基于LoRa无线自组网络的森林地表含水率监测系统.pdf

《基于LoRa无线自组网络的森林地表含水率监测系统.pdf》由会员分享，可在线阅读，更多相关《基于LoRa无线自组网络的森林地表含水率监测系统.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911066518.4 (22)申请日 2019.11.04 (71)申请人 东北林业大学 地址 150040 黑龙江省哈尔滨市香坊区和 兴路26号 (72)发明人 于营李行辉雷伟东巩银磊 邢键 (51)Int.Cl. G05B 19/042(2006.01) G01D 21/02(2006.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于LoRa无线自组网络的森林地表含水率 监。

2、测系统 (57)摘要 本发明是基于LoRa无线自组网络的森林地 表含水率预测系统， 属于森林监测与含水率预测 领域。 本发明涵盖了两个系统及一种通讯方式， 其中包括传感器数据采集系统， 终端显示系统以 及LoRa数传通讯方式。 同时， 在通讯方式上形成 自组网络， 全面覆盖林场监控。 数据采集终端采 用高精度的环境传感器， 通过测量林场温度、 湿 度、 风速及气压预测其地表凋落物含水率。 所应 用技术包括STM32单片机控制系统、 LoRa数传通 讯配置及组网、 显示终端设计等。 权利要求书1页 说明书5页 附图4页 CN 110824987 A 2020.02.21 CN 110824987。

3、 A 1.基于Lora无线自组网络的森林监控及防火预测系统， 本发明专利包括电源模块、 传 感器模块、 MCU控制模块、 LORA无线自组网络、 远程服务器、 Labview显示终端， 其特征在于通 过传感器采集各类森林环境因子数据， 经过MCU初步处理数据， 其次通过LORA无线自组网络 将数据传输至远程服务器终端， 服务器利用神经网络算法对数据进行加工处理并预测含水 率， 最后在显示终端显示。 2.如权利要求1所述的LORA无线自组网络， 所述的LORA为AS32-TTL-1W， 其特征在于： 功 率大、 传输距离远。 所述的自组网络为足够多的基点构成网络实现对森林的全覆盖且可以 根据环境。

4、改变基点位置和数量， 为了确保传输距离足够远， 在网络中还加入了中继模组， 所 述的中继模组由2个LORA米快和STM32F103ZET6组成， 将多个基点的LORA信道与其中一个 LORA相同， 这个LORA就可以接受多个LORA传输的数据然后将数据传给MCU， MCU将这些数据 存起来再将数据依次传给另外一个LORA确保数据不丢失， 最终由LORA将这些数据传给远程 服务器。 权利要求书 1/1 页 2 CN 110824987 A 2 基于LoRa无线自组网络的森林地表含水率监测系统 技术领域 0001 本发明专利属于森林地表可燃物含水率实时监测领域， 主要涉及森林地表气象因 子的采集与。

5、地表可燃物含水率的监测， 可用于预防或及时发现森林中的火灾隐患并作出提 前预警。 背景技术 0002 森林火灾是一种突发性强、 破坏性大、 处置救助较为困难的自然灾害。 为了预防深 林火灾的发生， 我们可以通过检测森林气象因子从而了解森林里的火灾隐患。 0003 森林火灾发生的条件为可燃物、 火险天气及火源， 本发明通过监控森林环境因子 来判断是否成为可燃物， 从而给出火险预测等级。 0004 基于高精度的环境传感器， 以及具有低能耗高传输距离的LoRa数传技术， 可以实 现对森林环境因子的远距离实时监控。 0005 本技术的目的在于克服上述现有技术存在的缺陷， 提出了一种基于LoRa低功耗自。

6、 组网的无线传感器系统， 用于实时监控森林环境气象因素并通过远程服务器终端人性化显 示森林气象数据。 解决了现有森林无线通信系统在恶劣天气下网络信号差、 传输距离近且 无法续航的技术问题。 0006 目前的被广泛运用的数据数据传输手段依旧为GSM数传系统， 这种传输方式不但 受限于信号的接收范围， 而且会产生一定的费用， 因此可以看到其并不适用于林场内的数 据传输， LoRa数传可以自行组网， 远距离高效传输， 且其工作于国家免申请频段， 无传输费 用， 非常适用于林场内的数据传输。 发明内容 0007 为实现上述方案， 本发明采取的技术方案为： 0008 一种基于LoRa的无线传感器通讯系统。

7、， 传感器系统终端包括： STM32F103ZET6开 板， 其上连接的BME680温湿度气压传感器模块、 风速传感器模块、 SKG12A高精度GPS定位模 块、 AS32-TTL-1W无线串口传输模块等。 服务器终端为Labview编写的人性化气象因素显示 程序， 当森林中某项数据出现异常情况时， 程序会及时的给出报警信息。 0009 其上所述的STM32F103ZET6单片机开发板， 其可工作在-40至+105的温度范 围， 供电电压2.0V至3.6V， 普通锂电池即可为其供电， 一系列的省电模式保证了低功耗应用 的要求。 0010 其上所述的BME680温湿度气压传感器模块， 温度测量范。

8、围从-40至85， 气压测 试范围从300至1100hpa， 响应频率默认3秒每次。 在单片机的1.5分钟的数据采集模式内， 大 约可以采集45组数据。 0011 其上所述的SKG12A高精度GPS定位模块， 具有高灵敏度、 低功耗、 小型化、 其极高追 踪灵敏度大大扩大了其定位的覆盖面。 0012 无线传感器终端供电电池采用了2000mAn锂电池， 单片机每0.5个小时采集一次数 说明书 1/5 页 3 CN 110824987 A 3 据， 每次采集数据共采集1.5分钟， 其余时间单片机工作于低功耗睡眠模式下。 低功耗模式 下， 1.8V供电区域被断电， 供电电流仅为2 A， 通过定时闹钟。

9、中断唤醒MCU进入数据采集模 式。 0013 其上所述的LoRa低功耗无线串口模块AS30-TTL-1W， 其是一款433MHz， 1W， 具有高 稳定性， 工业级的无线数传模块。 采用射频芯片SX1278设计开发， LORA扩频调制且可多对一 组网。 0014 LoRa自组网通讯网络， 森林中多个LoRa无线传感器终端形成自组网通讯网络， AS32-TTL-1W模块可进行自动中继， 增大传输距离。 0015 所述的远程服务器， 利用BP神经网络对实测的森林环境因子数据学习预测， 得到 森林地表可燃物的含水率， 然后将这些数据传送给显示终端。 0016 所述的显示终端， 包括地图显示、 森林环。

10、境因子显示、 含水率显示、 火灾发生可能 性显示。 附图说明 0017 图1是本发明中系统整体结构框图 0018 图2是本发明中无线传感器端程序运行结构框图 0019 图3是本发明中远程服务器端程序运行结构框图 0020 图4是本发明中BME680温湿度气压采集模块原理图 0021 图5是本发明中SKG12A定位模块原理图 0022 图6是本发明中自组网络模拟图 0025 图7是本发明中人工神经网络结构图 具体实施方式 0026 以下结合符合和具体实施案例， 对本发明的目的、 技术方案和技术效果作进一步 详细描述。 0027 参照图1， 本发明包括MCU嵌入式芯片、 GPS定位模块、 LoRa。

11、数据传输模块、 外围设 备、 电源模块、 Labview显示终端。 无线传感器终端由MCU嵌入式芯片控制， GPS定位信息、 外 围传感器信息由LoRa传输模块发送； 电源模块用于给嵌入式芯片、 定位模块、 数据传输模块 及外围设备供电； LoRa通信模块与其他系统的LoRa通信模块通过自组网连接。 0028 MCU嵌入式芯片工作流程是： 无线传感器端开启后进入自动运行模式， 每2个小时 采集1次数据， 并通过LoRa传输模块实时传输传感器数据和GPS定位信息。 远程服务器端可 通过发送特定指令改变无线传感器端的运行模式， 使其持续开启或保持睡眠， 通过GPS定位 信息确定无线传感器模块位置。。

12、 LoRa传输模块若无法直接与服务器端通信， 则会通过就近 的 LoRa模块进行中继转发， 直到与服务器端取得联系为止。 0029 中央控制器芯片采用STM32F103ZET6， 其具有IIC、 SPI、 USART等接口， 并具有低功 耗运行模式， 满足本发明所有要求。 0030 温湿度气压模块选用BME680系列芯片， 其是一款高精度低成本空气检测模块， 具 有体积小、 串口通信格式、 直接输出直观数据等特点。 其具有USART和IIC两种通讯方式， 可 根据MCU上外围接口使用情况适当选用。 说明书 2/5 页 4 CN 110824987 A 4 0031 GPS定位模块选用SKG12。

13、A， 相较于其他定位模块， 此型号定位模块定位精度和灵敏 度高， 且功耗小， 在普通GPS接收模块不能定位的地方， 如在一些狭窄都市天空下、 密集的丛 林环境中， 定位精度可达到2.5m， 温启动下首次定位时间仅为2-3s。 0032 LoRa数据传输模块选用AS32-TTL-1W， 其具有四种工作状态， 并可以在运行时自由 切换， 这也实现了可以远程控制无线传感器终端。 省电工作状态下， 消耗电流仅为1.5 A， 非 常适合超低功耗应用。 在无线传感器终端自动运行模式下， LoRa工作于一般模式， 此时LoRa 可进行数据的传输与中继转发， 功耗较高。 当数据发送完毕后， LoRa会自动更改。

14、为睡眠模 式， 此时功耗最低， 当有数据需要发送时或有其他LoRa的数据需要转发时， 此LoRa会被唤 醒， 进入一般工作模式。 0033 采集终端程序的具体工作流程为： 首先初始化各环境因子的数据储存器及所有应 用外设， 低功耗定时器同步启动， 开始计时1.5分钟， 进入循环后， 串口2与IIC也同步开始工 作， IIC与环境传感器连接， 串口2与GPS模块连接， 各环境因子数据采集完成后， 通过指定函 数对数据重新封装， 并标记装置序号。 GPS数据选取其本设计所需要的经纬度及海拔进行重 新封装。 最后， 串口3连接LoRa数传芯片， 封装好的数据经串口3进行无线传输。 0034 其采集终。

15、端程序运行原理基本一致， 其区别在于各装置序号不同， 用于区分 0035 LoRa无线自组网络是由多个LoRa基点和LoRa中继构成， 足够多的基点能够实现对 森林面积的全覆盖， 确保能够监测整个森林， 而且为了让数据传输的距离足够远且传输过 程中数据不丢失， 在基点上面又加了中继转发， 中继的LoRa能够接受多个基点发送过来的 数据并存储， 然后将这些数据一组一组的通过另外一个LoRa转发出去。 0036 LoRa中继站可置于高处， 以便于LoRa信号的传输。 LoRa中继站的供电方式可分为 两部分， 一部分为原始的锂电池供电， 另一部分可以设置太阳能发电， 由于其置于高处， 可 以充分接触。

16、太阳光， 因此可以利用太阳光的能量为其持续蓄能。 0037 LoRa中继站采用与主采集装置一样的中央处理器， 其外设部分仅有两片LoRa数传 芯片， 分别用于接收和发送数据。 0038 LoRa中继站在不接收数据的情况一直处于休眠模式， 只有在接收数据的时候会被 唤醒， 这样保证了其可以最大限度的节省电量。 0039 LoRa中继站程序工作流程为： 初始化接收与发送LoRa外设， 初始化数据存储器， 这 也是中继最重要的一个存储器， 其作用在于当数据发送LoRa发送不及时时， 可以以队列的 方式储存后续接收的数据， 防止数据丢失。 当数据接收LoRa接收到数据时， 其内部会产生一 个中断， 此。

17、中断可唤醒单片机的休眠模式， 使其进入数据转发状态。 0040 显示终端是利用Labview编写程序显示各个基点在百度地图里的位置、 温湿度的 变化、 大气压强、 风速风向变化、 火灾发生可能性以及发生后的蔓延趋势 0041 在服务器数据接收端， 通过Labview编写整个终端显示程序， 接收天线使用的是一 个高功率高收益的接收天线， 通过一根串口线接到电脑的USB接口上。 0042 Labview程序显示端工作流程是： USB端口接收的数据通过VISA资源存储， 之后首 先进行前3位数据的判断， 判断其是GPS信息或是数据采集信息， 进而做不同的处理。 0043 当证明是GPS信息后， La。

18、bview会将其处理为百度地图所能识别的信息， 并将其转 发至百度地图的API接口， 最终就可以在百度地图上看到此点的位置。 0044 当证明是数据采集信息后， 首先会进行判断其装置序号， 然后将其交付给不同的 说明书 3/5 页 5 CN 110824987 A 5 循环显示， 通过字符串偏移量区别不同种类的传感器数据， 并绘制实时曲线图， 同时将数据 导入到Excel中， 以便查看历史数据。 0045 传感器的数据为环境数据， 处理方法如下： 0046 运用Van Wagner模型(Van Wagner， 1968)， 其表示如下： 0047其中， Tf和Ta分别代表地表凋落物温度和气温(。

19、)， K表示向下 的阳光辐射照度(Wm-2) ,Uf代表风速(m/s)， a为取决于叶片类型的参数， 如松林为 0.035m2W-1， 山杨林是0.028m2W-1 0048 同时我们在Labview神经网络算法， 用于通过传输的传感器数据预测其含水率， 由 于神经网络算法需要计算时间， 并不能以接收数据的速度处理数据， 因此我们引入了长队 列的方法用于解决这个问题。 0049 远程服务器主要是利用MATLAB编写的BP神经网络算法对实测的数据进行学习训 练， 然后得出预测出的含水率。 0050 人工神经网络的搭建与训练过程， 确定训练网络样本： 由森林地表死可燃物的特 性可知， 地表死可燃物。

20、的含水率会受到林间温度、 林间湿度、 林间风速、 林间大气压强这4个 森林间环境因子的影响， 这4个因子便是网络输入样本，“森林地表死可燃物含水率” 便是网 络训练的输出样本。 通过林间监测获得大量数据， 构成训练样本。 假设训练样本为300对， 其 中输入样本为X， 数据规模为4300的矩阵。 由于量纲不同， 要先对数据进行归一化处理。 0051 确定网络的初始参数： 最大训练次数为50000次， 隐含层(中间层)神经元数量为 8， 确定网络学习的速度为0.035， 训练的目标误差为0.0110-9。 0052 初始化网络权值和阈值： 确定第一层和第二层的权值wij(t)为84的随机数矩阵；。

21、 第二层的神经元阈值Bij(t)为81的矩阵； 同理， 第二层和第三层之间的权值wjk(t)为18 的随机数矩阵； 同理， 第三层阈值Bjk(t)为11的矩阵。 0053 计算各层神经元的输入和输出： 第一层神经元放置的为线性函数， 即为f(x)x， 所以网络第一层输入和输出等于实际输入样本的值， 即I1O1X， 也是一个8300的矩阵； 对于第二层神经元输入： I2wijX+Bijones， 假设第二层的神经元激励函数为单极S型函 数， 即为则第二层神经元的输出：第三层输入： I3wjkO2+ Bjkones， 第二层的神经元激励函数为线性函数， 即为f(x)x， 则第三层输出： O3I3。。

22、 0054 计算能量函数以及各层间的权值和阈值调整值： 能量函数E(Y-O3)2； 第二层到第三层之间权值和阈值调整量： 权值调整量： 阈值调整量： 计算第一层与第二层之间权值和阈值调整量 权值调整量： 说明书 4/5 页 6 CN 110824987 A 6 阈值调整量： 0005 计算调整之后的权值和阈值： 把t时刻的各层次的权值和阈值加上各自调整量赋予t+1时刻的权值和阈值 0056 网络输出值的还原： 由于在之前训练网络时， 输入和输出样本对都经过了归一化 处理， 所以需要进行反归一化处理将O3还原为原始数据的量级。 0057 作为本发明的一种优选技术方案： 所述数据分析处理与显示模块。

23、中， 远程服务器 利用人工神经网络的算法对数据进行分析处理， 具有较高的数据处理速度和一定的自适应 性， 能更准确高效地得到森林地表含水率。 0058 上面对本发明的实施方式作了详细说明， 但是本发明并不限于上述实施方式， 如 在农业种植监督方面同样适用。 说明书 5/5 页 7 CN 110824987 A 7 图1 说明书附图 1/4 页 8 CN 110824987 A 8 图2 图3 说明书附图 2/4 页 9 CN 110824987 A 9 图4 图5 说明书附图 3/4 页 10 CN 110824987 A 10 图6 图7 说明书附图 4/4 页 11 CN 110824987 A 11 。