基于樹莓派的實驗室環(huán)境檢測系統(tǒng)的研究

摘 要：傳統(tǒng)的感知控制系統(tǒng)是在單一的傳感器數(shù)據(jù)基礎(chǔ)上實現(xiàn)的，其粗粒度的數(shù)據(jù)結(jié)果無法用于對實際環(huán)境中人員活動情況的檢測。針對該問題，通過布置樹莓派智能采集系統(tǒng)感知環(huán)境數(shù)據(jù)，分析并建立了綜合的活動感知模型。分布在不同關(guān)鍵位置的樹莓派Pico采集器將分散的檢測數(shù)據(jù)發(fā)送給樹莓派進(jìn)行收集匯總，其中包括環(huán)境光照、溫濕度、噪音、人體活動、照明、空調(diào)等方面的數(shù)據(jù)。依據(jù)匯總的多傳感數(shù)據(jù)建立了數(shù)據(jù)模型，通過模型更新并找到了最優(yōu)閾值，解決了由于不同采集工具的應(yīng)用和采集位置的變化而導(dǎo)致的閾值差異問題。研究發(fā)現(xiàn)，采用多層神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)環(huán)境數(shù)據(jù)，實現(xiàn)對實驗室活動類型的精確甄別。該檢測系統(tǒng)實現(xiàn)了對實驗室環(huán)境的動態(tài)感知與智能管理，減輕了實驗室管理人員的工作量，優(yōu)化了資源調(diào)配，減少了能源消耗。

關(guān)鍵詞：樹莓派；采集系統(tǒng)；檢測系統(tǒng)；傳感數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)；實驗室環(huán)境檢測

中圖分類號：TP311.5 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2024）09-00-04

DOI：10.16667/j.issn.2095-1302.2024.09.009

0 引 言

傳統(tǒng)的感知控制系統(tǒng)是在單一的傳感器數(shù)據(jù)基礎(chǔ)上實現(xiàn)的，其粗粒度的數(shù)據(jù)結(jié)果無法用于對實際環(huán)境下人員活動情況的檢測[1-2]。攝像設(shè)備因其數(shù)據(jù)的敏感性在部署位置上受限。目前，以神經(jīng)網(wǎng)絡(luò)預(yù)測熱舒適指標(biāo)PMV作為空調(diào)控制系統(tǒng)的核心控制目標(biāo)，正受到業(yè)界的廣泛關(guān)注。然而，當(dāng)前以PMV為關(guān)鍵指標(biāo)的控制系統(tǒng)存在一些顯著的不足，主要是由于PMV的預(yù)測精度不高以及參數(shù)取值的不精確性所導(dǎo)致。因此，系統(tǒng)存在應(yīng)用場景單一、應(yīng)用范圍小、預(yù)測控制結(jié)果差等問題[3]。受神經(jīng)網(wǎng)絡(luò)在視頻預(yù)測[4]領(lǐng)域應(yīng)用的啟發(fā)，為突破單一傳感數(shù)據(jù)的局限，團(tuán)隊在教室、實驗室、自習(xí)室等公共場所布置了智能數(shù)據(jù)采集系統(tǒng)，旨在構(gòu)建一個綠色、智慧化的校園。實施采集數(shù)據(jù)包括環(huán)境光照、溫濕度、噪音、人體活動、照明、空調(diào)等方面的數(shù)據(jù)。樹莓派作為實驗室服務(wù)節(jié)點與多個Pico采集器以藍(lán)牙通信的方式進(jìn)行組網(wǎng)。分布在不同關(guān)鍵位置的樹莓派Pico采集器將分散的檢測數(shù)據(jù)發(fā)送給樹莓派收集并匯總，進(jìn)而控制電器，同時輔以攝像頭進(jìn)行遠(yuǎn)程圖像傳輸和人體活動識別。目的是為有效識別場景中的人體活動情況，提供智能節(jié)能管理和環(huán)境健康分析等服務(wù)。

1 背景與挖掘目標(biāo)

高校的教室、實驗室、辦公室等環(huán)境所配備的空調(diào)、計算機(jī)等都是耗能量比較大的設(shè)備。如果沒有管理人員的時刻看護(hù)和管理，很容易造成能源浪費(fèi)。高等院校肩負(fù)著培養(yǎng)人才、科學(xué)研究、社會服務(wù)和文化引領(lǐng)等多重任務(wù)，在環(huán)境友好型社會的發(fā)展進(jìn)程中應(yīng)發(fā)揮引領(lǐng)作用[5]。考慮到高校節(jié)能減排的必要性，本文特別研發(fā)設(shè)計了一款基于樹莓派的數(shù)據(jù)采集系統(tǒng)。它可以通過實時采集環(huán)境光照、溫濕度、聲音發(fā)生頻次、人體運(yùn)動情況等數(shù)據(jù)，建立數(shù)據(jù)模型，進(jìn)而實時檢測教室或辦公環(huán)境中的人員活動情況，檢查是否存在電器設(shè)備比如空調(diào)、計算機(jī)等過度耗電的情況。通過構(gòu)建基于指標(biāo)加權(quán)的用電分析模型，實現(xiàn)智能節(jié)電的目標(biāo)。

2 分析方法與過程

在智能采集終端獲得的環(huán)境數(shù)據(jù)中，光照、溫度、人體活動情況等數(shù)據(jù)可以作為判斷教室實際使用事件的依據(jù)。根據(jù)采集到的數(shù)據(jù)確定一次完整的教室使用事件以及上課、考試或維護(hù)等事件。

如圖1所示，建模的總體流程如下：

（1）有選擇地提取教室中的歷史功耗數(shù)據(jù)并構(gòu)建專家

樣本；

（2）對形成的數(shù)據(jù)集進(jìn)行數(shù)據(jù)探索分析和預(yù)處理，包括探索人員活動時間間隔的分布，指定冗余屬性，識別收集數(shù)據(jù)中的缺失值，處理缺失值，并根據(jù)建模需要構(gòu)建屬性；

（3）構(gòu)建教室使用事件識別模型并分析和優(yōu)化；

（4）調(diào)用模型，自動識別實時采集到的環(huán)境數(shù)據(jù)。

3 數(shù)據(jù)采集與抽取

在教室的日常使用過程中，教室的用途和環(huán)境會經(jīng)常發(fā)生改變，比如上課或考試、理論課或?qū)嵺`操作課、空調(diào)制熱或制冷等。為此，利用多個樹莓派Pico采集終端實現(xiàn)了多點采集，并設(shè)置數(shù)據(jù)匯總，目的是解決因終端采集頻率較高導(dǎo)致數(shù)據(jù)量大的問題。以每分鐘為一個時間片斷，對原始數(shù)據(jù)采用了無放回抽取，以一周的教室環(huán)境記錄作為原始建模數(shù)據(jù)。

依據(jù)人體舒適度相關(guān)性分析[6]，確定樹莓派采集終端采集的教室環(huán)境數(shù)據(jù)包含以下8個屬性：時間戳、環(huán)境光照強(qiáng)度值、環(huán)境溫度值、環(huán)境濕度值、每分鐘聲音達(dá)到分貝閾值的次數(shù)、每分鐘有人體活動的次數(shù)、當(dāng)前的時間、空調(diào)工作狀態(tài)下的電表電量。

4 數(shù)據(jù)探索分析

一次完整的未使用時段（即無聲音記錄且無人體運(yùn)動記錄的時段）被視為一個用電時間間隔。當(dāng)然，實際上在評估這種間隔時，不能只看一種數(shù)據(jù)，因為諸如光照等環(huán)境因素的顯著變化也很關(guān)鍵。教室兩次使用間隔時長一般為5～10 min。

排除一些考試和維護(hù)的時段，基本和教室上課時段一致。實驗統(tǒng)計了一周內(nèi)的教室使用數(shù)據(jù)。教室使用頻次分布見表1所列。聲音達(dá)到分貝閾值的次數(shù)大致可以說明附近有頻率較高的活動。人體紅外熱釋電傳感器采集的人體活動數(shù)據(jù)會因風(fēng)扇、室外風(fēng)等影響而波動不太明顯[7]，因此升級為毫米波雷達(dá)傳感器。

分析表1可知，每分鐘聲音達(dá)到分貝閾值的次數(shù)和人體活動次數(shù)變化很大。其中間隔時間為5～10 min時，每分鐘聲音達(dá)到分貝閾值50次、有人體活動的次數(shù)33次，可以判斷其為一次課間時間；每分鐘聲音達(dá)到分貝閾值60次且人體活動頻率較低時，分析其為上課時間；每分鐘聲音達(dá)到分貝閾值10次左右且人體活動次數(shù)在10次以下、光照變化也不劇烈時，可以認(rèn)為無人員活動，進(jìn)行節(jié)電操作。

5 數(shù)據(jù)預(yù)處理

教室使用事件包括：上課、考試、實訓(xùn)、維護(hù)等。設(shè)計的目標(biāo)為識別這些事件，需要從原始數(shù)據(jù)（包括理論課、實踐課、課間休息、考試和日常維護(hù)、有人意外經(jīng)過）中識別哪些數(shù)據(jù)記錄是完整的課程事件；哪些是偶爾發(fā)生的事件，以便識別事件中的教室使用事件。一般情況下，判斷完整教室使用事件的關(guān)鍵因素是每分鐘聲音達(dá)到分貝閾值的次數(shù)和人體活動次數(shù)。在閾值優(yōu)化模型中，為了提高在大量教室使用事件中發(fā)現(xiàn)正常事件的效率，建立了篩選規(guī)則，以消除非教學(xué)和維護(hù)等時間段的數(shù)據(jù)。數(shù)據(jù)變換流程：完整的教室使用事件劃分→劃分日常使用事件閾值尋優(yōu)→屬性構(gòu)造→篩選日常使用事件→得到建模數(shù)據(jù)樣本集。類似地，也要對其他傳感器數(shù)據(jù)，包括光照強(qiáng)度、溫度、噪音、電器使用情況等方面的數(shù)據(jù)進(jìn)行篩選。下面以噪音和光照為例進(jìn)行介紹。

5.1 完整的教室使用事件甄別

教室的各種環(huán)境數(shù)據(jù)被存儲在樹莓派智能終端，并通過網(wǎng)絡(luò)傳輸?shù)綌?shù)據(jù)中心，其中記錄了包括上課、考試、課間、維護(hù)清掃和無人使用等所有情況下的環(huán)境數(shù)據(jù)。而一次使用事件由數(shù)條甚至上千條的傳感器狀態(tài)記錄組成，所以首先要在傳感器數(shù)據(jù)集中甄別哪些連續(xù)的時間片段屬于完整的教室使用事件。

在教室使用狀態(tài)記錄中，若每分鐘聲音達(dá)到分貝閾值的次數(shù)、人體活動次數(shù)同時較低，則說明教室無人使用；而每分鐘聲音達(dá)到分貝閾值的次數(shù)較高、人體活動次數(shù)較低時一般為上課過程中。通常一次事件開始時聲音并不會太高并且間歇發(fā)生，事件開始時間往往在這之前。音量閾值可以通過傳感器設(shè)置，但間隔時間需要作為變量進(jìn)行調(diào)整。假設(shè)單位時間按1 min計算，對在單位時間內(nèi)環(huán)境音量達(dá)到傳感器設(shè)置的閾值的次數(shù)進(jìn)行統(tǒng)計。單位時長內(nèi)聲音達(dá)到分貝閾值的次數(shù)有連續(xù)且增強(qiáng)的一段區(qū)域可以判定為事件開始時間，對應(yīng)的連續(xù)且減弱的一段區(qū)域可以判定為事件結(jié)束時間。這里的單位時間是一個重要的回歸模型系數(shù)。

完整的教室使用事件的劃分有以下幾步：首先是識別一次噪音和人體活動同時偏低的數(shù)據(jù)，記錄為M1；再按照順序識別接下來的第一條噪音和人體活動偏高的數(shù)據(jù)，記錄為M2，需要判斷任意一組連續(xù)數(shù)據(jù)（如從M1到M2之間）的時間跨度是否大于設(shè)定的時間閾值T，以避免前后兩次活動數(shù)據(jù)被劃分為同一事件。重復(fù)此過程，直至遍歷完整個訓(xùn)練數(shù)據(jù)集的最后一條記錄。

從教室環(huán)境數(shù)據(jù)中梳理出一次完整的使用事件，截取每分鐘聲音達(dá)到分貝閾值的次數(shù)和人體活動次數(shù)超過閾值的記錄，將相鄰時間作差分。教室使用事件中的環(huán)境數(shù)據(jù)見表2所列。

5.2 教室使用事件閾值尋優(yōu)模型

實際情況下實驗室的用途會發(fā)生變化，在不同位置收集的數(shù)據(jù)會存在偏差，固定時間閾值對于處理某些特殊情況也并不理想。存在一個使用過程被分成兩個事件，或者兩個事件被合并成一個事件的情況。為解決閾值變化問題，本文建立了閾值尋優(yōu)模型來更新并尋找最優(yōu)閾值，由此解決了因使用情況和采集位置變化而導(dǎo)致的閾值差異問題。光照的波動頻率一般呈現(xiàn)正態(tài)分布，可以用于驗證模型的準(zhǔn)確性。當(dāng)習(xí)慣框的位置趨于穩(wěn)定時，表明當(dāng)前閾值設(shè)定效果較好。同時穩(wěn)定的變化趨勢和較小的斜率變化可以作為評估系統(tǒng)穩(wěn)定性的關(guān)鍵特征。為了進(jìn)一步提高分析的準(zhǔn)確性，應(yīng)去除噪聲數(shù)據(jù)，并計算斜率指數(shù)以量化這種穩(wěn)

定性。

通過智能數(shù)據(jù)采集終端采集教室環(huán)境數(shù)據(jù)，并劃定合理的閾值和對應(yīng)的事件數(shù)量。對教室使用數(shù)據(jù)劃分閾值進(jìn)行尋優(yōu)，變化區(qū)間在1～9 min。自動優(yōu)化閾值后得到在此期間內(nèi)教室使用事件劃分的最佳閾值為5 min。

構(gòu)建教室使用情況的4個關(guān)鍵屬性指標(biāo)：時長指標(biāo)、頻率指標(biāo)、教室的量化指標(biāo)以及教室使用的波動指標(biāo)。對一次教室使用事件抽取主要的環(huán)境數(shù)據(jù)，具體見表3所列。

6 數(shù)據(jù)預(yù)處理及變換

實際采集到的環(huán)境數(shù)據(jù)存在記錄缺失的情況，需要對缺失的數(shù)據(jù)記錄進(jìn)行修正。在溫濕度、光照等傳感器啟動時需要進(jìn)行預(yù)處理，這段事件通常是沒有記錄的。工作過程中出現(xiàn)的某些意外情況會導(dǎo)致采集到的數(shù)據(jù)不是實時有效數(shù)據(jù)。這可能是由設(shè)備故障、網(wǎng)絡(luò)中斷或進(jìn)程調(diào)度異常等原因?qū)е碌?，使得狀態(tài)記錄時間內(nèi)的時間戳未能正確更新。針對這類問題，可以采用下一個時間戳對應(yīng)的數(shù)據(jù)值進(jìn)行修正。建模所需數(shù)據(jù)樣本示例見表4所列。

7 構(gòu)建模型

BP神經(jīng)網(wǎng)絡(luò)構(gòu)建完成之后，要采用樣本數(shù)據(jù)對其進(jìn)行訓(xùn)練[8]。經(jīng)過數(shù)據(jù)預(yù)處理后，得到教室日常使用日志，包括教室使用時間、結(jié)束時間等，然后通過多層神經(jīng)網(wǎng)絡(luò)模型[9]來識別教室使用事件。由于日常使用事件在特征上與空閑事件不同，這些不同的特征體現(xiàn)在具體屬性上。因此，將收集的教室日常使用時的屬性數(shù)據(jù)作為訓(xùn)練樣本，以訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)。然后，根據(jù)訓(xùn)練的網(wǎng)絡(luò)對新采集的數(shù)據(jù)進(jìn)行測試，如圖2所示。

訓(xùn)練事件識別網(wǎng)絡(luò)使用的訓(xùn)練集來源于教室使用記錄。BP算法首先需要根據(jù)網(wǎng)絡(luò)預(yù)測誤差計算最后一層的學(xué)習(xí)信號，隨后逐層向上，依次計算倒數(shù)第二層直至第一層的學(xué)習(xí)信號。因此，算法也被稱為誤差反向傳播算法[10]。在計算完每一層的學(xué)習(xí)信號后，根據(jù)權(quán)重調(diào)整公式?jīng)Q定如何調(diào)整每一層的權(quán)重矩陣，最后更新所有層的權(quán)重矩陣。研究發(fā)現(xiàn)，擁有兩個隱藏層的神經(jīng)網(wǎng)絡(luò)具有較好的訓(xùn)練效果。

訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以用于識別相應(yīng)的教室使用事件。將前文所述的待檢測樣本的7個屬性作為輸入，設(shè)定輸出層的預(yù)期值范圍為±1。將測試數(shù)據(jù)代入上述模型進(jìn)行實際測試。利用反向傳播機(jī)制訓(xùn)練模型，進(jìn)行模型優(yōu)化時需要注意數(shù)據(jù)本身特征之間存在量級差異，需要進(jìn)行標(biāo)準(zhǔn)化，以消除此差異，最后再對插值誤差進(jìn)行估計。聚類之后可根據(jù)當(dāng)前檢測的屬性值推測當(dāng)前時間內(nèi)的教室用途。

8 結(jié) 語

針對實驗室的管理問題，設(shè)計了一個易于使用和維護(hù)的管理系統(tǒng)。該系統(tǒng)結(jié)合多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實現(xiàn)了對實驗室活動類型的精確甄別，隨著數(shù)據(jù)的不斷積累，其準(zhǔn)確性穩(wěn)步提高。該系統(tǒng)可以長期持續(xù)協(xié)助實驗室管理人員管理實驗室，甚至可以靈活添加新傳感器并遷移到其他使用場景，可以有效減少電力浪費(fèi)，節(jié)約人力成本。

參考文獻(xiàn)

[1] NICOL F，STEVENSON F. Adaptive comfort in an unpredictable world [J]. Building research amp; information，2013，41（6）：661-666.

[2]郭文強(qiáng)，董瑤，李清華，等. PSO-BP 神經(jīng)網(wǎng)絡(luò)在開關(guān)柜設(shè)備溫度預(yù)測中的應(yīng)用[J].陜西科技大學(xué)學(xué)報，2020，38（1）：149-153.

[3]王玉濤，于金星，陳鑫，等. 基于樹莓派的自適應(yīng)空調(diào)控制系統(tǒng)設(shè)計[J].物聯(lián)網(wǎng)技術(shù)，2020，10（10）：76-78.

[4]曹潔，沈鈞珥，張紅，等. 基于小波和多維重構(gòu)的BP神經(jīng)網(wǎng)絡(luò)交通流短時預(yù)測[J].計算機(jī)應(yīng)用與軟件，2018，35（12）：61-65.

[5]劉發(fā)明，谷坤，王雪芹. 基于節(jié)能減排的高校節(jié)約型校園建設(shè)[J].節(jié)能技術(shù)，2010，28（3）：229-231.

[6]王曉輝，劉靜蕾，邊會娟，等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)環(huán)境熱舒適度預(yù)測與分析[J].控制工程，2021，28（7）：1437-1445.

[7]高學(xué)彬，張志強(qiáng)，葉世偉，等. 無線傳感器網(wǎng)絡(luò)中的被動式紅外傳感器模型研究[J]. 計算機(jī)應(yīng)用，2007，27（5）：1086-1088.

[8]連之偉，曹彬，杜衡，等. 建筑室內(nèi)熱環(huán)境舒適區(qū)間確定方法[J]. 建筑科學(xué)，2022，38（8）：9-14.

[9]王永亮.基于BP神經(jīng)網(wǎng)絡(luò)數(shù)字識別技術(shù)的研究[J]. 山西電子技術(shù)，2021，49（5）：77-80.

[10]鮑偉，任超.基于GWO-BP神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測方法研究[J].計算機(jī)應(yīng)用與軟件，2022，39（9）：65-71.

收稿日期：2023-09-26 修回日期：2023-10-24

基金項目：安徽商貿(mào)職業(yè)技術(shù)學(xué)院重點產(chǎn)學(xué)研項目：基于語音控制智能節(jié)能系統(tǒng)的研究（2021KZZ04）；移動互聯(lián)應(yīng)用技術(shù)專業(yè)教學(xué)團(tuán)隊（2020jxtd093）；AR及CoreML技術(shù)在古詩App“繪傳承”中的應(yīng)用研究（KJ2020A1082）；安徽商貿(mào)職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)應(yīng)用技術(shù)專業(yè)群（2020zyq29）

作者簡介：湯義好（1983—），男，講師，研究方向為軟件技術(shù)與人工智能。