论文部分内容阅读
农业投入品的使用不当是导致大多数问题食品产生的主要原因,然而目前对农业投入品的监测大都为产后阶段的残留检测,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。所以,农业投入品实时在线监测是一项具有挑战性和深远意义的工作。本文结合物联网和深度学习的技术特点,展开了对涉危农业投入品预测模型的研究,并开发农业投入品的在线监测平台,以保证投入品监测信息的时效性及准确性。本文的主要工作内容如下:(1)投入品特性分析及数据采集。研究分析农业投入品的理化特性,发现不同类别的投入品的电导率值及PH值都有不同的分布区间,且投入品施用到田地后都会引起土壤环境参数(湿度、电导率、PH值、温度)不同程度的变化;通过各类传感器实时采集土壤环境数据以监测施用投入品引起的数据变化,为确保采集的土壤环境数据准确,提高投入品的辨识精度,本文采用基于最小二乘拟合的校正算法对传感器进行输出校准处理。(2)投入品预测方法研究。一是特征提取;土壤的疏松程度、粘性大小、水份比例等都会影响到施用投入品后的土壤环境数据变化,通过一般的知识与经验难以提取数据特征,无法很好的将各种投入品数据区分开来,本文采用栈式稀疏自动编码器(SAE)提取数据的特征表示。二是数据分类;利用特征数据及类别标记对softmax分类器进行监督训练,输出各项数据可能为某一品种的概率值,以最大概率值对应的品种为预测结果。三是SAE-SOFTMAX网络微调;在各层网络独立训练完成后再对整体网络进行全局微调,通过监督训练将预测误差也反向传播给SAE网络,进一步提升预测准确率。本文对15种投入品进行实验研究,采集施用投入品后土壤环境数据突变前后的数据构建实验数据集,实验结果表明:特征数据的三维分布中相同类别的数据聚集密集,不同类别的分离明显、界限清晰,利用特征数据训练softmax分类器和BP浅层神经网络都能使预测准确率提升10%左右,对SAE-SOFTMAX深度网络进行全网微调后更可使品种预测准确率达到98%。(3)在线监测平台的设计与开发。开发架构采用B/S模式,数据库采用SQL Sever2008,web服务器采用IIS6.0,开发语言使用C#+ORM框架,前端开发采用html+css+ajax+jquery;管理人员通过平台可以查看服务器实时接收到的监测数据及储存的历史数据,接收涉危农事活动报警邮件并查看投入品品种预测结果。