一、产品简介： 本系统由传感节点、控制节点、中继节点、网关、基站、现场监控终端、本地监控终端及远程监控终端（包括远程监控中心、客户监控终端、便携式移动监控终端）等组成，采用以无线传感器网络（Wireless Sensor Networks—WSN）为核心的物联网对诸如鸡、猪、奶牛等畜禽设施养殖环境进行监控。 本系统根据畜禽设施养殖需求，采集畜禽室内环境温度、湿度、照度、有害气体浓度或/和二氧化碳气体浓度、硫化氢气体浓度、氨气气体浓度等参数，以及畜禽室外环境温度、湿度、照度、风速、风向等参数，以多跳路由方式无线自组网、路由传输到无线传感器网络基站；无线传感器网络基站处理及存储网络数据，并根据畜禽室内环境信息控制排风扇、水帘、喷淋设备、照明灯和加料设备等执行设备，调控畜禽室内环境；无线传感器网络基站又与本地监控终端和远程监控终端进行通信交互，各监控终端向用户实时提供监测数据以及执行装置的工作状况，用户还能通过监控终端远程控制监控现场执行设备的工作。 本系统还能扩展采集、传输图像、视频和语音信息。系统能进行室内参数超限和室外自然灾害（极端气候）应急报警，并且系统各监控终端具有智能决策功能，人机操作界面采用层次结构，数据及状态显示多样。本系统能实现设施畜禽业技术、生态修复技术、健康养殖技术的有机融合，对畜禽室内环境进行综合监控与修复，改善畜禽养殖环境，使畜禽在适宜的环境下生长，增强畜禽的抗病能力，减少和避免大规模病害的发生，并且能实现畜禽产品溯源与质量安全控制， 有效提高畜禽产品的产量和质量。系统实时性强、稳定性好、可靠性高、成本低、安装维护使用方便。 本系统产品获授权国家发明专利 4 项、实用新型专利 3 项、软件著作权登记1 项和外观设计 1 项，并获江苏省农业装备产品推广资质证书。本产品经部省级组织专家鉴定，其成果达到国际先进水平。产品系统架构及部分产品实物如图1～图 7 所示。 图 1 畜禽设施养殖物联网系统架构 图 2 无线温室采集器     图 3 单通道无线控制器 图 4 8 通道无线控制器 图 5 WSN 基站 图 6 8 通道采集控制及现场监控终端 图 7  物联网远程监控终端 二、主要功能和性能指标 主要功能指标： （1）能实现畜禽室内环境温度、湿度、照度、有害气体浓度或/和二氧化碳气体浓度或/和硫化氢气体浓度、氨气浓度以及畜禽室外环境温度、湿度、照度、风速、风向等参数数据的采集、处理、传输、存储、显示及远程无线网络化监控、决策和管理。 （2）能根据多媒体信息、各种标量信息及内建的专家数据库，协助用户明确问题，构建和修改完善模型，列举可能的方案，然后在多方案、多目标、多准则的情况下加以自动比较、分析、综合处理和优化，以完成所需的决策和估计任务，即选定和实施最佳方案。 （3）无线传感器网络的无线信号绕射性强、分布性强、实时性强、自组织性强、扩展性强、鲁棒性强、带宽效率高。 （4）能根据不同畜禽、各种季节对畜禽室内环境指标的要求，通过监控终端自行设定温度、湿度、照度和有害气体浓度或/和二氧化碳气体浓度或/和硫化氢气体浓度、氨气浓度等环境参数的采集时间和监控范围，并且能通过监控终端远程控制监控现场执行装置的工作以及进行相应的状态显示。 （5）能够根据畜禽设施养殖室内环境要求自适应控制畜禽室内相关设备如：排风扇、水帘、喷淋装置、照明灯和加料装置的开启和关闭，使畜禽一直保持在相对适宜的温度、湿度、照度和有害气体浓度或/和二氧化碳气体浓度或/和硫化氢气体浓度、氨气浓度等参数环境中。 （6）除能检测和/或控制畜禽室内环境温度、湿度、照度、有害气体浓度或/和二氧化碳气体浓度或/和硫化氢气体浓度、氨气浓度等畜禽室内环境参数以及设施畜禽室外环境温度、湿度、照度、风速、风向等参数外，还能扩展采集、传输图像、视频和语音信息以及扩展畜禽产品溯源与质量安全控制，并能进行温室内参数超限和温室外自然灾害（极端气候）应急报警。 （7）能对实时测量的所有参数数据及其融合数据进行实时处理、实时绘制曲线及表格，并能实现虚拟现实的实时显示； （8）能进行历史采集数据查询、表格及曲线绘制、报表统计、打印。 （9）能实现设施畜禽业技术、生态修复技术、健康养殖技术的有机融合， 对畜禽室内环境进行综合修复，增强畜禽的抗病能力，减少和避免大规模病害的发生，从而有效提高畜禽产品的产量和质量。 主要性能指标： （1）环境温度、湿度和照度的测量量程、精度、灵敏度（或分辨率）为： 温度测量指标： 量程：-20℃～70℃；精度：示值误差不超过±0.5℃(温度范围 0℃～55℃)， 示值误差不超过±1.0℃(其余温度范围)；灵敏度：0.5mV/℃。 湿度测量指标： 量程：0％RH～95％RH；精度：示值误差不超过±4%RH(湿度范围 20％RH～ 80％RH)，示值误差不超过±5%RH(其余湿度范围)；分辨率：0.5％RH。照度测量指标： 量程：0 lx～40000 lx；精度：示值误差不超过±5% rdg。有害气体浓度测量指标： 量程：0 ppm～100ppm (典型探测范围：0～30 ppm)；精度：示值误差不超过±0.5 ppm；灵敏度：0.15～0.5。 （2）智能决策选择熟练度≥ 95%。 （3）智能决策学习熟练度≥ 95%。 （4）智能决策制定精确度≥ 98%，其中关键智能决策制定精确度 100%。 （5）WSN无线通信频段：433MHz ISM/SRD。 （6）模拟信号输入/输出接口：4mA～20mA、0～10mA 、0～5V、0～5V。 （7）数字信号输入/输出接口：I/O、UART、RS-485、RS-232、开关量、频率量。 （8）网卡接口：RJ45。 （9）WSN节点工作温度：-20℃～70℃（其中 WSN 中继节点和 WSN 网关工作温度：-40℃～85℃）。 （10）WSN基站工作温度：-40℃～85℃。 （11）WSN节点和基站系统工作湿度：≤95%RH。 （12）WSN供电电压：AC 150V～265V、50Hz。 （13）WSN各节点、网关防护等级：IP65 或 IP55。

面向物联网研制一类适合无线传感网络环境下使用的智能家居无线控制系统，该系统基于Zigbee协议，远程控制家居生活中的各类电器设备，还可对房间中的烟雾进行检测和报警（自动拨打设定电话）。

项目成果/简介:数据采集技术可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。多模态传输技术LPWAN (Low-Power Wide-Area Network，低功率广域网络)在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。       LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。最具前景的LPWAN技术——NB-IoT和LoRa：物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。LoRa （Long Range）:   一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。数据分析技术人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试

针对传统稻麦生长监测不高清、传感单一化、数据气象化、功能同质化、系统孤岛化、研用离散化、服务被动化等问题，创新部署了基于新一代物联网的稻麦产业科技信息服务系统。

采用层次化、模块化设计，整个系统由数据采集控制模块、数据传输系统、自动反馈系统和显示系统组成。服务器整合数据存入数据库，采用大数据分析技术建立专家系统， 并以此作为自动调控的标准。在自动反馈系统里采用三级自动控制技术，分别是单片机控制的模块级、嵌入式网关级和服务器级，三者相互独立，互为保险，并且均可以根据实时环境状况做出调节，并自动下达控制指令。显示系统由三部分组成，一是位于农业现场的显示屏，二是 PC 终端，三是基于安卓系统的移动终端，从而实现环境参数值的实时观测和控制，并实时指导农业生产。系统可

研究提出了一种测量环境数据的新思路，即通过“机会感知（opportunistic sensing）”的策略，从原本与环境监测无关的安防摄像头所拍摄到的视频中，提取实时的降雨信息。该研究团队利用计算机视觉技术，开发出了一种降雨视频雨纹提取和分割算法，结合几何光学和雨滴谱特征分析，实现降雨量的高频定点估算。

物联网可视化连接，大数据分析

集数据预处理、模型训练、预测、评估为一体的一站式大数据智能分析挖掘平台，提供丰富的大数据教学资源，交互式图形接口及高质量的算法库，满足高校在大数据分析教学、实验、科研等典型场景的应用。

该平台通过X-LAB数据采集与分析软件、测控中心、传感器组件、应用模块四大部分组合，为大学物理、光电技术、电子技术、传感器技术等相关专业实验实训教学、课程设计、毕业设计、学科竞赛、课外科技创新活动等，构建工程创新实验实训体系。