基于多傳感器數據融合的海洋牧場實時監測系統

劉小飛， 李美滿， 詹志炬

（廣東理工職業學院人工智能學院， 廣州 510091）

0 引 言

近年來，國家加強海洋強國戰略的實施，持續推動海洋經濟的發展，提高海洋生態環境的保護。 其中，調整和優化海洋傳統產業，推動海洋產業科技創新，實施“互聯網＋”現代漁業行動，提升海洋漁業信息化水平成為發展的重點。 海洋牧場的建設成為了海洋漁業資源可持續發展、海洋生態環境保護的重要舉措［1－2］。 海洋牧場是指在一定的海域內，利用自然的海洋生態環境，通過人工魚礁、增殖放流等措施，對魚、蝦、貝、藻等海洋生物資源進行有計劃、有目的的海上放養，實現漁業資源可持續利用的漁業模式［3］。 海洋牧場在中國海洋漁業轉型升級中扮演著重要的角色，為漁業資源持續穩定增長提供了重要保障［4］。

在海洋牧場中，水質、氣象、水文等狀況直接影響著水生生物的分布和生長，是決定海洋牧場水產品產量和質量的關鍵因素。 對海洋牧場進行監測，能夠及時了解和掌握海洋牧場環境和資源質量及發展趨勢的全過程。 通過監測獲得的各項指標和數據，為海洋牧場的管理提供科學的依據。 目前，國內學者在海洋牧場的環境監測方面開展了一系列研究。 如：花俊等［5］針對海洋牧場的水質狀況設計了一套海洋牧場遠程水質監測系統，針對溶解度、溫度、濁度、pH 值等關鍵水質參數進行實時監測。 邢旭峰等［6］設計了一套海洋牧場環境信息綜合監測系統，利用自制的浮標平臺，對海洋牧場的環境因子和水下生物進行實時監測。 石堯等［7］提出了一種海洋牧場多參數智能監測系統，對海洋牧場中的水溫、pH 值、濁度進行監測。 張娜等［8］設計了一套基于物聯網的水質監測系統，對水質中的pH 值進行監測，提升了pH 值采樣的精度。 謝鑫剛等［9］設計了海洋牧場自動監測系統，利用浮標和無人船，對海洋牧場的多環境因子和水下生物進行長時間的實時監測。 以上研究均是針對海洋牧場中單個環境因子進行監測，獲取的是單一傳感器的數據。 然而，在海洋牧場中，生態環境影響是由多個環境因子累積而成，而不是由單個環境因子進行簡單的疊加，僅通過對獲取的單一環境因子監測數據進行分析存在著一定的局限性。 因此，研發應用于監測海洋牧場多個環境因子，并對獲取的數據進行融合，為海洋牧場養殖提供科學數據的實時監測系統，具有重要的現實意義。

本文根據海洋牧場科學管理及可持續發展的建設需求，利用傳感器技術實現了海洋牧場環境智能監測系統。 該系統通過采集海洋牧場各類環境因子數據，不僅對單一環境因子同類數據進行數據融合，還對多環境因子異類數據進行融合，最后將數據進行實時呈現，并實現自動預警的功能。 以此提高海洋牧場生態環境監測的準確性和可靠性，為科學管理提供依據，并提升海洋牧場漁業的產量和質量。

1 系統總體架構

海洋牧場環境監測系統是一個集環境數據采集、數據傳輸、實時監測、自動預警、歷史數據查詢等功能于一體的海洋牧場智能監測系統。 如圖1 所示，海洋牧場智能監測系統由數據采集模塊、數據監測終端、數據處理中心3 部分組成。 數據采集模塊位于系統的前端，由控制器、傳感器數據處理模塊和各類傳感器組成，主要進行各類海洋牧場環境數據采集。 傳感器主要包括：（1）進行水質檢測的鹽度、濁度、葉綠素等傳感器；（2）進行水文檢測的水溫、pH 值、溶氧等傳感器；（3）進行氣象檢測的氣溫、氣壓、風速等傳感器。一個控制器和傳感器數據處理模塊可以連接多個不同類型的傳感器，通過傳感器地址寄存器來區分傳感器的類型。 數據監測終端每間隔一段時間將采集到的數據上傳到數據處理中心。 數據處理中心對采集的數據進行過濾、清洗、融合，并將各個傳感器的數據和預警數據實時呈現在監控大屏上。 用戶可以通過PC 端和手機端查看各項數據，并可進行簡單的設置；管理員可以通過系統后臺對用戶、控制器、傳感器和牧場信息進行管理和控制。

圖1 海洋牧場環境監測系統拓撲圖Fig. 1 Topology of marine ranch environmental monitoring system

2 系統硬件設計

2.1 系統通信處理

控制端通過RJ－45 接口與傳感器數據處理模塊連接；傳感器數據處理模塊通過RS485 串口與繼電器控制模塊連通，對獲取的數據進行上傳，繼電器控制模塊對各類傳感器進行供電。 系統通訊結構如圖2所示。 硬件之間通過Modbus 協議進行通信，Modbus協議是應用于電子控制器上的一種通用語言，在Modbus 網絡上進行通信時，每個控制器根據設備的地址，識別發來的消息，不同的消息會產生不同的行動。 設備插入網線并接入12V 電源，即可接入物聯網。 根據Modbus 協議的特點，控制端與傳感器之間采用主從方式，控制端作為主設備發送指令信息，傳感器獲得指令進行回應。 控制端每間隔一段時間發送MODBUS RTU 讀取命令，去讀取傳感器數據信息或控制傳感器。 每個MODBUS 幀包括地址域、功能域、數據域、錯誤檢測域，每兩個字符之間的發送或接收的時間間隔有一定的要求，一般不能超過1.5 倍字符傳輸時間，否則傳輸就會產生錯誤。 主發送指令包括：從設備傳感器地址、功能碼、起始寄存器地址、寄存器個數、CRC 校驗；傳感器應答包括：傳感器地址、功能碼、數據長度、數據、CRC 校驗。 傳感器類型的不同，發送的控制指令也不同，如數值型傳感器在發送指令的同時，需要接收傳感器返回的指令數據；對于開關型傳感器，則僅發送開關型指令對傳感器進行控制。

圖2 系統通信結構圖Fig. 2 System communication structure

2.2 控制器硬件設計

如圖3 所示，控制器由單片機最小系統、繼電器控制輸出電路、RS485 接口驅動電路、電源電路、單片機電源引腳、模擬量輸入電路、開關量檢測電路等組成。 其中，單片機最小系統是控制器的核心，控制著信號指令的發送和傳感器數據的傳輸；繼電器控制輸出電路，用來控制一些外部設備的開關，如傳感器電源，在不需要檢測的時候，可以關閉電源降低功耗。本項目中使用的傳感器大致分為3 類：

圖3 控制器電路圖Fig. 3 Controller circuit diagram

（1）開關型傳感器：此類傳感器通過開關量檢測電路控制，如補光傳感器。

（2）模擬量輸出型傳感器：傳感器將信號轉換為電壓信號輸出，模擬量輸入電路將電壓信號進行處理，然后通過AD 轉換讀入單片機，再換算成對應的溫度、壓力值。

（3）數值輸出型傳感器：在此項目中通過RS485 串口通信和Modbus 協議將對應的傳感器數據讀入單片機，再進行換算成對應的環境檢測值。

3 系統數據融合關鍵技術研究

3.1 數據融合模型

傳感器在采集數據的過程中，受到傳感器精度、傳輸誤差、環境噪聲和人為干擾等因素的影響，使其獲得的數據存在不確定性。 在實際的數據測試中，傳感器所處的位置不同，獲取同一環境因子的值也會存在一定的偏差。 為了減少測量帶來的偏差，提高數據的準確性，一方面通過改進傳感器的設計工藝，提升其測量的精度；另一方面，通過對獲得的檢測數據進行融合處理，得到比單一數據更準確的數據和結果。 多源數據的融合按照數據融合的層級分為數據級融合、特征級融合、決策級融合。 數據級融合就是對傳感器獲得的原始數據進行融合處理；特征級融合是在數據級融合的基礎上，提取特征信息，對各組信息進行融合；決策級融合是高層次的融合，進行局部融合處理［10］。 本項目根據源數據的特點和用戶的需求，主要進行數據融合和特征融合，數據融合模型如圖4 所示。 首先對單個傳感器獲得海洋牧場環境因子數據進行預處理，去除臟數據和異常數據之后，對預處理后的數據進行數據級融合，獲得更為準確的單環境因子數據。 最后，將數據級融合后的單環境因子數據作為輸入進行特征級融合，形成關于海洋牧場環境檢測的決策數據。 決策數據主要包含正常、預警、警報3 種數據，以此來提高海洋牧場環境數據測量的準確性和預警的正確性。

圖4 數據融合模型Fig. 4 Data fusion model

3.2 基于信任度模型的同類傳感器數據融合

在海洋牧場環境監測中，通過部署多個控制器對不同目標區域進行監測，每個控制節點最多可以集成16 種不同類型的傳感器。 同類傳感器數據融合，是對監測同一海洋牧場環境因子的多個傳感器獲得的數據進行融合，可以避免部分傳感器的監測失靈或出現偏差對監測值的影響。 目前，傳感器數據融合的常用方法有基于隨機類方法的加權平均法、多貝葉斯估計法，以及基于人工智能類的神經網絡、模糊邏輯理論等方法［11］。 針對同類多個傳感器數據融合的問題，本項目采用基于信任度模型的同類多傳感器數據融合方法。 對每個傳感器采集的數據定義一個可信區間，若數據不在可信區間內，則不能被融合；若某些數據在可信區間內且相互接近，則可以融合。 算法的基本思路是，定義一種模糊型指數信任度函數，對傳感器測試所得數據進行量化，通過矩陣度量各傳感器的數據得到一個綜合信任度，最后分配測得數據在融合過程中所占權重，具體實現過程如下：

（1）設多個傳感器測量同一環境因子，第i個傳感器獲得數據為xi，第j個傳感器獲得數據為xj。 如果xi的真實性越高，xi的信任度就越高。

（2）定義一個信任度函數bij，表示xi被xj信任程度。

其中，0 ≤f≤1，融合上限mij ＞0。

（3）避免受主觀因素的左右，定義指數函數bij，設當xi和xj兩個傳感器的差值大于上限值M，兩傳感器之間不再信任，則bij＝0。

（4） 設對同一環境因子測量的傳感器有n個，根據以上信任度函數bij，可以得到信任度矩陣B。

在矩陣B中，對于第i行元素，若值較大，則表示第i個傳感器測試的數據為真實數據的可能性較大；反之，真實數據的可能性較小。

（5） 用wi表示第i個傳感器測得數據xi在融合過程中所占權重，利用wi對xi進行加權求和，得到數據融合的表達式如下：

（7）當bij≥0，則信任度矩陣B為非負矩陣，該B矩陣中存在一個最大特征值λ ＞0，使得λA＝BA。 因此計算出λ及對應的特征向量A，使得ai≥0，則W＝λA可以作為各傳感器測得數據間綜合信任程度的度量，即：

對wi進行歸一化處理，得到

3.3 基于BP 神經網絡的異類傳感器數據融合

在實際的海洋牧場環境監測中，水質、水文、氣象等數據由多個環境因子決定。 因此，需要對單個環境因子融合后的數據做進一步的數據融合，根據融合后的結果來預測海洋牧場水質、水文、氣象等狀況的好壞。 BP 神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。 通過樣本數據的訓練，對訓練結果與預想結果進行誤差分析，不斷的修正權值和閾值，使輸出結果不斷的逼近期望值。 本項目采用BP 神經網絡算法進行異類傳感器的數據融合，在此僅考慮水質、水文、氣象內部數據的融合，不考慮水質、水文、氣象環境因子之間的影響。 下面以水質數據為例，介紹其融合過程。

（1）數據輸入：將融合后的水溫、鹽度、葉綠素、pH 值、溶氧、濁度等水質數據指標作為輸入，將融合后的水質數據作為輸出。

（2）建立BP 網絡模型進行訓練，BP 網絡由輸入層、隱藏層和輸出層組成，在BP 網絡采用作為傳遞函數， 誤差反傳函數為其中Oi為網絡的計算輸出，Ti為期望輸出，不斷調整網絡權值和閾值使誤差函數E達到極小。

（3）模型求解：將水質數據的各個環境指標作為輸入層，節點數為6；輸出層為預測結果，節點數為3。 本文建立了一個3 層的BP 網絡的預測模型，模型中只有一個隱藏層、多個輸入、單個輸出。 參照經驗公式得出隱藏層神徑元的個數，公式中的n為輸入層神徑元個數，m為輸入層個數，a為［1，10］ 之間的常數。 本項目隱藏層神徑元選用5 個，選擇函數tansig 和logsig 分別作為隱藏層神徑元和輸出層神徑元的激勵函數。 通過上述模型計算，其結果即為融合后的水質值，將計算出的水質值與水質“正常、預警、警報”3 種狀況的閥值進行比較，最終得出海洋牧場水質的預警結果。

4 實驗結果分析

4.1 樣本訓練

使用Matlab 中的BP 神徑網絡工具進行訓練，以水質數據融合為例，各參數設置見表1。 針對3種情況分別利用1 000 個樣本進行訓練，100 個樣本進行驗證。 在樣本訓練過程中，在對應“正?！睜顟B下，輸入向量M＝（M1，M2，M3，M4，M5，M6）。 其中M1－ M6 分別代表水溫、鹽度、葉綠素、 pH 值，溶氧、濁度正常狀態的樣本值。 輸出向量為N＝（1. 000， 0. 000，0. 000），訓練目標值為0.001，訓練次數為1 000 次。 將輸出值與驗證值進行對比驗證，判斷訓練的效果；最后用訓練好的BP 神經網絡對海洋牧場中監測的水質數據進行判斷。

表1 神經網絡參數設置Tab. 1 Parameter settings of neural network

4.2 結果分析

本項目通過在某海洋牧場進行測試與試運行，監測平臺數據展示每隔15 min 獲取一次海洋牧場的監測數據，由于獲取的數據量大，數據的存取采用非關系型數據庫mongodb 進行存取，數據查詢時使用Redis 進行數據緩存。 融合后的水質、氣象、水文等各參數指標實時呈現，控制設備的在線與離線情況實時展現，報警值以短信和平臺兩種形式展示，報警處理記錄實時在平臺中呈現。

以海洋牧場環境因子濁度為例，隨機連續獲取15 天的濁度數據，將同類傳感器融合的數據、人工檢測和單個傳感獲得的數據進行對比。 結果表明，同類傳感器融合后的數據更接近于人工檢測獲得的數據，獲得數據的準確性有了大幅度的提升。 傳感器檢測結果如圖5 所示。

圖5 傳感器檢測值對比Fig. 5 Comparison of sensor detection values

連續統計15 天內海洋牧場的報警情況，對通過單個環境因子值和數據融合后的報警次數進行分析。 如圖6 所示，數據融合后的報警正確性次數遠高于通過單值進行簡單判斷的次數，更接近于正確的報警次數。 因此，多傳感器的數據融合在海洋牧場環境監測中取得了一定的效果。

圖6 報警情況對比Fig. 6 Comparison of alarm conditions

5 結束語

本文針對現有海洋牧場環境監測的不足，研究基于多傳感數據融合的監測平臺，利用信任度模型對同類傳感器數據進行融合，利于BP 神經網絡對異類傳感器的數據進行融合。 目前該平臺已在海洋牧場中試運行，并取得了一定效果。 但是，該平臺在性能和數據的準確性方面還存在一些不足，下一步將繼續優化模型，提高數據檢測的準確性，為海洋牧場的科學管理提供更可靠的數據，以此來提高海洋牧場水產的產量和質量。