基于人工智能的智慧養(yǎng)蠶管理系統(tǒng)

孫孝龍，張繼軍，周衛(wèi)紅，顧 彪，施建軍

（1.江蘇聯(lián)合職業(yè)技術(shù)學(xué)院鹽城生物工程分院，江蘇鹽城 224051；2.鹽城市鹽都區(qū)蠶種場(chǎng)，江蘇鹽都 224011；3.鹽城思源網(wǎng)絡(luò)科技有限公司，江蘇鹽城 224005）

1 引 言

系統(tǒng)設(shè)計(jì)，依據(jù)大數(shù)據(jù)、人工智能技術(shù)，貼近智能化、裝備化養(yǎng)蠶高質(zhì)量發(fā)展需求，選用深度殘差卷積神經(jīng)網(wǎng)絡(luò)算法，及時(shí)采集養(yǎng)蠶環(huán)境因素和家蠶生長(zhǎng)發(fā)育狀態(tài)等多源數(shù)據(jù)，通過(guò)多層分布式提取數(shù)據(jù)特征，應(yīng)用智能感知和深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)智能化、精準(zhǔn)化養(yǎng)蠶管理，變革以往養(yǎng)蠶模式，著力解決智能化、規(guī)?；B(yǎng)蠶的“卡脖子技術(shù)”［1-2］。過(guò)去的養(yǎng)蠶模式，多為人工對(duì)溫度、濕度、光照、氧氣濃度、氣流、粉塵、有毒氣體等養(yǎng)蠶環(huán)境因素以及家蠶生長(zhǎng)發(fā)育階段及行為狀態(tài)進(jìn)行觀看、分析、識(shí)別和管理，往往會(huì)表現(xiàn)出環(huán)境因素變動(dòng)較大、直觀判斷影響家蠶發(fā)育、空氣質(zhì)量維持水平較差以及養(yǎng)蠶過(guò)程記錄缺失、技術(shù)操作失誤等生產(chǎn)事故，嚴(yán)重影響了養(yǎng)蠶產(chǎn)品的質(zhì)量和效益。

人工智能技術(shù)發(fā)展快速，智能感知、新型物聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)等技術(shù)更新迅猛，并在圖像識(shí)別、場(chǎng)景辨別、語(yǔ)音識(shí)別、流程優(yōu)化、智能監(jiān)控等技術(shù)領(lǐng)域廣泛應(yīng)用，各類深度學(xué)習(xí)算法也隨機(jī)應(yīng)運(yùn)而生，發(fā)揮了更強(qiáng)的特征提取能力。Alexnet 網(wǎng)絡(luò)識(shí)別率較傳統(tǒng)算法有了巨大的提升［3］。如使用卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型LeNet-5 模型來(lái)完成對(duì)動(dòng)物面部圖片的識(shí)別，并借助TensorFlow 程序來(lái)實(shí)現(xiàn)LeNet-5 模型。由牛津大學(xué)計(jì)算機(jī)視覺(jué)幾何組（visual geometry group）提出的VGG網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)（DResNet）通過(guò)改進(jìn)卷積結(jié)構(gòu)并增加卷積層和池化層數(shù)量，實(shí)現(xiàn)了深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks，DCNN），使其具有更強(qiáng)的特征提取能力。為提高復(fù)雜環(huán)境下養(yǎng)殖動(dòng)物的識(shí)別率，則需要增強(qiáng)算法對(duì)動(dòng)物圖像的特征提取能力，以DCNN 為基礎(chǔ)的改進(jìn)網(wǎng)絡(luò)在目標(biāo)識(shí)別及動(dòng)物識(shí)別領(lǐng)域都得到了較好的應(yīng)用。一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的非接觸、低成本的動(dòng)物個(gè)體身份識(shí)別方法［4］，為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及以后的遷移都提供了較好的支持。

當(dāng)下，基于深度學(xué)習(xí)的圖像分類和目標(biāo)識(shí)別技術(shù)，研發(fā)了很多高效的樣本模型。如輕量化模型MobileNet、基于神經(jīng)架構(gòu)搜索的NASNet 等，在深度學(xué)習(xí)的工業(yè)領(lǐng)域有廣泛應(yīng)用［5］?；谏疃葘W(xué)習(xí)的視覺(jué)目標(biāo)檢測(cè)技術(shù)主要有R-CNN系列二階段目標(biāo)檢測(cè)算法，YOLO、SSD 系列等單階段算法。SSD 模型采用Faster R-CNN 算法中的錨框策略，為提高模型的準(zhǔn)確性和實(shí)時(shí)性，提出了SSD 模型的改進(jìn)算法，如DSSD、FFSSD算法等，大大提高了目標(biāo)識(shí)別與檢測(cè)精度［6-7］。

李家俊等，使用的是STC 公司芯片52 系列單片機(jī)，完成一個(gè)智能化養(yǎng)殖控制系統(tǒng)，能夠準(zhǔn)確有效的實(shí)現(xiàn)養(yǎng)殖數(shù)據(jù)采集、數(shù)據(jù)分析、數(shù)據(jù)傳輸及數(shù)據(jù)報(bào)告的功能［8-11］。于秋玉、范松偉等，提出一種基于改進(jìn)的YOLOv4 的小型動(dòng)物智能識(shí)別算法，基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)計(jì)數(shù)研究，獲得動(dòng)物大小的分布特征［12-13］。楊壽勇等，首次將卷積神經(jīng)網(wǎng)絡(luò)模型Inception v3引入生物種類識(shí)別中，通過(guò)對(duì)25種典型生物進(jìn)行遷移學(xué)習(xí)和參數(shù)優(yōu)化，識(shí)別率達(dá)到了94.19%［14］。深度卷積神經(jīng)網(wǎng)絡(luò)具有自動(dòng)提取圖像特征，智能化水平明顯提高，可以優(yōu)化識(shí)別流程。但以往的方法在一定程度上存在其局限性，如相關(guān)儀器及操作煩瑣復(fù)雜等，并且大多數(shù)是基于大型養(yǎng)殖動(dòng)物來(lái)進(jìn)行感知，而針對(duì)家蠶飼養(yǎng)特殊而復(fù)雜的養(yǎng)殖環(huán)境和群體發(fā)育狀態(tài)的感知和識(shí)別研究很少，鮮有成功的模型［15］。筆者基于人工智能技術(shù)，利用深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法（DRCNN），對(duì)養(yǎng)蠶復(fù)雜環(huán)境和家蠶不同發(fā)育狀態(tài)及時(shí)感知，對(duì)養(yǎng)蠶數(shù)據(jù)多級(jí)多層融合處理，設(shè)計(jì)智能養(yǎng)蠶管理系統(tǒng)，為推進(jìn)養(yǎng)蠶產(chǎn)業(yè)智慧化、裝備化，提供基本思路和科學(xué)參考［16］。

2 養(yǎng)蠶數(shù)據(jù)分析

2.1 養(yǎng)蠶數(shù)據(jù)特征

養(yǎng)蠶數(shù)據(jù)包含養(yǎng)蠶環(huán)境因子以及家蠶不同變態(tài)發(fā)育階段、生長(zhǎng)發(fā)育的個(gè)體發(fā)育表征、群體典型特征等狀態(tài)與行為以及養(yǎng)蠶環(huán)境設(shè)備運(yùn)行狀態(tài)等信息。養(yǎng)蠶環(huán)境因子涉及養(yǎng)蠶室內(nèi)、外溫度，內(nèi)、外濕度，光線強(qiáng)弱，風(fēng)速，氧氣以及有毒氣體濃度、典型病原微生物數(shù)量等。家蠶生長(zhǎng)發(fā)育狀態(tài)和生長(zhǎng)行為數(shù)據(jù)，主要體現(xiàn)在家蠶的不同變態(tài)發(fā)育階段表征，家蠶幼蟲(chóng)不同齡期的大小、體態(tài)、色澤等典型特征，以及相應(yīng)階段家蠶群體的典型特征、行為類型、單位面積、個(gè)體數(shù)量、色澤均勻度、個(gè)體整齊度、淘汰比率等表征。

2.2 養(yǎng)蠶數(shù)據(jù)識(shí)別

為了能夠?qū)︷B(yǎng)蠶數(shù)據(jù)識(shí)別結(jié)果進(jìn)行驗(yàn)證和評(píng)估，同時(shí)避免樣本訓(xùn)練結(jié)果出現(xiàn)過(guò)擬合，對(duì)養(yǎng)蠶環(huán)境和家蠶發(fā)育狀態(tài)的圖像數(shù)據(jù)集進(jìn)行隨機(jī)抽取樣本，使多源養(yǎng)蠶數(shù)據(jù)經(jīng)過(guò)訓(xùn)練集、測(cè)試集和驗(yàn)證集的多層智能處理，完成評(píng)估模型訓(xùn)練結(jié)果的準(zhǔn)確性。養(yǎng)蠶試驗(yàn)過(guò)程中，通過(guò)遴選特定的農(nóng)業(yè)傳感器，實(shí)時(shí)感知養(yǎng)蠶環(huán)境以及蠶體發(fā)育狀態(tài)等數(shù)據(jù)，運(yùn)用DRCNN 算法，對(duì)多源數(shù)據(jù)分級(jí)融合處理，訓(xùn)練養(yǎng)蠶樣本模式，進(jìn)行養(yǎng)蠶過(guò)程智能監(jiān)測(cè)和調(diào)控，能及時(shí)提供適宜的環(huán)境條件和不同階段養(yǎng)蠶方案，徹底變革傳統(tǒng)養(yǎng)蠶模式，省力省工、智能監(jiān)控、流程規(guī)范、生產(chǎn)安全，深度學(xué)習(xí)技術(shù)，不斷校正標(biāo)準(zhǔn)參數(shù)，優(yōu)化養(yǎng)蠶技術(shù)方案，能大幅度提高養(yǎng)蠶質(zhì)效。

3 研制方案

3.1 設(shè)計(jì)思路

依托大數(shù)據(jù)和人工智能技術(shù)，以養(yǎng)蠶實(shí)景實(shí)況為參照，構(gòu)建養(yǎng)蠶技術(shù)數(shù)據(jù)庫(kù)和智慧養(yǎng)蠶管理系統(tǒng)，實(shí)現(xiàn)養(yǎng)蠶復(fù)雜環(huán)境因子、家蠶不同階段發(fā)育狀態(tài)和生長(zhǎng)行為的全過(guò)程感知、可甄別傳輸和智能化處理。本設(shè)計(jì)以養(yǎng)蠶環(huán)境因子、家蠶發(fā)育狀態(tài)實(shí)景和養(yǎng)蠶過(guò)程進(jìn)度等數(shù)據(jù)的智能感知、深度處理為主要研究對(duì)象，集中解決養(yǎng)蠶環(huán)境和家蠶發(fā)育狀態(tài)等多點(diǎn)分布數(shù)據(jù)的感知、傳輸、監(jiān)測(cè)、提取、處理、存儲(chǔ)、輸出等實(shí)際問(wèn)題，綜合應(yīng)用深度殘差神經(jīng)網(wǎng)絡(luò)算法和多源數(shù)據(jù)融合技術(shù)，實(shí)現(xiàn)養(yǎng)蠶過(guò)程多源數(shù)據(jù)實(shí)時(shí)感知和分級(jí)融合智能處理。系統(tǒng)研制，通過(guò)特定農(nóng)業(yè)傳感器，將養(yǎng)蠶室內(nèi)、外溫、濕度變化，光線強(qiáng)弱，風(fēng)速大小，氧氣濃度、粉塵濃度，有毒氣體濃度等多點(diǎn)復(fù)雜環(huán)境因子和家蠶不同發(fā)育狀態(tài)數(shù)據(jù)，進(jìn)行實(shí)時(shí)采集和智能感知，通過(guò)5G 網(wǎng)絡(luò)傳輸?shù)较到y(tǒng)控制中心，通過(guò)多層數(shù)據(jù)特征提取，應(yīng)用深度殘差神經(jīng)網(wǎng)絡(luò)算法和分級(jí)融合處理，創(chuàng)新數(shù)據(jù)多點(diǎn)分層架構(gòu)處理模式，不斷更新智能感知和樣本訓(xùn)練模型，自動(dòng)豐富養(yǎng)蠶數(shù)據(jù)庫(kù)，增強(qiáng)數(shù)據(jù)采集和處理的精準(zhǔn)度。系統(tǒng)能將處理結(jié)果信息及時(shí)反饋到控制中心電腦界面或手機(jī)客戶終端。用戶可以有預(yù)見(jiàn)性地實(shí)時(shí)對(duì)養(yǎng)蠶全過(guò)程進(jìn)行觀看、查詢、咨詢或調(diào)控，并自動(dòng)生成養(yǎng)蠶日志和管理控制單。

3.2 系統(tǒng)研制

3.2.1 設(shè)計(jì)基礎(chǔ)

本設(shè)計(jì)通過(guò)深度殘差神經(jīng)網(wǎng)絡(luò)構(gòu)建樣本模型來(lái)智能感知和分級(jí)處理多源養(yǎng)蠶數(shù)據(jù)，將深度學(xué)習(xí)綜合算法引入養(yǎng)蠶系統(tǒng)，針對(duì)不同養(yǎng)蠶階段環(huán)境因子和生長(zhǎng)狀態(tài)實(shí)景數(shù)據(jù)，進(jìn)行多源分類分級(jí)處理，通過(guò)多點(diǎn)、多層分布式數(shù)據(jù)智能分析，感知、識(shí)別、校準(zhǔn)、處理、更新數(shù)據(jù)，系統(tǒng)開(kāi)發(fā)平臺(tái)、用戶移動(dòng)端和物聯(lián)網(wǎng)云服務(wù)。系統(tǒng)設(shè)計(jì)包括開(kāi)發(fā)ZigBee 底層協(xié)議棧、編寫(xiě)多源傳感器驅(qū)動(dòng)程序、開(kāi)發(fā)多節(jié)點(diǎn)智能監(jiān)控程序、研發(fā)數(shù)據(jù)提取與殘差神經(jīng)網(wǎng)絡(luò)應(yīng)用程序、整合網(wǎng)關(guān)接入和5G網(wǎng)程序、創(chuàng)建智能養(yǎng)蠶數(shù)據(jù)庫(kù)等。

3.2.2 系統(tǒng)構(gòu)建

系統(tǒng)結(jié)構(gòu)包括多點(diǎn)數(shù)據(jù)感知采集、多源數(shù)據(jù)傳輸處理、數(shù)據(jù)特征降維提取、養(yǎng)蠶樣本模式訓(xùn)練、分級(jí)融合處理更新五個(gè)管理層，每層具備相應(yīng)的功能。多點(diǎn)數(shù)據(jù)感知采集層進(jìn)行養(yǎng)蠶復(fù)雜環(huán)境和家蠶不同發(fā)育狀態(tài)等數(shù)據(jù)的感知、采集和甄別。主要包括遠(yuǎn)程終端RTU 設(shè)備、各類農(nóng)業(yè)環(huán)境傳感器、多點(diǎn)高清網(wǎng)絡(luò)攝像設(shè)備以及網(wǎng)絡(luò)傳輸、交換和中心機(jī)房設(shè)備等?？稍O(shè)置多點(diǎn)參數(shù)報(bào)警閾值，當(dāng)傳感器采集的數(shù)據(jù)超出報(bào)警區(qū)間時(shí)，該點(diǎn)數(shù)據(jù)不被采集和傳輸，同時(shí)，管理者也可獲得網(wǎng)絡(luò)報(bào)警信息，以便對(duì)數(shù)據(jù)采集系統(tǒng)及時(shí)監(jiān)控、檢查和維護(hù)。多源數(shù)據(jù)傳輸處理層包括光纖收發(fā)、網(wǎng)絡(luò)傳輸、數(shù)據(jù)甄別與存儲(chǔ)、樣本模型訓(xùn)練、數(shù)據(jù)校正更新、驗(yàn)證分析輸出等部分。多源數(shù)據(jù)甄別存儲(chǔ)，實(shí)時(shí)更新養(yǎng)蠶技術(shù)數(shù)據(jù)庫(kù)和場(chǎng)景設(shè)備狀態(tài)數(shù)據(jù)庫(kù)，進(jìn)行多點(diǎn)采集數(shù)據(jù)的分級(jí)融合處理和入庫(kù)存儲(chǔ)。數(shù)據(jù)降維提取層通過(guò)軟件補(bǔ)償、數(shù)據(jù)多尺度降維提取、數(shù)據(jù)校正糾偏和離心消除，達(dá)到多源數(shù)據(jù)誤差校準(zhǔn)和智能融合處理的目的。驗(yàn)證分析輸出層由系統(tǒng)管理中心將多源數(shù)據(jù)實(shí)時(shí)感知、甄別、處理和輸出，并能針對(duì)性進(jìn)行搜索、驗(yàn)證、校準(zhǔn)、決策。養(yǎng)蠶樣本模式訓(xùn)練層采用深度殘差神經(jīng)網(wǎng)絡(luò)算法和分級(jí)融合相結(jié)合，提供決策信息及調(diào)控優(yōu)化方案。分級(jí)融合處理校正更新層采用模糊變結(jié)構(gòu)控制方法對(duì)養(yǎng)蠶復(fù)雜數(shù)據(jù)進(jìn)行智能校正更新，以便促進(jìn)多源數(shù)據(jù)融合匹配，維護(hù)養(yǎng)蠶數(shù)據(jù)庫(kù)穩(wěn)定狀態(tài)。用戶介入管理包括實(shí)時(shí)感知、數(shù)據(jù)查詢、參數(shù)優(yōu)化、方案咨詢和規(guī)則更新等。采用AJAX圖表實(shí)時(shí)顯示技術(shù)，對(duì)多點(diǎn)分布采集的多源數(shù)據(jù)智能感知。系統(tǒng)通過(guò)深度學(xué)習(xí)豐富養(yǎng)蠶數(shù)據(jù)庫(kù)，實(shí)現(xiàn)數(shù)據(jù)查詢、驗(yàn)證和改進(jìn)智能化，能夠滿足用戶智能化管理需求［17］。

3.2.3 分布式訓(xùn)練

深度卷積神經(jīng)網(wǎng)絡(luò)算法在養(yǎng)蠶過(guò)程的數(shù)據(jù)采集、圖像分類、方案預(yù)測(cè)等方面都具有強(qiáng)大的功能和很好的應(yīng)用。由于養(yǎng)蠶復(fù)雜環(huán)境和不同發(fā)育過(guò)程數(shù)據(jù)復(fù)雜、數(shù)據(jù)曲線穩(wěn)定性差，且養(yǎng)蠶數(shù)據(jù)容量不夠大，采用殘差網(wǎng)絡(luò)ResNet 微調(diào)的方法訓(xùn)練養(yǎng)蠶樣本學(xué)習(xí)模型，來(lái)滿足系統(tǒng)對(duì)養(yǎng)蠶環(huán)境和家蠶發(fā)育狀態(tài)實(shí)景數(shù)據(jù)的深度學(xué)習(xí)，來(lái)實(shí)現(xiàn)多點(diǎn)分類識(shí)別處理、多層降維提取和分級(jí)融合數(shù)據(jù)。分布式多層訓(xùn)練數(shù)據(jù)來(lái)自養(yǎng)蠶實(shí)景多點(diǎn)采集、專業(yè)網(wǎng)絡(luò)平臺(tái)獲取、開(kāi)發(fā)者知識(shí)規(guī)則以及用戶反饋信息，多層分布式樣本訓(xùn)練，不斷豐富訓(xùn)練集、驗(yàn)證集和測(cè)試集。設(shè)計(jì)對(duì)該樣本模型進(jìn)行遷移學(xué)習(xí)、模型訓(xùn)練及參數(shù)優(yōu)化，再對(duì)所選擇的8 種的驗(yàn)證數(shù)據(jù)進(jìn)行模型識(shí)別驗(yàn)收。該樣本模型具有較高的識(shí)別性能，平均識(shí)別率達(dá)到96.23%，其中卵、幼蟲(chóng)、繭、蛹、蛾等5 種常見(jiàn)家蠶狀態(tài)識(shí)別率可以達(dá)到98.45% ，另外各齡的起蠶、盛食蠶、眠蠶等3 種蠶體齡期狀態(tài)識(shí)別率相對(duì)較低，平均為87.52%?；谝陨向?yàn)證結(jié)果，本系統(tǒng)可以實(shí)現(xiàn)養(yǎng)蠶環(huán)境因子、家蠶發(fā)育階段和蠶體狀態(tài)等多場(chǎng)景常見(jiàn)養(yǎng)蠶特征的智能識(shí)別［18］。通過(guò)不斷加大養(yǎng)蠶環(huán)境因子、不同階段家蠶特征和智能處理運(yùn)行狀態(tài)等數(shù)據(jù)庫(kù)容量，在多源數(shù)據(jù)深度學(xué)習(xí)模型訓(xùn)練過(guò)程中，對(duì)養(yǎng)蠶多點(diǎn)、復(fù)雜數(shù)據(jù)進(jìn)行分類分級(jí)，通過(guò)特征級(jí)、數(shù)據(jù)級(jí)、決策級(jí)之間相互融合提取數(shù)據(jù)，以不斷迭代訓(xùn)練來(lái)尋求最佳樣本訓(xùn)練模型（如圖1）。

圖1 智慧養(yǎng)蠶系統(tǒng)的數(shù)據(jù)感知與處理路線圖

4 功能實(shí)現(xiàn)

4.1 關(guān)鍵技術(shù)

系統(tǒng)關(guān)鍵技術(shù)利用多級(jí)多層卷積神經(jīng)網(wǎng)絡(luò)模型（如圖2）在分類識(shí)別方面的優(yōu)勢(shì)，將其應(yīng)用于養(yǎng)蠶環(huán)境和蠶體狀態(tài)智能識(shí)別中。通過(guò)選取蠶種催青、小蠶（1～3 齡）共育和大蠶（4～5 齡）放養(yǎng)等多場(chǎng)景常見(jiàn)8 種養(yǎng)蠶狀態(tài)，并針對(duì)家蠶不同發(fā)育階段、不同生長(zhǎng)狀態(tài)及群體的形貌特征對(duì)樣本模型進(jìn)行遷移學(xué)習(xí)與參數(shù)優(yōu)化，該樣本模型表現(xiàn)出較高的識(shí)別性能，平均識(shí)別率可達(dá)98.60%以上。目前，已有的部分蠶體識(shí)別系統(tǒng)的綜合識(shí)別率低于90%，相比，本系統(tǒng)設(shè)計(jì)具有明顯優(yōu)越性。本系統(tǒng)在蠶業(yè)行業(yè)“產(chǎn)學(xué)研用”合作的基礎(chǔ)上試驗(yàn)設(shè)計(jì)，以生產(chǎn)需求為導(dǎo)向，將養(yǎng)蠶技術(shù)要素轉(zhuǎn)化方便查詢、咨詢的數(shù)字化知識(shí)和規(guī)則，在養(yǎng)蠶技術(shù)知識(shí)庫(kù)和典型特征標(biāo)準(zhǔn)庫(kù)建設(shè)的基礎(chǔ)上，圍繞多源數(shù)據(jù)分級(jí)融合、樣本學(xué)習(xí)模型構(gòu)建，研制智能化養(yǎng)蠶管理平臺(tái)。系統(tǒng)在實(shí)際養(yǎng)蠶管理的信息智能感知、數(shù)據(jù)融合處理、樣本模型訓(xùn)練、生產(chǎn)過(guò)程監(jiān)控、快速響應(yīng)調(diào)控、決策方案優(yōu)化等方面取得了顯著的成效，顯著提高智能養(yǎng)蠶生產(chǎn)的綜合效益。

圖2 多級(jí)多層卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

4.2 智能感知

依托數(shù)據(jù)智能感知和甄別傳輸技術(shù)，通過(guò)RTU電子設(shè)備，各類養(yǎng)蠶傳感器實(shí)時(shí)對(duì)養(yǎng)蠶環(huán)境因子和家蠶發(fā)育狀態(tài)信息進(jìn)行采集，經(jīng)過(guò)網(wǎng)絡(luò)傳輸系統(tǒng)，完成多源數(shù)據(jù)的融合處理、對(duì)比甄別、學(xué)習(xí)校正、存儲(chǔ)更新。智能感知的數(shù)據(jù)，主要是養(yǎng)蠶環(huán)境因子和家蠶生長(zhǎng)發(fā)育狀態(tài)以及行為的數(shù)據(jù)，包含家蠶的不同變態(tài)發(fā)育階段表征，家蠶幼蟲(chóng)不同齡期的大小、體態(tài)、色澤等典型特征，以及相應(yīng)階段家蠶群體的典型特征等數(shù)據(jù)。智能感知為系統(tǒng)自動(dòng)生成養(yǎng)蠶數(shù)據(jù)庫(kù)打下基礎(chǔ)，該數(shù)據(jù)庫(kù)與養(yǎng)蠶知識(shí)庫(kù)共同形成養(yǎng)蠶大數(shù)據(jù)系統(tǒng)。系統(tǒng)數(shù)據(jù)處理中心，可以及時(shí)提供現(xiàn)場(chǎng)或遠(yuǎn)程的管理信息，或發(fā)出生產(chǎn)安全預(yù)警。試驗(yàn)顯示，標(biāo)準(zhǔn)化養(yǎng)蠶條件下，與現(xiàn)行省力化養(yǎng)蠶模式比較，該系統(tǒng)應(yīng)用，運(yùn)行穩(wěn)定，智能安全，專業(yè)大數(shù)據(jù)增量呈幾何倍數(shù)增加，數(shù)據(jù)采集準(zhǔn)確率達(dá)99.86%以上，養(yǎng)蠶技術(shù)參數(shù)校正率超過(guò)98.53%，生產(chǎn)流程日志清晰，產(chǎn)品質(zhì)量明顯提高。

4.3 數(shù)據(jù)融合

系統(tǒng)在融合處理多個(gè)來(lái)源的養(yǎng)蠶數(shù)據(jù)時(shí)，首先分別對(duì)養(yǎng)蠶環(huán)境因子、蠶體發(fā)育狀態(tài)等每個(gè)數(shù)據(jù)源的屬性進(jìn)行規(guī)范化表達(dá)，包括同義屬性映射和對(duì)屬性值的數(shù)值單位的統(tǒng)一轉(zhuǎn)換，最大程度減少對(duì)后續(xù)數(shù)據(jù)比較融合造成的影響?；陴B(yǎng)蠶數(shù)據(jù)名和數(shù)據(jù)屬性對(duì)多源養(yǎng)蠶數(shù)據(jù)進(jìn)行分塊聚合，設(shè)置同一分塊內(nèi)不同來(lái)源的數(shù)據(jù)的候選匹配實(shí)體對(duì)，避免將多點(diǎn)分布數(shù)據(jù)源中所有的數(shù)據(jù)兩兩間比較，減少計(jì)算復(fù)雜度。系統(tǒng)多源數(shù)據(jù)分別與候選數(shù)據(jù)集進(jìn)行甄別提取，采用數(shù)據(jù)對(duì)齊算法計(jì)算數(shù)據(jù)間的相似度，將匹配得到多源數(shù)據(jù)中描述同一類型的數(shù)據(jù)集，建立多源數(shù)據(jù)源之間同一數(shù)據(jù)的等價(jià)鏈接，并進(jìn)行數(shù)據(jù)屬性的合并，而對(duì)于某個(gè)數(shù)據(jù)源中獨(dú)有的特征數(shù)據(jù)，可以直接添加到知識(shí)庫(kù)中。系統(tǒng)采用多源數(shù)據(jù)融合和數(shù)據(jù)糾偏處理技術(shù)，實(shí)現(xiàn)提前預(yù)警和異常報(bào)警功能，系統(tǒng)運(yùn)行容錯(cuò)性和魯棒性大大增強(qiáng)［19］。

4.4 智能控制

對(duì)于養(yǎng)蠶復(fù)雜環(huán)境因子和家蠶不同階段生長(zhǎng)狀態(tài)數(shù)據(jù)，系統(tǒng)都能夠?qū)崟r(shí)采集、識(shí)別、傳輸、存儲(chǔ)、更新。生產(chǎn)主體可以通過(guò)遠(yuǎn)程移動(dòng)終端查詢或監(jiān)視實(shí)時(shí)數(shù)據(jù)、生產(chǎn)場(chǎng)景、技術(shù)參數(shù)、智能決策、優(yōu)選方案等智能管理事項(xiàng)，基本實(shí)現(xiàn)養(yǎng)蠶全過(guò)程智能管理，可以及時(shí)反饋養(yǎng)蠶過(guò)程中出現(xiàn)的系列問(wèn)題，通過(guò)數(shù)據(jù)中心深度學(xué)習(xí)處理分析，嘗試精準(zhǔn)操作，實(shí)現(xiàn)對(duì)養(yǎng)蠶環(huán)境因子自動(dòng)監(jiān)測(cè)控制，對(duì)家蠶不同發(fā)育狀態(tài)精準(zhǔn)判斷，輸出養(yǎng)蠶各階段技術(shù)處理措施，從而驅(qū)動(dòng)智能裝備自動(dòng)化操作。養(yǎng)蠶環(huán)境變化、蠶體發(fā)育狀態(tài)、養(yǎng)蠶技術(shù)參數(shù)和設(shè)備運(yùn)行狀況，實(shí)時(shí)通過(guò)電腦監(jiān)控界面顯示、記錄、更新，管理者可以通過(guò)控制中心平臺(tái)或移動(dòng)終端查看或調(diào)取信息，可以通過(guò)網(wǎng)絡(luò)在線，實(shí)時(shí)巡查到相關(guān)基地、某個(gè)養(yǎng)蠶生產(chǎn)實(shí)況，實(shí)現(xiàn)多點(diǎn)無(wú)人值守、安全預(yù)警觸動(dòng)、關(guān)停設(shè)備運(yùn)行、流程日志管理、過(guò)程智能控制。

4.5 決策優(yōu)化

經(jīng)管理者授權(quán)，系統(tǒng)自動(dòng)調(diào)節(jié)智能設(shè)備的運(yùn)行狀態(tài)，精準(zhǔn)調(diào)節(jié)養(yǎng)蠶環(huán)境因子，并對(duì)臨界溫濕度、節(jié)點(diǎn)溫濕度、光照強(qiáng)弱、有毒氣體等養(yǎng)蠶關(guān)鍵因子進(jìn)行智能感知、實(shí)時(shí)監(jiān)控、及時(shí)調(diào)節(jié)或發(fā)布運(yùn)行預(yù)測(cè)預(yù)警。系統(tǒng)通過(guò)不同階段家蠶發(fā)育狀態(tài)樣本學(xué)習(xí)訓(xùn)練和特征數(shù)據(jù)分級(jí)融合處理，有針對(duì)性地優(yōu)化精準(zhǔn)養(yǎng)蠶方案，包括提供環(huán)境因子水平、發(fā)育階段進(jìn)程、標(biāo)準(zhǔn)參數(shù)校正、生長(zhǎng)發(fā)育預(yù)測(cè)、桑葉（飼料）供給、技術(shù)方案選優(yōu)、操作仿真模擬等智能模式。通過(guò)設(shè)置數(shù)據(jù)中心與養(yǎng)蠶技術(shù)知識(shí)、養(yǎng)蠶數(shù)據(jù)特征、養(yǎng)蠶模式標(biāo)準(zhǔn)等數(shù)據(jù)庫(kù)的對(duì)接，順利將養(yǎng)蠶專業(yè)技術(shù)納入深度學(xué)習(xí)智能管理系統(tǒng)，實(shí)現(xiàn)養(yǎng)蠶全過(guò)程智能感知與融合處理。系統(tǒng)應(yīng)用，不僅實(shí)現(xiàn)了養(yǎng)蠶生產(chǎn)的智能監(jiān)控和技術(shù)管理，更重要是能優(yōu)化養(yǎng)蠶技術(shù)方案，徹底變革養(yǎng)蠶管理模式，大幅度提高養(yǎng)蠶智能化、數(shù)字化水平。

5 結(jié)語(yǔ)

5.1 優(yōu)勢(shì)與不足

系統(tǒng)設(shè)計(jì)基于大數(shù)據(jù)和人工智能技術(shù)，結(jié)合智能化養(yǎng)蠶生產(chǎn)需求開(kāi)發(fā)構(gòu)建，主要應(yīng)用了農(nóng)業(yè)物聯(lián)網(wǎng)、數(shù)據(jù)挖掘提取、深度學(xué)習(xí)算法、多源數(shù)據(jù)融合等技術(shù)，實(shí)現(xiàn)養(yǎng)蠶復(fù)雜過(guò)程精準(zhǔn)化、智能化監(jiān)控和管理。系統(tǒng)設(shè)計(jì)構(gòu)建了基于智能感知和多級(jí)多層數(shù)據(jù)融合處理的深度殘差神經(jīng)網(wǎng)絡(luò)養(yǎng)蠶模型。設(shè)計(jì)通過(guò)對(duì)養(yǎng)蠶環(huán)境因子、蠶種催青、小蠶共育、大蠶放養(yǎng)等多場(chǎng)景特征識(shí)別驗(yàn)證中，對(duì)于養(yǎng)蠶數(shù)據(jù)庫(kù)中已有養(yǎng)蠶特征出較高的識(shí)別性能，具有明顯優(yōu)勢(shì)。然而，該系統(tǒng)的養(yǎng)蠶特征數(shù)據(jù)庫(kù)種類不多，還不能做到完全識(shí)別實(shí)際養(yǎng)蠶過(guò)程中所有的生產(chǎn)場(chǎng)景數(shù)據(jù)，還需要進(jìn)一步完善養(yǎng)蠶識(shí)別數(shù)據(jù)庫(kù)并加強(qiáng)樣本模型訓(xùn)練學(xué)習(xí)，提高系統(tǒng)智能識(shí)別的實(shí)效性。系統(tǒng)強(qiáng)化了養(yǎng)蠶樣本模型學(xué)習(xí)訓(xùn)練，增強(qiáng)了多源數(shù)據(jù)融合處理的質(zhì)量，也為研發(fā)或遴選智能裝備提供了兼容管理平臺(tái)。但仍然存在各類養(yǎng)蠶識(shí)別數(shù)據(jù)庫(kù)容量不足、環(huán)境因子復(fù)雜、發(fā)育階段差異較大、數(shù)據(jù)特征微小多樣、農(nóng)業(yè)傳感器精準(zhǔn)度不高、配套智能裝備缺乏、算法優(yōu)化不夠、數(shù)據(jù)融合維度有限、數(shù)據(jù)冗余多等諸多問(wèn)題。

5.2 進(jìn)一步研究方向

系統(tǒng)研究與應(yīng)用，仍需要在蠶體生物特征可視化自動(dòng)識(shí)別技術(shù)、復(fù)雜數(shù)據(jù)特征提取算法、多源數(shù)據(jù)分級(jí)融合處理、深度學(xué)習(xí)樣本模型等方面深入研究。同時(shí)，需要加快研發(fā)或遴選養(yǎng)蠶適配傳感器和自動(dòng)化養(yǎng)蠶機(jī)械設(shè)備，提高數(shù)據(jù)感知精準(zhǔn)度和智能化處理能力，充分運(yùn)用數(shù)據(jù)清洗、尺度轉(zhuǎn)換、關(guān)聯(lián)分析等技術(shù)，開(kāi)展養(yǎng)蠶大數(shù)據(jù)差異設(shè)計(jì)，增強(qiáng)特征描述的準(zhǔn)確性、數(shù)據(jù)過(guò)濾和特征提取針對(duì)性，優(yōu)化深度學(xué)習(xí)綜合算法，進(jìn)一步提高養(yǎng)蠶數(shù)據(jù)智能感知和多源數(shù)據(jù)融合處理能級(jí)，不斷提升養(yǎng)蠶管理數(shù)字化水平以及人工智能管理的指令響應(yīng)速度。