農(nóng)業(yè)物聯(lián)網(wǎng)傳感節(jié)點的數(shù)據(jù)檢測問題及數(shù)據(jù)異常檢測方法探討

摘要：為了確保農(nóng)業(yè)生產(chǎn)環(huán)境監(jiān)測的準(zhǔn)確性，檢測作物的生長狀況、科學(xué)指導(dǎo)作物生長、實時監(jiān)控傳感器節(jié)點、及時發(fā)現(xiàn)異常信息、改善整個農(nóng)業(yè)物聯(lián)網(wǎng)的正常運(yùn)行很有必要?；诖耍疚幕谖锫?lián)網(wǎng)節(jié)點檢測原理，分析農(nóng)業(yè)物聯(lián)網(wǎng)傳感節(jié)點數(shù)據(jù)檢測問題，并提出數(shù)據(jù)異常檢測方法，利用特征模糊聚類概率搜索方法檢測節(jié)點的異常，并建立相應(yīng)的數(shù)學(xué)模型，計算節(jié)點數(shù)據(jù)與異常數(shù)據(jù)的相關(guān)概率，利用度量準(zhǔn)則進(jìn)行比較，判斷該節(jié)點數(shù)據(jù)是否有異常，以供參考。

關(guān)鍵詞：農(nóng)業(yè)物聯(lián)網(wǎng)；數(shù)據(jù)檢測；數(shù)據(jù)異常

一、農(nóng)業(yè)物聯(lián)網(wǎng)傳感節(jié)點數(shù)據(jù)檢測

（一） 農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)應(yīng)用

當(dāng)前，在農(nóng)業(yè)生產(chǎn)領(lǐng)域盡管利用信息化手段進(jìn)行機(jī)械化生產(chǎn)，但實際操作層面上的智能化水平并不高。利用物聯(lián)網(wǎng)不僅可以提高農(nóng)業(yè)數(shù)據(jù)的處理能力，還可以提升應(yīng)用平臺的技術(shù)水平。例如，利用物聯(lián)網(wǎng)技術(shù)實現(xiàn)溫室內(nèi)溫度的控制，一方面，通過數(shù)據(jù)技術(shù)增強(qiáng)感溫裝置的作用；另一方面，根據(jù)數(shù)據(jù)分析溫室內(nèi)的氣溫、空氣濕度和農(nóng)作物生產(chǎn)周期，給出最優(yōu)的方案，設(shè)定最優(yōu)的溫度范圍，實現(xiàn)溫度智能調(diào)整，更好地促進(jìn)農(nóng)作物生長。因此，在應(yīng)用物聯(lián)網(wǎng)的過程中，應(yīng)更多地關(guān)注數(shù)據(jù)技術(shù)的應(yīng)用，把數(shù)據(jù)技術(shù)與物聯(lián)網(wǎng)相結(jié)合，使其更好地發(fā)揮作用，充分利用其在農(nóng)業(yè)信息化建設(shè)中的作用。

（二）物聯(lián)網(wǎng)節(jié)點檢測原理

與互聯(lián)網(wǎng)相比，物聯(lián)網(wǎng)依賴于由傳感器構(gòu)成的傳感網(wǎng)絡(luò)。物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)中的節(jié)點數(shù)據(jù)異常檢測又稱物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)中的節(jié)點數(shù)據(jù)校驗，通過與普通節(jié)點的數(shù)據(jù)比對，從而達(dá)到對節(jié)點數(shù)據(jù)的異常檢測?；诖?，傳統(tǒng)的基于網(wǎng)絡(luò)節(jié)點的特征抽取，必須從網(wǎng)絡(luò)中抽取相同的特征進(jìn)行檢測，而在物聯(lián)網(wǎng)線路中，由于傳感器獲取的信息具有較大的隨機(jī)性和非線性，導(dǎo)致各傳感器收集的數(shù)據(jù)存在一些差異，難以形成統(tǒng)一特征，難以有效描述異常節(jié)點，導(dǎo)致節(jié)點定位和判斷不準(zhǔn)確，從而造成物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)中數(shù)據(jù)異常檢測精度降低的問題。

針對常規(guī)方法存在的這些缺點，本文采用基于特征模糊聚類概率搜索的方法進(jìn)行節(jié)點數(shù)據(jù)的異常識別。該方法克服了傳統(tǒng)的基于節(jié)點單個樣本特性的缺點，可以精準(zhǔn)檢測物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)中的異常信息，為快速、完整地過濾掉異常信息提供了依據(jù)。

（三）特征模糊聚類概率檢測

農(nóng)業(yè)物聯(lián)網(wǎng)中的異常節(jié)點的檢測大多基于傳感器獲取的差異性信息，難以建立統(tǒng)一的傳輸模式。針對物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)中的異常數(shù)據(jù)，首先要解決如何通過特征模糊聚類的方法實現(xiàn)。通過對該矩陣的降維，在該矩陣中選擇待測節(jié)點的數(shù)據(jù)，獲得與其相關(guān)的節(jié)點，從而篩選出異常數(shù)據(jù)的特征，并進(jìn)行特征模糊聚類，提高異常數(shù)據(jù)的識別率。在對物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)進(jìn)行異常數(shù)據(jù)采集后，統(tǒng)計特征模糊聚類的概率，判斷該數(shù)據(jù)是否為非正常數(shù)據(jù)。利用常規(guī)方法對傳感器網(wǎng)絡(luò)中的節(jié)點進(jìn)行異常檢測時，忽視節(jié)點與非正常數(shù)據(jù)的關(guān)聯(lián)，導(dǎo)致檢測的準(zhǔn)確率不高，因此可以采用特征模糊聚類方法提高檢測的準(zhǔn)確性。

二、農(nóng)業(yè)物聯(lián)網(wǎng)傳感節(jié)點的數(shù)據(jù)檢測問題

（一）農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)檢測功能

在構(gòu)建農(nóng)業(yè)物聯(lián)網(wǎng)的基礎(chǔ)架構(gòu)后，針對特定的農(nóng)業(yè)生產(chǎn)，必須設(shè)計相應(yīng)的系統(tǒng)功能。農(nóng)業(yè)物聯(lián)網(wǎng)不僅要實現(xiàn)其基礎(chǔ)功能，還要充分發(fā)揮在農(nóng)業(yè)領(lǐng)域的優(yōu)越性。總體而言，該系統(tǒng)的設(shè)計具有如下特點。

第一，實時環(huán)境監(jiān)控?；A(chǔ)功能是利用各種傳感器實時監(jiān)控環(huán)境，包括溫度、濕度、二氧化碳濃度、光照、土壤肥力、水分等，并將這些信息以圖像、圖表等方式顯示在網(wǎng)絡(luò)上，然后由服務(wù)平臺進(jìn)行數(shù)據(jù)分析和處理。

第二，遠(yuǎn)程監(jiān)控，除了具備實時監(jiān)控的作用外，還能對農(nóng)戶進(jìn)行遠(yuǎn)程監(jiān)控。農(nóng)民只需通過手機(jī)或計算機(jī)登錄該系統(tǒng)，通過移動網(wǎng)絡(luò)以及提前設(shè)置的系統(tǒng)參數(shù)，智能化遙控大棚內(nèi)的設(shè)施，并隨時查看大棚的具體狀況。

第三，對農(nóng)業(yè)生產(chǎn)的預(yù)測和分析打破了以往農(nóng)民憑經(jīng)驗進(jìn)行農(nóng)業(yè)生產(chǎn)的傳統(tǒng)模式。通過大數(shù)據(jù)技術(shù)，可以分析作物的生長特性、生長周期、土壤肥力以及土壤干旱程度，從而確定作物的種植面積，并通過大數(shù)據(jù)進(jìn)行預(yù)測，判斷是否會影響作物的生長，從而進(jìn)行調(diào)整。同時，農(nóng)業(yè)物聯(lián)網(wǎng)還應(yīng)具有預(yù)警功能，可以提前設(shè)置作物的理想狀態(tài)，當(dāng)超過一定的限度后，系統(tǒng)會發(fā)出預(yù)警信號，提醒農(nóng)民作出調(diào)整。

（二）農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)異常

通常情況下，傳感器節(jié)點會處于較惡劣的環(huán)境中，長時間暴露在陽光、雨水環(huán)境下，會對傳感器節(jié)點造成一定程度的破壞。由于傳感器節(jié)點的損壞，數(shù)據(jù)會出現(xiàn)異常，因此，需要實時監(jiān)控傳感器網(wǎng)絡(luò)并及時處理，確保整個網(wǎng)絡(luò)的正常運(yùn)轉(zhuǎn)。在農(nóng)業(yè)物聯(lián)網(wǎng)中，傳感器根據(jù)時間順序，連續(xù)采集作物生長和環(huán)境指數(shù)，具有周期性、實時性和無限性的特點。受生產(chǎn)工藝、成本和網(wǎng)絡(luò)等因素的制約，在采集數(shù)據(jù)時，難免會出現(xiàn)異常，導(dǎo)致數(shù)據(jù)質(zhì)量大幅降低，難以保障物聯(lián)網(wǎng)設(shè)備的智能化控制和高效的數(shù)據(jù)分析。因此，有效、實時地發(fā)現(xiàn)異常信息，是農(nóng)業(yè)信息化管理和決策的關(guān)鍵。

（三）農(nóng)業(yè)物聯(lián)網(wǎng)信息采集平臺

為了實現(xiàn)農(nóng)業(yè)物聯(lián)網(wǎng)的應(yīng)用層和數(shù)據(jù)處理，要建立農(nóng)田物聯(lián)網(wǎng)信息采集平臺，主要負(fù)責(zé)農(nóng)田的小氣候數(shù)據(jù)采集和大氣總體氣象數(shù)據(jù)收集，而小氣象數(shù)據(jù)采集采用的是基于ZigBee技術(shù)和不同類型的傳感器構(gòu)建的無線傳感器網(wǎng)絡(luò)，包括大氣溫度、濕度、二氧化碳、土壤含水量和光照強(qiáng)度等，通過GPRS模塊與PC互聯(lián)網(wǎng)進(jìn)行數(shù)據(jù)通訊，將采集到的數(shù)據(jù)上傳到服務(wù)器。利用中國氣象科學(xué)數(shù)據(jù)共享服務(wù)平臺的API接口進(jìn)行采集，利用API接口獲取Json數(shù)據(jù)，利用JAVA語言分析獲取實時天氣數(shù)據(jù)，從Tomcat中抽取農(nóng)業(yè)相關(guān)的氣溫、雨量、氣壓和濕度等信息，并上傳服務(wù)器，以便進(jìn)行歷史、實時的數(shù)據(jù)查詢以及后續(xù)的檢測研究。

（四）異常農(nóng)情數(shù)據(jù)在線監(jiān)測框架

農(nóng)業(yè)異常數(shù)據(jù)的在線監(jiān)測框架如圖1所示。在數(shù)據(jù)采樣間隔、離散程度、周期特性的基礎(chǔ)上，給出了滑窗尺度的計算方法，該算法首先對T段的數(shù)據(jù)進(jìn)行規(guī)范化，然后根據(jù)數(shù)據(jù)的離散程度、采樣間隔等因素，得出滑動窗口的大小。

（五）農(nóng)田系統(tǒng)數(shù)據(jù)故障類型

在農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)中，當(dāng)某個節(jié)點接收到信息時，會認(rèn)為這一節(jié)點的功能出現(xiàn)了問題。異常值是收集到的數(shù)據(jù)與原來的數(shù)據(jù)不一致，在檢測系統(tǒng)中，數(shù)據(jù)不會隨著時間的推移而發(fā)生變化。數(shù)據(jù)的同質(zhì)性是收集的數(shù)據(jù)很少發(fā)生變化，在這一測試系統(tǒng)中，是指數(shù)據(jù)保持在固定數(shù)值，例如，一天的氣溫在特定的溫度范圍內(nèi)會上下浮動1℃。

三、農(nóng)業(yè)物聯(lián)網(wǎng)傳感節(jié)點數(shù)據(jù)異常檢測方法

（一）特征模糊聚類概率的計算

在對物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)進(jìn)行異常數(shù)據(jù)采集后，通過分析節(jié)點和異常數(shù)據(jù)的特征模糊聚類概率，判斷該數(shù)據(jù)是否為非正常數(shù)據(jù)。利用常規(guī)方法對傳感器網(wǎng)絡(luò)中的節(jié)點進(jìn)行異常檢測時，忽視了節(jié)點與非正常數(shù)據(jù)的關(guān)聯(lián)，導(dǎo)致檢測的準(zhǔn)確率不高，從而采用基于特征模糊聚類的方法提高檢測的正確性。該方法根據(jù)節(jié)點的特征，可以劃分為異常數(shù)據(jù)和結(jié)點數(shù)據(jù)。在判斷物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)中的節(jié)點數(shù)據(jù)為非正常數(shù)據(jù)時，必須計算特征模糊聚類概率。

在物聯(lián)網(wǎng)中，傳感器節(jié)點數(shù)據(jù)的異常識別是關(guān)鍵，它直接用于預(yù)測該特征的聚類概率，但預(yù)測精度不高，必須采用概率預(yù)測方法。利用傳統(tǒng)的檢測方法和特征模糊聚類概率法檢測物聯(lián)網(wǎng)中傳感器節(jié)點的異常，當(dāng)網(wǎng)絡(luò)中的節(jié)點數(shù)量較多時，采用特征模糊聚類概率法進(jìn)行檢測的準(zhǔn)確率越高，與傳統(tǒng)檢測方法相比的優(yōu)勢就越大，而節(jié)點的異常檢測可以有效解決傳統(tǒng)檢測方法存在的高漏檢率問題。

（二）基于統(tǒng)計學(xué)方法的數(shù)據(jù)異常檢測方法

應(yīng)用統(tǒng)計學(xué)方法首先給出了隨機(jī)分布概率分布的數(shù)學(xué)模型，該模型分布可能為正態(tài)分布或泊松分布，在計算集合中，每個與模型數(shù)據(jù)相符的概率都會列出來，其中一些概率較小的出現(xiàn)異常。采用聚類技術(shù)對數(shù)據(jù)進(jìn)行分類，通過聚類操作，在出現(xiàn)異常數(shù)據(jù)時，會發(fā)現(xiàn)某一簇或多簇的樣本數(shù)據(jù)很少，且與其他簇之間存在較大差異，通常情況下，簇內(nèi)的數(shù)據(jù)為異常。在這種情況下，距離檢測技術(shù)必須先確定數(shù)據(jù)之間的距離，再計算數(shù)據(jù)之間的間隔，如果數(shù)據(jù)之間的間隔較近就是正常的數(shù)據(jù)，而一旦距離超出某一范圍，就會被稱之為“離群點”，但距離異常的檢測時間更長。利用密度檢測異常數(shù)據(jù)，是基于距離的方法，可以把各個點之間的間隔和數(shù)目綜合起來，從而獲得數(shù)據(jù)的密度?；诿芏鹊漠惓z測技術(shù)能有效識別區(qū)域異常，但由于是基于距離的異常檢測，所以計算量較大。

（三）基于時空相關(guān)性的數(shù)據(jù)異常檢測方法

前期工作中，統(tǒng)計和分析了大量的歷史數(shù)據(jù)，得到兩個相鄰樣本之間的差值，即一個隨機(jī)變量的平均和變化，為時間相關(guān)性的檢測奠定了基礎(chǔ)。通過K－means算法對各個檢測節(jié)點進(jìn)行空間聚類，可以改善相同聚類中節(jié)點的空間相似性，為檢測提供依據(jù)。

在實時監(jiān)控中，采用基于時間相關(guān)性和空間相關(guān)性的方法。該方法首先對當(dāng)前的數(shù)據(jù)進(jìn)行時間相關(guān)性檢測，結(jié)果表明數(shù)據(jù)是正確的，將在下次采集到的數(shù)據(jù)中繼續(xù)進(jìn)行檢測；當(dāng)結(jié)果出現(xiàn)問題時，節(jié)點會向中心節(jié)點報告可疑信息，由中心節(jié)點進(jìn)行空間相關(guān)性檢測，如果檢測結(jié)果為正常，則判定為錯誤；如果結(jié)果異常說明傳感器的結(jié)點可能出現(xiàn)問題。時間相關(guān)性檢測是對數(shù)據(jù)進(jìn)行一級過濾，可以快速處理每條數(shù)據(jù)；空間相關(guān)性檢測是一種二次過濾，能有效排除錯誤信息，提高算法的準(zhǔn)確性。該方法簡單、計算量小、由傳感器節(jié)點本身實現(xiàn)分布式故障檢測，無需與其他節(jié)點數(shù)據(jù)交換，可以降低網(wǎng)絡(luò)的通訊費(fèi)用；空間相關(guān)性檢測要求集群中各個結(jié)點的數(shù)據(jù)都集中在一個中心節(jié)點上進(jìn)行，相對于大量的常規(guī)數(shù)據(jù)，利用時間相關(guān)性進(jìn)行檢測可以發(fā)現(xiàn)，異常數(shù)據(jù)出現(xiàn)的可能性較低，不會產(chǎn)生過多的計算量。

四、結(jié)語

綜上所述，本文主要研究物聯(lián)網(wǎng)技術(shù)在現(xiàn)代農(nóng)業(yè)中的應(yīng)用，提出一種新的基于時空相關(guān)技術(shù)的網(wǎng)絡(luò)節(jié)點故障診斷方法，該方法可以確保在高精度的情況下，快速檢測故障傳感器節(jié)點，其中，采用基于時間相關(guān)的方法，可以實現(xiàn)分布式運(yùn)算，而且無需節(jié)點之間的通訊。

參考文獻(xiàn)：

[1]林山馳，劉林，李相國.基于多信息融合的設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)設(shè)計[J].現(xiàn)代信息科技，2022，06（19）：136-141.

[2]王波.基于物聯(lián)網(wǎng)的無線傳感網(wǎng)絡(luò)數(shù)據(jù)采集方法[J].內(nèi)蒙古民族大學(xué)學(xué)報（自然科學(xué)版），2019，34（01）：9-14.

[3]王文，饒元，李紹穩(wěn)，等.基于預(yù)測模型的異常農(nóng)情數(shù)據(jù)在線檢測方法的研究[J].湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2020，46（04）：495-500.

[4]諶頏，戴華珍，龔文靜，等.智慧農(nóng)業(yè)物聯(lián)網(wǎng)控制系統(tǒng)設(shè)計與研究[J].信息記錄材料，2022，23（04）：195-197.

[5]彭旭，饒元，喬焰.基于寬度卷積神經(jīng)網(wǎng)絡(luò)的異常農(nóng)情數(shù)據(jù)檢測方法[J].華南農(nóng)業(yè)大學(xué)學(xué)報，2022，43（02）：113-121.

[6]黃華.物聯(lián)網(wǎng)中傳感節(jié)點數(shù)據(jù)異常檢測方法研究[J].計算機(jī)仿真，2012，29（05）：159-162.

[7]金鵬，夏曉峰，喬焰，等.基于深度信念網(wǎng)絡(luò)的高維傳感器數(shù)據(jù)異常檢測算法[J].傳感技術(shù)學(xué)報，2019，32（06）：892-901.

[8]段青玲，肖曉琰，劉怡然，等.基于SW-SVR的畜禽養(yǎng)殖物聯(lián)網(wǎng)異常數(shù)據(jù)實時檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報，2017，48（08）：159-165.

[9]李汀.基于區(qū)塊鏈的工業(yè)物聯(lián)網(wǎng)節(jié)點行為數(shù)據(jù)分析與追蹤模型研究[D].重慶：重慶郵電大學(xué)，2020.

作者簡介：王飛鴻（1999），男，浙江省溫州市人，碩士研究生，主要研究方向為智慧農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)異常檢測、智慧城市物聯(lián)網(wǎng)異常檢測，郵箱：2281777777@qq.com。