基于云-霧-邊人工智能算法的溧陽(yáng)青蝦智慧養(yǎng)殖控制平臺(tái)研究

穆 迪，史永祥，李 杰，吳 旻，王 煜，蔣怡靜，雷 杰

(國(guó)網(wǎng)溧陽(yáng)供電公司，江蘇 常州 213300)

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展，物聯(lián)網(wǎng)技術(shù)和人工智能技術(shù)不斷被應(yīng)用于水產(chǎn)養(yǎng)殖中。青蝦的養(yǎng)殖技術(shù)也需要更新升級(jí)，適應(yīng)新環(huán)境和新要求，而建設(shè)智慧型水產(chǎn)養(yǎng)殖系統(tǒng)就是為了更加方便、有效、實(shí)時(shí)監(jiān)控水產(chǎn)養(yǎng)殖池塘環(huán)境和青蝦的生長(zhǎng)情況，提高養(yǎng)殖效率和效益[1]。

目前，青蝦的養(yǎng)殖主要面臨以下問(wèn)題[2-3]：青蝦的養(yǎng)殖場(chǎng)所主要集中在偏遠(yuǎn)地區(qū)且不方便養(yǎng)殖人員的長(zhǎng)期駐場(chǎng)，因此發(fā)生意外事件時(shí)，人員不能及時(shí)發(fā)現(xiàn)并且處理，會(huì)造成一定的經(jīng)濟(jì)損失；目前養(yǎng)殖場(chǎng)飼料的投喂模式是以人工為主，勞動(dòng)強(qiáng)度大且效率不高，容易產(chǎn)生投喂均勻度不夠的現(xiàn)象。

因此本項(xiàng)目將物聯(lián)網(wǎng)[4]、無(wú)線通信技術(shù)及人工智能技術(shù)相融合，可以遠(yuǎn)距離增加養(yǎng)殖池塘內(nèi)的氧氣含量、智能投喂飼料、檢測(cè)青蝦的生長(zhǎng)狀況等，出現(xiàn)問(wèn)題時(shí)也能進(jìn)行預(yù)報(bào)預(yù)警。構(gòu)建青蝦智能養(yǎng)殖模式的內(nèi)容包括水質(zhì)在線監(jiān)測(cè)系統(tǒng)、水上水下視頻監(jiān)控系統(tǒng)、智能投餌、智能增氧、信息全景展示、基于人工智能AI大數(shù)據(jù)養(yǎng)殖策略系統(tǒng)。通過(guò)本平臺(tái)建設(shè)，將實(shí)現(xiàn)青蝦養(yǎng)殖過(guò)程的實(shí)時(shí)在線監(jiān)測(cè)和精準(zhǔn)調(diào)控，大大提升養(yǎng)殖基地的信息化、自動(dòng)化和智能化水平，降低生產(chǎn)成本，提高勞動(dòng)生產(chǎn)率、資源利用率和管理效率，提升水產(chǎn)品質(zhì)量等級(jí)和市場(chǎng)競(jìng)爭(zhēng)力。

1 系統(tǒng)設(shè)計(jì)

溧陽(yáng)智慧養(yǎng)殖示范青蝦塘采用云端控制方式，即采用霧計(jì)算節(jié)點(diǎn)(DTU)實(shí)現(xiàn)物理鏈路，大幅降低現(xiàn)場(chǎng)物聯(lián)網(wǎng)網(wǎng)關(guān)成本?；谠?霧-邊人工智能AI算法智慧養(yǎng)殖策略控制模塊采用云-霧-邊的通信架構(gòu)，包括云端總控平臺(tái)、每個(gè)蝦塘的DTU、邊緣感知和控制器件(電壓和電能質(zhì)量監(jiān)測(cè)傳感器、水泵控制裝置等)，通過(guò)加密的MQTT廣播協(xié)議進(jìn)行通信。邊緣端設(shè)備完成相關(guān)信息和數(shù)據(jù)的采集；水產(chǎn)養(yǎng)殖(蝦塘)本地通過(guò)云端的優(yōu)化控制決策命令和水體實(shí)時(shí)量測(cè)信息對(duì)各個(gè)用電設(shè)備進(jìn)行控制，以達(dá)到預(yù)想效果；云端完成系統(tǒng)級(jí)數(shù)據(jù)分析，優(yōu)化控制決策、數(shù)據(jù)收集和統(tǒng)籌管理功能，對(duì)每個(gè)蝦塘的相關(guān)控制閾值和工作模式進(jìn)行設(shè)置和命令下發(fā)。系統(tǒng)整體的拓?fù)浣Y(jié)構(gòu)，如圖1所示。

圖1 云-霧-邊協(xié)同優(yōu)化控制系統(tǒng)拓?fù)浣Y(jié)構(gòu)

1.1 邊緣節(jié)點(diǎn)

水質(zhì)的好壞與魚(yú)蝦蟹類的成長(zhǎng)性有著密切的關(guān)系，應(yīng)把水產(chǎn)養(yǎng)殖過(guò)程中的水質(zhì)分析貫徹到整個(gè)水產(chǎn)養(yǎng)殖的過(guò)程中。通過(guò)水質(zhì)的測(cè)量，隨時(shí)把握水質(zhì)的情況以及變化趨勢(shì)，能夠及時(shí)做調(diào)整，保持水質(zhì)的穩(wěn)定良好，并且做好詳細(xì)的數(shù)據(jù)記錄。通過(guò)做出數(shù)據(jù)分析，更能了解水質(zhì)環(huán)境狀況，做到綠色養(yǎng)殖。數(shù)據(jù)化分析將成為未來(lái)科學(xué)養(yǎng)殖的發(fā)展趨勢(shì)。因此，青蝦塘需要通過(guò)安裝水質(zhì)傳感器，采集區(qū)域溶解氧值、pH、氨氮等相關(guān)水質(zhì)數(shù)據(jù)。

水質(zhì)傳感器會(huì)持續(xù)上傳其監(jiān)測(cè)到的水質(zhì)信息供霧節(jié)點(diǎn)分析處理及云平臺(tái)供用戶查看，這種數(shù)據(jù)量是十分龐大的，會(huì)給云服務(wù)器造成過(guò)大的壓力。因此，本平臺(tái)設(shè)計(jì)了邊緣節(jié)點(diǎn)，會(huì)在本地處理大部分冗余數(shù)據(jù)。本平臺(tái)的邊緣節(jié)點(diǎn)是指在靠近青蝦塘的網(wǎng)絡(luò)邊緣側(cè)構(gòu)建的業(yè)務(wù)平臺(tái)，提供存儲(chǔ)、計(jì)算、網(wǎng)絡(luò)等資源，將部分關(guān)鍵業(yè)務(wù)應(yīng)用下沉到接入網(wǎng)絡(luò)邊緣，以減少網(wǎng)絡(luò)傳輸和多級(jí)轉(zhuǎn)發(fā)帶來(lái)的寬度和時(shí)延損耗。邊緣節(jié)點(diǎn)相比云數(shù)據(jù)中心，具有小型化、分布式和更貼近青蝦塘的特點(diǎn)，海量的數(shù)據(jù)無(wú)須再上傳至云端進(jìn)行處理，實(shí)現(xiàn)在網(wǎng)絡(luò)邊緣側(cè)對(duì)數(shù)據(jù)的處理。

水質(zhì)在線監(jiān)測(cè)系統(tǒng)具體功能如下：

(1)實(shí)時(shí)監(jiān)測(cè)養(yǎng)殖水與多參數(shù)(pH、溶氧、氨氮)功能；(2)實(shí)時(shí)顯示水質(zhì)的數(shù)據(jù)，并可以查看歷史數(shù)據(jù)及數(shù)據(jù)分析結(jié)果；(3)當(dāng)養(yǎng)殖水體中的尾水?dāng)?shù)值達(dá)到臨界值時(shí)報(bào)警(觸控鍵入設(shè)定每個(gè)測(cè)量單元的最低和最高值范圍，低于最低值或者高于最高值，系統(tǒng)將自動(dòng)報(bào)警)，報(bào)警信息以短信的形式發(fā)送到用戶手機(jī)。

1.2 霧計(jì)算節(jié)點(diǎn)

水體中的溶解氧是青蝦賴以生存的最重要指標(biāo)，它不僅影響青蝦的生存、生長(zhǎng)、發(fā)育、繁殖，還影響?zhàn)D料報(bào)酬及飼料系數(shù)的高低；水體中的溶解氧與青蝦的生存、生長(zhǎng)關(guān)系密切，池水溶解氧高可以提升養(yǎng)殖動(dòng)物的食欲，提高飼料的利用率，加快生長(zhǎng)發(fā)育。反之，水中的溶解氧低，青蝦攝食率和飼料利用率就會(huì)受到不同程度的抑制。養(yǎng)殖水體中的溶解氧是水質(zhì)管理中最重要的指標(biāo)之一。當(dāng)水質(zhì)傳感器的數(shù)據(jù)發(fā)送到霧計(jì)算節(jié)點(diǎn)時(shí)，霧計(jì)算節(jié)點(diǎn)會(huì)直接分析判斷當(dāng)前水中含氧量是否滿足青蝦的生長(zhǎng)條件，不滿足就會(huì)自動(dòng)開(kāi)啟設(shè)備改善，并向用戶報(bào)警。

本平臺(tái)的霧計(jì)算環(huán)境由傳統(tǒng)的網(wǎng)絡(luò)設(shè)備組件，如路由器、開(kāi)關(guān)、機(jī)頂盒、本地服務(wù)器、基站等構(gòu)成，安裝在離物聯(lián)網(wǎng)終端設(shè)備和傳感器較近的地方。這些組件可以提供不同的計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)功能，支持服務(wù)應(yīng)用的執(zhí)行，一些與青蝦塘直接相關(guān)的傳感器數(shù)據(jù)，不需要上傳到云服務(wù)器，直接在霧計(jì)算節(jié)點(diǎn)即可做決策。增氧系統(tǒng)詳細(xì)功能如下：

(1)增氧控制功能，系統(tǒng)自動(dòng)增氧及遠(yuǎn)程控制增氧機(jī)的開(kāi)關(guān)，對(duì)增氧的速率進(jìn)行調(diào)節(jié)，實(shí)現(xiàn)遠(yuǎn)程化智能增氧；(2)增氧設(shè)備管理功能，對(duì)增氧機(jī)進(jìn)行每日檔案管理，記錄增氧機(jī)情況、增氧時(shí)間、管理人員、上傳時(shí)間等信息，實(shí)時(shí)掌控增氧情況；(3)增氧數(shù)據(jù)統(tǒng)計(jì)，對(duì)增氧機(jī)每日增氧、增氧時(shí)間等數(shù)據(jù)進(jìn)行信息統(tǒng)計(jì)，便于后期的展示分析。

1.3 部署實(shí)例

本平臺(tái)以互聯(lián)網(wǎng)為媒介，將云服務(wù)器與各青蝦塘連接起來(lái)。用戶可以直接以網(wǎng)站訪問(wèn)或者收集App的模式連接服務(wù)器，查看自己青蝦塘的各種狀況，發(fā)現(xiàn)問(wèn)題就可以直接解決問(wèn)題。在蝦塘場(chǎng)地，氣象監(jiān)測(cè)儀的數(shù)據(jù)可以直接通過(guò)互聯(lián)網(wǎng)傳輸?shù)皆品?wù)器供用戶查看，另外在青蝦塘部署的各種傳感器和設(shè)備會(huì)經(jīng)過(guò)本地化決策后，再將結(jié)果上傳到云服務(wù)器，這樣就大大減少了服務(wù)器的壓力，整個(gè)平臺(tái)的部署實(shí)例如圖2所示。

圖2 部署實(shí)例

2 平臺(tái)設(shè)計(jì)

2.1 基于云-霧-邊人工智能AI算法云平臺(tái)設(shè)計(jì)

云平臺(tái)以軟件形式部署在云計(jì)算服務(wù)器或者外部可以訪問(wèn)的服務(wù)器(如阿里巴巴云平臺(tái))上，云平臺(tái)數(shù)據(jù)流如下所示。各個(gè)青蝦塘設(shè)備數(shù)據(jù)通過(guò)霧節(jié)點(diǎn)(本地物聯(lián)控制器)按照一定的Topic和格式(JSON)發(fā)送至MQTT Broker，云平臺(tái)后端程序通過(guò)訂閱同一個(gè)MQTT的Topic，收取所有青蝦塘發(fā)來(lái)的數(shù)據(jù)。首先進(jìn)行數(shù)據(jù)整理，根據(jù)每項(xiàng)數(shù)據(jù)的特定識(shí)別碼、時(shí)間、類型的不同，寫(xiě)入各自數(shù)據(jù)表(實(shí)例中用的是Postgresql數(shù)據(jù)庫(kù))，如水溫、pH、溶氧量、用電設(shè)備狀態(tài)等；前端軟件從數(shù)據(jù)庫(kù)里讀取實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)，進(jìn)行數(shù)據(jù)展示；同時(shí)，通過(guò)人工智能算法和設(shè)定的控制參數(shù)和目標(biāo)，自動(dòng)將指令下發(fā)至本地控制器，下行命令通過(guò)MQTT向各個(gè)蝦塘的霧計(jì)算節(jié)點(diǎn)，通過(guò)不同的Topic發(fā)送，各個(gè)青蝦塘本地控制系統(tǒng)按照本地設(shè)置的Topic進(jìn)行查收，并執(zhí)行云端命令。整個(gè)數(shù)據(jù)流如圖3所示，云平臺(tái)的部署實(shí)例如圖4所示。

圖3 云平臺(tái)軟件數(shù)據(jù)流

圖4 云平臺(tái)軟件部署實(shí)例

2.2 手機(jī)App設(shè)計(jì)

為了方便用戶使用，開(kāi)發(fā)相應(yīng)的手機(jī)App。主頁(yè)界面將包括水質(zhì)檢測(cè)實(shí)時(shí)顯示、水質(zhì)曲線歷史數(shù)據(jù)分析、設(shè)備手動(dòng)控制界面等基本功能模塊，如圖5a所示。在水質(zhì)檢測(cè)模塊中實(shí)時(shí)顯示各個(gè)池塘的測(cè)量信息(溶氧、水溫、pH等)，如圖5b所示。在水質(zhì)曲線模塊中統(tǒng)計(jì)分析各個(gè)池塘的測(cè)量信息(溶氧、水溫、pH等)，分析其最高值、最低值和平均值等，并以曲線形式顯示其變化規(guī)律，如圖5c所示。設(shè)備控制模塊可以對(duì)增氧機(jī)等設(shè)備進(jìn)行開(kāi)關(guān)控制，如圖5d所示。

圖5 App效果圖

3 基于云-霧-邊人工智能AI智慧養(yǎng)殖策略

在本系統(tǒng)中基于云-霧-邊人工智能AI智慧養(yǎng)殖策略如下：對(duì)投放飼料后的水下場(chǎng)景使用潛航器進(jìn)行拍攝，對(duì)采集到的圖像用基于深度卷積神經(jīng)網(wǎng)絡(luò)的雙線性細(xì)粒度圖像分類算法進(jìn)行識(shí)別，輸出所拍水下場(chǎng)景的水質(zhì)等級(jí)。

3.1 水下投飼效果圖片場(chǎng)景定義

飼料投入水中后：投放過(guò)多，飼料會(huì)溶解在水中，破壞水質(zhì)；投放少了，會(huì)影響?zhàn)B殖產(chǎn)品的生長(zhǎng)。針對(duì)飼料被吃的情況，將場(chǎng)景劃分為3個(gè)等級(jí)[5]，如表1所示。

表1 水質(zhì)分級(jí)

水質(zhì)等級(jí)劃分可根據(jù)飼料的不同形態(tài)和養(yǎng)殖場(chǎng)的需求具體劃分，以不溶于水的魚(yú)肉為例,如圖6所示：一級(jí)水質(zhì)為不含魚(yú)肉的殘?jiān)?；二?jí)水質(zhì)為含魚(yú)肉3塊以內(nèi)的場(chǎng)景；三級(jí)水質(zhì)為含魚(yú)肉3塊以上的場(chǎng)景。

圖6 水質(zhì)等級(jí)示意

3.2 深度卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)屬于前饋神經(jīng)網(wǎng)絡(luò)的一種，其特點(diǎn)是每層的神經(jīng)元節(jié)點(diǎn)只響應(yīng)前一層局部區(qū)域范圍內(nèi)的神經(jīng)元(全連接網(wǎng)絡(luò)中每個(gè)神經(jīng)元節(jié)點(diǎn)則是響應(yīng)前一層的全部節(jié)點(diǎn))。一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型一般由若干卷積層疊加若干全連接層組成，中間包含各種非線性操作、池化操作。卷積運(yùn)算主要用于處理網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，因此，CNN天生對(duì)圖像數(shù)據(jù)的分析與處理有著優(yōu)勢(shì)[6]。

近年來(lái)，深度卷積神經(jīng)網(wǎng)絡(luò)展現(xiàn)了其強(qiáng)大的能力，在各個(gè)領(lǐng)域取得了卓越的效果，針對(duì)特有場(chǎng)景微調(diào)已訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為一種趨勢(shì)。目前比較常用的深度卷積神經(jīng)網(wǎng)絡(luò)有LeNet，AlexNet，VGG，Inception，Xception，Resnet等，其中VGG網(wǎng)絡(luò)結(jié)構(gòu)采用連續(xù)的小卷積核代替較大卷積核，以獲取更大的網(wǎng)絡(luò)深度，使得在相同感受野情況下VGG可以達(dá)到更大的網(wǎng)絡(luò)深度。VGG16深度卷積網(wǎng)絡(luò)模型共有16層，其中包括13個(gè)卷積核為3×3的卷積層，3個(gè)全連接層。在每個(gè)卷積層后面有激活層和 BN 層。Resnet的基本模塊是殘差單元，由Conv卷積層、批處理歸一化層BN和非線性激活層RELU組成，Resnet_50即表示該網(wǎng)絡(luò)層數(shù)為50。

3.3 基于細(xì)粒度分類的水質(zhì)識(shí)別算法

水下場(chǎng)景具有一定的特殊性，正常水里會(huì)包含各種雜質(zhì)，要想順利地將飼料從正常水質(zhì)區(qū)分出來(lái)，最重要的是在圖像中找到能夠區(qū)分兩者的區(qū)分性的區(qū)域塊，并能夠?qū)@些有區(qū)分性的區(qū)域塊特征進(jìn)行較好的表示。

因此，識(shí)別方案采用基于深度卷積神經(jīng)網(wǎng)絡(luò)的雙線性細(xì)粒度圖像分類算法[7-8]，該算法對(duì)類別精度的區(qū)分更加細(xì)致，且可以借助微小的局部差異區(qū)分出不同的類別，算法框架如圖7所示。整個(gè)框架是一種雙流體系結(jié)構(gòu)，由兩個(gè)特征提取器組成，輸出在圖像的每個(gè)位置使用外積相乘并合并以獲得圖像描述符。該體系結(jié)構(gòu)以平移不變的方式對(duì)局部成對(duì)的特征相互作用進(jìn)行建模，這對(duì)于水下場(chǎng)景是否含有飼料殘留特別有用。

其中，以深度卷積神經(jīng)網(wǎng)絡(luò)A和深度卷積神經(jīng)網(wǎng)絡(luò)B為特征提取器fA、fB，提取最后一層卷積激活層的feature map為特征,fA∈Rh×w×ca、fB∈Rh×w×cb,對(duì)于圖像I在位置l的兩個(gè)特征fA(l,I)∈RI×ca和fB(l,I)∈RI×cb進(jìn)行如下操作：

bilinear(l,I,fA,fB)=fA(l,I)TfB(l,I)

(1)

(2)

x=vec[?(I)]

(3)

(4)

z=y/‖y‖2

(5)

式中：fA可以是VGG16或者Resnet_50；fB即與fA不同的另外一個(gè)網(wǎng)絡(luò)。在該方法中，首先對(duì)兩個(gè)特征在每個(gè)location上(共有h×w個(gè)location)的c維向量做外積融合得到矩陣b,對(duì)所有l(wèi)ocation上的b做和池化得到矩陣?(因?yàn)樽畲蟪鼗瘬p失的信息量最少),再把?拉伸成cacb維向量x,記為bilinear vector，最后對(duì)x作符號(hào)平方根運(yùn)算得到y(tǒng)，對(duì)y做L2歸一化得到最終特征z輸入分類網(wǎng)絡(luò)進(jìn)行分類。

圖7 細(xì)粒度圖像分類算法框架

4 結(jié)語(yǔ)

溧陽(yáng)青蝦智慧養(yǎng)殖示范工程采用基于AI技術(shù)的云-霧-邊通信架構(gòu)云端控制平臺(tái)開(kāi)創(chuàng)了高端水產(chǎn)養(yǎng)殖數(shù)字化、智能化、高效率、高產(chǎn)出的先河，畝產(chǎn)青蝦從年均150斤增加到300斤以上。