回顾虾养殖使用精密农业物联网启用

文摘

虾和虾的需求是世界上非常高的以及当地市场。国家长期沿海地区适合虾养殖。在印度喀拉拉邦是这样一个状态。保持良好的水质是成功虾养殖的一个重要因素。本文主要着重于寻找最佳模型,准确预测水质。在回顾很多报纸,看到LSTM方法和稀疏AutoEncoder比其他模型更准确地预测。

关键字

LSTM;格勒乌;深度学习;整体学习。

介绍

印度拥有8118公里的海岸线和喀拉拉邦有580公里。国家以及国家的虾养殖产业的增长,具有行业。这使得印度重要的外汇。虾养殖的成功主要取决于水的质量以及高质量的种子。水的质量是由各种参数如浊度,水温、溶解氧、盐度、pH值、土壤性质、土壤养分等。通过连续监测的池塘里我们可以取得良好的收益。大部分虾喀拉拉邦的农民手工监测水质。他们依赖实验室检查pH值、盐度等。

这是非常耗时的,通常他们每周执行这种检查1]。通过这次有机会环境可能影响虾的健康和成长。所以需要自动连续实时监测是必不可少的得到良好的收益。

这是一个审查论文,我看到了一些论文提出的方法连续监测水和预测各种水质参数的值。这个预测的值将帮助农民采取必要的预测措施。本文分为四个部分。第一部分介绍。第二部分文献综述提到。结论是作为第三部分。最后一节列出的参考资料。

文献综述

实时监控环境的因素是非常重要的水产养殖和稻田耕作。所以他们嵌入式系统用于监控和控制环境参数的情况。他们使用了单片机,ArduinoUNO Atmega328 IC,覆盆子π(第三代模型B是用于他们的项目)和许多传感器和致动器。他们研究Pokkali字段的情况,在Alappuzha流行,喀拉拉邦,米饭和虾或者培养。虾养殖管理监控溶解氧的量和博士为水稻种植他们监视的PH值,土壤水分和温度,他们完成通过使用以下五个不同的传感器,用于测量温度、湿度PH值、土壤水分和浊度。他们用Arduino软件程序的单片机。他们选择Python作为编程语言。

虾农场的生产力可以增加通过使用一个水下监测系统,分析了水下情况,以提供智能喂养和水质控制。他们在台湾实施系统。根据他们使用传感器,不是检查不足虾的生长和健康状况。所以他们提出了一个与图像除雾技术监测系统获得清晰的图像。他们用人工智能图像处理技术(2]。对象检测技术用于识别对象。它也承认池塘底部的剩下的食物。

步骤:收集池的情况作为图像,通过相机从水质传感器和水质数据。从池子里的水是浑浊的图像从相机可能是雾蒙蒙的。所以他们执行对象除雾得到清晰的图像增强方法。他们依靠波长补偿和dehazing。之后,他们进行人工智能图像识别包括增长和数量和数量的剩余食品的认可。他们用快速R-CNN方法。图像和传感器数据上传到应用程序和数据处理提供实时接口使用。随着智能喂养他们可以提供决策,智能污水,也异常状态决定。

sparse-Auto编码器用于提取特征数据LSTM之前。最初他们美联储传感器数据和气象数据预处理器(3]。有缺失值和执行规范化。标准化使梯度下降更快,轮流给更预测精度。美联储下一步他们规范化数据稀疏汽车编码器。多维的隐藏层和稀疏的激活值从SAE LSTM。训练数据,直到误差下降到一个特定的水平或迭代数。使用训练样本来测试新值来预测做的水。他们收集的数据每10秒连续20天。他们测量,水温、氨氮含量、和博士也测量大气湿度、大气压力、大气温度和风速。他们比较的结果做预测与稀疏汽车编码器+反向传播神经网络模型中,单一的长时间的短期记忆模型,简单的反向传播神经网络模型、稀疏汽车编码器+长期短期记忆模型。

他们预测内容在3小时,6小时和12小时。他们发现,随着时间的增加预测精度降低(图1)。但稀疏的预测精度汽车编码器+长期短期记忆模型比其他三个模型预测尤其是考虑到12小时。

为了测试他们使用的预测精度平均绝对误差(MAE)、均方误差(MSE),平均绝对百分比误差(日军)和均方根误差(RMSE)。他们得出的结论是,即使使用SAE和比使用单一LSTM LSTM消耗更多的时间,但是,当错误是有关方法比单独的LSTM相结合。相似的结果也可以发现SAE和摘要。所以他们证明,使用稀疏汽车编码器将提高预测精度。作者研究了使用物联网发展现场水质分析。他们使用一个浮动的热煤与必要的董事会和浮标传感器实时收集数据(图2)。

他们收集溶解氧、温度、湿度、酸碱度、二氧化碳,和土壤水分利用传感器和发送重火力点云在每次阅读,ESP8266的帮助下。水的污染是估计使用多个传感器使用相关系数之间的相关性值。本文比较了RNN的性能,LSTM和格勒乌在预测在池塘里。评价是进行基于均方误差,平均绝对误差、平均绝对百分比误差,确定系数。LSTM和格勒乌RNN的变体。他们收集、温度、pH值、NH和浊度使用一个集成PLC控制箱。离群值是通过六个相邻数据的中位数固定。

整个数据分为训练集和测试集,训练集包含5040个35天的数据。1天的测试数据包含150年的数据。他们的模型是为了预测在提前一天。作者使用数据集,包括从两个虾池塘溶解氧读数。一个池塘是大,是在户外。另一个是小,覆盖。都有相同的深度和内衬塑料。他们栽培虎虾在池塘。他们YSIEXO2多参数传感器探头用于做阅读15分钟间隔。传感器自动采样和数据发送到CSIRO Senaps数据平台。 They used 70% data as a training set and 30% data as test set. They investigated the performance of Support Vector Machine, Neural Networks and Linear Regression.

作者总结他们的论文指出以下几点:

•该系统预测溶解氧提前使用多个时间戳与其他方法相比,显示了更好的性能。

•随着时间戳的增加,之前的数据量是巨大的。

•他们预测没有考虑其他参数如温度、盐含量、风速度、pH值等。

讨论

作者提出了一种新的基于深LSTM水质预测方法的学习网络。在这里他们预测水pH值和温度(4]。作为第一步,他们把噪声和错误的数据从传感器使用线性插值,平滑和平均滤波方法。作为第二步他们发现各种水质参数之间的相关性pH值、温度、等。最后一步使用LSTM他们建造了一个预测模型。结果反映了一个事实,短期预测比长期预测更准确。

作者进行了实验在海南海水养殖基地,中国。由于不稳定,老化或损坏的传感器设备和网络问题会发生数据丢失。在预处理他们重建缺失值使用线性插值方法(5]。使用移动平均滤波器去噪实现。皮尔逊相关系数的帮助下他们发现公司水质参数之间的关系。

结论

水的质量是非常重要的在虾养殖。从论文综述,据悉,如果一个模型,该模型可以预测水使用不同参数的质量,农民面临的情况可以采取必要的行动。使用传感器我们可以收集实时数据如溶解氧、温度、盐度、pH值、浊度等。然后预处理数据删除丢失数据和异常值。预处理有很大作用,预测模型的性能。从我们来看,使用稀疏汽车编码器给出比实现单一LSTM和其他模型更准确的结果。使用传感器数据和图像提出了监控虾的生长。他们用R-CNN模型。当比较RNN, LSTM格勒乌,发现LSTM和格勒乌执行几乎相似。整体预测是另一个方法,预测未来做多个步骤与误差最小,但随着步骤的增加,数据量也增加。而且他们认为只有溶解氧预测。 Water quality is not only dependent on DO, and also DO is dependent on temperature, pH, salinity etc. From the papers reviewed it has been seen that LSTM with sparse Auto Encoder gives more accurate prediction with time series data.

引用

1. Sneha PS, et al。”自动监测和控制养殖虾类和稻田基于嵌入式系统和物联网。“IEEE。2017年,516年
2. Graslund年代,et al。”化学药品和生物制品用于东南亚虾养殖,和对环境的潜在影响:一个回顾。“总环境科学。2001;280:93 - 131。
3. 迪•莱特纳DV。“虾农业生物安全:病原体排斥通过使用防晒指数股票和常规监测。“J世界Aquacul社会发生。2005;36:229 - 248。
4. Holmstrom K, et al。“虾养殖和抗生素的使用对环境影响和人类健康的影响。“Int J食品Sci抛光工艺。2003;38:255 - 266。
5. Shameem MI, et al。”当地的认知和适应气候变化和变化:虾的情况下在孟加拉国的沿海地区的农业社区。“气候变化。2015;133:253 - 266。