毕设：温室智能决策系统

下一页知路

493人浏览 · 2026-07-25 12:01:29

下一页知路 · 2026-07-25 12:01:29 发布

温室种植的检测传感器现在有很成熟的体系，我们直接买现成的传感器创新点不够高，所以·我们的创新就要聚焦在算法和运算环境上，以前的算法是固定的，需要人为切换，自动效率低，我们采用本地私有云控制，断电也可以控制算法操作。以前的传感器只是在土壤表层检测，相距也过大。我们采用深层表层合体控制。在温室内环境上也可以进行检测，例如紫外线含量过高，开启遮阳棚。

算法创新：

我们之前提到的深层表层结合算法。我们首先在表层安装合适数量的表层传感器，然后在空缺的位置上填入深层传感器。我们的表层传感器不会干涉到深层土壤检测，深层土壤可以直接反馈检测结果，优先级深层结果大于表层结果。深层出现问题说明土壤的问题比较严重。我们会使用算法将表层和深层的数据进行拟合，查看整块土壤的肥效。

由于深层传感器我们要埋在土壤的中下部位，这里的植物根系比较多，所以我们的深层传感器一定需要低功耗，需要体积小，至少要在种植周期内稳定工作。所以深层传感器我们检测的频率要低于表层传感器。当我们的数据传输到云端之后得到结果，回显示在对应的试验田的检测屏，或者我们可以使用RFID来将数据展示，云端的数据自动传输到RFID上，实验员只需要使用带有接收功能的设备进行查看就行。

还有就是私有云的部署，我们的每一块实验田的算法要求不一样，我们的私有云部署在边缘网管上，再由一个总的本地大模型读取这些小私有云的数据，进行整体的检测，这样分级，一位实验员可以查看自己的试验田数据反馈，一个项目负责人可以查看所有的数据。

还有上位机的展示，由于我们是封闭的环境，数据隐私性较高，我们采用专属的数据分析展示APP，上位机的负责人可以方便查看。

硬件准备：

核心控制板：我们使用stm32作为系统的控制板，esp32作为数据传输的媒介。max485裸板若干，这就需要我们根据试验田的多大进行分析，我的模拟结果是10X10的试验田需要五个表层传感器，四个深层传感器至少。st-link数据烧录，RFID若干，一个试验田需要一个，i2c的oled显示器，蜂鸣器若干。香橙派5 plus+emmc（64G），TTL电平转换模块。

外接硬件：土壤内部检测：表层检测sm2802B传感器，深层检测sen0605传感器。

温室环境传感器：sm1802空气湿度传感器，scd41-rs485二氧化碳传感器，ze08-nh3-rs485氨气传感器，sm3560光合有效par传感器。

执行机构（本地大模型控制）：8路光耦隔离继电器（抗工业干扰），12v营养液电磁阀，L298N驱动板+直流减速电机，双路mos管pwm调光模块（红蓝光独立无极调节），660nm红光灯珠+450蓝光灯珠，环流电机，12V水帘电机。

硬件组装：硬件分工：suart1+max485 构成浅层土壤传感器；usart2+max485 构成深层土壤传感器；usart3：stm32<—>香橙派；usar4：stm32<—>esp32（上传云端）；usart5：外接rfid读卡器（刷卡就可以调出存储的历史数据，在oled显示器上显示）。

数据传输：

首先要明确，从一开始我们就不是单一大棚的数据检测，如果是这样就有点没挑战性。我们的毕设里至少要达到三个温室，这里我们直接采用是三个温室。所以我们需要的清楚，香橙派的数据采集及分析构成的大模型是温室内的大模型，我们还需要一个中央大模型控制所有温室大模型，看到所有温室的大模型的操作日志，数据库内容。

我们采用本地mqtt自建栈，让所有的大模型都连接到本地局域网，保证我们的数据安全和数据传输的稳定。我们三个香橙派分别安装在三个温室大棚，它们各自负责一个温室数据大棚的大模型。最后的终端大模型我们采用个人pc（GPU4090左右），上位机的操作员可以进行数据总览，还可以查看所有的数据和操作日志。

香橙派我们直接接受大棚内传感器的数据，由esp32进行传输，整合存储在温室的数据库里。

大模型训练：

我们采用的大模型不是简单的对话式大模型，这样的大模型会由于对话时间的过长产生幻觉导致我们的大模型分析错误，做出错误指令。我们采用本地的温室大棚规则，有经验的实验员的各种问题经验来训练，这样我们的大模型可以大大减少幻觉到没有，训练的越多幻觉越少。

在大模型的训练中实验员可以自己设置可信度和阈值的设置。这样再加一个保障，我们的大模型出错概率直线下降。在可信度高的时候，实验员会收到大模型默认进行的操作指令，可信度中的时候，大模型的所有操作都需要实验员进行审核，可信度低的时候所有操作都需要实验员自己进行，大模型不具有任何权限操作。

增加阈值和可信度再由厂家自己的规则和员工经验训练，我们的单个大棚的大模型就会具有较高的可执行度，几乎不会犯错。同时我们采用回流操作，大模型可以将之前可信度低的例子进行保存，实验员对应的审核和操作都会由大模型自动存储，作为下一次的指令。一个月进行一次回流操作，每次回流的例子和大模型根据错误生成的新指令，都会有实验员核对之后再进行存储，减少大模型自己盲目回流导致的错误例子蒸馏，导致下一次相同错误的复现。这样我们的大模型才能越来越智能。

{
  "timestamp": "2026-07-25 14:30:00",
  "greenhouse_id": "A",
  "trigger_event": "深层土壤含水量_10分钟均值 < 22%",
  "context_snapshot": {
    "deep_moisture": 21.5,
    "surface_temp": 28.3,
    "forecast_next_2h": "无雨"
  },
  "model_output_raw": {
    "action": "灌溉",
    "params": {"zone": "A区滴灌", "duration_min": 15},
    "confidence": 0.94
  },
  "final_decision": "自主执行",
  "post_action_feedback": {
    "deep_moisture_after_30min": 28.1,
    "effectiveness": "达标"
  },
  "refined_insight": "当前气候条件下，A区深层含水率下降至22%时触发15分钟滴灌，可在30分钟内恢复至28%左右，响应曲线正常。"
}

上位机的终端大模型回检测所有温室大模型。上位机大模型可以查看温室大模型的数据库，指令集，操作日志，有哪些违规操作，错误指令，错误用例被蒸馏保存。上位机不只是简单的数据汇总分析，负责人可以在上位机上·看到任意温室大模型，还具有最高的控制权限。上位机就是智脑控制所有温室的系统。但上位机的使用需要两名人员进行操作，由于权限问题，实验安全至上。