的計算機通過瀏覽器即可進行信息的瀏覽、查詢和輸入等,是植保機數(shù)據(jù)庫系統(tǒng)與用戶之間進行通信和信息交換的媒介;同時,客戶端還配置了HTML添加模塊,便于用戶進行功能的擴展。

在作業(yè)時,客戶利用瀏覽器發(fā)出請求,并提出表單至網(wǎng)絡服務端,其后網(wǎng)絡和數(shù)據(jù)庫服務端進行信息數(shù)據(jù)的處理,及時地對請求作出響應。

1.3 網(wǎng)絡服務端

網(wǎng)絡服務端主要用于實現(xiàn)植保機的專家服務功能,根據(jù)邏輯方式可以劃分為3層,分別為表示層、業(yè)務邏輯層和數(shù)據(jù)訪問層。

表示層主要為客戶端提供服務,是客戶進行系統(tǒng)訪問的端口,主要包括表單、網(wǎng)頁、模塊、模塊控制插件和客戶端腳本。其中,表單是客戶進入客戶端后的首頁;網(wǎng)頁為客戶進入系統(tǒng)網(wǎng)站瀏覽時的每個網(wǎng)頁;模塊為DNN系統(tǒng)提供基本的功能,如圖2所示。系統(tǒng)主要有6大功能,包括農(nóng)業(yè)基本知識介紹、專家答疑和留言、問題識別、觀測點預報、用戶管理和數(shù)據(jù)維護;模塊控制插件為客戶進入模塊提供接口,然后以網(wǎng)頁的形式呈現(xiàn);客戶端腳本為當客戶需要與表示層有更多的聯(lián)系時,提供途徑。

圖2 DNN功能模塊結(jié)構(gòu)圖Fig.2 The structure drawing for DNN functional module

業(yè)務邏輯層的建立一方面是增加系統(tǒng)的安全性,降低系統(tǒng)被惡意侵入的危險;另一方面是降低系統(tǒng)的程序和數(shù)據(jù)庫數(shù)據(jù)之間的依賴關(guān)系,其主要組成包括業(yè)務對象、控制器和數(shù)據(jù)源提供者。其中,業(yè)務對象為觀測點預報信息數(shù)據(jù);控制器是觀測點進行病害預警的預測方法,預測流程如圖3所示。數(shù)據(jù)源提供者為控制器所需數(shù)據(jù)提供傳輸方法,是一種數(shù)據(jù)傳輸工具,在此采用DataReader作為數(shù)據(jù)源提供者。

圖3 病害預警的預測流程Fig.3 The forecasting process of disease early warning

數(shù)據(jù)訪問層主要用于實現(xiàn)數(shù)據(jù)源傳輸方法,該層與數(shù)據(jù)庫連接,是與數(shù)據(jù)庫聯(lián)系最為緊密的一層。

1.4 數(shù)據(jù)庫端

數(shù)據(jù)庫端是整個DNN系統(tǒng)運行的核心,數(shù)據(jù)庫的建立可以把數(shù)據(jù)組織聯(lián)系在一起,同時數(shù)據(jù)庫中的不同數(shù)據(jù)又獨立存在,將這些數(shù)據(jù)綜合分析可以對病蟲害進行預警,減少系統(tǒng)的重復性工作,解決實際問題。數(shù)據(jù)庫端主要通過客戶端和網(wǎng)絡服務端進行正常的管理和運行。

植保機系統(tǒng)的數(shù)據(jù)庫主要包括作物實時數(shù)據(jù)庫、歷史數(shù)據(jù)庫、知識庫、模型庫和結(jié)論庫,其獲取數(shù)據(jù)過程如圖4所示。其中,作物實時數(shù)據(jù)庫主要用于對植保機獲取的農(nóng)田實時數(shù)據(jù)進行管理,如傳感器感知信息、農(nóng)作物信息等;歷史數(shù)據(jù)庫用于存儲歷史數(shù)據(jù);知識庫主要用于對獲取的領(lǐng)域?qū)＜业闹R進行存儲;模型庫是對預警模型及動態(tài)知識進行分析得出的模型進行存儲;結(jié)論庫是對模型診斷及推理得出的結(jié)論進行存儲。

圖4 植保機系統(tǒng)的數(shù)據(jù)庫獲取數(shù)據(jù)過程圖Fig.4 The data acquisition process diagram of plant protection machine system database

2 預警模型設(shè)計

為了對農(nóng)作物病蟲害進行有效、準確和及時的預警,可以充分利用植保機采集到的農(nóng)田信息,構(gòu)建預警模型,從而及時地采取手段預防病蟲害。神經(jīng)網(wǎng)絡是采用人工智能的方法,在現(xiàn)有數(shù)據(jù)的基礎(chǔ)上采用多次迭代計算得到具有內(nèi)在聯(lián)系的數(shù)學模型。其中,BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種,是采用監(jiān)督學習的方式解決非線性問題的一種神經(jīng)網(wǎng)絡,具有較強的容錯、學習、并行處理及可完成分布存儲的優(yōu)點[6-7],可應用于病蟲害預警模型的建立。但是,該算法訓練時間長,易陷入局部極值,而粗糙集理論在這些方面與BP神經(jīng)網(wǎng)絡為互補關(guān)系,可有效去除冗余數(shù)據(jù),執(zhí)行并行計算算法,將粗糙集與BP神經(jīng)網(wǎng)絡結(jié)合用于病蟲害預警模型的建立。

在建立粗糙集和BP神經(jīng)網(wǎng)絡的預警模型時,首先,收集病蟲害相關(guān)案例、試驗數(shù)據(jù)以及專家診斷等信息,采用粗糙集理論對數(shù)據(jù)進行預處理,包括數(shù)據(jù)的離散化、確定條件屬性、確定原始決策表和屬性簡約等;其后,將處理后的數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡進行學習和訓練,最終確定病蟲害預警模型。粗糙集和BP神經(jīng)網(wǎng)絡的預警模型建立過程如圖5所示。

2.1 數(shù)據(jù)預處理

1)粗糙集理論對數(shù)據(jù)進行處理時,首先需要確定粗糙集。假設(shè)集合為U,對其按下式處理,即

圖5 粗糙集和BP神經(jīng)網(wǎng)絡的預警模型建立過程圖Fig.5 The process diagram of rough set and BP neural network early warning model establishment

2)確定粗糙集的條件屬性。假定DNN系統(tǒng)數(shù)據(jù)按照下式定義,即

S=(U,M,N,f),U≠φ,M≠φ

其中,U為粗糙集的數(shù)據(jù)集合;M為粗糙集數(shù)據(jù)的有限屬性集合。因此,粗糙集研究對象的屬性集合為

N=UNa

其中,Na為a屬性的取值范圍,則對于粗糙集U中的任意研究對象x的屬性值f(x,a)可按下式表示,即

f(x,a)∈Na(?a∈M,x∈U)

3)確定原始決策表。決策表也屬于DNN系統(tǒng)數(shù)據(jù),一般可以看做是由條件和決策屬性共同組成的信息表。對于已知的系統(tǒng)數(shù)據(jù)S=(U,M,N,f)有以下關(guān)系

M=A∪B,A∩B≠φ

其中,A和B分別為條件和決策的屬性集合。對于各決策屬性值,決策規(guī)則采用下式計算,即

γij:des(U|C,U|D)→des(U|D)

(U|C)∩(U|D)≠φ

對應的確定性因子θ結(jié)果如下式計算,即

θ(U|C,U|D)=|(U|C)∩(U|D)|/|U|C|

確定性因子θ值越大,則決策規(guī)則的確定性越小。

4)進行屬性簡約。對于系統(tǒng)數(shù)據(jù)S=(U,M,N,f),該數(shù)據(jù)的區(qū)別矩陣中的元素可表示為

W(x,y)={a∈M|f(x,a)≠f(y,a)}

矩陣為n階方陣。對于矩陣中的任意元素a,設(shè)定不二類型變量a,若符合以下關(guān)系

則可以定義區(qū)分函數(shù)為

對于集合M的約簡集合A需要滿足的條件為

A?M,A∩W(x,y)=φ,?W(x,y)=φ

2.2 預警模型構(gòu)建

當數(shù)據(jù)采用粗糙集理論處理后,對處理的數(shù)據(jù)構(gòu)建BP人工神經(jīng)網(wǎng)絡預警模型。BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)圖如圖6所示。

在進行BP神經(jīng)網(wǎng)絡的設(shè)計時,需要確定以下參數(shù):

1)網(wǎng)絡層數(shù)。一般設(shè)定為3層神經(jīng)網(wǎng)絡,輸入層為m個節(jié)點,輸出層為n個節(jié)點。

2)每層神經(jīng)元數(shù)量。一般輸入層神經(jīng)元數(shù)量u0為影響病蟲害的環(huán)境因子個數(shù),輸出層數(shù)量u1為病蟲害種類,隱含層神經(jīng)元數(shù)量u2按照下式計算,即

u2=2u0+1

3)傳遞函數(shù)采用Sigmoid函數(shù),即

其中,a為網(wǎng)絡偏移量;b為激勵函數(shù)的改變。

4)訓練算法采用優(yōu)化的Levenberg-Marguardt算法,以提高運算速率。

5)初始權(quán)值選擇為(0,1)之間的任意數(shù)值,以避免權(quán)值調(diào)整時的同向性。

6)學習速率定為0.5,以保證系統(tǒng)的穩(wěn)定性,最終確定該3層BP神經(jīng)網(wǎng)絡的預警模型。

3 試驗結(jié)果

為了保證該植保機的DNN門戶內(nèi)容管理系統(tǒng)的性能,需要對其進行試驗驗證?？紤]到系統(tǒng)的主要功能是對采集到的植物進行病蟲害預警,以及時地采取有效措施。因此,在進行試驗設(shè)計時,主要針對系統(tǒng)的預警模型進行試驗驗證。

試驗選擇植保機數(shù)據(jù)庫中采集到的與水稻紋枯病相關(guān)的樣本共150個進行試驗。樣本信息包括環(huán)境的溫濕度條件、發(fā)病時期、癥狀等信息。這些樣本共包括80個訓練樣本,20個驗證樣本及50個測試樣本,最終通過這些樣本得到的預警準確率,如表1所示。

表1 預警試驗結(jié)果Table 1 The result of early warning test

由表1可知:該DNN門戶內(nèi)容管理系統(tǒng)對于水稻紋枯病的預警準確率達到94%,能夠達到農(nóng)業(yè)人員對于病蟲害預警準確率的要求,可以將該系統(tǒng)應用于農(nóng)作物的病蟲害預警。

4 結(jié)論

1)針對我國現(xiàn)有農(nóng)用植保機系統(tǒng)只能進行農(nóng)藥的噴灑,并不能對病蟲害進行預警,解決農(nóng)作物病蟲害的問題,將網(wǎng)絡安全數(shù)據(jù)庫在植保機系統(tǒng)的應用進行了研究。植保機的DNN門戶內(nèi)容管理系統(tǒng)主要包括3層,分別為客戶端、網(wǎng)絡服務端和數(shù)據(jù)庫端。

2)為了使植保機系統(tǒng)可以根據(jù)數(shù)據(jù)庫的數(shù)據(jù)對病蟲害進行預警,同時保證數(shù)據(jù)庫數(shù)據(jù)的安全,建立了粗糙集和BP神經(jīng)網(wǎng)絡的預警模型,包括采用粗糙集進行數(shù)據(jù)的預處理,以及采用BP神經(jīng)網(wǎng)絡建立預警模型。

3)為了驗證該植保機的DNN門戶內(nèi)容管理系統(tǒng)的有效性,通過利用采集到的樣本對該系統(tǒng)的運行進行了訓練、驗證和測試,結(jié)果表明:系統(tǒng)可以有效地對植物病蟲害問題進行預警。