基于机器学习的LABVIEW平台日光温室监测系统研究_赵谨琦.pdf

基于机器学习的L A B V I E W平台日光温室监测系统研究 赵谨琦1 2 孙可心1 王福成1 1 黑龙江八一农垦大学 工程学院 黑龙江 大庆 1 6 3 3 1 9 2 哈尔滨石油学院 智能工程学院 摘要 通过机器学习进行环境参数的预测 对日光温室1 h后的最佳环境参数决策 并将L A B V I E W监测系统 与机器学习程序相结合 以此进行最佳环境参数的调节 同时进行系统的验证试验 确保采集数据的准确稳定 发 现经调控后 在第一时间段 8 1 7时 光照强度涨幅在5 0 0 7 4 2 土壤E C值涨幅在5 0 0 7 4 2 空气 湿度涨幅在1 0 6 3 6 1 空气温度涨幅在5 8 8 8 6 4 可将土壤温度误差控制在5 3 2 左右 将土壤温 度误差控制5 8 8 左右 第二时间段 0 7时 1 8 2 3时 光照强度涨幅在1 8 7 2 5 2 土壤E C值涨幅在 3 2 8 4 4 2 空气湿度涨幅在1 7 2 1 9 8 空气温度涨幅在3 8 8 5 1 6 可将土壤温度误差控制在 1 3 2 左右 将土壤温度误差控制3 7 5 左右 其准确性和稳定性满足日光温室监控要求 关键词 日光温室 机器学习 L A B V I E W平台 监测系统 0 引言 传统的日光温室生产模式因其技术要求低 成本低廉以及环境控制相对简单等优势 得到了广泛应用 然而 随着人们对农产品产量和质量的日益关注 如何提升生产效率与产品品质已成为当前农业领域的重要 课题 1 2 在实际生产中 农作物生长速度和产量往往受到环境监测不足和生产管理粗放等因素的制约 导 致生长过程不稳定 产量难以保障 因此 通过数据的处理与应用 优化农作物生产过程 对于推动农业现代 化发展具有重要意义 刘玉芹等 3 设计了L A B V I E W智能控制系统 实现了对温室大棚内的温度值 湿度 值 光强值的有效自动控制 乔小丹 4 提出了一种基于长短期记忆神经网络和门控循环单元神经网络相结 合 L S T M G R U 的温湿度预测模型 提高了棚内温湿度预测精度 为棚内环境控制系统提供高时效的决策 依据 刘豹 5 利用改进图像处理和机器学习相关技术及算法 提高温室内对害虫识别计数的高效性及准确 性 有效预测虫害的爆发 同年 祝振乙 6 利用机器学习构造决策模型 结合相关温室作物的生长参数标准 达到温室环境的智能决策和调节的目的 陈浩杨等 7 设计了一套基于L A B V I E W的智能温室大棚控制系 统 能够实时监测和调节温室大棚内的关键参数 分析国内的研究现状可以看出 目前国内对于控制算法及L A B V I E W在温室环境监测的应用中还存在 着以下问题 上述研究主要采用神经网络和模糊控制器两种方法提升性能 这些方法在温湿度参数控制 方面具有较高精度 但其搭建过程较为复杂 需要建立不同的数学模型 并对数据规模有较高要求 目前 温室环境的控制系统大多数只能控制一些简单的终端设备进行一种或两种环境参数的调控 不能同时对多 种环境参数进行调控 并且现有的控制系统大多存在操作复杂和成本高昂的问题 并没有一款低成本 操作 简单和功能全面的控制系统 鉴于此 对机器学习进行深入研究与探讨 通过构建日光温室实验平台采集间隔1 h的4种环境参数 空 气温度 空气湿度 光照强度和土壤E C值 选择最佳机器学习模型对环境数据进行分时 间隔1 h 预测 同 时搭建L A B V I E W平台 为日光温室实时决策 监测和调整环境参数提供数据支持 1 机器学习模型分析 在监测系统算法编程方面 该研究利用自动化控制系统采集的实时数据 结合机器学习进行算法编程 旨在对4种环境参数进行预测 通过计算统计参数 优选出最佳的机器学习模型 样本数是机器学习中至 关重要的一部分 8 对于构建准确 稳健且具有良好泛化能力的模型至关重要 S c h a a f 9 M o t r e n k o 1 0 等学 者认为一个理想的数据集应该包含至少2 0 3 2个样本 基于数据处理的差异和机器学习中学习者之间依 收稿日期 2 0 2 5 0 3 0 4 作者简介 赵谨琦 1 9 9 2 女 黑龙江齐齐哈尔人 硕士 主要从事机械设计制造及自动化方面工作 通讯作者 王福成 1 9 7 9 男 吉林公主岭人 博士 副教授 硕士生导师 研究方向为结构工程 力学和制图等 39 现代化农业 2 0 2 6年第3期 总第5 6 0期 赖关系的强度 1 1 选择5种M L模型来预测日光温室的性能 这些模型包括来自M L的5种算法 R F G B E x t r a T r e e s E T A B S和V o t i n g R e g r e s s o r V R 5种集成学习模型在P y t h o n编程语言中实现 1 2 1 1 机器学习性能预测 通过5种集成学习模型在测试集预测日光温室2种性能参数时的观察和模拟性能参数对比 如图1所 示 散点图显示了5种集成学习模型的验证期结果 观测值和模拟值越接近中心辅助线 观测值等于模拟 值 模拟值就越接近实际值 可以看出 在预测相同的日光温室性能参数时 A B S算法的预测值与实际值 之间的偏差最为显著 相比之下 G B算法的偏差最小 a 第一时间段 b 第二时间段 图1 日光温室观察模拟性能对比 1 2 机器学习5种统计参数效果分析 通过计算5种常用的统计指标 均方根误差 RMSE 均方误差 MSE 相关系数 R 决定系数 R2 和平均绝对误差 MAE 进一步量化集成学习技术在训练和验证过程中的准确性 结果见表1 结合表1 数据发现 RMSE MAE MSE 发现在2 4 h内的土壤温湿度指标 都是E T与A B S两种算法的误差值最大 G B算法误差值最小 观察第一时间段和第二时间段土壤温湿度相关系数R 发现在土壤湿度指标中 A B S 算法的预测值与真实值线性相关关系最低 而土壤温度指标中 E T算法的预测值与真实值线性相关关系最 低 但G B算法在土壤温湿度这两个指标中 其预测值与真实值线性相关关系最强 因此在评价线性相关关 系这一方面 G B模型拥有更强的线性相关关系 而E T与A B S两种算法的线性相关关系最低 表1 根据日光温室不同M L型号的性能参数计算的统计指标 参数方法第一时间段 RMSERMAEMSER2 第二时间段 RMSERMAEMSER2 土壤湿度 R F G B A B S E T V R 0 2 4 9 1 0 1 1 4 7 0 5 9 9 4 0 6 7 0 6 0 1 4 4 3 0 9 9 9 5 3 0 0 9 9 9 9 4 0 0 9 9 7 4 2 0 0 9 9 6 6 7 0 0 9 9 9 8 4 0 0 1 7 6 0 0 8 1 0 4 2 3 0 4 7 4 0 1 0 2 0 1 5 6 7 0 0 3 1 2 1 0 5 9 5 1 5 1 6 5 0 0 6 0 9 0 9 9 9 0 6 0 0 9 9 9 8 8 0 0 9 9 4 8 4 0 0 9 9 3 3 5 0 0 9 9 9 6 8 0 0 3 7 9 1 0 1 5 2 2 2 1 0 6 6 1 7 8 5 1 0 2 0 4 7 0 9 9 8 6 3 0 9 9 9 8 3 0 9 6 8 7 8 0 9 8 3 8 9 0 9 9 9 6 5 0 2 6 8 0 1 0 7 1 4 8 9 1 2 6 2 0 1 4 4 0 4 5 0 1 0 0 6 3 0 1 7 0 1 3 1 1 5 1 2 0 1 1 8 6 0 9 9 7 2 6 0 0 9 9 9 6 6 0 0 9 3 8 5 3 0 0 9 6 8 0 3 0 0 9 9 9 3 0 0 土壤温度 R F G B A B S E T V R 0 2 5 5 2 0 0 7 7 6 0 8 5 6 1 0 7 3 2 0 0 1 0 0 6 0 9 9 9 5 4 0 0 9 9 9 9 8 0 0 9 9 2 9 9 0 0 9 9 4 5 0 0 0 9 9 9 8 9 0 0 0 8 5 0 0 3 6 0 3 9 6 0 2 9 8 0 0 4 4 0 1 4 4 5 0 0 1 8 7 2 3 6 6 8 1 6 4 1 2 0 0 3 2 4 0 9 9 9 0 8 0 0 9 9 9 9 6 0 0 9 8 6 0 2 0 0 9 8 9 0 3 0 0 9 9 9 7 8 0 0 2 3 9 5 0 1 0 7 1 1 0 1 7 3 0 7 2 4 8 0 1 4 6 4 0 9 9 8 6 7 0 9 9 9 7 8 0 9 9 9 6 7 0 9 8 3 7 6 0 9 9 0 5 4 0 1 6 9 0 0 7 5 0 7 1 9 0 5 1 2 0 1 0 3 0 2 3 2 8 0 0 4 3 6 3 6 6 8 4 1 9 4 6 7 0 0 6 3 8 0 9 9 7 3 4 0 0 9 9 9 5 6 0 0 9 9 9 3 4 0 0 9 6 7 7 8 0 0 9 8 1 1 6 0 综上分析 E T模型中的数据与原始实际输入数据存在较大差异 并且综合考虑RMSE MSE R和 MAE等指标时 E T模型在5种集成学习模型中始终表现最差 不适合分析和预测日光温室的性能参数 而 A B S模型虽在第二时间段的土壤温度预测中表现出优异的性能 但观察第一时间段和第二时间段两个阶段 的数据变化 发现机器学习模型预测日光温室性能时 A B S和V R模型最容易被一天中太阳高度的变化影 49 现代化农业 2 0 2 6年第3期 总第5 6 0期 响 虽然A B S模型和G B模型都是增强算法 但A B S模型在日光温室性能方面的预测精度低于R F模型 也不适合分析和预测日光温室的性能参数 R F模型与性能更好的G B和V R模型相比性能略差 目前 对5 个统计参数的验证表明 G B模型效果最佳 2 L A B V I E W检测平台搭建 预测准确性及统计参数表明 G B模型为最佳 机器学习模型 基于G B模型进行L A B V I E W监 测系统平台的设计 1 3 共同完成日光温室的环境参 数的实时监测 系统平台的主界面设计主要涵盖通 讯模块 环境参数模块 辅助模块及波形显示模块 等 其主要工作内容 在通讯模块中进行采样时间 周期及触发类型等参数的设置 通过参数的设置进 行环境状态的决策工作 其决策的数据结果在参数 显示界面查看 在此界面可清楚地观察到各参数数 值 与环境参数界面搭配的还有波形显示区域 此区 域实时反映每一参数的波形图 如若超出阈值范围 界面内的红灯会亮起 以此提示环境参数的异常 出 现此问题的同时历史故障区域的红灯也会亮起 提 示操作者需进行历史的查询 以此进行整个环境参 数决策监测系统的维护 详见图2 图2 主界面前面板结构图 3 监测系统验证试验 a 第一时间段主界面 b 第二时间段主界面 图3 主界面数据 为了保证黄瓜在幼苗时期的生长发育质量 需要在L A B V I E W中调整系统的空气温度阈值为2 4 2 8 空 气湿度阈值为6 0 9 0 光照强度阈值为2 0 1 6 0 3 k l x 土壤E C值阈值为0 5 1 5 m s c m 才能保证日光 温室内土壤温湿度适宜黄瓜幼苗的生长发育 以确保黄瓜的产量与质量 根据试验中所得出的较优组合 进行 两个时间段的验证试验 即调整试验台内部气温为2 5 空气湿度为7 5 光照强度为4 0 k l x 土壤E C值 0 7 m s c m 待到相关因素稳定后 第一时间段 测取试验台内部土壤温度为2 4 7 1 误差为0 2 9 土壤湿度 59 现代化农业 2 0 2 6年第3期 总第5 6 0期 为7 9 经浇灌后达到8 3 误差在4 第二时间段 土壤温度为2 4 6 7 误差为0 3 3 土壤湿度为8 2 经浇灌后达到8 5 误差在3 基本符合回归模型 L A B V I E W主界面显示的数据及曲线图符合阈值标准 可 以精准监测日光温室环境数据 并显示在界面中 主界面数据如图3所示 分析图3中的曲线数据发现 当决策监测系统输出环境参数稳定后 第一时间段 光照强度最大值为 4 1 1 5 k l x 最小值为4 0 0 9 k l x 其涨幅在2 2 5 2 8 7 土壤E C值最大值为0 7 5 2 m s c m 最小值为 0 7 3 5 m s c m 其涨幅在5 0 0 7 4 2 空气湿度最大值为7 7 7 1 最小值为7 4 2 其涨幅在1 0 6 3 6 1 空气温度最大值为2 2 8 4 最小值为2 6 4 7 其涨幅在5 8 8 8 6 4 可将土壤温度误差控制 在5 3 2 左右 将土壤温度误差控制5 8 8 左右 第二时间段 光照强度最大值为4 1 0 1 k l x 最小值为 4 0 7 5 k l x 其涨幅在1 8 7 2 5 2 土壤E C值最大值为0 7 3 1 m s c m 最小值为0 7 2 3 m s c m 其涨幅在 3 2 8 4 4 2 空气湿度最大值为7 6 4 9 最小值为7 3 7 1 其涨幅在1 7 2 1 9 8 空气温度最大 值为2 3 7 1 最小值为2 5 9 7 其涨幅在3 8 8 5 1 6 可将土壤温度误差控制在1 3 2 左右 将土壤 温度误差控制在3 7 5 左右 通过对验证试验所得出的数据分析 发现决策监测系统可以稳定输出调节后 的数据 验证了系统的可靠性 4 结论 针对5种机器学习程序进行了编写 通过计算5种统计参数 RMSE MSE R R2 MAE 优选出最佳 机器学习模型 G B模型 并基于P y t h o n决策程序和L A B V I E W监测系统平台共同完成日光温室环境的 监测 其中包括通讯模块 数据显示模块 历史查询和辅助等模块 以此丰富系统的功能性 进行了决策监测系统验证试验 利用机器学习G B模型通过土壤温湿度预测决策1 h后的环境参数 发 现经调控后 在第一时间段 光照强度涨幅在5 0 0 7 4 2 土壤E C值涨幅在5 0 0 7 4 2 空气湿 度涨幅在1 0 6 3 6 1 空气温度涨幅在5 8 8 8 6 4 可将土壤温度误差控制在5 3 2 左右 将空 气温度误差控制在5 8 8 左右 第二时间段 光照强度涨幅在1 8 7 2 5 2 土壤E C值涨幅在3 2 8 4 4 2 空气湿度涨幅在1 7 2 1 9 8 空气温度涨幅在3 8 8 5 1 6 可将土壤温度误差控制在 1 3 2 左右 将空气温度误差控制在3 7 5 左右 其准确性和稳定性满足日光温室监控要求 5 参考文献 1 W A N G X J I S Z H A O L e t a l R o l e o f A g r i c u l t u r a l P r o d u c t Q u a l i t y a n d S a f e t y i n H i g h Q u a l i t y D e v e l o p m e n t o f C h i n a s A g r i c u l t u r e J A s i a n A g r i c u l t u r a l R e s e a r c h 2 0 2 1 1 3 7 1 0 2 J I N Y W A N G K R e s e a r c h o n t r a c e a b i l i t y s t r a t e g y o f a g r i c u l t u r a l p r o d u c t q u a l i t y a n d s a f e t y C I O P C o n f e r e n c e S e r i e s E a r t h a n d E n v i r o n m e n t a l S c i e n c e 2 0 1 9 2 3 7 5 5 2 6 0 3 刘玉芹 徐海华 基于L a b V I E W的温室大棚远程智能监控系统设计 J 自动化仪表 2 0 2 1 4 2 1 8 6 8 9 4 乔小丹 基于L S T M G R U的塑料大棚环境调控策略研究 D 合肥 安徽大学 2 0 2 2 5 刘豹 基于机器学习的温室虫害识别分类和预测研究 D 镇江 江苏大学 2 0 2 3 6 祝振乙 基于机器学习的智能温室决策系统的研究及应用 D 长春 吉林农业大学 2 0 2 3 7 陈浩杨 刘丹 樊亚妮 智能温室大棚控制系统的设计与实现 J 电子制作 2 0 2 4 3 2 1 6 4 5 4 7 8 M A L A K O U T I S M D i s c r i m i n a t e p r i m a r y g a m m a s s i g n a l f r o m t h e i m a g e s o f h a d r o n i c s h o w e r s b y c o s m i c r a y s i n t h e u p p e r a t m o s p h e r e b a c k g r o u n d w i t h m a c h i n e l e a r n i n g J P h y s i c a S c r i p t a 2 0 2 3 9 8 4 4 5 5 0 6 9 S C H A A F A V X U C J L U I J K P e t a l M u l t i v a r i a t e M o d e l i n g o f C o m p l i c a t i o n s w i t h D a t a D r i v e n V a r i a b l e S e l e c t i o n G u a r d i n g A g a i n s t O v e r f i t t i n g a n d E f f e c t s o f D a t a S e t S i z e J R a d i o t h e r a p y a n d O n c o l o g y 2 0 1 2 1 0 5 1 1 1 5 1 2 1 1 0 M O T R E N K O A A S T R I J O V V W E B E R G W S a m p l e S i z e D e t e r m i n a t i o n f o r L o g i s t i c R e g r e s s i o n J J o u r n a l o f C o m p u t a t i o n a l a n d A p p l i e d M a t h e m a t i c s 2 0 1 4 2 5 5 7 4 3 7 5 2 1 1 李浩 基于L a b V I E W的智能温室环境监测与控制系统研究 D 泰安 山东农业大学 2 0 2 3 1 2 李志强 李建军 基于机器学习的结构动力学与振动声学研究进展 J 机械工程与信号处理 2 0 2 3 4 5 3 5 1 3 刘少清 季振山 王勇 等 基于L A B V I E W和P L C的智慧农业监控系统 J 仪表技术 2 0 1 8 2 7 6 1 1 6 1 2 0 0 0 8 69 现代化农业 2 0 2 6年第3期 总第5 6 0期