本发明属于智能农业技术领域，特别涉及一种融合向量机模型的嵌入式设施二氧化碳优化调控方法与系统。
背景技术：
光合作用是植物制造有机物的主要途径，影响植物光合作用的因素有很多，其中co2作为光合作用的原料尤为重要。随着现代化农业的发展，建造了越来越多的温室大棚，温室大棚因其空气流动性较差，造成温室内co2亏缺严重。因此，温室大棚内的co2施肥技术变的越来越重要。然而，现有的co2施肥技术并不完善。传统的温室co2施肥技术大都采用阈值控制，阈值范围约在600～900μl/l的施肥浓度。但由于温室内一天中co2浓度变化较大，夜间植物进行呼吸作用放出co2，不进行光合作用、不消耗co2，因此，清晨温室内co2浓度最高。日出后随着光照和温度的升高，植物光合速率逐步提升，而此时co2浓度慢慢降低，产生co2供需差，特别是在正午，当光合能力最强时，co2浓度最低，严重不能满足作物光合对co2需求。在变化的温室环境条件下，植物对co2的需求程度也不一样，固定施肥浓度的co2施肥方式不能很好的满足植物对co2的需求，会造成co2的浪费与补充不足并存现象，因此这种固定阈值co2施肥的生态和经济可行性并不高。
近年来的调控技术研究以发现了阈值调控的不足，陆续出现了考虑co2饱和点变化的调控系统，但这类系统通常以co2饱和点的非线性拟合公式为模型，不仅模型精度差，而且没有考虑到co2饱和点附近co2浓度对光合速率的影响较小，长期采用co2饱和点进行调控经济效益不高。因此，如何发明一种不仅精度高、处理数据能力速度快、可移植的建模方法，而且在节约co2能源前提下最大程度的提高作物光合速率的co2调控方法，变得十分重要。
通过生理分析作物光合速率的主要影响因素的分析，可以从co2响应曲线上发现，co2限制点为响应曲线弯曲程度最大的点。因此，如何实现对曲线的曲率进行寻优获取曲率最大点，以此作为co2调控目标值点，进而构建连续高精度、可移植的co2调控目标值模型成为研究的关键。随着智能算法和嵌入式技术的发展，融合智能算法模型的嵌入式系统由于具有高精度预测的能力已成为一个研究热点。但现有的co2调控系统通常采用单片机作核心处理模块，工控屏做人机交互窗口，而相比较于嵌入式系统而言，单片机的处理数据能力较差，数据输出精度有限，进而使得工控屏的反应速度较慢；且由于单片机自身的局限性，智能算法并不能被单片机很好的兼容，因此，单片机已成为限制co2精准施肥技术发展的因素之一。
综合上述因素考虑，利用智能算法设计一种高精度、低消耗、可移植的调控模型并构建一个可以移植模型的体系，搭建一个可以使用该模型的平台，从而构建支持模型移植和配置的co2优化调控系统变得可行且十分重要。
技术实现要素：
为了克服上述现有技术的缺点，本发明的目的在于提供一种融合向量机模型的嵌入式设施二氧化碳优化调控方法与系统，可以精确地对设施作物环境内的co2浓度进行实时动态调控，实现co2施肥效率的提高和经济成本的节约。
为了实现上述目的，本发明采用的技术方案是：
一种融合向量机模型的嵌入式设施二氧化碳优化调控方法，其特征在于，包括如下步骤：
步骤一，构建不同的温度、光强、co2浓度小环境，测量植物在不同温度、光照、co2环境下的净光合速率，构建光合速率预测模型，通过对实验数据分析，构建光合速率预测模型，进而通过对预测模型中每条co2响应曲线的曲率进行分析，获取不同温度、不同光照条件下co2调控目标值，基于python语言应用svm算法构建以温度和光照为输入，co2调控目标值为输出的co2优化调控模型，生成一个可实现跨平台移植的co2优化调控模型文件model.py；
步骤二，采用无线传感器网络(wsn)部署整个设施co2环境调控设备，设计了一种树莓派系统框架和平台体系，设备硬件由树莓派主控节点、传感器监测节点和co2控制节点组成，各节点采用cc2530作为核心处理模块，基于zigbee协议实现无线传感器网络(wsn)自组网和信息传输，其中采用qt图形用户界面应用程序框架构建支持智能模型跨平台移植的树莓派嵌入式软件平台；传感器监测节点通过实时检测影响光合作用的植物光强、温度和co2浓度，通过zigbee网络传输至主控节点，主控节点通过调用调控模型，判断当前环境是否满足作物对二氧化碳的要求，并根据实时环境二氧化碳浓度计算效益最优二氧化碳浓度需求量，利用zigbee无线传感器网络技术传输至控制节点，控制节点通过继电器控制二氧化碳气罐的开关，最终实现基于作物需求的设施co2智能调控；
步骤三，在实际的设施co2环境调控中，用户进入模型导入界面，选择相应的co2调控作物，并将生成的co2调控目标值模型model.py文件加载到基于qt框架树莓派嵌入式软件平台，完成模型的跨平台移植，将得到的model.py文件移植到嵌入式系统中，生成面向特定作物的定制co2调控嵌入式系统；
步骤四，系统环境检测节点通过实时检测设施温室环境内的温度t，co2浓度c以及光照强度pdf，并通过zigbee协议传输到主控节点，主控节点根据检测得到的温度、光照以及co2，输入调控系统，通过调用co2优化调控模型进行预测，进而得到co2调控目标值，并进行如下判断：如果调控目标点的co2浓度高于当前环境的co2浓度，则同时打开co2气阀与对流扇，并按需的将当前的co2浓度补充至目标点，如果当前的co2浓度高于co2调控目标点，则不进行co2补充。
所述co2优化调控模型的建立过程如下：
步骤1：输入实验数据，以温度、光强、co2为输入，光合速率为输出，应用支持向量机构建光合速率预测模型；在此基础上，对预测模型中每条co2响应曲线进行曲率寻优，获取曲率最大值点对应的co2浓度作为co2调控目标值，以co2调控目标值及其对应条件下的温度、光照条件作为新的数据集，进行co2优化调控模型构建；
步骤2：在python平台下进行调控目标值模型建立，首先输入co2调控目标值及其对应条件下的温度、光照条件，随机产生训练集与测试集，经过样本的归一化处理后，选取核函数和c，g参数，然后建立svm回归模型并进行训练，直到svm优化调控模型满足精度要求，然后对模型进行反归一化处理，并生成可移植的co2优化调控模型文件model.py。
所述co2调控目标值模型model.py文件的导入过程如下：
步骤1：在qt软件中，基于python语言构建co2优化调控模型，嵌入调控系统以实现其可以在raspberrypi平台上运行的目的，从而得到可移植化的co2优化调控模型；
步骤2：将co2优化调控模型下载到raspberrypi设施程序的指定模型库文件夹中，然后在设施程序中选择导入的模型，实现可移植模型的导入；通过导入不同的co2优化调控模型，实现对不同植物的co2优化调控，使得更换调控作物简单方便。
本发明还提供了一种融合向量机模型的嵌入式设施二氧化碳优化调控系统，包括：
检测模块，包括设置在设施作物环境内的温度检测模块、co2浓度检测模块和光照强度检测模块，检测模块在设施作物环境内适量分布，用于确定变化温度、光照条件下的co2调控目标值以及调控模块补充的co2分布是否均匀；
主控模块，主要包括raspberrypi和zigbee模块，其中raspberrypi模块和zigbee模块之间通过ft232rl芯片实现txrx通信，检测模块与主控模块之间基于zigbee协议实现无线通信；主控模块的zigbee模块接受到检测模块传输的当前设施环境的影响因子，通过调用选择的co2优化调控模型，得到co2调控目标值，将co2调控目标值与当前的co2浓度进行比较：若当前的co2浓度小于co2调控目标值，则通过zigbee协议传输控制调控节点开启的信号；若当前的co2浓度大于co2调控目标值，则表明不需要补充co2；
控制模块，主要由zigbee模块和co2补充模块组成，通过zigbee协议传输得到主控节点的调控指令，通过cc2530芯片的数据串口与srd-05vdc-sl-c继电器实现控制co2补充模块的开启与关闭，同时，采用固态继电器控制对流扇的开启与关闭，co2补充模块由电磁阀、co2气罐、对流扇、供电电源以及管道组成，其中电磁阀采用的是24v直流电源供电，对流扇则采用220v交流电供电，当zigbee模块控制co2补充模块开启时，对流扇同时打开。
与现有技术相比，本发明的有益效果是：
本设施co2环境调控设备采用支持向量机的算法处理实验数据获取动态co2调控目标点，与传统的非线性回归方程处理数据相比，实现了模型精度的提高，同时为了使环境优化调控模型这一智能调控算法模型的顺利移植，设计了一种新的树莓派系统框架和平台体系，与传统嵌入式co2环境控制系统不能直接加载智能算法模型相比，本系统使用支持向量机模型构建完成后可通过模型变量保存输出。模型移植过程只需要在相应路径加载模型即可导出模型，完成跨平台co2调控模型移植，从而在嵌入式平台上实现融合支持向量机co2环境调控模型的调控目标值实时精准计算和智能反馈控制。
附图说明
图1是本发明整体流程示意图。
图2是利用svm算法建立co2调控目标值模型流程图。
图3是本发明实验中建立的co2响应曲线图。
图4是对图3光响应曲线进行归一化后得到的示意图。
图5是图4归一化后光响应曲线的曲率示意图。
图6是对图5曲率曲线反归一化，对曲率曲线进行寻优的示意图。
图7是co2饱和点和曲率最大点对比示意图。
图8是利用svm算法建立的光合速率预测模型。
图9是本发明模型的使用流程图。
图10是本发明硬件模块示意图。
图11是本发明模型加载示意图。
图12是本发明co2调控显示界面示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，本发明一种融合向量机模型的嵌入式设施二氧化碳优化调控方法，包括如下步骤：
步骤一，使用速率仪不同测试模块，构建不同的温度、光强、co2浓度小环境，测量植物在不同温度、光照、co2环境下的净光合速率，构建光合速率预测模型，通过对实验数据分析，构建光合速率预测模型，进而通过对预测模型中每条co2响应曲线的曲率进行分析获取co2调控目标值，应用不同温度、不同光照条件下的co2调控目标值，基于python语言应用svm算法构建co2优化调控模型，生成的co2优化调控模型是一个可移植的model.py文件；
步骤二，采用无线传感器网络(wsn)部署整个设施co2环境调控设备，设计了一种树莓派系统框架和平台体系，设备硬件由树莓派主控节点、传感器监测节点和co2控制节点组成，各节点采用cc2530作为核心处理模块，基于zigbee协议实现无线传感器网络(wsn)自组网和信息传输；传感器监测节点通过实时检测影响光合作用的植物光强、温度和co2浓度，通过zigbee网络传输至主控节点，主控节点通过调用调控模型，判断当前环境是否满足作物对二氧化碳的要求，并根据实时环境二氧化碳浓度计算效益最优二氧化碳浓度需求量，利用zigbee无线传感器网络技术传输至控制节点，控制节点通过继电器控制二氧化碳气罐的开关，最终实现基于作物需求的设施co2智能调控；
步骤三，在实际的设施co2环境调控中，用户进入模型导入界面，选择相应的co2调控作物，并将生成的co2调控目标值模型model.py文件加载到嵌入式系统，完成模型的跨平台移植，将得到的model.py文件移植到嵌入式系统中，从而得到基于特定作物需求模型的嵌入式co2智能调控系统；
步骤四，系统环境检测节点通过实时检测设施温室环境内的温度t，co2浓度c以及光照强度pdf，并通过zigbee协议传输到主控节点，主控节点根据检测得到的温度、光照以及co2，输入调控系统，通过调用co2优化调控模型进行模型输出结果预测，进而进行实时co2调控目标值的动态获取。并在此基础上进行如下判断：如果调控目标点的co2浓度高于当前环境的co2浓度，则同时打开co2气阀与对流扇，并按需的将当前的co2浓度补充至目标点，如果当前的co2浓度高于co2调控目标点，则不进行co2补充。
以下是本发明的一个具体实验。
实验过程：本试验于2017年8月-2017年10月在西北农林科技大学农机实验室进行。番茄幼苗放置于荷兰sinder公司生产的md1400培养箱中进行培养，培养箱为番茄幼苗营造了适宜的生长环境。将批量番茄苗在日光温室内采用营养基质穴盘育苗并进行常规栽培管理，周期为一个月，选取定植后长势基本一致、健壮的番茄幼苗进行试验，设定二氧化碳浓度400μmol·mol-1、300μmol·mol-1、200μmol·mol-1、100μmol·mol-1、0μmol·mol-1、400μmol·mol-1、400μmol·mol-1、600μmol·mol-1、800μmol·mol-1、1000μmol·mol-1、1200μmol·mol-1、1400μmol·mol-1、1600μmol·mol-1、1800μmol·mol-1、2000μmol·mol-1、2200μmol·mol-1；5个温度梯度为18℃、22℃、26℃、30℃、34℃；5个光子通量密度梯度为0μmol·m-2·s-1、400μmol·m-2·s-1、800μmol·m-2·s-1、1300μmol·m-2·s-1、1800μmol·m-2·s-1，共计25组试验条件，每组试验均选取6株幼苗重复测量3次净光合速率值，形成试验样本集。
参考图2，基于上述的可移植的co2优化调控模型的建立，其具体过程如下：
步骤一：在本发明中，与co2响应曲线中，其弯曲程度代表的含义是co2浓度对净光合速率的影响程度，根据曲率的概念和意义，co2响应曲线的曲率最大点就代表着co2对净光合速率影响的转折点，从影响导致光合速率提升较大变为提升缓慢。所以本发明利用了曲率最大点获取co2调控目标点。
步骤二：co2限制上限co2浓度点获取，基于曲率理论的co2响应曲线目标值获取流程如下所述。
在试验过程中所获取的实验数据中，取特定温度和特定光强下的一组数据，利用叶子飘等co2响应直角双曲线修正模型对数据进行拟合，得到一条co2响应曲线。针对已经建立的co2响应曲线图3，首先对其进行归一化。因为光合速率和光照强度、co2浓度等的量纲不统一，所以为了防止不同量级的数值相互影响，出现“大值吃小值”的现象，在用matlab进行各种回归运算、矩阵运算以及神经网络训练时，首先都要对已有数据进行归一化。常用的数据归一化方法主要有线性转换、对数转换以及反余切转换，本文采用线性函数变换，线性归一化原理如式所示：
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin
xmax、xmin分别为归一化前数据的最大值和最小值，ymax、ymin分别为归一化前数据的上限和下限，x、y分别为归一化前和归一化后的数据。
由于求曲率需要用到求导，只有符号变量可以进行求导操作，所以本研究在matlab程序中将co2响应函数定义为符号函数，求图4归一化后光响应曲线的曲率如5所示。对图5曲率曲线反归一化，对曲率曲线进行寻优，可得到曲率的最大值点，如图6所示。
将曲率曲线中的最大值点横坐标对应到原co2响应曲线中，可得到曲率最大点对应的横纵坐标，也即目标co2浓度和净光合速率。co2饱和点和曲率最大点对比如图7所示。
步骤三：co2优化调控模型构建：
模型构建主要包括对不同条件下得到的co2目标值和对应条件进行归一化处理，构建训练样本集和测试样本集，并完成核函数类型和参数选择，最终通过模型训练构建基于python的调控模型，模型网络结构如图9所示，最终实现对co2饱和点准确预测。
其中，归一化处理区间为[0.2，0.9]，归一化函数为
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin随机产生训练样本集和测试样本集，通过核函数将低维非线性空间中的样本数据变换到高维特征空间进行线性回归。其中,回归函数为
其中，k(xi，x)为核函数；xi为支持向量；nsv为支持向量个数；b为偏置；,αi,
支持向量机回归性能主要受核函数类型和模型参数影响。核函数将非线性不可分样本在特征空间中转换为线性可分，不同核函数使svm模型产生不同分类超平面，从而直接影响模型性能。模型主要影响参数有核参数g和影响因子c，分别影响核函数形态和预测精度。
本文比较线性函数、多项式函数、径向基函数及sigmoid函数等常用核函数，选取径向基函数构建回归函数，表达式为
k(xi,x)＝exp(-g*||xi-x||)2
通过本发明提出的一种基于支持向量机算法拟合的co2优化调控模型如图8所示，其决定系数r2为0.839003，均方根误差rmse为0.00463748，而应用原有方法，在获取co2调控目标值基础上，采用非线性回归方法拟合构建co2优化调控模型，得到的模型公式的决定系数r2为0.7709，均方根误差rmse为69.1080。表明应用支持向量机算法构建的调控模型具有较好的拟合效果。
基于上述调控模型的建立，本发明装置的硬件结构如图10所示，各部分结构组成如下：
本发明装置的硬件结构主要由主控节点、监测节点和co2控制节点组成，其中主控节点实现对整个装置的控制，将各节点之间通过zigbee无线技术实现信息交互，内部采用模块化设计思路。
主控节点通过协调器将主控程序以广播形式发送至co2控制节点，接收监测节点所发送来的环境因子检测信息；并负责收发程序具有汇聚实时环境信息、计算co2控制量、下发co2控制命令、设定系统参数等管理功能，用户交互模块采用分辨率为1024x600的7inchhdmilcd超清显示屏，支持触摸操作，方便人机交互。
监测节点通过安装温度传感器、光照传感器和二氧化碳传感器将设施环境中的因子通过zigbee实时发送至主控节点，为了保证传感器的数据有效性，定期对传感器监测节点进行校准。通过ds18b20温度传感器实现对当前设施作物环境的温度检测；通过光合有效辐射传感器(par)实现对当前设施作物环境的光照强度检测；通过cozir二氧化碳浓度传感器实现对当前设施作物环境的二氧化碳浓度检测。
co2控制节点完成接收终端执行命令以及流量信息反馈的功能。控制节点通过射频接收函数获得主控节点的发送的命令，决定是否启动二氧化碳气罐以及开启气体循环对流装置。同时通过气体流量装置获得补充的总流量，通过射频发送函数发送至主控节点，进行反馈控制。
基于上述硬件平台，可移植的co2优化调控模型的导入，其具体过程如下：
步骤一：在qt软件中，基于python语言构建co2优化调控模型，嵌入调控系统以实现其可以在raspberrypi平台上运行的目的，从而得到可移植化的co2优化调控模型。
步骤二：通过将co2优化调控模型下载到raspberrypi设施程序的指定模型库文件夹中，然后在设施程序中选择导入的模型，实现可移植模型的导入。通过导入不同的co2优化调控模型，可以实现对不同植物的co2优化调控，使得更换调控作物简单方便。导入流程如附图11所示。考虑到特殊情况下需要对植物进行光合效率最优化的调控，本设施优化co2调控系统提供了效率最优化调控与效益最优化模型调控两个可更变的调控方式。
基于上述系统设备硬件设计，本发明具体实施例详细步骤如下：
步骤一：模型训练，在pythonscikit-learn算法中包含支持向量机算法工具箱，使用实验数据来训练支持向量机模型，根据自己对预期模型的要求，设定相应的参数；将数据进行预处理获得属性、标签、属性名存入列表，将列表转化为numpy数组形式，使用sklearn的train_test_split构建训练集和测试集，性能曲线可以展示集成方法中决策的数目发生变化时，其性能的变化过程，初始化对象后，然后通过调用fit()方法，训练数据集作为其输入参数，最后再调用predict()方法进行预测，输入时测试数据集的属性，并将预测值与测试数据中的标签比较，使用sklearn.metrics的mean_squared_error函数计算预测均方误差，最终将训练好的模型保存。
步骤二：模型变量输出；由于训练的模型输出的是个变量，需要将变量保存成txt文件或其他文件的形式，因为后面的某些程序也会用到这个重要文件，把它存储到本地来，下次调用的时候，先读取本地的文件，导入到字典类型中，只要调用就可以访问，代码的可读性高；使用python的pickle模块中的pickle.dump()函数把程序中的变量存储到本地文件。
步骤三：模型加载如11所示，为了提高算法的可移植性，在该设备中设有模型的加载移植界面，其功能的实现是建立在步骤二基础上，通过将步骤一得到的模型变量输出保存，再使用python的pickle模块中的pickle.load()函数从本地文件中导入到程序的相应位置，实现模型的加载。
步骤四：该设备的系统co2调控显示界面如图12所示，在实际的设施co2环境调控中，监测节点不仅实时将采集到的环境因子显示在触摸屏上方便用户查阅，还将此时的环境因子作为调控模型的输入变量，此时系统通过模型所在的相应路径加载模型即可导出模型，完成跨平台光调控模型移植，通过如图9所示的支持向量机模型网络结构和当前环境影响因子调用相应的公式计算出当前环境所需要的co2值。
上述的公式如下：设当前设施环境中的光照强度为pdf，温度为t，co2浓度为c，co2调控目标值为ca首先输入实时检测得到的光照强度pdf，温度t。
amym＝k(pdf，t)
ca＝sgn(y)
得到co2调控目标值，其中b为偏置修正量，m为模型文件中变量函数k(pdf，t)的个数。
通过调用的co2调控目标值模型发现，当温度和光照强度为一固定的值时，可以得出co2调控目标值：若ca<c，则表明当前环境下不需要补充co2；若ca>c，则表明需要补充的co2浓度δc＝c-ca。
步骤五：监测节点通过周期监测光强、温度和co2，传递到主控节点，再利用主控制节点计算其与作物所需目标量的差值，并将其转换为电磁阀开关控制信号，然后通过zigbee控制co2控制节点控制co2输出浓度，并控制对流扇的开启，实现co2的输出量的动态、精确、无线调控。
综上，本发明一种融合向量机模型的嵌入式设施二氧化碳优化调控方法与系统，首先获取大量实验数据，在qt软件中基于python语言应用支持向量机算法构建光合速率预测模型，对预测模型中每条co2响应曲线进行曲率分析获取co2调控目标值，基于上述结果应用支持向量机算法构建co2优化调控模型，获得可移植于嵌入式系统的调控模型文件。检测节点实时检测的co2浓度、光照强度和温度，并通过zigbee协议传输给主控节点，主控节点通过调用co2优化调控模型训练集，进行预测仿真获取co2调控目标值，并判断当前环境下的co2值和co2调控目标值的大小，然后通过zigbee协议传输控制信号到调控节点，从而达到实时智能调控大棚内的co2浓度的目的，本发明可有效提高作物光合速率，获得较好的经济效益。