养殖环境作为牲畜生存、生长和生产的关键因素之一，其好坏直接影响养殖牲畜的健康状况。养殖环境主要包括温度、湿度、光照强度、氨气浓度与硫化氢浓度等，它们均能不同程度地影响影响着牲畜的生长。目前大部分地区养殖户采取人工检测养殖舍环境指标方式，该方式主要存在两大缺陷：（1）养殖户采用检测设备对舍内环境进行检测，对于大规模养殖而言，此方式劳动强度相对较大，时效性较差，而且无法处理并保存大量数据；（2）每次检测需要进入养殖舍内部，一旦空气质量不佳势必会威胁到检测人员的生命健康，甚至出现人畜共患病。
因此，本项目开发一套牲畜养殖环境感知系统，实现养殖环境多参数实时远程监测，对于实现牲畜智能化、精细化养殖具有很重要的现实意义。

参见图1，基于嵌入式、传感器、物联网等技术开发牲畜养殖环境精准感知系统，具有多参数多点在线采集、无线自组网实时传输等功能。系统主要分为三大部分：环境质量采集节点、终端节点与上位机监控软件。其中，采集节点部署在养殖舍内，负责定时采集畜禽舍温度、湿度、光照度、氨气浓度等参数，对于规模化养殖场，每个养殖舍安装一个或若干个采集节点，多个采集节点通过无线芯片组网实现数据的实时传递与汇聚，最终转发至终端节点。由终端节点通过USB将收到所有节点数据上传至监控软件，便于养殖户对数据查看分析，实现了环境参数精准感知，有效解决人工检测存在时效性差、劳动强度大以及健康受到威胁等问题。
参见图2，项目开发采用STM32高性能单片机作为核心控制芯片，处理速度快，数据量大。硬件系统主要包括采集节点与终端节点。采集节点主要包括：STM32F103主控电路、温湿度度采集电路、氨气采集电路、硫化氢采集电路、光照度采集电路、无线通信模块、OLED显示电路以及继电器控制风机、湿帘、喷雾、热风炉等。采集节点主要负责定时采集养殖舍温度、湿度、光照度、氨气等参数，将数据显示在OLED屏上，并判断数据是否异常，一旦数据异常，异常指示灯点亮，同时控制相应外设调节环境参数，实现环境参数的实时采集与控制。
终端节点主要包括：STM32F103主控电路、无线通信模块、OLED显示电路以及串口通信电路。终端节点负责收集所有采集节点数据，通过 USB与 电脑端连接，将收到的所有节点数据上传至监控软件。
参见图3，根据用户的不同需求，开发养殖环境多参数监控管理平台，主要负责采集节点数据实时显示、历史数据查询以及曲线趋势分析等功能，实现数据可视化操作与科学管理。
（1）实时显示：显示当前节点号的参数数据信息和相应的采集时间以及设备状态，可进行阈值设置以及通信连接；
（2）数据分析：根据时间节点查询数据，根据检测指标状态筛选数据，根据时间节点查看各节点温度、湿度、光照、氨气等参数的趋势等；
（3）窗体布局：对窗体进行水平、垂直、层叠布局等；
（4）用户管理：主要包括用户注册，用户注销，用户修改等功能；
（5）密码管理：主要负责修改密码；
（6）辅助功能：显示各种养殖管理记录、养殖信息记录，查看系统登录日志以及养殖趋势分析图，便于用户管理；
（7）使用说明：为用户提供软件使用说明与操作手册。 
参见图4、5，规模化畜禽养殖占地广、环境相对恶劣，对无线传输质量要求较高，为了能够将所有节点数据正常传输至终端节点，不会因为某个节点损坏导致整个传输链失效，项目采用“可变汇聚节点式”通信方案，该方案不指定某个节点作为汇聚节点，每个采集节点的作用是一样的，即在某个时刻可以是普通节点，转发自身采集的数据，某个时刻也可以作为“组长”（汇聚节点）发送指令，汇总节点数据，即所有传感器节点都具备汇聚数据与中转功能，整个通信过程可依赖通信质量进行确定汇聚节点，故汇聚节点是可变的，从而有效减少数据丢包率，从而弥补环境恶劣、远距离数据传输存在的存在可靠性不高的问题。
参见图6，牲畜养殖环境是一个大量存在非线性和非平稳问题的综合系统，受到多种因素影响，每个影响因子之间有复杂的非线性关系，因此，本项目利用头脑风暴优化算法（BSO）优化BP神经网络构建牲畜养殖环境质量评价模型，以舍内环境参数指标如：温度、湿度、光照强度、氨气浓度、硫化氢浓度的值作为模型输入，养殖环境质量等级（1-5）作为模型输出，实现环境综合评价，提高评价准确性，从而解决牲畜养殖环境质量评价单一、缺乏科学性的问题。其构建过程主要包含以下三个环节：
（1）构建BP神经网络基本拓扑结构：感知系统主要采集养殖环境温度、湿度、光照强度、氨气浓度与硫化氢浓度共5种环境因子，所以设置BP网络的输入层节点数为5；养殖环境质量等级作为环境质量评价预测模型的唯一输出值，因此，BP神经网络的输出层节点数为1；隐层节点数则需要通过实验确定，其关系到模型预测精度。
（2）利用BSO算法优化BP 神经网络得到最优的权值和阈值：首先确定BSO算法的参数包括初始个体数量n、种群类别数目m、最大迭代次数、随机扰动的坡度调节参数K以及初始解维数D；其次，确定适应度计算函数并计算每个个体的适应度值；然后，确定Pa、Pb、Pc、Pd四个概率的值，并选择不同的个体更新方式，实现个体的迭代更新；当达到最佳或者达到终止条件后停止更新，将得到的最优解作为BP网络的连接权重值和阈值。
（3）将最优的权值和阈值返回BP神经网络进行模型预测评价：将最优的权值和阈值返回BP神经网络，然后使用测试数据进行神经网络仿真，最终得到基于BSO-BP算法的牲畜养殖环境质量评价模型。