DOI: https://doi.org/10.35633/inmateh-75-43
تاريخ النشر: 2025-04-11
المؤلف: Lihong Rong وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تقدم هذه الدراسة نظام مراقبة بيئية قائم على إنترنت الأشياء (IoT) لمنازل الخنازير، يهدف إلى التغلب على التحديات المتعلقة بانخفاض الدقة وارتفاع التكاليف. يستخدم النظام المتحكم الدقيق ESP32 كعنصر أساسي في كل عقدة استشعار، منظمة في طوبولوجيا نجمية لتسهيل نقل البيانات اللاسلكية. لتعزيز دقة البيانات، يتم استخدام تصفية الوسيط وخوارزمية تصفية كالمان لدمج المعلمات البيئية.
تم تطوير نظام مؤشر تقييم مصمم وفقًا للاحتياجات البيئية للخنازير، يتضمن نهج حساب وزن شامل يجمع بين طريقة وزن الإنتروبيا وعملية التحليل الهرمي المحسنة. تشير نتائج المحاكاة إلى أن خطأ بيانات درجة الحرارة بعد تصفية كالمان هو فقط 0.12%، مما يلبي دقة المراقبة المطلوبة. يقيم النظام المقترح بشكل فعال ملاءمة البيئة لمنازل الخنازير، مما يظهر إمكانيته للتطبيقات العملية في مراقبة بيئات تربية الخنازير.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحول المستمر في صناعة تربية الخنازير نحو العمليات الكبيرة والنشطة، وهو أمر حاسم لتعزيز الهياكل الاقتصادية الريفية، وكفاءة الزراعة، ودخل المزارعين (هان وآخرون، 2010). ومع ذلك، تواجه منازل الخنازير الصغيرة والمتوسطة تحديات كبيرة، خاصة في تنفيذ تقنيات مراقبة بيئية فعالة، والتي تعتبر ضرورية لضمان صحة وإنتاجية الخنازير (سبينكا وآخرون، 2017). يمكن أن تؤدي الظروف البيئية السيئة إلى الأمراض والخسائر الاقتصادية للمزارعين (تشن وآخرون، 2020؛ لي وآخرون، 2023). وبالتالي، فإن مراقبة المعلمات البيئية وتحسين ممارسات الإدارة أمران حيويان للتنمية المستدامة لقطاع تربية الخنازير العالمي (لي وآخرون، 2024؛ وانغ وآخرون، 2024).
تستعرض الورقة الأبحاث الحالية حول أنظمة المراقبة الذكية لبيئات منازل الخنازير، مشيرة إلى التقدم مثل نظام المراقبة اللاسلكية متعددة النقاط (زينغ وآخرون، 2020) وحلول قائمة على إنترنت الأشياء لتنظيم البيئة في الوقت الحقيقي (هوانغ وآخرون، 2022). على الرغم من هذه الابتكارات، لا يزال هناك فجوة في فهم قدرة الخنازير على التكيف مع بيئاتها. حاولت الدراسات السابقة تقييم ملاءمة البيئة باستخدام طرق مثل عملية التحليل الهرمي (AHP) والتقييم الشامل الضبابي (تشن وآخرون، 2022؛ وانغ وآخرون، 2023). ومع ذلك، غالبًا ما تعتمد هذه الأساليب على طرق فردية لحساب الوزن، مما يؤدي إلى تحيزات محتملة (شي وآخرون، 2016؛ تشي وآخرون، 2022). لمعالجة هذه القيود، تقترح هذه الورقة نظام مراقبة قائم على إنترنت الأشياء يدمج بين طرق حساب الوزن الذاتية والموضوعية لتقييم أكثر شمولاً لبيئات منازل الخنازير، مما يوفر في النهاية دعمًا للقرارات لتنظيم البيئة بدقة.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصل في اختيار المواد، بما في ذلك الكواشف والمعدات المحددة المستخدمة لجمع البيانات وتحليلها. تشمل المنهجية إعداد التجربة، بما في ذلك أي ضوابط ومتغيرات، بالإضافة إلى التقنيات الإحصائية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، يصف القسم طرق أخذ العينات، وتجنيد المشاركين (إذا كان ذلك مناسبًا)، وأي اعتبارات أخلاقية تم أخذها في الاعتبار أثناء البحث. تعتبر وضوح وصرامة الطرق أمرًا حيويًا لإمكانية إعادة الإنتاج والتحقق من النتائج المقدمة في الدراسة. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية إجراء البحث وموثوقية النتائج التي تم الحصول عليها.
نتائج
تشير النتائج إلى تحسين كبير في دقة القياس التي تم تحقيقها من خلال تطبيق خوارزمية دمج بيانات تصفية كالمان المقترحة. كما هو موضح في الشكل 7، تم تسجيل خطأ القياس الأولي من عقد الاستشعار عند 0.67%، مع تقلبات تتراوح بين -0.5°C و0.7°C. في المقابل، قلل تنفيذ الخوارزمية الخطأ إلى 0.12%، مع نطاق خطأ أكثر تركيزًا من -0.1°C إلى 0.2°C.
تؤكد هذه النتائج فعالية نهج تصفية كالمان في تعزيز دقة بيانات الاستشعار، وبالتالي تلبية متطلبات معالجة البيانات الموضحة في الدراسة. تشير النتائج إلى أن الخوارزمية لا تقلل فقط من الخطأ ولكن أيضًا تستقر مخرجات القياس، وهو أمر حيوي للتطبيقات التي تعتمد على قراءات دقيقة من المستشعرات.
مناقشة
تقدم الدراسة نظام مراقبة بيئية قائم على إنترنت الأشياء (IoT) لمنزل خنازير، مصمم لتعزيز إدارة العوامل البيئية الحيوية لصحة الخنازير. يتكون النظام من ثلاث طبقات: اكتساب المعلومات والإدراك، النقل اللاسلكي، والمعالجة/التطبيق. يستخدم 20 عقدة استشعار لمراقبة المعلمات البيئية الرئيسية – درجة الحرارة، الرطوبة، الأمونيا، كبريتيد الهيدروجين، وثاني أكسيد الكربون – وينقل البيانات إلى عقدة تجميع للدمج والتقييم. يعمل المتحكم الدقيق ESP32 كوحدة المعالجة الأساسية، مما يسهل نقل البيانات عبر الواي فاي إلى منصة سحابية، حيث يمكن للمستخدمين الوصول إلى المعلومات في الوقت الحقيقي من خلال برنامج صغير على WeChat.
تستخدم الدراسة خوارزمية تصفية كالمان لدمج البيانات، مما يحسن دقة القياسات البيئية، مع اختبارات تشير إلى خطأ ضئيل قدره 0.12%. تم تطوير نموذج تقييم شامل ضبابي لتقييم ملاءمة بيئة منزل الخنازير بناءً على البيانات المدمجة. يدمج هذا النموذج حسابات الوزن الذاتية والموضوعية، مما يعزز من صرامة التقييم العلمية. تؤكد الاختبارات الميدانية استقرار النظام وفعاليته، مما يظهر هيمنة الظروف المناسبة والملائمة نسبيًا في البيئة المراقبة، وبالتالي دعم تحسين ممارسات الإدارة في تربية الخنازير.
DOI: https://doi.org/10.35633/inmateh-75-43
Publication Date: 2025-04-11
Author(s): Lihong Rong et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
This study presents an Internet of Things (IoT)-based environmental monitoring system for pig houses, aimed at overcoming challenges related to low precision and high costs. The system employs the ESP32 microcontroller as the core component of each sensor node, organized in a star topology to facilitate wireless data transmission. To enhance data accuracy, median filtering and the Kalman filtering algorithm are utilized for the fusion of environmental parameters.
An evaluation index system tailored to the environmental needs of pigs is developed, incorporating a comprehensive weight calculation approach that combines the entropy weight method with an improved analytic hierarchy process. Simulation results indicate that the temperature data error post-Kalman filtering is only 0.12%, meeting the required monitoring precision. The proposed system effectively assesses the environmental suitability of pig houses, demonstrating its potential for practical applications in monitoring pig farming environments.
Introduction
The introduction of the research paper highlights the ongoing transformation in the pig farming industry towards large-scale, intensive operations, which is crucial for enhancing rural economic structures, agricultural efficiency, and farmers’ incomes (Han et al., 2010). However, small and medium-sized pig houses encounter significant challenges, particularly in implementing effective environmental monitoring technologies, which are essential for ensuring the health and productivity of pigs (Spinka et al., 2017). Poor environmental conditions can lead to diseases and economic losses for farmers (Chen et al., 2020; Li et al., 2023). Consequently, monitoring environmental parameters and improving management practices are vital for the sustainable development of the global pig farming sector (Li et al., 2024; Wang et al., 2024).
The paper reviews existing research on intelligent monitoring systems for pig house environments, noting advancements such as a wireless multi-point monitoring system (Zeng et al., 2020) and IoT-based solutions for real-time environmental regulation (Huang et al., 2022). Despite these innovations, there remains a gap in understanding pigs’ adaptability to their environments. Previous studies have attempted to evaluate environmental suitability using methods like the analytic hierarchy process (AHP) and fuzzy comprehensive evaluation (Chen et al., 2022; Wang et al., 2023). However, these approaches often rely on single methods for weight calculation, leading to potential biases (Xie et al., 2016; Chi et al., 2022). To address these limitations, this paper proposes an IoT-based monitoring system that integrates both subjective and objective weight calculation methods for a more comprehensive evaluation of pig house environments, ultimately providing decision support for precise environmental regulation.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the selection of materials, including specific reagents and equipment used for data collection and analysis. The methodology encompasses the experimental setup, including any controls and variables, as well as the statistical techniques applied to interpret the results.
Additionally, the section describes the sampling methods, participant recruitment (if applicable), and any ethical considerations taken into account during the research. The clarity and rigor of the methods are crucial for reproducibility and validation of the findings presented in the study. Overall, this section serves as a foundation for understanding how the research was conducted and the reliability of the results obtained.
Results
The results indicate a significant improvement in measurement accuracy achieved through the application of the proposed Kalman filtering data fusion algorithm. As shown in Figure 7, the initial measurement error from the sensor nodes was recorded at 0.67%, with fluctuations ranging between -0.5°C and 0.7°C. In contrast, the implementation of the algorithm reduced the error to 0.12%, with a more concentrated error range of -0.1°C to 0.2°C.
These findings underscore the effectiveness of the Kalman filtering approach in enhancing the precision of sensor data, thereby fulfilling the data processing requirements outlined in the study. The results suggest that the algorithm not only minimizes error but also stabilizes the measurement outputs, which is crucial for applications relying on accurate sensor readings.
Discussion
The research presents an Internet of Things (IoT) based environmental monitoring system for a pig house, designed to enhance the management of environmental factors critical to pig health. The system comprises three layers: information acquisition and perception, wireless transmission, and processing/application. It utilizes 20 sensor nodes to monitor key environmental parameters—temperature, humidity, ammonia, hydrogen sulfide, and carbon dioxide—transmitting data to a sink node for fusion and evaluation. The ESP32 microcontroller serves as the core processing unit, facilitating data transmission via Wi-Fi to a cloud platform, where users can access real-time information through a WeChat mini-program.
The study employs a Kalman filter algorithm for data fusion, optimizing the accuracy of environmental measurements, with tests indicating a minimal error of 0.12%. A fuzzy comprehensive evaluation model is developed to assess the suitability of the pig house environment based on the fused data. This model integrates subjective and objective weight calculations, enhancing the evaluation’s scientific rigor. Field tests confirm the system’s stability and effectiveness, demonstrating a predominance of suitable and relatively suitable conditions in the monitored environment, thus supporting improved management practices in pig farming.