基于5G的智慧农业物联网控制管理系统设计.pdf

30 电子制作 2022 年0 9 月 智能应用 0 引言 目前智慧农业系统在世界各国发展迅速 现代农业精细 化大规模生产与物联网结合有着巨大的市场需求空间 1 国 外对于智慧农业存在多种有温室大棚种植技术 不仅能够利 用网络进行大棚的实时通信 还能够进行对大棚内的各个参 数进行调节 并对其大棚中各个参数进行实时监控与调节 如美国已应用 5S 技术 2 智能化农机技术等形成了农 业精细化 帮助农场主精细化耕作并提质增效 日本利用数 字技术 传感技术和远程控制等技术建立了个性化 网上农 场 式农业运营新模式 3 使消费者可实时自主远程精准控 制自有农产品生产 并获得理想的农产品 虽然我国现代农 业化发展进程加快 但是相较于国外的技术我们还是落后 再加上我国领土宽广 类型繁多 推广进程不一 导致国内 农业发展各方面不均衡 因此我国农业现代化需要更进一步 的提升 针对这一现状 本项目拟设计一个农业物联网控制管 理系统 该平台利用5G 物联网等新型信息化技术 将 STM32作为中央处理器 传感器模块作为监测装置 引入 到农业科技园区应用中 解决传统农业数据采集难 传输效 率低 人力成本高等问题 1 研究内容 1 1 系统总体设计 本项目采用STM32和ZigBee技术以及5G通信技术 的融合实现数据的收集与传输 STM32系统中包含温湿度 控制 光照 土壤湿度 温控 ZigBee 和 5G 模块 其中 需要首先在主控模块 STM32 微处理器中先设定好程序 利 用光照模块 温湿度模块对外部环境进行数据采集 将这些 数据传给单片机 在操作系统设定的标准参数范围内进行各 个方面的比对 从而将实际操作反馈给物理操作系统并进行 处理 再通过串口利用 ZigBee 技术实现数据传输系统 将 数据传输到数据库中 同时通过USB接口利用5G通信实 现远程数据传输与分析 负责收集和传送单片机的指令 这 两个通信模块也可以与上位机进行通信 达到更精确高效的 工作效率 采集更多实时数据 减少商业成本投入 系统工 作原理如图 1 所示 STM32F767IGT6微处理器 16M FLASH 8M SDRAM USB 串 口 5G通信模块 ZigBee 客户端 数据库 网络节点 1 网络节点 n 图 1 系统工作原理图 1 2 各功能模块设计 ADC GPIO PWM 光照模块 土壤湿度 模拟时序 温湿度模块 温控模块 ZigBee网络节点 图 2 系统的硬件框图 1 温湿度控制模块 DHT11 湿度测量范围为 20 90 RH 温度测量范围为 0 50 湿度测量精度 5 相对湿度 温度测量精度 5 温度测量精度 4 可通过 DHT11 并测量温湿度得到数据 将数据通过网络传 输给主控单片机 主控单片机通过 5G 模块下载数据库的信 息与温湿度数据进行对比 来发送指令控制调温湿度的模块 达到预设温湿度 2 光照模块 TEMT6000 光照模块的基本原理是 以光电效应为基础 把被测量的变化转换成光信号的变化 然后借助光电元件进一步将非电信号转换成电信号 通过 ADC采集电信号数据 将数据通过网络传输给主控单片机 基于 5G 的智慧农业物联网控制管理系统设计 熊峻辉 刘娟秀 黄心怡 雷光明 毛媛 成都工业学院 电子工程学院 四川成都 611730 基金项目 2021年大学生创新创业训练计划项目 项目编号 202111116009 摘要 农业智能化是目前物联网技术的研究热点 本项目利用STM32F103开发板主控 搭载温湿度 光照等传感器实时检测大棚室内的环 境参数 采用ZigBee组网和5G模块建立通信网络 将数据传输到单片机与各参数预定的数值进行比对 控制 并通过实验测试系统能实 现温室大棚智能调节植物生长环境的温湿度及光强 关键词 5G STM32 智能大棚 DOI 10 16589 11 3571 tn 2022 17 008 31 智能应用 主控单片机通过 5G 模块下载数据库信息与光照模块数据进 行对比 来发送指令进行补光和遮光等物理操作使得光照达 到预设适宜强度 3 土壤湿度模块 YL 69 土壤湿度模块的基本原 理将被测量的湿度转换成电信号 通过 ADC 采集电信号数 据 将数据通过网络传输给主控单片机 主控单片机通过 ZigBee 模块下载数据库的信息与土壤湿度模块数据进行对 比 来发送指令控制自动灌溉模块实现调节土壤湿度 4 温控模块 风扇 风扇模块是通过控制 PWM 值 来控制风扇转速 进而控制降温速度 主控单片机通过发送 的指令来控制风扇不同的转速 5 ZigBee 模块 CC2530 通信模块的作用是将传 感器得到的数据传输给主控单片机 在农业监测区域内根 据随机分布的多种类的微型传感器利用 ZigBee 组网 在对 网络进行全覆盖的同时 采集 计算和处理区域中监测到的 对象的动态信息 由于对农业生产的监控面积十分大 想要 网络覆盖足够全面 采用 ZigBee 组网是十分实用的 采用 ZigBee 获取各个模块的数据 主控单片机通过不同的局域 网IP 获取不同模块的数据 将获取数据与数据库下载数 据进行对比 进而实现不同逻辑之间的控制 6 5G 模块 MH5000 系统近程数据传输利用 ZigBee组网 远程数据传输利用5G模块 再联系物联网 云平台实现终端设备和数据监控中心的远程通信 同时 将 Web服务器部署在第三方云平台上 通过界面设置相关自 动化设备的阈值参数 进而完成补光等一系列操作 1 3 软件设计 软件系统主要完成的功能包括系统初始化 环境温度控 制 土壤湿度控制 光强控制和数据传输通信 软件总体流 程图如图 3 所示 当软件开始运行时 首先进行基础初始化和通信模块初 始化 若初始化异常则重新开始初始化 初始化成功后 进 行通信连接 链接异常则重新开始初始化 链接成功后 直 接进入网络节点 1 或网络节点 n n 为 2 3 4 5 或进入数据库读取数据 直接得出数据 n 或进行数据比对 1 或数据比对n 得出控制指令1或控制 n 分别进入网络节点 1 或网络节点 n 得到数据 n 或数据 1 若为数据 1 则再 次进入数据比对的循环 开 始 基 础 初始化 通信 模块初 始化 初 始 化成功 通 信 连 接 异 常 处 理 数据 1网 络 节 点 1 数据 库数据 读取 数据 比对 1 数 据 比 对 n 控制 指令 1 控 制 指 令 n数据 n网 络 节 点 n Y N N Y Y Y 图 3 系统软件总体流程图 开 始 IO模 式 复位 控制模 块 控 制 模块回 应 复 位 成 功 IO接 收 控制 模块初 始 化成 功 返 回 1 结束 返 回 0 返回 0 N N 图 4 初始化流程图 32 电子制作 2022 年0 9 月 智能应用 软件的初始化流程如图 4 所示 将程序设置为 IO 模式 再复位控制模块 如果控制模块复位失败则返回 0 继续进 行复位控制模块操作 如果复位成功 则进行 IO 接收 控 制模块初始化成功 返回 1 程序结束 如果初始化失败 则返回 0 继续进行 IO 接收操作 因为 STM32 内部自带 ADC 转换 所以在土壤湿度控制 模块中 AO 口接到 STM32 的 PA0 口 DO 口接到 STM32 的PA1口 把模拟量转换为数字量 再在系统中比较输入 的数字量和预设数字量的关系 从而决定是否开启或关闭抽 水泵 光照模块也是同理 在温度调节方式中 将DHT11 传感器的 Dout 引脚 连接到 STM32 的 PA2 口 使用 STM32的TIM1通用定时器 对环境温度进行输入捕获 和预设的数字量进行数据比较 通过PE9引脚输出PWM波 根据比较结果决定风扇是否开启 软件流程如图 5 所示 2 调试结果 1 温度控制调试 根据不同地理位置和大棚种植类 型 从数据库获取该条件下温度阀值 调试时 以数据库获 取的阈值为设定值 如设置阈值为 30 在未达到阈值温 度时 风扇关闭 如图6所示 在温度高于设定的30 时 风扇开启实现降温 测试结果如图 7 所示 图 6 温度在设定值内 2 土壤湿度控制调试 根据不同地理位置和大棚种 植类型 从数据库获取该条件下土壤湿度阀 值 如设置阈值为5 1 在未达到阈值土 壤湿度时 抽水泵开启 如图8所示 在 土壤湿度高于设定的5 1 时 抽水泵关闭 测试结果如图 9 所示 图 7 温度超过设定值 图 8 土壤湿度在阀值内 图 9 土壤湿度超过阀值 3 光强控制调试 根据不同地理位置和大棚种植类 型 从数据库获取该条件下光照强度阀值 调试时 以数据 库测试阈值为准 测试阀值 40000 即当光照强度低于该测 试阀值时 进行补光装置工作 阀值内如图 10 所示 此时 灯并未点亮 超过阀值的情况如图 11 所示 此时灯点亮进 行补光 图 10 光照强度在阀值内 开始 初始 化成功 读取 环境湿 度 读 取 环境光 强 读 取 环 境 温 度 土壤 湿度 5 1 光 照 强 度 40000 环 境 温 度 30 抽 水 泵开启 抽 水 补光 灯开启 风扇 开启 数 据 比对模 块 等待 下个指 令 N N N Y Y Y 图 5 控制模块流程图 下转第 70 页 70 电子制作 2022 年0 9 月 软件开发 for scene text recognition C Computer Vision and Pattern Reco gnition CVPR 2012 IEEE Conference on IEEE 2012 2687 2694 4 Shi B Bai X Yao C An end to end trainable n eural network for image based sequence recognition and its application to scene text recognition IEEE Trans on Pattern Analysis Machine Intelligence 2016 39 11 2298 2304 5 Graves A Fernandez S Gomez FJ Schmidhu ber J Connecti onist temporal classification Labelling unsegmented sequen ce data with recurrent neu ral networks In Proc of the Int l Conf on Machine Learning 2006 369 376 6 Gu J T Lu Z D Li H et al Incorporating copying mechanism in sequence to sequence learning C Proceedings of the 54th Annu al Meeting of the Association for Computational Lingu istics Stroudsburg Association for Computational Linguistics 2016 1631 1640 7 Luong Minh Thang Pham Hieu Manning Christ opher D Eff ective Approaches to Attention based Neural Machine Transla tion J Computer Science 2015 8 Xu K Ba J Kiros R et al Show Attend and Tell Ne ural Ima ge Caption Generation with Visual Attention J Computer ence 2015 2048 2057 9 Chorowski J Bahdanau D Serdyuk D et al Attention Based Models for Speech Recognition J Computer Science 2015 10 4 429 439 10 Wang F Jiang M Qian C et al Residual Attention Networ k for Image Classification J arXiv 1704 06904 2017 11 Raffel Colin Ellis Daniel P W Feed Forward Networks wit h Attention Can Solve Some Long Term Memory Problems J arXiv 1512 08756 2015 12 Sutskever I Vinyals O Le Q V Sequence to sequence learn ing with neural networks C Advances in Neural Information Processing Systems Montreal Canada 2014 3104 3112 13 Baoguang S Mingkun Y Xinggang W et al AS TER An Atte ntional Scene Text Recognizer with Flexible Rectification J IEEE Transactions on Patte rn Analysis and Machine Intelligen ce 2019 41 9 2035 2048 14 Z Xie Y Huang Y Zhu L Jin Y Liu and L Xie Aggrega tion Cross Entropy for Sequence Recognition 2019 IEEE CVF Conference on Computer Vision and Pattern Recognition CVPR Long Beach CA USA 2019 6531 6540 15 Zhan F Lu S ESIR End to end Scene Text Recognition via Iterative Image Rectification J arXiv 1812 05824 2018 16 Chen L C Papandreou G Kokkinos I et al Dee pLab Se man tic Image Segmentation with Deep Convolutional Nets Atrous Convolution and Fully Connected CRFs J IEEE Transactions on Pattern Analysis Machine Intelligence 2018 40 4 834 848 17 Karatzas D Shafait F Uchida S et al ICDAR 2013 robust rea ding competition C Document Anal ysis and Recognition IC DAR 2013 12th Internati onal Conference o n IEEE Computer Society 2013 18 Karatzas D Gomez Bigorda L Nicolaou A et al ICDAR 2015 competition on Robust Reading C 2015 13th In ternational Conference on Document Analysis and Recognition ICDAR IEEE ComputerSociety 2015 图 11 光照强度超过阀值 3 结论 本文设计了一种智能栽培系统 通过简单的操作实现了 自动化栽培 更加满足现如今中国的农村现状 并且还可以 运用在除栽培以外的其他行业中 还有 5G 技术的辅助 进 一步提高了数据传输的速度与精度 有利于农业实现精细化 生产以及高效出产 具有较好的应用前景 参考文献 1 王子右 精准扶贫对偏远地区企业绩效影响的实证研究 J 湖北经济学院学报 人文社会科学版 2021 18 3 4 2 Zou Z Bie Y Zhou M Design of an Intelligent Control Sys tem for Greenhouse C 2018 2nd IEEE Advanced Information Management Communicates Electronic and Automation Con trol Conference IMCEC IEEE 2018 3 周千 李秉柏 程高峰 浅议 5S 技术在数字农业中的应用 C 2009 第五届苏皖两省大气探测 环境遥感与电子技术学术 研讨会 4 冯箫 周娜 基于单片机的大棚温湿度控制系统设计 J 电脑 知识与技术 学术版 2020 16 23 2 5 吕庆军 钟闻宇 由浩良 基于单片机构建智慧农业无线传 感器网络 J 时代农机 2019 46 10 6 Zhen L I Shi L Guan M et al Design of greenhouse intellig ent control system based on LabVIEW and ZigBee J Modern Electronics Technique 2016 上接第 32 页