超级会员免费看
智能农业与无人机物联网安全：创新解决方案与性能分析
1. 神经网络训练与优化
在神经网络训练过程中，由于初始权重、验证、偏置值、训练数据划分以及样本测试集的不同，每次训练都会产生不同的解决方案。同样，针对相同难度训练的多个神经网络，在输入相同时也会提供不同的输出。为保证神经网络训练的正确性，需要多次进行熟练训练。
为进一步提高准确性，可以尝试以下方法：
- 重置初始网络权重和偏置为新值，再次进行网络训练。
- 增加训练向量的数量。
- 增加隐藏节点的数量。
- 如果有更多适用数据，增加输入量。
- 尝试不同的训练过程。
2. 智能农业系统实现
2.1 第一阶段：数据监测与控制
在研究的第一阶段，安卓应用使用基于物联网的灌溉参数、基于无人机图像的疾病监测和控制策略。使用了各种传感器，如温度光敏电阻、PH传感器和湿度传感器，通过基于物联网服务器的移动应用监测相应农田。传感器结果可实现连续观测，监测到的传感器值可用于识别用户，并通过应用程序打开或关闭设备。用户还能了解当前作物的种植周期、基于土壤PH值的下一季作物建议以及作物更新信息。
2.2 第二阶段：图像数据处理与分析
在第二阶段，为进行分析，系统为植物的每个部分（叶、果、花）的500组捕获图像准备了一个具有32维特征向量（12个MRKT特征和20个基于小波 - PCA的特征）的物联网数据库。其中，30%的数据库图像用于测试，其余70%用于网络训练。每个捕获的移动相机图像初始分辨率为1080×720。
表1：特征提取值
| 特征 | 值 |
| — | — |
| 对比度 | 0.256411790514938 |
| 相关性 | 0.920350034297844 |
| 能量 | 0.139596184544799 |
| 熵 | 7.310705136113330 |
| 均匀性 | 0.885857687975673 |
| 峰度 | 2.734068936510878 |
| 均值 | 1.118500745156483e + 02 |
| 偏度 | 0.166067980041149 |
| 平滑度 | 0.999999822344007 |
| 均方根 | 15.948602088876783 |
| 方差 | 1.465163327819722e + 03 |
2.3 图像分割与疾病识别
通过提出的分割方法对农业叶片输入图像进行分割，图像为多平面重建（MPR）类型。可以找到疾病区域，经过预处理和颜色分离后，可查看最终合并的预处理图像。使用改进的直方图算法解决了输入图像中VM和WM不清晰的问题。从分割的患病区域提取WPCA特征，借助增强的人工神经网络（ANN）方法预测多类叶片疾病。
通过树莓派中的比较器电路连接不同的农业田间监测传感器（土壤湿度、湿度、温度检测），监测电路还包括一个无人机相机用于捕获农田图像。土壤湿度传感器输出电阻变化信号，该信号经过比较器和信号调理电路处理。传感器值通过MySQL服务器经云服务器持续发送，安卓应用显示这些值，用户可从网络服务器有效控制电机和水位。物联网应用还通过邮件通知作物种植周期和电机状态，并根据传感器值为农民建议下一季作物。
3. 性能分析
为进行性能分析，计算了混淆矩阵，这通常是一个2×2矩阵，元素包括假阴性（FN）、假阳性（FP）、真阴性（TN）和真阳性（TP）。还可以计算一些统计值，如灵敏度、特异性、漏检率和准确率，计算公式如下：
- 灵敏度（TPR） = TP / P （其中，P = TP + FN）
- 特异性（TNR） = TP / N （其中，N = TN + FP）
- 误报率（FPR） = FP / N
- 漏检率（FNR） = FN / P
作物各种疾病的分类由物联网服务器通过训练分类器完成，使用了MRKT和小波 - PCA提取的总共11个特征。研究中使用增强的人工神经网络机器学习方法作为分类器，结果分析表明，提出的增强人工神经网络（EANN）比传统分类器更合适，并且能为识别出的疾病提出合适的治疗方法。
表2：分类结果
| 疾病 | 准确率 | 治疗方法 |
| — | — | — |
| 链格孢菌 | 97.6400 | 铜杀菌剂 |
表3：性能分析
| 分类器 | 准确率 |
| — | — |
| 提出的系统 | 97.6400 |
| CNN | 93.8 |
| ECNN | 96 |
通过比较基于小波分解PCA（WPCA）特征的EANN算法疾病分类技术与基于增强深度卷积神经网络（CNN）和卷积神经网络（CNN）的分类方法的准确率，发现该方法具有更好的性能。使用自适应k - 均值聚类算法能更准确地反映叶片图像的患病区域，准确分割患病区域可提高准确率。
4. 无人机物联网安全概述
物联网无人机（IoD）在军事、农业和物联网应用中起着重要作用，这些应用需要处理关键信息。然而，IoD存在安全和网络隐私问题，如恶意软件/漏洞攻击和分布式拒绝服务（DDoS）攻击，且能量受限，需要直接采用加密协议和安全的IoD密钥算法。
IoD能够在现有蜂窝网络提供服务的同时，提升无人机的技术水平。但由于攻击和威胁的增加，IoD在无线电波频率空间易受恶意攻击，需要广泛的安全措施。低成本的无人机（UAV）可用于各种物联网应用，但UAV在多UAV场景的分布式应用中，点对点通信模式有限，且处理和存储能力有限，某些应用需要大量计算。
5. Drone - Map规划器
Drone - Map规划器是一个基于雾计算的面向服务的无人机管理系统，可通过网络控制、监测和与无人机通信。它允许通过互联网与多架无人机通信，实现随时随地无长距离限制的控制，并为无人机提供雾计算资源以进行大量计算。
6. 无人机安全挑战与研究方向
一些研究发现了IoD中的安全攻击，如AR. Drone 2.0因缺乏安全通信通道而被成功黑客攻击和劫持，这表明大多数商用无人机遥测系统未使用加密保护通信。因此，有人提出了指纹识别方法为无人机提供一定保护。还有很多先进工作致力于识别当前无人机配置的安全攻击，如确定无人机控制器FHSS系列的频率、演示因MEMS陀螺仪射频导致无人机坠毁的攻击以及使用MAV链接协议使无人机攻击任务失效。
UAV在医疗监测、农业和运输等许多领域是关键解决方案，可在无需昂贵物理基础设施的情况下实现无线网络连接。无人机是机器人飞行网络系统，其飞行动力学可通过物理定律进行数学表示，UAV建模可通过深度学习解决相关机器人操作问题，如恢复导航、路径规划、定位和控制。远程控制系统可确保每个飞行操作符合飞行员的意图。
总之，智能农业系统通过物联网和无人机技术实现了高效的数据监测、分析和控制，提高了作物疾病诊断的准确性。同时，无人机物联网的安全问题也需要得到重视，通过开发安全机制和算法来保障系统的稳定运行。未来可进一步探索通过增加训练数据集、调整算法参数或实施新的预测模型来提高系统性能，并增强物联网灌溉传感器以实现农业设备的自动化。
智能农业与无人机物联网安全：创新解决方案与性能分析
7. 智能农业系统流程总结
为了更清晰地展示智能农业系统的工作流程，下面通过 mermaid 格式的流程图来呈现：
graph LR
classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;
A([开始]):::startend --> B(第一阶段：数据监测):::process
B --> C(使用各类传感器监测农田):::process
C --> D(传感器数据通过云服务器传输):::process
D --> E(安卓应用显示数据):::process
E --> F(用户控制设备、获取作物信息):::process
F --> G(第二阶段：图像数据处理):::process
G --> H(无人机捕获图像):::process
H --> I(准备物联网数据库):::process
I --> J{数据划分}:::decision
J -->|70%| K(用于网络训练):::process
J -->|30%| L(用于测试):::process
K --> M(提取特征):::process
L --> M
M --> N(使用 EANN 进行疾病分类):::process
N --> O(输出分类结果和治疗建议):::process
O --> P([结束]):::startend
这个流程图展示了智能农业系统从数据监测到图像分析再到疾病分类的完整流程。首先是第一阶段的数据监测，各类传感器收集农田信息并传输到云服务器，用户通过安卓应用获取数据并进行控制。接着进入第二阶段的图像数据处理，无人机捕获图像后构建数据库，数据被划分为训练集和测试集，提取特征后使用增强人工神经网络（EANN）进行疾病分类，最终输出分类结果和治疗建议。
8. 无人机物联网安全架构
为了更好地理解无人机物联网（IoD）的安全架构，我们可以通过以下表格和描述来呈现。
表 4：无人机物联网安全架构层次
| 层次 | 描述 | 安全措施 |
| — | — | — |
| 物理层 | 包括无人机硬件设备、传感器、通信链路等物理组件。 | 硬件加密、物理防护、设备认证。 |
| 网络层 | 涉及无人机与地面站、云服务器之间的网络通信。 | 加密协议、防火墙、入侵检测系统。 |
| 应用层 | 涵盖各种基于无人机的应用程序，如农业监测、军事侦察等。 | 访问控制、数据加密、应用程序安全审计。 |
在物理层，硬件加密可以防止硬件被篡改，物理防护可以避免设备受到物理损坏，设备认证可以确保只有合法的设备能够接入系统。网络层的加密协议可以保护通信数据的安全，防火墙可以阻止非法网络访问，入侵检测系统可以实时监测网络中的异常活动。应用层的访问控制可以限制用户对应用程序的访问权限，数据加密可以保护应用程序中的敏感数据，应用程序安全审计可以对应用程序的操作进行记录和审查。
9. 未来发展方向探讨
虽然目前智能农业系统和无人机物联网已经取得了一定的成果，但仍有许多方面可以进一步发展和完善。以下是一些未来可能的发展方向：
-
增加训练数据集 ：通过收集更多的图像数据和传感器数据，可以提高神经网络的训练效果，从而提高疾病诊断的准确性。具体操作步骤可以包括：
- 扩大数据收集范围，不仅局限于现有的农田区域，还可以涵盖不同地区、不同气候条件下的农田。
- 增加数据收集的频率，例如更频繁地使用无人机捕获图像和传感器收集数据。
- 对收集到的数据进行标注和整理，确保数据的质量和可用性。
-
调整算法参数 ：通过优化神经网络和机器学习算法的参数，可以提高系统的性能。可以使用以下步骤进行参数调整：
- 选择合适的优化算法，如随机梯度下降（SGD）、Adam等。
- 使用交叉验证等方法来评估不同参数组合的性能。
- 根据评估结果，逐步调整参数，直到达到最佳性能。
-
实施新的预测模型 ：除了现有的人工神经网络和机器学习方法，可以探索使用新的预测模型，如深度学习中的卷积神经网络（CNN）的改进版本、循环神经网络（RNN）等。具体操作可以包括：
- 研究和选择适合智能农业和无人机物联网应用的新模型。
- 对新模型进行训练和优化，使用现有的数据集进行验证。
- 将新模型集成到现有的系统中，评估其性能和效果。
-
增强物联网灌溉传感器 ：通过增加传感器的功能和精度，可以实现更精确的灌溉控制。具体措施可以包括：
- 开发新型的传感器，如能够实时监测土壤养分含量的传感器。
- 提高传感器的精度和可靠性，减少测量误差。
- 将传感器与物联网系统更紧密地集成，实现实时数据传输和分析。
10. 结论
智能农业系统结合物联网和无人机技术，为农业生产带来了巨大的变革。通过高效的数据监测、分析和控制，能够准确诊断作物疾病，提高农业生产效率和质量。同时，无人机物联网的安全问题也不容忽视，需要不断开发和完善安全机制和算法，以保障系统的稳定运行。
未来，随着技术的不断发展和创新，智能农业系统和无人机物联网有望进一步提升性能，实现更广泛的应用。通过增加训练数据集、调整算法参数、实施新的预测模型和增强物联网灌溉传感器等措施，可以不断提高系统的准确性和可靠性，推动农业向智能化、自动化方向发展。
扫一扫
28
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
