農業物聯網傳感節點的數據檢測問題及數據異常檢測方法探討

摘要：為了確保農業生產環境監測的準確性，檢測作物的生長狀況、科學指導作物生長、實時監控傳感器節點、及時發現異常信息、改善整個農業物聯網的正常運行很有必要?；诖?，本文基于物聯網節點檢測原理，分析農業物聯網傳感節點數據檢測問題，并提出數據異常檢測方法，利用特征模糊聚類概率搜索方法檢測節點的異常，并建立相應的數學模型，計算節點數據與異常數據的相關概率，利用度量準則進行比較，判斷該節點數據是否有異常，以供參考。

關鍵詞：農業物聯網；數據檢測；數據異常

一、農業物聯網傳感節點數據檢測

（一） 農業物聯網數據應用

當前，在農業生產領域盡管利用信息化手段進行機械化生產，但實際操作層面上的智能化水平并不高。利用物聯網不僅可以提高農業數據的處理能力，還可以提升應用平臺的技術水平。例如，利用物聯網技術實現溫室內溫度的控制，一方面，通過數據技術增強感溫裝置的作用；另一方面，根據數據分析溫室內的氣溫、空氣濕度和農作物生產周期，給出最優的方案，設定最優的溫度范圍，實現溫度智能調整，更好地促進農作物生長。因此，在應用物聯網的過程中，應更多地關注數據技術的應用，把數據技術與物聯網相結合，使其更好地發揮作用，充分利用其在農業信息化建設中的作用。

（二）物聯網節點檢測原理

與互聯網相比，物聯網依賴于由傳感器構成的傳感網絡。物聯網傳感器網絡中的節點數據異常檢測又稱物聯網傳感器網絡中的節點數據校驗，通過與普通節點的數據比對，從而達到對節點數據的異常檢測。基于此，傳統的基于網絡節點的特征抽取，必須從網絡中抽取相同的特征進行檢測，而在物聯網線路中，由于傳感器獲取的信息具有較大的隨機性和非線性，導致各傳感器收集的數據存在一些差異，難以形成統一特征，難以有效描述異常節點，導致節點定位和判斷不準確，從而造成物聯網傳感器網絡中數據異常檢測精度降低的問題。

針對常規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行節點數據的異常識別。該方法克服了傳統的基于節點單個樣本特性的缺點，可以精準檢測物聯網傳感器網絡中的異常信息，為快速、完整地過濾掉異常信息提供了依據。

（三）特征模糊聚類概率檢測

農業物聯網中的異常節點的檢測大多基于傳感器獲取的差異性信息，難以建立統一的傳輸模式。針對物聯網傳感器網絡中的異常數據，首先要解決如何通過特征模糊聚類的方法實現。通過對該矩陣的降維，在該矩陣中選擇待測節點的數據，獲得與其相關的節點，從而篩選出異常數據的特征，并進行特征模糊聚類，提高異常數據的識別率。在對物聯網傳感器網絡進行異常數據采集后，統計特征模糊聚類的概率，判斷該數據是否為非正常數據。利用常規方法對傳感器網絡中的節點進行異常檢測時，忽視節點與非正常數據的關聯，導致檢測的準確率不高，因此可以采用特征模糊聚類方法提高檢測的準確性。

二、農業物聯網傳感節點的數據檢測問題

（一）農業物聯網數據檢測功能

在構建農業物聯網的基礎架構后，針對特定的農業生產，必須設計相應的系統功能。農業物聯網不僅要實現其基礎功能，還要充分發揮在農業領域的優越性。總體而言，該系統的設計具有如下特點。

第一，實時環境監控。基礎功能是利用各種傳感器實時監控環境，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絡上，然后由服務平臺進行數據分析和處理。

第二，遠程監控，除了具備實時監控的作用外，還能對農戶進行遠程監控。農民只需通過手機或計算機登錄該系統，通過移動網絡以及提前設置的系統參數，智能化遙控大棚內的設施，并隨時查看大棚的具體狀況。

第三，對農業生產的預測和分析打破了以往農民憑經驗進行農業生產的傳統模式。通過大數據技術，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，并通過大數據進行預測，判斷是否會影響作物的生長，從而進行調整。同時，農業物聯網還應具有預警功能，可以提前設置作物的理想狀態，當超過一定的限度后，系統會發出預警信號，提醒農民作出調整。

（二）農業物聯網數據異常

通常情況下，傳感器節點會處于較惡劣的環境中，長時間暴露在陽光、雨水環境下，會對傳感器節點造成一定程度的破壞。由于傳感器節點的損壞，數據會出現異常，因此，需要實時監控傳感器網絡并及時處理，確保整個網絡的正常運轉。在農業物聯網中，傳感器根據時間順序，連續采集作物生長和環境指數，具有周期性、實時性和無限性的特點。受生產工藝、成本和網絡等因素的制約，在采集數據時，難免會出現異常，導致數據質量大幅降低，難以保障物聯網設備的智能化控制和高效的數據分析。因此，有效、實時地發現異常信息，是農業信息化管理和決策的關鍵。

（三）農業物聯網信息采集平臺

為了實現農業物聯網的應用層和數據處理，要建立農田物聯網信息采集平臺，主要負責農田的小氣候數據采集和大氣總體氣象數據收集，而小氣象數據采集采用的是基于ZigBee技術和不同類型的傳感器構建的無線傳感器網絡，包括大氣溫度、濕度、二氧化碳、土壤含水量和光照強度等，通過GPRS模塊與PC互聯網進行數據通訊，將采集到的數據上傳到服務器。利用中國氣象科學數據共享服務平臺的API接口進行采集，利用API接口獲取Json數據，利用JAVA語言分析獲取實時天氣數據，從Tomcat中抽取農業相關的氣溫、雨量、氣壓和濕度等信息，并上傳服務器，以便進行歷史、實時的數據查詢以及后續的檢測研究。

（四）異常農情數據在線監測框架

農業異常數據的在線監測框架如圖1所示。在數據采樣間隔、離散程度、周期特性的基礎上，給出了滑窗尺度的計算方法，該算法首先對T段的數據進行規范化，然后根據數據的離散程度、采樣間隔等因素，得出滑動窗口的大小。

（五）農田系統數據故障類型

在農業物聯網系統中，當某個節點接收到信息時，會認為這一節點的功能出現了問題。異常值是收集到的數據與原來的數據不一致，在檢測系統中，數據不會隨著時間的推移而發生變化。數據的同質性是收集的數據很少發生變化，在這一測試系統中，是指數據保持在固定數值，例如，一天的氣溫在特定的溫度范圍內會上下浮動1℃。

三、農業物聯網傳感節點數據異常檢測方法

（一）特征模糊聚類概率的計算

在對物聯網傳感器網絡進行異常數據采集后，通過分析節點和異常數據的特征模糊聚類概率，判斷該數據是否為非正常數據。利用常規方法對傳感器網絡中的節點進行異常檢測時，忽視了節點與非正常數據的關聯，導致檢測的準確率不高，從而采用基于特征模糊聚類的方法提高檢測的正確性。該方法根據節點的特征，可以劃分為異常數據和結點數據。在判斷物聯網傳感器網絡中的節點數據為非正常數據時，必須計算特征模糊聚類概率。

在物聯網中，傳感器節點數據的異常識別是關鍵，它直接用于預測該特征的聚類概率，但預測精度不高，必須采用概率預測方法。利用傳統的檢測方法和特征模糊聚類概率法檢測物聯網中傳感器節點的異常，當網絡中的節點數量較多時，采用特征模糊聚類概率法進行檢測的準確率越高，與傳統檢測方法相比的優勢就越大，而節點的異常檢測可以有效解決傳統檢測方法存在的高漏檢率問題。

（二）基于統計學方法的數據異常檢測方法

應用統計學方法首先給出了隨機分布概率分布的數學模型，該模型分布可能為正態分布或泊松分布，在計算集合中，每個與模型數據相符的概率都會列出來，其中一些概率較小的出現異常。采用聚類技術對數據進行分類，通過聚類操作，在出現異常數據時，會發現某一簇或多簇的樣本數據很少，且與其他簇之間存在較大差異，通常情況下，簇內的數據為異常。在這種情況下，距離檢測技術必須先確定數據之間的距離，再計算數據之間的間隔，如果數據之間的間隔較近就是正常的數據，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據，是基于距離的方法，可以把各個點之間的間隔和數目綜合起來，從而獲得數據的密度。基于密度的異常檢測技術能有效識別區域異常，但由于是基于距離的異常檢測，所以計算量較大。

（三）基于時空相關性的數據異常檢測方法

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

在實時監控中，采用基于時間相關性和空間相關性的方法。該方法首先對當前的數據進行時間相關性檢測，結果表明數據是正確的，將在下次采集到的數據中繼續進行檢測；當結果出現問題時，節點會向中心節點報告可疑信息，由中心節點進行空間相關性檢測，如果檢測結果為正常，則判定為錯誤；如果結果異常說明傳感器的結點可能出現問題。時間相關性檢測是對數據進行一級過濾，可以快速處理每條數據；空間相關性檢測是一種二次過濾，能有效排除錯誤信息，提高算法的準確性。該方法簡單、計算量小、由傳感器節點本身實現分布式故障檢測，無需與其他節點數據交換，可以降低網絡的通訊費用；空間相關性檢測要求集群中各個結點的數據都集中在一個中心節點上進行，相對于大量的常規數據，利用時間相關性進行檢測可以發現，異常數據出現的可能性較低，不會產生過多的計算量。

四、結語

綜上所述，本文主要研究物聯網技術在現代農業中的應用，提出一種新的基于時空相關技術的網絡節點故障診斷方法，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點，其中，采用基于時間相關的方法，可以實現分布式運算，而且無需節點之間的通訊。

參考文獻：

[1]林山馳，劉林，李相國.基于多信息融合的設施農業物聯網系統設計[J].現代信息科技，2022，06（19）：136-141.

[2]王波.基于物聯網的無線傳感網絡數據采集方法[J].內蒙古民族大學學報（自然科學版），2019，34（01）：9-14.

[3]王文，饒元，李紹穩，等.基于預測模型的異常農情數據在線檢測方法的研究[J].湖南農業大學學報（自然科學版），2020，46（04）：495-500.

[4]諶頏，戴華珍，龔文靜，等.智慧農業物聯網控制系統設計與研究[J].信息記錄材料，2022，23（04）：195-197.

[5]彭旭，饒元，喬焰.基于寬度卷積神經網絡的異常農情數據檢測方法[J].華南農業大學學報，2022，43（02）：113-121.

[6]黃華.物聯網中傳感節點數據異常檢測方法研究[J].計算機仿真，2012，29（05）：159-162.

[7]金鵬，夏曉峰，喬焰，等.基于深度信念網絡的高維傳感器數據異常檢測算法[J].傳感技術學報，2019，32（06）：892-901.

[8]段青玲，肖曉琰，劉怡然，等.基于SW-SVR的畜禽養殖物聯網異常數據實時檢測方法[J].農業機械學報，2017，48（08）：159-165.

[9]李汀.基于區塊鏈的工業物聯網節點行為數據分析與追蹤模型研究[D].重慶：重慶郵電大學，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業物聯網數據異常檢測、智慧城市物聯網異常檢測，郵箱：2281777777@qq.com。