一种基于DBN-SOFTMAX的涉危农业投入品智能监测系统

摘要

本发明公开了一种基于DBN‑SOFTMAX的涉危农业投入品智能监测系统，包括监控中心以及LORA网关，所述监控中心内部设有云服务器、智能设备模块、DBN‑SOFTMAX网络和数据库，且DBN‑SOFTMAX网络的内部设有投入品预测模块和SOFTMAX分类器，所述LORA网关一侧连接有若干个LoRa节点，所述LORA网关另一侧通过数据接收服务端与云服务器和数据库连接，所述云服务器一侧与投入品预测模块连接，所述投入品预测模块一侧与智能设备模块一侧连接，所述数据库与SOFTMAX分类器连接。本发明可对种植基地的农业投入品实时监测。

说明书

技术领域

本发明涉及一种农业投入品智能监测系统，具体是一种基于DBN-SOFTMAX 的涉危农业投入品智能监测系统，属于农业投入品监测应用技术领域。

背景技术

农产品质量安全溯源系统是解决食品安全问题重要手段，农药、化肥等涉危农业投入品信息是溯源信息中消费者最关心的问题之一；目前，国内外已有很多学者对农业投入品快速检测技术进行研究。

目前对农业投入品的监测大都为产后阶段的残留检测，还不能实时在线对农药、化肥等投入品进行检测；溯源系统能够通过查询溯源信息追溯农产品生产过程的农业投入品使用情况，但由于溯源信息主要是人工录入，无法保证溯源信息的及时、准确。因此，针对上述问题提出一种基于DBN-SOFTMAX 的涉危农业投入品智能监测系统。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于DBN-SOFTMAX的涉危农业投入品智能监测系统。

本发明通过以下技术方案来实现上述目的，一种基于DBN-SOFTMAX的涉危农业投入品智能监测系统，包括监控中心以及LORA网关，所述监控中心内部设有云服务器、智能设备模块、DBN-SOFTMAX网络和数据库，且DBN-SOFTMAX 网络的内部设有投入品预测模块和SOFTMAX，所述预测模块包括DBN与 SOFTMAX，所述DBN计算的概率值后由SOFTMAX进行分类，所述LORA网关一侧连接有若干个LoRa节点，所述LORA网关另一侧通过数据接收服务端与云服务器和数据库连接，所述云服务器一侧与投入品预测模块连接，所述投入品预测模块一侧与智能设备模块一侧连接，所述数据库与SOFTMAX分类器连接；

所述LoRa节点内部嵌合安装有传感器模块、RS串口通信模块、处理器模块和LoRa无线通信模块，所述传感器模块一侧通过RS串口通信模块与处理器模块连接，所述处理器模块一侧与LoRa无线通信模块连接。

优选的，所述LoRa节点与LORA网关之间通过LoRa无线通信模块连接。

优选的，所述传感器模块内部嵌合安装有PH值传感器、EC传感器、温度传感器、湿度传感器和单片机，所述PH值传感器、EC传感器、温度传感器、湿度传感器均与单片机一侧连接。

优选的，所述SOFTMAX分类器连接至投入品预测模块。

优选的，所述传感器模块与RS串口通信模块之间通过单片机连接。

优选的，所述LoRa无线通信模块的内部安装有天线。

优选的，所述处理器模块为一种中央处理器芯片。

优选的，所述智能设备模块由个人的智能设备构成，例如：平板电脑、台式电脑等。

本发明的有益效果是：本发明结构设计合理，实现了对种植基地涉危农业投入品的实时在线监测，当种植基地施用投入品时，可以预测出投入品的品种，从而与溯源系统中基地管理员录入的投入品品种、施用时间进行比对，一旦企业没有及时、准确甚至错误的录入溯源信息，系统能够实时、准确捕获相关信息，自动向监管部门和生产企业进行安全预警，确保溯源信息的真实、准确；从而树立消费者对溯源信息的信任度，加快溯源体系的建设。

附图说明

图1为本发明整体结构示意图；

图2为本发明LoRa节点结构示意图；

图3为本发明监控中心工作原理图；

图4为本发明投入品预测模块与SOFTMAX分类器工作原理图。

图5为本发明softmax分类器模型；

图中：1、LoRa节点，101、传感器模块，101A、PH值传感器，101B、EC 传感器，101C、温度传感器，101D、湿度传感器，101E、单片机，102、RS485 串口通信模块,103、处理器模块,104、LoRa无线通信模块,104A、天线，2、 LORA网关，3、数据接收服务端，4、监控中心，5、云服务器，6、DBN-SOFTMAX 网络，7、数据库，8、投入品预测模块，9、SOFTMAX，10、智能设备模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-4所示，一种基于DBN-SOFTMAX的涉危农业投入品智能监测系统，包括监控中心4以及LORA网关2，LORA网关2用于接收LoRa节点1 发送的无线信号，所述监控中心4内部设有云服务器5、智能设备模块10、 DBN-SOFTMAX网络6和数据库7，数据库7用于LoRa节点1采集参数的记录，且DBN-SOFTMAX网络6的内部设有投入品预测模块8和SOFTMAX分类器9，所述LORA网关2一侧连接有若干个LoRa节点1，所述LORA网关2另一侧通过数据接收服务端3与云服务器5和数据库7连接，所述云服务器5一侧与投入品预测模块8连接，所述投入品预测模块8一侧与智能设备模块10一侧连接，所述数据库7与SOFTMAX分类器9连接，SOFTMAX分类器9进行DBN-SOFTMAX 网络6预测的监督；

所述LoRa节点1内部嵌合安装有传感器模块101、RS485串口通信模块 102、处理器模块103和LoRa无线通信模块104，所述传感器模块101一侧通过RS485串口通信模块102与处理器模块103连接，所述处理器模块103一侧与LoRa无线通信模块104连接，可对土壤的参数进行实时采集。

所述LoRa节点1与LORA网关2之间通过LoRa无线通信模块104连接， LoRa无线通信模块104将LoRa节点1采集的参数，以无线信号传递到LORA 网关2；所述传感器模块101内部嵌合安装有PH值传感器101A、EC传感器 101B、温度传感器101C、湿度传感器101D和单片机101E，所述PH值传感器 101A、EC传感器101B、温度传感器101C、湿度传感器101D均与单片机101E 一侧连接，可对土壤的PH、EC、温度和湿度进行数据的采集；所述SOFTMAX 分类器9连接至投入品预测模块8，SOFTMAX分类器9在DBN特征提取后进行训练，然后进行投入品预测模块8数据的更新和监督；所述传感器模块101 与RS485串口通信模块102之间通过单片机101E连接，单片机101E可对传感器模块101采集的参数进行处理；所述LoRa无线通信模块104的内部安装有天线104A，便于LoRa无线通信模块104与LORA网关2之间进行无线传输；所述处理器模块103为一种中央处理器芯片，可对传输进的数据进行处理；所述智能设备模块10由个人的智能设备构成，例如：平板电脑、台式电脑等，智能设备模块10可进行数据的存储，同时对人工存入的数据以及预测的数据进行对比。

本申请中出现的电器元件在使用时均外接连通电源和控制开关，LoRa节点1均匀的设置在农作物种植基地中，在种植基地中施用投入品时，传感器模块101每间隔15秒进行采集一次，通过传感器模块101中的PH值传感器 101A、EC传感器101B、温度传感器101C和湿度传感器101D监测采集施用投入品前后的土壤参数，通过单片机101E处理后，通过RS485串口通信模块102 传输到处理器模块103，然后通过LoRa无线通信模块104以无线信号传输到LORA网关2，LORA网关2接受的信号通过数据接收服务端3传递到云服务器 5和数据库7中，在数据库7中进行存储，云服务器5对数据进行粗糙集数据约简，将约简后的数据导入到投入品预测模块8中进行分类预测，预测出投入品的品种，然后将预测出的信息以及施用的时间传输到智能设备模块10中，进行溯源信息的记录，工作人员通过智能设备模块10记录施用情况，录入溯源信息中，工作人员记录的信息与预测出的信息进行对比，一旦没有及时、准确甚至错误的录入溯源信息，系统能够实时、准确捕获相关信息，自动向监管部门和生产企业进行安全预警，确保溯源信息的真实、准确；

每隔一周的时间，记录在数据库7中的数据通过DBN特征提取后，投入 SOFTMAX分类器9中，进行训练学习，进行投入品预测模块8中数据的更新，实现监督。

基于DBN的特征提取方法

受限玻尔兹曼机(RBM)

θ＝{W_ij,a_i,b_j}，其中W_ij表示可见单元i与隐单元j之间的连接权重，m、 n分别为RBM的隐单元数和可见单元数，其中可见单元和隐单元均为二值变量，即j，v_i∈{0,1}，h_j∈{0,1}，a_i为可见单元i的偏置，b_j为可见单元j的偏置，T为样本数量；h为隐层单元，v为可见层单元。

RBM是一种无向图模型，通过求解参数θ的值拟合给定的训练数据，完成特征提取，RBM的任务是通过拟合输入的训练数据，求出最佳参数θ，从而完成特征提取。参数θ可以在训练集上学习最大化对数似然函数获取，公式如下

其中：

求解最优参数θ^*的关键是获取log(V^(t)|θ)关于W_ij,a_i,b_j等参数的偏导数。假设θ′为θ的某个参数值，则对数似然函数关于θ′的梯度为：

由于样本数量T已知，则对数似然函数关于连接权重w_ij、可见层单元的偏置a_i和隐层单元的偏置b_j的偏导数可由P(h|V^(t)，θ)和P(v，h|θ)计算得到；P(h|V(t)θ)>(t)的隐层概率分布；P(v，h|θ)为对于给定状态(v，h)的联合概率函数，其表达式为：

其中E(v，h|θ)为RBM的能量函数，Z(θ)为归一化因子。

CD算法

根据Long and Servedio(2010)[16]结论：归一化因子Z(θ)是难解的，因此，联合概率函数P(v，h|θ)也难以计算。为了解决这个问题，本文采用基于对比散度的快速学习算法(Contrastive Divergence，CD)训练数据，具体步骤如下：

根据Long and Servedio(2010)[16]结论：归一化因子Z(θ)是难解的，因此，联合概率函数P(v，h|θ)也难以计算。为了解决这个问题，本文采用基于对比散度的快速学习算法(Contrastive Divergence，CD)训练数据，具体步骤如下：

1、由式可得，P(v，h|θ)联合概率边际分布

2、由于RBM网络结构是层间有连接，层内无连接，且结构对称，可得：

当可见单元的状态固定，第j个隐单元激活概率为

P(h_j＝1|v，θ)＝σ(b_j+∑_iv_iW_ij)>

当隐单元的状态固定，第i个隐单元激活概率为

P(v_i＝1|h，θ)＝σ(a_i+∑_jh_jW_ij)(4-2)

3、由式(4-1)计算所有隐层单元的二值状态，在所有隐层单元的状态确定之后，根据式(4-2)来确定第i个可见单元v_i取值为1的概率，进而产生可见层的一个重构(reconstruction)，数据训练过程中的参数更新公式如下：

ΔW_ij＝∈(<v_ih_j>_data-<v_ih_j>_recon)

Δa_i＝∈(<v_i>_data-<v_i>_recon)

Δb_j＝∈(<h_j>_data-<h_j>_recon)

其中∈为学习率，<·>_recon为表示重构后模型定义的分布。

softmax分类器

在之前的网络中，最终得到的是x⁽ⁱ⁾在的特征值，所以跟监督学习不一样，整个过程并没有分类，在投入品品种预测中需要的是输入一个无标记的数据并输出它的类别，所以还需要增加一个softmax分类器，来对非监督学习到的特征值进行分类。softmax分类器常用于多分类问题，对于带标记训练集>(1),y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中y^(j)∈{1,2,…,k}代表训练样本x⁽ⁱ⁾属于第k类，对于给定的测试输入x⁽ⁱ⁾，通过分类模型算出它分别属于每一种类别的概率。所以，对于具有k个类型的样本集，需要输出一个k维的向量来表示概率向量，其中概率向量中第j个元素代表属于第j个类别的概率而且所有元素的值的总和为1。具体地说，我们的假设函数h_θ(x)形式如下：

其中θ₁,θ₂,θ₃,…,θ_k是网络模型的参数，用表示，这一项主要是限制各项概率值处于0到1之间，并使各项概率值之和为1。如图5所示；

根据图5所示；公式(4‐3)中，样本x⁽ⁱ⁾经分类器输出属于第j类的概率为(1{真}＝1，1{假}＝0)：

则所有训练样本对应的似然函数为：

取使该似然函数最大时的参数θ作为softmax分类器的最优参数，此时 softmax回归模型的代价函数为：

通过梯度下降法最小化代价函数，梯度函数如下：

Softmax分类器有一个不寻常的特点：它有一个“冗余”的参数集。为了便于阐述这一特点，假设我们从参数向量θ_j中减去了向量μ，这时，每一个θ_j都变成了θ_j-μ(j＝1,2,…,k)。此时假设函数变成了以下的式子：

在式(4‐9)中可以看出参数θ_j-μ与θ_j的都能使函数取得一样的结果，也就是说但θ_j为最优参数的时候，θ_j-μ也能起到同样的效果，这就是softmax分类器中存在冗余的参数的缺点。因为softmax分类器的损失函数并不是严格非凸的，虽然存在极小值点，但是极小值并不是在一个点上，而是在一个“平坦”的空间上，即该空间上所有点都能使函数取得极小值。为使代价函数变为严格的凸函数，需要加入权重衰减项，具体如下：

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。