一种基于多传感器的农作物环境温度数据融合系统及方法

摘要

本发明公开了一种基于多传感器的农作物环境温度数据融合系统，包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块，其中：多个所述传感器用于采集环境温度，并将环境温度转换成模拟信号并发送给本地滤波模块；所述本地滤波模块对接收的模拟信号进行幅值和频率的滤波处理，并将滤波后的模拟信号转换为数字信号；所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息；所述置信度管理模块用于确定置信距离，并依照置信距离对传感器输出数据的可靠性进行评估及选择；所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合；所述决策输出模块用于对融合数值进行输出。本发明通过多传感器采集农作物的温度，并对采集结果进行特定算法的数据融合，得到精确、稳定的环境温度结果。

说明书

技术领域

本发明涉及数据融合领域，具体涉及一种基于多传感器的农作物环境温度数据融合系统及方法。

背景技术

农作物的环境温度对农作物的生长至关重要，不仅关系到农作物产品的品质，也会影响其产量。因此，对农作物环境温度的有效检测和估计也是必不可少的。

在很多实际场景中，因局部风速风向差异、其他电气设备温升干扰、封闭环境内的冷热气流的流动等原因，对温度进行单点的检测不能反馈整体环境温度的情况；同时，温度传感器本身的误差会产生波动的结果，温度传感器故障会导致测量结果失效，需要将对应数据剔除。

由于上述复杂因素，目前的很多农作物环境温度检测系统存在以下问题：

1)相比环境温度的缓慢变化，测量温度波动较大；

2)只是收集多传感器的数据，或者进行简单的均值计算，没有考虑传感器本身的误差范围影响，以及传感器一致性不好的情况，导致测量结果出现偏差；

3)针对传感器故障导致偏差较大的情况，没有有效识别和剔除，影响总体的测量结果。

因此需要对现有的农作物环境温度检测系统进行改进。

发明内容

为了解决上述技术问题，提出了一种测量温度波动较小，测量结果更加准确的多传感器的农作物环境温度数据融合系统及方法。

为实现上述目的，本发明采取的技术方案如下：一种基于多传感器的农作物环境温度数据融合系统，包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块，其中：

多个所述传感器用于采集环境温度，并将环境温度转换成模拟信号并发送给本地滤波模块；

所述本地滤波模块对接收的模拟信号进行幅值和频率的滤波处理，并将滤波后的模拟信号转换为数字信号；

所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息；

所述置信度管理模块用于确定置信距离，并依照置信距离对传感器输出数据的可靠性进行评估及选择；

所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合；

所述决策输出模块用于将融合过程中的异常数据、对应的传感器状态以及最终融合数值进行输出。

优选地，所述传感器的特性包括有效范围、误差范围、精度以及线性度参数信息。

优选地，所述先验信息包括传感器被测参数的μ

优选地，所述传感器采集环境温度的温度数值服从正态分布，即

优选地，所述数据融合模块融合的融合得到的结果为：

优选地，基于Bayes估计的数据融合算法的步骤如下：

步骤1：多个传感器测量同一个参数并获得的测量数据；

步骤2：对步骤1的测量数据超出预期范围的异常数据进行剔除，经剔除后剩余有效数据为m个，其中m＜n，剩余的m个数据用于融合；

步骤3：所述融合集合为X＝(x1,x2,...,xm) (1)；

各测量参数的条件概率密度为

步骤4：设定

公式(3)中的指数部分是关于μ的二次函数，P(μ|,x1,x2,...,xm)仍为正态分布，设定为服从

进一度得到：

因此，μ的最优融合数据，即Bayes估计的融合数据为：

一种基于多传感器的农作物环境温度数据融合方法，应用了商住一种基于多传感器的农作物环境温度数据融合系统，该方法包括以下步骤：

步骤A：选择传感器，确定对应传感器的先验概率对应的统计数据以及均值μ

步骤B：确定传感器数量以及对应的安装布局，传感器安装布局要覆盖全部的动态场景；

步骤C：通过安装的传感器进行温度数据采集；

步骤D：计算n个传感器数据的置信距离矩阵，计算公式为：

步骤E：选择距离临界值，由置信距离矩阵产生关系矩阵，关系矩阵中的要素为

通过关系矩阵筛除无效数据，获得m个用于融合的有效数据；

步骤F：将μ

步骤G：步骤F得到的估计融合数值、异常数据以及传感器故障数据打包发送给外部系统。

所述步骤C中温度数据采集过程包括：传感器转换、模拟信号到数字信号的转换、数字信号滤波或平滑预处理以及传感器通道之间的数据同步。

本发明相比现有技术，具有以下优点和积极效果：

1)本发明采用了多种方式对采集结果进行处理，包括前端模拟信号滤波、数字信号筛选、多路信号数据综合计算等，使得外部的偏差和异常没有影响到实际结果，温度检测精度更高。

2)采用了平滑、尖峰数据剔除、多路数据融合等方法，使得测量的温度值以相对平稳的方式输出，不仅温度稳定性更切合实际情况，也有利于后端的监控和管理。

3)本发明针对温度进行检测，不仅仅关注温度值本身，同步对温度采集的传感器和采集通道的状态进行检测，实现了对设备质量和状态的管理，提高了系统的可用性。

附图说明

图1为本发明系统的整体结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明，但本发明要求保护的范围并不局限于下述具体实施例。

针对传统的对农作物的环境温度检测方法所存在的问题，本发明主要解决以下技术问题：

消除与实际环境不相符的温度波动；

降低传感器本身误差对检测结果的影响；

消除传感器和采集通道故障对温度采集结果的影响。

本发明的1个具体实施方案如下：

如图1所示，一种基于多传感器的农作物环境温度数据融合系统，包括多个传感器、本地滤波模块、先验知识管理模块、置信度管理模块、数据融合模块和决策输出模块，其中：

多个所述传感器用于采集环境温度，并将环境温度转换成模拟信号并发送给本地滤波模块；

所述本地滤波模块对接收的模拟信号进行预处理，模拟信号需要先进行本地滤波，滤除有效范围之外的幅值和频率，然后将模拟信号转换为数字信号，才能进行数字化处理。其中，有效幅值指环境温度的合理范围，一般为-10℃～40℃；有效频率指温度波动的速率，实际环境中温度波动的变化率较慢，小于2℃/s。

所述先验知识管理模块根据传感器的特性预设不同位置传感器的先验信息；

具体地，先验知识管理模块根据传感器的特性，传感器的特性包括有效范围、误差范围、精度、线性度等参数，提前确定不同位置传感器的先验信息。因传感器采集环境温度的温度数值通常服从正态分布，即

所述置信度管理模块用于确定置信距离，并依照置信距离对传感器输出数据的可靠性进行评估及选择；

具体地，置信度管理模块就是通过确定任意两个传感器之间的置信距离后，依照置信距离对传感器输出数据的可靠性进行评估并进而进行选择的过程。

每个传感器的输出为Xi，i＝1，2，…，n。一般认为它们服从正态分布，用xi表示第i个测量值的一次测量输出，它是随机变量Xi的一次取样，则有

如果置信距离矩阵中某个位置的数值小于或等于临界值，则关系矩阵中对应位置的数值为1，否则为0。这样就得到了数值只有0和1的二值关系矩阵。结合关系矩阵，对n个传感器的采集数据进行筛选，将偏差较大的数据，或者故障传感器的数据剔除，保留符合实际先验情况的有效数据m个(m＜n)用于下一步的融合。

所述数据融合模块基于Bayes估计的数据融合算法对置信度管理模块选择后的数据进行最佳融合；

所述数据融合模块融合的融合得到的结果为：

所述决策输出模块用于将融合过程中的异常数据、对应的传感器状态以及融合数值进行输出。

决策输出模块不仅仅体现为对最终融合数值的输出，应同步将融合过程中的异常数据以及对应的传感器状态发送出来。异常数据和状态数据对过程管理和传感器以及采集通道的质量管理是有效和必要的，也是确保整个系统可用性的基础。

具体地，数据融合模块中基于Bayes估计的数据融合算法的步骤如下：

步骤1：多个传感器测量同一个参数并获得的测量数据；

设n个传感器测量同一个参数所获得的数据中，其中有一些数据是超出预期范围的异常数据。

步骤2：对步骤1的测量数据超出预期范围的异常数据进行剔除，经剔除后剩余有效数据为m个，其中m＜n，将剩余的m个数据进行融合；

步骤3：所述融合集合为X＝(x1,x2,...,xm) (1)；

各测量参数的条件概率密度为

步骤4：设定

公式(3)中的指数部分是关于μ的二次函数，P(μ|,x1,x2,...,xm)仍为正态分布，设定为服从

进一度得到：

因此，μ的最优融合数据，即Bayes估计的融合数据为：

一种基于多传感器的农作物环境温度数据融合方法，应用了上述的一种基于多传感器的农作物环境温度数据融合系统，该方法包括以下步骤：

步骤A：选择传感器，确定对应传感器的先验概率对应的统计数据以及均值μ

传感器的选择根据技术需求选择。

步骤B：确定传感器数量以及对应的安装布局，传感器安装布局要覆盖全部的动态场景；

根据系统需求确定传感器数量以及对应的安装布局，数量和布局需要结合环境的温度基本情况和气流流动方向，以便覆盖各种动态场景。

步骤C：通过安装的传感器进行温度数据采集；

数据采集过程包括传感器转换、模拟信号到数字信号的转换、数字信号滤波或平滑预处理，以及传感器通道之间的数据同步。数据同步是确保用于处理的输入信息是同一时刻的信息，以确保输入的时间有效性。

步骤D：计算n个传感器数据的置信距离矩阵，为简化计算，当测试数据服从正态分布时可利用误差函数计算置信距离：

步骤E：选择距离临界值，由置信距离矩阵产生关系矩阵，关系矩阵中的要素为

通过关系矩阵筛除无效数据，获得m个用于融合的有效数据。

步骤F：将μ

步骤G：步骤F得到的估计融合数值、异常数据以及传感器故障数据打包发送给外部系统，用于进一步的分析和管理。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。