基于云-霧-邊人工智能算法的溧陽青蝦智慧養殖控制平臺研究

穆 迪，史永祥，李 杰，吳 旻，王 煜，蔣怡靜，雷 杰

(國網溧陽供電公司，江蘇 常州 213300)

0 引言

隨著科學技術的不斷發展，物聯網技術和人工智能技術不斷被應用于水產養殖中。青蝦的養殖技術也需要更新升級，適應新環境和新要求，而建設智慧型水產養殖系統就是為了更加方便、有效、實時監控水產養殖池塘環境和青蝦的生長情況，提高養殖效率和效益[1]。

目前，青蝦的養殖主要面臨以下問題[2-3]：青蝦的養殖場所主要集中在偏遠地區且不方便養殖人員的長期駐場，因此發生意外事件時，人員不能及時發現并且處理，會造成一定的經濟損失；目前養殖場飼料的投喂模式是以人工為主，勞動強度大且效率不高，容易產生投喂均勻度不夠的現象。

因此本項目將物聯網[4]、無線通信技術及人工智能技術相融合，可以遠距離增加養殖池塘內的氧氣含量、智能投喂飼料、檢測青蝦的生長狀況等，出現問題時也能進行預報預警。構建青蝦智能養殖模式的內容包括水質在線監測系統、水上水下視頻監控系統、智能投餌、智能增氧、信息全景展示、基于人工智能AI大數據養殖策略系統。通過本平臺建設，將實現青蝦養殖過程的實時在線監測和精準調控，大大提升養殖基地的信息化、自動化和智能化水平，降低生產成本，提高勞動生產率、資源利用率和管理效率，提升水產品質量等級和市場競爭力。

1 系統設計

溧陽智慧養殖示范青蝦塘采用云端控制方式，即采用霧計算節點(DTU)實現物理鏈路，大幅降低現場物聯網網關成本。基于云-霧-邊人工智能AI算法智慧養殖策略控制模塊采用云-霧-邊的通信架構，包括云端總控平臺、每個蝦塘的DTU、邊緣感知和控制器件(電壓和電能質量監測傳感器、水泵控制裝置等)，通過加密的MQTT廣播協議進行通信。邊緣端設備完成相關信息和數據的采集；水產養殖(蝦塘)本地通過云端的優化控制決策命令和水體實時量測信息對各個用電設備進行控制，以達到預想效果；云端完成系統級數據分析，優化控制決策、數據收集和統籌管理功能，對每個蝦塘的相關控制閾值和工作模式進行設置和命令下發。系統整體的拓撲結構，如圖1所示。

圖1 云-霧-邊協同優化控制系統拓撲結構

1.1 邊緣節點

水質的好壞與魚蝦蟹類的成長性有著密切的關系，應把水產養殖過程中的水質分析貫徹到整個水產養殖的過程中。通過水質的測量，隨時把握水質的情況以及變化趨勢，能夠及時做調整，保持水質的穩定良好，并且做好詳細的數據記錄。通過做出數據分析，更能了解水質環境狀況，做到綠色養殖。數據化分析將成為未來科學養殖的發展趨勢。因此，青蝦塘需要通過安裝水質傳感器，采集區域溶解氧值、pH、氨氮等相關水質數據。

水質傳感器會持續上傳其監測到的水質信息供霧節點分析處理及云平臺供用戶查看，這種數據量是十分龐大的，會給云服務器造成過大的壓力。因此，本平臺設計了邊緣節點，會在本地處理大部分冗余數據。本平臺的邊緣節點是指在靠近青蝦塘的網絡邊緣側構建的業務平臺，提供存儲、計算、網絡等資源，將部分關鍵業務應用下沉到接入網絡邊緣，以減少網絡傳輸和多級轉發帶來的寬度和時延損耗。邊緣節點相比云數據中心，具有小型化、分布式和更貼近青蝦塘的特點，海量的數據無須再上傳至云端進行處理，實現在網絡邊緣側對數據的處理。

水質在線監測系統具體功能如下：

(1)實時監測養殖水與多參數(pH、溶氧、氨氮)功能；(2)實時顯示水質的數據，并可以查看歷史數據及數據分析結果；(3)當養殖水體中的尾水數值達到臨界值時報警(觸控鍵入設定每個測量單元的最低和最高值范圍，低于最低值或者高于最高值，系統將自動報警)，報警信息以短信的形式發送到用戶手機。

1.2 霧計算節點

水體中的溶解氧是青蝦賴以生存的最重要指標，它不僅影響青蝦的生存、生長、發育、繁殖，還影響餌料報酬及飼料系數的高低；水體中的溶解氧與青蝦的生存、生長關系密切，池水溶解氧高可以提升養殖動物的食欲，提高飼料的利用率，加快生長發育。反之，水中的溶解氧低，青蝦攝食率和飼料利用率就會受到不同程度的抑制。養殖水體中的溶解氧是水質管理中最重要的指標之一。當水質傳感器的數據發送到霧計算節點時，霧計算節點會直接分析判斷當前水中含氧量是否滿足青蝦的生長條件，不滿足就會自動開啟設備改善，并向用戶報警。

本平臺的霧計算環境由傳統的網絡設備組件，如路由器、開關、機頂盒、本地服務器、基站等構成，安裝在離物聯網終端設備和傳感器較近的地方。這些組件可以提供不同的計算、存儲、網絡功能，支持服務應用的執行，一些與青蝦塘直接相關的傳感器數據，不需要上傳到云服務器，直接在霧計算節點即可做決策。增氧系統詳細功能如下：

(1)增氧控制功能，系統自動增氧及遠程控制增氧機的開關，對增氧的速率進行調節，實現遠程化智能增氧；(2)增氧設備管理功能，對增氧機進行每日檔案管理，記錄增氧機情況、增氧時間、管理人員、上傳時間等信息，實時掌控增氧情況；(3)增氧數據統計，對增氧機每日增氧、增氧時間等數據進行信息統計，便于后期的展示分析。

1.3 部署實例

本平臺以互聯網為媒介，將云服務器與各青蝦塘連接起來。用戶可以直接以網站訪問或者收集App的模式連接服務器，查看自己青蝦塘的各種狀況，發現問題就可以直接解決問題。在蝦塘場地，氣象監測儀的數據可以直接通過互聯網傳輸到云服務器供用戶查看，另外在青蝦塘部署的各種傳感器和設備會經過本地化決策后，再將結果上傳到云服務器，這樣就大大減少了服務器的壓力，整個平臺的部署實例如圖2所示。

圖2 部署實例

2 平臺設計

2.1 基于云-霧-邊人工智能AI算法云平臺設計

云平臺以軟件形式部署在云計算服務器或者外部可以訪問的服務器(如阿里巴巴云平臺)上，云平臺數據流如下所示。各個青蝦塘設備數據通過霧節點(本地物聯控制器)按照一定的Topic和格式(JSON)發送至MQTT Broker，云平臺后端程序通過訂閱同一個MQTT的Topic，收取所有青蝦塘發來的數據。首先進行數據整理，根據每項數據的特定識別碼、時間、類型的不同，寫入各自數據表(實例中用的是Postgresql數據庫)，如水溫、pH、溶氧量、用電設備狀態等；前端軟件從數據庫里讀取實時數據和歷史數據，進行數據展示；同時，通過人工智能算法和設定的控制參數和目標，自動將指令下發至本地控制器，下行命令通過MQTT向各個蝦塘的霧計算節點，通過不同的Topic發送，各個青蝦塘本地控制系統按照本地設置的Topic進行查收，并執行云端命令。整個數據流如圖3所示，云平臺的部署實例如圖4所示。

圖3 云平臺軟件數據流

圖4 云平臺軟件部署實例

2.2 手機App設計

為了方便用戶使用，開發相應的手機App。主頁界面將包括水質檢測實時顯示、水質曲線歷史數據分析、設備手動控制界面等基本功能模塊，如圖5a所示。在水質檢測模塊中實時顯示各個池塘的測量信息(溶氧、水溫、pH等)，如圖5b所示。在水質曲線模塊中統計分析各個池塘的測量信息(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律，如圖5c所示。設備控制模塊可以對增氧機等設備進行開關控制，如圖5d所示。

圖5 App效果圖

3 基于云-霧-邊人工智能AI智慧養殖策略

在本系統中基于云-霧-邊人工智能AI智慧養殖策略如下：對投放飼料后的水下場景使用潛航器進行拍攝，對采集到的圖像用基于深度卷積神經網絡的雙線性細粒度圖像分類算法進行識別，輸出所拍水下場景的水質等級。

3.1 水下投飼效果圖片場景定義

飼料投入水中后：投放過多，飼料會溶解在水中，破壞水質；投放少了，會影響養殖產品的生長。針對飼料被吃的情況，將場景劃分為3個等級[5]，如表1所示。

表1 水質分級

水質等級劃分可根據飼料的不同形態和養殖場的需求具體劃分，以不溶于水的魚肉為例,如圖6所示：一級水質為不含魚肉的殘渣；二級水質為含魚肉3塊以內的場景；三級水質為含魚肉3塊以上的場景。

圖6 水質等級示意

3.2 深度卷積神經網絡

卷積神經網絡(Convolutional Neural Network，CNN)屬于前饋神經網絡的一種，其特點是每層的神經元節點只響應前一層局部區域范圍內的神經元(全連接網絡中每個神經元節點則是響應前一層的全部節點)。一個深度卷積神經網絡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。卷積運算主要用于處理網格結構的數據，因此，CNN天生對圖像數據的分析與處理有著優勢[6]。

近年來，深度卷積神經網絡展現了其強大的能力，在各個領域取得了卓越的效果，針對特有場景微調已訓練好的深度神經網絡模型已經成為一種趨勢。目前比較常用的深度卷積神經網絡有LeNet，AlexNet，VGG，Inception，Xception，Resnet等，其中VGG網絡結構采用連續的小卷積核代替較大卷積核，以獲取更大的網絡深度，使得在相同感受野情況下VGG可以達到更大的網絡深度。VGG16深度卷積網絡模型共有16層，其中包括13個卷積核為3×3的卷積層，3個全連接層。在每個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即表示該網絡層數為50。

3.3 基于細粒度分類的水質識別算法

水下場景具有一定的特殊性，正常水里會包含各種雜質，要想順利地將飼料從正常水質區分出來，最重要的是在圖像中找到能夠區分兩者的區分性的區域塊，并能夠對這些有區分性的區域塊特征進行較好的表示。

因此，識別方案采用基于深度卷積神經網絡的雙線性細粒度圖像分類算法[7-8]，該算法對類別精度的區分更加細致，且可以借助微小的局部差異區分出不同的類別，算法框架如圖7所示。整個框架是一種雙流體系結構，由兩個特征提取器組成，輸出在圖像的每個位置使用外積相乘并合并以獲得圖像描述符。該體系結構以平移不變的方式對局部成對的特征相互作用進行建模，這對于水下場景是否含有飼料殘留特別有用。

其中，以深度卷積神經網絡A和深度卷積神經網絡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,對于圖像I在位置l的兩個特征fA(l,I)∈RI×ca和fB(l,I)∈RI×cb進行如下操作：

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不同的另外一個網絡。在該方法中，首先對兩個特征在每個location上(共有h×w個location)的c維向量做外積融合得到矩陣b,對所有location上的b做和池化得到矩陣?(因為最大池化損失的信息量最少),再把?拉伸成cacb維向量x,記為bilinear vector，最后對x作符號平方根運算得到y，對y做L2歸一化得到最終特征z輸入分類網絡進行分類。

圖7 細粒度圖像分類算法框架

4 結語

溧陽青蝦智慧養殖示范工程采用基于AI技術的云-霧-邊通信架構云端控制平臺開創了高端水產養殖數字化、智能化、高效率、高產出的先河，畝產青蝦從年均150斤增加到300斤以上。