一种农业异常数据的边缘识别方法、系统、设备及介质

本发明属于异常数据检测、边缘计算的，具体涉及一种农业异常数据的边缘识别方法、系统、设备及介质。

背景技术：

1、随着信息技术、物联网、大数据、人工智能等的快速发展，智能系统需要采集大量的数据，用于实现农业系统智能化与自动化。然而，在实际应用中存在大量感知异常数据，如果上述数据无法及时被识别出来，将会造成传输数据质量的下降、数据有效性的降低，而且大量异常数据会直接影响基于该数据的分析、人工智能算法等。如何在大规模环境下快速有效的实现异常数据快速识别成为了当前的亟需解决的问题。

2、在文献《物联网船舶异常数据自动识别系统》中，作者基于物联网的船舶异常数据自动识别系统在国内外的研究现状，提出了运用主成分分析法和支持向量机算法构建船舶异常数据自动识别模型，并论述了异常数据自动识别系统的设计与实现。在文献《基于数据流时空特征的wsn异常检测及异常类型识别》中，作者提出一种融合数据流时空特征和多分类模型的异常检测算法，该算法基于markov链提取传感器数据流的时空特征，然后将时空特征作为多分类卷积神经网络模型的输入特征，对数据流进行异常检测及异常类型识别；专利文件《异常数据识别模型的训练方法及相关设备》中提出一种异常数据识别模型的训练方法及相关设备，通过生成器对正常样本数据和异常样本数据进行模仿处理，生成模拟数据；再基于训练样本数据对生成器和模拟数据识别模型进行第一对抗训练，以及基于训练样本数据对生成器和异常数据识别模型进行第二对抗训练。同时专利《一种物联网异常数据识别方法和系统》中公开一种物联网异常数据识别方法：获取当前时刻所在周期前设定数量的周期内与当前时刻相对应时刻检测设备所发出的数据量，根据其判断本周期检测设备在当前时刻所发出的数据量是否异常；获取当前时刻所在周期前一周期的数据变化模型，利用其预测当前时刻的数据，判断其与当前时刻检测设备所发出实际数据的差值是否大于设定数据差，如果大于，则判断为当前时刻检测设备所发出的数据异常。

3、上述现有技术主要存在几点不足：一是算法实时性低：大部分均在服务器完成，存在异常数据再次传输的问题；二是算法复杂：需要大量其他、或者历史数据支持，造成算法复杂、效率低；三是少考虑异常数据与其他数据的相关性、一致性，造成异常数据识别不全面；同时涉及农业感知异常数据的识别问题的文献也少有提及。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足，提供一种农业异常数据的边缘识别方法、系统、设备及介质，以边缘计算为出发点，解决农业场景中异常数据识别的问题，从不同层面对异常数据进行识别，显著提高异常数据的识别效率，大幅降低识别时间，降低异常数据传输造成的网络资源浪费。

2、本发明第一目的提供一种农业异常数据的边缘识别方法，包括下述步骤：

3、通过感知节点采集农作物感知参数数据，并使用阈值方法对感知参数数据进行异常数据初次识别，得到感知数据；

4、将感知数据上传至汇聚节点并暂存于边缘服务器；边缘服务器随机选取某类感知数据，依据数据类型间的相关性，构造多元数据异常指标函数；

5、边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点，从邻近的感知节点中选取与该类感知数据最相关的两类感知数据，计算综合异常指标对该类感知数据进行本地多元数据异常检测。

6、作为优选的技术方案，所述感知节点由传感器、处理器、通信模块和电源构成；其中传感器数量按照农情数据的实际需求进行设置；所述边缘服务器包括计算单元、数据存储单元、专家系统和通信系统；

7、所述汇聚节点与边缘服务器对应连接，将汇聚节点管辖范围内多个感知节点上传的感知数据暂存于边缘服务器中；

8、所述汇聚节点和边缘服务器分别与云中心进行连接。

9、作为优选的技术方案，所述使用阈值方法对感知参数数据进行异常数据初次识别，得到感知数据，具体为：

10、在采样周期t内，设t时刻感知节点si采集的农作物感知参数数据和分别为感知参数数据de在采样周期t内的最小值和最大值，则de满足阈值范围为：

11、参考传感器的测量限值和采样周期的临界阈值，感知参数数据de在采样周期t内的最大值确定为：

12、

13、其中，e为农作物感知参数数据的类数量，为传感器测量的最大值，为传感器的基本限值，t为采样周期，f(t)为感知参数数据de的均方根误差与采样周期t的拟合函数，根据感知节点si采集的农作物感知参数数据de的历史数据得到；

14、感知参数数据de在采样周期t内的最小值由传感器测量的最小值确定：

15、当de超出阈值范围时，说明在t时刻感知参数数据de存在异常，从中进行剔除，得到感知数据。

16、作为优选的技术方案，所述构造多元数据异常指标函数，具体为：

17、设汇聚节点cn暂存于边缘服务器fn中的感知数据为随机选取某类感知数据作为识别数据di，计算识别数据di与其他类感知数据的相关性系数；

18、选择与识别数据di相关性最大的两类感知数据(dp,dq)，根据多元统计质量控制方法构造多元数据异常指标函数，结合前m个采样周期t内的感知数据，计算多源数据异常指标函数值，表示为：

19、

20、其中，tr为感知数据的类数，ilocal为多元数据异常指标函数值，为前m个采样周期t内dp的均值，为前m个采样周期t内dq的均值，为前m个采样周期t内di的均值，sdp为前m个采样周期t内dp的标准差，sdq为前m个采样周期t内dq的标准差，sdi为前m个采样周期t内di的标准差。

21、作为优选的技术方案，所述计算综合异常指标对感知数据进行本地多元数据异常检测，具体为：

22、边缘服务器en筛选出与识别数据di对应的感知节点邻近的感知节点；

23、若邻近的感知节点和识别数据di对应的感知节点隶属于同一汇聚节点，则边缘服务器fn从邻近的感知节点中选取与识别数据di最相关的两类感知数据，再次计算汇聚节点对应所属范围内的邻近感知节点对应的多元数据异常指标函数值；

24、若邻近的感知节点和识别数据di对应的感知节点不隶属于同一汇聚节点，则边缘服务器fn或汇聚节点，通过通信模块，发送请求到云中心；云中心通知邻近感知节点对应的边缘服务器从邻近感知节点中选取与识别数据di最相关的两类感知数据，计算邻近感知节点的多元数据异常指标函数值并上传至云中心；云中心将邻近感知节点对应的边缘服务器计算的多源数据异常指标函数值发送给边缘服务器fn；

25、边缘服务器fn收集到所有邻近感知节点的多元数据异常指标函数值后，计算综合异常指标，对识别数据di进行本地多元数据异常检测；

26、所述综合异常指标表示为：

27、

28、其中，α、β分别为权重系数，α+β＝1，i1、i2、…、in分别为邻近感知节点对应的边缘服务器计算的多元数据异常指标函数值，n为邻近感知节点的数量；

29、当识别数据di的综合异常指标i＞1时，则识别数据di为异常数据，否则识别数据di正常。

30、作为优选的技术方案，所述数据类型间的相关性还能通过边缘服务器en中的专家系统进行查找，得到与识别数据di相关性最大的两类感知数据(dp,dq)，根据多元统计质量控制方法构造多元数据异常指标函数，计算多源数据异常指标函数值。

31、作为优选的技术方案，所述相关性系数包括pearson系数、spearman系数及kendall系数。

32、本发明第二目的提供一种农业异常数据的边缘识别系统，应用于上述的一种农业异常数据的边缘识别方法，所述系统包括初次识别模块、指标函数构建模块及再次识别模块；

33、所述初次识别模块用于通过感知节点采集农作物感知参数数据，并使用阈值方法对感知参数数据进行异常数据初次识别，得到感知数据；

34、所述指标函数构建模块用于将感知数据上传至汇聚节点并暂存于边缘服务器；边缘服务器随机选取某类感知数据，依据数据类型间的相关性，构造多元数据异常指标函数；

35、所述再次识别模块用于边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点，从邻近的感知节点中选取与该类感知数据最相关的两类感知数据，计算综合异常指标对该类感知数据进行本地多元数据异常检测。

36、本发明第三目的提供一种电子设备，所述电子设备包括：

37、至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，

38、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的一种农业异常数据的边缘识别方法。

39、本发明第四目的提供一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现上述的一种农业异常数据的边缘识别方法。

40、本发明与现有技术相比，具有如下优点和有益效果：

41、1、本发明在感知节点采用阈值方法进行初次识别，在边缘服务器依据数据类型的相关性构建多元数据异常指标函数计算综合异常指标进行再次识别，通过双层异常数据识别机制，从不同层面对异常数据进行局部和全局识别，大幅降低识别时间，降低异常数据传输造成的网络资源浪费。

42、2、本发明采用数据类型间的相关性，构建多元数据异常指标函数，并考虑异常数据与其他数据的一致性及关联性，通过邻近感知节点的感知数据来对异常数据进行综合评估，在边缘计算层对异常数据进行识别，显著提高异常数据的识别效率，提高数据的有效性和准确性。