張海峰 李楊 張宇 宋麗娟 唐立新 畢洪文

摘? ?要：棚室蔬菜產(chǎn)業(yè)在黑龍江省農(nóng)業(yè)轉(zhuǎn)方式、調(diào)結(jié)構(gòu)和供給側(cè)改革中占有重要的戰(zhàn)略地位。黑龍江省棚室蔬菜生產(chǎn)規(guī)模近年來發(fā)展較快，技術(shù)支撐需求也與日俱增。本研究針對(duì)黑龍江省棚室蔬菜發(fā)展規(guī)模與技術(shù)服務(wù)支撐能力不匹配的現(xiàn)狀，提出了基于云服務(wù)的棚室蔬菜智能終端系統(tǒng)及關(guān)鍵技術(shù)的實(shí)現(xiàn)方法。本研究以專家服務(wù)為主、數(shù)據(jù)挖掘技術(shù)為輔，以物聯(lián)網(wǎng)設(shè)備為感知手段、以智能手機(jī)為用戶終端，利用云服務(wù)對(duì)知識(shí)、資源、物聯(lián)網(wǎng)數(shù)據(jù)的整合配置能力，提供蔬菜專家及棚室蔬菜用戶對(duì)信息獲取、存儲(chǔ)、分析和決策的高效解決方案。本研究的部分內(nèi)容已在黑龍江省農(nóng)業(yè)科研部門、企業(yè)、蔬菜合作社、農(nóng)戶等不同用戶群體中實(shí)驗(yàn)應(yīng)用，能夠?yàn)閷＜姨峁┡锸沂卟松a(chǎn)環(huán)境的遠(yuǎn)程問診手段，適用于各類棚室蔬菜應(yīng)用場(chǎng)景。本研究還提出了對(duì)大規(guī)模應(yīng)用場(chǎng)景下的技術(shù)解決方案建議，可在全國(guó)的棚室蔬菜生產(chǎn)中推廣應(yīng)用，實(shí)現(xiàn)更廣泛高效的專家技術(shù)服務(wù)支撐。

關(guān)鍵詞：棚室蔬菜;云服務(wù);資源池;物聯(lián)網(wǎng);智能終端;Arduino

中圖分類號(hào)：S24? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ? ?文章編號(hào)：201906-SA002

張海峰， 李 楊， 張 宇， 宋麗娟， 唐立新， 畢洪文. 基于云服務(wù)的棚室蔬菜智能終端系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)——以黑龍江省為研究案例[J]. 智慧農(nóng)業(yè)， 2019， 1（3）： 87-99.

Zhang H， Li Y， Zhang Y， Song L， Tang L， Bi H. Design and implementation of intelligent terminal service system for greenhouse vegetables based on cloud service： A case study of Heilongjiang province[J]. Smart Agriculture， 2019，1（3）： 87-99. （in Chinese with English abstract）

1? 引言

黑龍江地處中國(guó)東北北部，冬季漫長(zhǎng)，無(wú)霜期短，特殊的氣候條件使得實(shí)現(xiàn)蔬菜全年生產(chǎn)和供應(yīng)，必須依靠棚室設(shè)施。近年來，黑龍江省蔬菜產(chǎn)業(yè)得到長(zhǎng)足發(fā)展。2018年，全省蔬菜播種面積呈穩(wěn)步增長(zhǎng)趨勢(shì)，春夏播種面積24.1萬(wàn)公頃，其中設(shè)施蔬菜播種面積達(dá)6萬(wàn)公頃，同比增長(zhǎng)12.7%[1]。隨著全省農(nóng)作物種植結(jié)構(gòu)的調(diào)整，蔬菜面積還在呈現(xiàn)一定程度的增長(zhǎng)態(tài)勢(shì)。但是，黑龍江省棚室蔬菜產(chǎn)業(yè)存在著生產(chǎn)水平不高、管理粗放、生產(chǎn)效率低、技術(shù)服務(wù)不到位等問題，其中信息技術(shù)服務(wù)不足是影響黑龍江省棚室蔬菜產(chǎn)業(yè)健康發(fā)展的重要因素之一[2]。

從服務(wù)對(duì)象規(guī)模來看，黑龍江省2018年棚室蔬菜種植面積達(dá)6萬(wàn)公頃，實(shí)現(xiàn)監(jiān)管和技術(shù)支撐需要大量的計(jì)算存儲(chǔ)資源，傳統(tǒng)的服務(wù)器計(jì)算架構(gòu)無(wú)法滿足該計(jì)算及負(fù)載均衡需求;從技術(shù)應(yīng)用層面來看，物聯(lián)網(wǎng)系統(tǒng)、生產(chǎn)者、專家產(chǎn)生了大量環(huán)境感知數(shù)據(jù)、技術(shù)數(shù)據(jù)、產(chǎn)銷數(shù)據(jù)、答疑數(shù)據(jù)，這些數(shù)據(jù)蘊(yùn)含著大量的知識(shí)，這些知識(shí)的挖掘利用情況還處于初級(jí)階段，還沒有形成對(duì)生產(chǎn)的高效推動(dòng);從技術(shù)應(yīng)用成本來看，以物聯(lián)網(wǎng)為代表的信息技術(shù)建設(shè)及應(yīng)用成本較高，而棚室蔬菜的利潤(rùn)往往不足以支撐其運(yùn)維費(fèi)用，致使農(nóng)民的安裝意愿不強(qiáng)[3-7]。

針對(duì)上述問題，按照“平臺(tái)上移，服務(wù)下延”的農(nóng)業(yè)信息技術(shù)服務(wù)方針，應(yīng)用“平臺(tái)即服務(wù)（PAAS）”的云設(shè)計(jì)理念，結(jié)合自主研發(fā)的低成本物聯(lián)網(wǎng)技術(shù)，開展了云服務(wù)棚室蔬菜智能終端服務(wù)系統(tǒng)構(gòu)建研究，以期為黑龍江省農(nóng)業(yè)信息服務(wù)由知識(shí)生產(chǎn)型向知識(shí)服務(wù)型轉(zhuǎn)變，實(shí)現(xiàn)云服務(wù)信息化增效和知識(shí)服務(wù)效率拓展，以及專家資源和知識(shí)服務(wù)能力的共享和協(xié)作提供技術(shù)支撐，為全國(guó)棚室蔬菜信息化發(fā)展提供解決方案典型案例。

2? 系統(tǒng)架構(gòu)設(shè)計(jì)及實(shí)現(xiàn)

2.1? 基于云服務(wù)的棚室蔬菜智能終端服務(wù)

系統(tǒng)

科技信息服務(wù)資源的開發(fā)與利用涉及到不同專業(yè)的專家、數(shù)據(jù)庫(kù)、在線知識(shí)資源、棚室蔬菜生產(chǎn)者、物聯(lián)網(wǎng)系統(tǒng)，專家與生產(chǎn)者之間需要大量非實(shí)時(shí)和少量實(shí)時(shí)的數(shù)據(jù)交換，他們的知識(shí)結(jié)構(gòu)相差較大，無(wú)法使用簡(jiǎn)單統(tǒng)一的標(biāo)準(zhǔn)來實(shí)現(xiàn)互聯(lián)，因此設(shè)計(jì)一種基于云服務(wù)的棚室蔬菜智能終端服務(wù)系統(tǒng)，可有效解決數(shù)據(jù)的融合再利用與服務(wù)有效供給問題。

基于云服務(wù)的棚室蔬菜智能終端服務(wù)系統(tǒng)是以云服務(wù)為載體，為適應(yīng)農(nóng)業(yè)信息技術(shù)服務(wù)智能化、泛在化、扁平化、綠色環(huán)保的發(fā)展趨勢(shì)而衍生的以專家智慧為主要服務(wù)內(nèi)容、以物聯(lián)網(wǎng)為感知節(jié)點(diǎn)、以移動(dòng)智能設(shè)備為終端，通過網(wǎng)絡(luò)為棚室蔬菜產(chǎn)業(yè)提供按需使用、隨時(shí)獲取、基于專家群的知識(shí)服務(wù)。它是一種解決蔬菜專家技術(shù)服務(wù)覆蓋范圍和手段的信息服務(wù)新模式，能有效提升知識(shí)、資源、物聯(lián)網(wǎng)數(shù)據(jù)的整合配置能力，為棚室蔬菜技術(shù)服務(wù)提供高效解決方案。

2.2? 云服務(wù)架構(gòu)設(shè)計(jì)

該智能終端服務(wù)系統(tǒng)架構(gòu)包括感知層、基礎(chǔ)設(shè)施層、數(shù)據(jù)層、應(yīng)用層、終端展示層（圖1）?；A(chǔ)設(shè)施層包括具有分布式計(jì)算能力以及可在線擴(kuò)充的服務(wù)器系統(tǒng)和數(shù)據(jù)庫(kù)系統(tǒng)，主要作用是實(shí)現(xiàn)大規(guī)模數(shù)據(jù)計(jì)算和持久化存儲(chǔ);物聯(lián)網(wǎng)感知層包括單片機(jī)、傳感器和無(wú)線網(wǎng)橋等設(shè)備，作用是實(shí)現(xiàn)棚室蔬菜生產(chǎn)環(huán)境和蔬菜本體影像感知;數(shù)據(jù)層包括棚室蔬菜數(shù)據(jù)庫(kù)和知識(shí)系統(tǒng)，涵蓋品種信息、病害知識(shí)、栽培技術(shù)、專家信息等數(shù)據(jù)，作用是初步數(shù)據(jù)處理和虛擬專家構(gòu)建，應(yīng)用TensorFlow（一個(gè)基于數(shù)據(jù)流編程dataflow programming的符號(hào)數(shù)學(xué)系統(tǒng)）實(shí)現(xiàn)數(shù)據(jù)訓(xùn)練和模型構(gòu)建等內(nèi)容;應(yīng)用層構(gòu)建知識(shí)關(guān)聯(lián)搜索引擎，為專家和用戶提供內(nèi)容服務(wù)和解決方案;終端展示層主要是通過開發(fā)符合HTML5標(biāo)準(zhǔn)的Web頁(yè)面，實(shí)現(xiàn)不同平臺(tái)的自適應(yīng)，即可滿足Android智能手機(jī)、IOS設(shè)備和PC端的應(yīng)用，作用是構(gòu)建服務(wù)與用戶的人機(jī)接口，實(shí)現(xiàn)用戶對(duì)云服務(wù)的調(diào)用。

2.3? 系統(tǒng)實(shí)現(xiàn)關(guān)鍵技術(shù)

2.3.1? 基礎(chǔ)設(shè)施層關(guān)鍵技術(shù)

在系統(tǒng)大規(guī)模應(yīng)用的場(chǎng)景下，黑龍江省每個(gè)棚室蔬菜作為一個(gè)技術(shù)支持單元（面積約為1/15公頃），按照20%的服務(wù)安裝覆蓋率，大約需要18萬(wàn)個(gè)計(jì)算節(jié)點(diǎn)。棚室物聯(lián)網(wǎng)產(chǎn)生海量實(shí)時(shí)的流式視頻文件和傳感器數(shù)據(jù)，可能存在大量在線機(jī)器學(xué)習(xí)和實(shí)時(shí)判斷的應(yīng)用場(chǎng)景，僅靠傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)難以處理[8，9]。大規(guī)模的視頻流監(jiān)測(cè)分析和海量物聯(lián)網(wǎng)數(shù)據(jù)實(shí)時(shí)處理需要大數(shù)據(jù)技術(shù)作為支撐，在對(duì)Hadoop、Spark和Storm等分布式處理架構(gòu)進(jìn)行比較分析后，發(fā)現(xiàn)Storm的高效實(shí)時(shí)計(jì)算能力符合海量實(shí)時(shí)數(shù)據(jù)計(jì)算的應(yīng)用場(chǎng)景要求，Storm的水平擴(kuò)展和自動(dòng)容錯(cuò)能力為服務(wù)的規(guī)模擴(kuò)展和穩(wěn)定運(yùn)行提供了保障。基礎(chǔ)設(shè)施層圍繞Storm框架構(gòu)建，主要由數(shù)據(jù)接入模塊、數(shù)據(jù)緩存模塊和Storm集群組成。數(shù)據(jù)接入模塊負(fù)責(zé)快速獲取物聯(lián)網(wǎng)數(shù)據(jù)并接入到數(shù)據(jù)處理集群，本系統(tǒng)采用開源的分布式海量日志采集聚合傳輸系統(tǒng)Apache Flume實(shí)現(xiàn)各種實(shí)時(shí)感知數(shù)據(jù)的快速接入。在視頻數(shù)據(jù)處理方面，由于棚室監(jiān)測(cè)的大部分時(shí)間圖像都不會(huì)發(fā)生顯著變化，全程存儲(chǔ)將造成大量空間浪費(fèi)，因此通過視頻處理庫(kù)把攝像頭的視頻流轉(zhuǎn)換為幀進(jìn)行抽樣存儲(chǔ)，將幀數(shù)據(jù)以JSON的格式傳遞給Kafka Broker（一種高吞吐量分布式發(fā)布訂閱消息系統(tǒng)），供流數(shù)據(jù)緩沖組件和存儲(chǔ)使用。數(shù)據(jù)緩存主要是提高海量數(shù)據(jù)的負(fù)載能力，避免因大量數(shù)據(jù)引起宕機(jī)，系統(tǒng)采用Kafka數(shù)據(jù)緩存模塊保證消息的持久性和穩(wěn)定性，每秒可處理數(shù)百萬(wàn)條數(shù)據(jù)。Storm集群負(fù)責(zé)實(shí)時(shí)海量數(shù)據(jù)處理，由1個(gè)Nimbus（主節(jié)點(diǎn)）和若干個(gè)Supervisor（計(jì)算節(jié)點(diǎn)）組成，應(yīng)用Storm-Kafka插件可以持續(xù)不斷地從緩存模塊中讀取數(shù)據(jù)，實(shí)時(shí)運(yùn)算后分類存儲(chǔ)。物聯(lián)網(wǎng)數(shù)據(jù)進(jìn)入MySQL數(shù)據(jù)庫(kù)，視頻數(shù)據(jù)經(jīng)過截取處理后進(jìn)入分布式數(shù)據(jù)庫(kù)Hbase，如圖2所示。服務(wù)系統(tǒng)充分利用Storm集群進(jìn)行高速運(yùn)算及存儲(chǔ)，對(duì)外通過Apache Tomcat服務(wù)器提供統(tǒng)一標(biāo)準(zhǔn)的計(jì)算及存儲(chǔ)服務(wù)，后臺(tái)的Storm可以全自動(dòng)按需彈性提供服務(wù)資源，按照系統(tǒng)的推廣建設(shè)進(jìn)度動(dòng)態(tài)擴(kuò)充，實(shí)現(xiàn)資源的集約化應(yīng)用和服務(wù)效益最大化。

2.3.2? 物聯(lián)網(wǎng)感知層關(guān)鍵技術(shù)

本研究以開源硬件Arduino單片機(jī)為核心搭建物聯(lián)網(wǎng)感知終端，主板型號(hào)為Wemos D1，傳感器連接如圖3所示。

該單片機(jī)有11個(gè)數(shù)字IO引腳，1個(gè)模擬引腳（最大支持3.3V電壓輸入），采用2.4G WiFi無(wú)線數(shù)據(jù)傳輸方式，具有大量的代碼庫(kù)，技術(shù)資源支持豐富[10]。通過WeMos D1 Arduino開發(fā)板、選型應(yīng)用空氣溫濕度傳感器DHT22、光照強(qiáng)度傳感器BH1750FVI、二氧化碳傳感器T6603-5、雷神FDR型土壤水分傳感器和地溫（水溫）傳感器DS18B20，實(shí)現(xiàn)棚室內(nèi)空氣溫濕度、光照強(qiáng)度、二氧化碳濃度、土壤水分、地溫等數(shù)據(jù)的實(shí)時(shí)可視化監(jiān)測(cè)和云端存儲(chǔ)，為云端智能監(jiān)控系統(tǒng)和專家對(duì)棚室蔬菜生產(chǎn)的遠(yuǎn)程指導(dǎo)提供判斷依據(jù)，設(shè)備選型如表1所示。物聯(lián)網(wǎng)系統(tǒng)可根據(jù)生產(chǎn)需要定制硬件系統(tǒng)，而手機(jī)作為數(shù)據(jù)監(jiān)測(cè)設(shè)備可以實(shí)時(shí)監(jiān)控棚室內(nèi)的生產(chǎn)情況，降低了硬件投入成本，滿足集約化生產(chǎn)的要求。

2.3.3? ?數(shù)據(jù)層關(guān)鍵技術(shù)

（1）知識(shí)圖譜的構(gòu)建。知識(shí)圖譜旨在通過建立棚室蔬菜生產(chǎn)要素之間的關(guān)聯(lián)鏈接，將碎片化的數(shù)據(jù)有機(jī)地組織起來，為系統(tǒng)搜索、挖掘、分析等提供高階數(shù)據(jù)支撐。知識(shí)圖譜為系統(tǒng)的自動(dòng)應(yīng)答、知識(shí)抽取、數(shù)據(jù)挖掘、常識(shí)推理等功能提供支持。知識(shí)圖譜的構(gòu)建需要多種技術(shù)支持，從數(shù)據(jù)中提取出實(shí)體、屬性、關(guān)系等知識(shí)要素。根據(jù)棚室蔬菜生產(chǎn)的必要因素，按照篩選法提取名詞。將名詞做交集，生成棚室蔬菜生產(chǎn)詞典。將詞典中的名詞在數(shù)據(jù)庫(kù)中進(jìn)行映射關(guān)聯(lián)，存儲(chǔ)到知識(shí)庫(kù)中。根據(jù)專家知識(shí)內(nèi)容，提取每一個(gè)名詞的特征，構(gòu)造比較方法，使用KNN（K-Nearest Neighbor）近鄰算法進(jìn)行分類，最后獲取每個(gè)名詞的所屬類別，同時(shí)剔除無(wú)關(guān)名詞映射。由于領(lǐng)域知識(shí)圖譜構(gòu)建難度很大，目前自動(dòng)化方法還處于探索階段，多采用人工標(biāo)注與自動(dòng)化處理相結(jié)合的手段，本系統(tǒng)主要針對(duì)相對(duì)簡(jiǎn)單的結(jié)構(gòu)化數(shù)據(jù)領(lǐng)域。

（2）病害預(yù)警及識(shí)別技術(shù)。針對(duì)蔬菜病害預(yù)警難度大的問題，系統(tǒng)根據(jù)病害發(fā)生環(huán)境條件設(shè)立預(yù)警閾值，環(huán)境條件達(dá)到閾值時(shí)進(jìn)行報(bào)警。數(shù)據(jù)層在病害預(yù)警方面存儲(chǔ)各種病害的發(fā)病條件閾值及發(fā)病圖片特征，以黃瓜為例見表2和表3。當(dāng)物聯(lián)網(wǎng)獲取的傳感器數(shù)據(jù)接近閾值時(shí)觸發(fā)警報(bào)推送，達(dá)到閾值時(shí)連續(xù)警報(bào)推送。

在病害識(shí)別方面設(shè)計(jì)采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，首先收集整理特定蔬菜病害圖片，使用基于BSD許可（開源）發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺庫(kù)OpenCv統(tǒng)一加工為128×128大小的圖像，由蔬菜病害專家進(jìn)行鑒別并設(shè)定標(biāo)識(shí)后存入病害圖片庫(kù)，建立棚室蔬菜的文字與圖像的對(duì)應(yīng)描述關(guān)系，以供病蟲害診斷、栽培技術(shù)指導(dǎo)和TensorFlow構(gòu)建快速卷積神經(jīng)網(wǎng)絡(luò)圖像推理模塊使用。在Python集成開發(fā)環(huán)境中導(dǎo)入病害圖片庫(kù)和TensorFlow，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，見圖4。

系統(tǒng)在病害識(shí)別方面應(yīng)用訓(xùn)練好的模型，將病害圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)中（如圖5所示），經(jīng)過若干卷積和池化層對(duì)圖像進(jìn)行特征提取，通過選擇性搜索算法得到圖像的感興趣區(qū)域RoI（Region of Interest），在RoI池化層中將特征框池化到特定大小，將感興趣區(qū)域的特征向量與全連接層相連，并定義多任務(wù)損失函數(shù)，分別與Softmax分類器和Boxbounding回歸器相連，分別得到當(dāng)前感興趣區(qū)域的類別及坐標(biāo)包圍框[11，12]。對(duì)所得到的包圍框進(jìn)行非極大值抑制，得到最終判斷結(jié)果。

（3）虛擬專家技術(shù)的實(shí)現(xiàn)。針對(duì)人工專家資源相對(duì)稀缺且存在空耗和綜合能力服務(wù)不足的問題，系統(tǒng)采用了虛擬專家和資源池解決方案。虛擬專家是由不同專業(yè)領(lǐng)域、擁有不同空閑時(shí)間的專家團(tuán)隊(duì)和知識(shí)數(shù)據(jù)庫(kù)組成，專家團(tuán)隊(duì)的人員配置覆蓋棚室蔬菜生產(chǎn)者的問題領(lǐng)域和服務(wù)請(qǐng)求時(shí)間，專家知識(shí)庫(kù)則是基于深度學(xué)習(xí)的數(shù)據(jù)庫(kù)應(yīng)用系統(tǒng)，通過人工錄入和專家問題答疑不斷擴(kuò)充知識(shí)數(shù)據(jù)，分擔(dān)人工專家的業(yè)務(wù)壓力。資源池分配算法是云服務(wù)下完成需求和對(duì)接的主要途徑之一，在傳統(tǒng)云服務(wù)平臺(tái)的資源調(diào)度過程中，需要根據(jù)資源池所承載的業(yè)務(wù)負(fù)荷情況及時(shí)調(diào)整平臺(tái)分配的資源。本系統(tǒng)由于融合了專家資源，并將專家加入到資源池中供系統(tǒng)分配，因此只要在算法上實(shí)現(xiàn)專家服務(wù)狀態(tài)的判斷，確定專家是否可在某一時(shí)刻被調(diào)用，以及某一時(shí)刻的虛擬專家所能提供的知識(shí)服務(wù)范圍，即可將虛擬專家資源融入到資源池調(diào)配方案中。在專家數(shù)量相對(duì)充足的時(shí)候，還要考慮專家服務(wù)頻次，使相對(duì)空閑的專家被優(yōu)先調(diào)用。最后，由權(quán)威專家進(jìn)入QoS（Quality of Service，服務(wù)質(zhì)量）系統(tǒng)對(duì)專家的答復(fù)進(jìn)行評(píng)判，淘汰掉錯(cuò)誤答復(fù)和無(wú)效回答數(shù)據(jù)，系統(tǒng)進(jìn)行數(shù)據(jù)整理和存儲(chǔ)。

針對(duì)海量多源異構(gòu)的物聯(lián)網(wǎng)數(shù)據(jù)、蔬菜數(shù)據(jù)、病害數(shù)據(jù)、農(nóng)藥化肥數(shù)據(jù)、專家數(shù)據(jù)難以直接利用的問題，系統(tǒng)通過自動(dòng)化提取與歸納關(guān)鍵信息實(shí)現(xiàn)數(shù)據(jù)的應(yīng)用價(jià)值。專家知識(shí)通過文本數(shù)據(jù)預(yù)處理和關(guān)鍵詞特征提取后，形成推理機(jī)，由系統(tǒng)對(duì)問題文本進(jìn)行相似語(yǔ)義處理，即由原問題演繹出同等語(yǔ)義的若干問題，形成多對(duì)一的問題和答案關(guān)聯(lián)鍵值對(duì)，作為知識(shí)數(shù)據(jù)存儲(chǔ)到云數(shù)據(jù)中心，當(dāng)有相同語(yǔ)義問題的時(shí)候自動(dòng)調(diào)用答案進(jìn)行解答，用戶問題搜索次數(shù)越多，范圍越廣，專家解答過的問題越多，資源池?cái)?shù)據(jù)庫(kù)對(duì)問題的命中率就越高，如圖6所示。資源池?cái)?shù)據(jù)庫(kù)答疑數(shù)據(jù)采用循環(huán)神經(jīng)絡(luò)算法和文本處理技術(shù)，有效降低用戶轉(zhuǎn)接人工專家的概率。

2.3.4? 應(yīng)用層關(guān)鍵技術(shù)

應(yīng)用層主要負(fù)責(zé)實(shí)現(xiàn)用戶需求的各項(xiàng)功能，以及提供調(diào)用接口。

（1）專家主動(dòng)服務(wù)模式。應(yīng)用物聯(lián)網(wǎng)集成技術(shù)和HTML5技術(shù)，專家登錄服務(wù)系統(tǒng)對(duì)蔬菜棚室的物聯(lián)網(wǎng)系統(tǒng)進(jìn)行遠(yuǎn)程監(jiān)管，實(shí)現(xiàn)對(duì)各個(gè)節(jié)點(diǎn)的巡視，實(shí)時(shí)查看各蔬菜大棚監(jiān)測(cè)點(diǎn)的環(huán)境數(shù)據(jù)和圖像信息，專家可通過系統(tǒng)對(duì)棚室內(nèi)的攝像機(jī)進(jìn)行旋轉(zhuǎn)和變焦操作來發(fā)現(xiàn)蔬菜生產(chǎn)中的問題，也能在系統(tǒng)中進(jìn)行實(shí)時(shí)語(yǔ)音或非實(shí)時(shí)留言提示來提供技術(shù)解決方案。該技術(shù)的視頻監(jiān)管部分主要利用螢石云的開發(fā)者平臺(tái)和推流技術(shù)（見圖7），攝像頭通過在螢石云注冊(cè)后，系統(tǒng)會(huì)自動(dòng)生成不同格式的在線視頻流地址，主要包括HLS播放地址和RTMP播放地址，其中HLS格式播放地址可以直接在支持HTML5的網(wǎng)上終端直接調(diào)用。Android和蘋果手機(jī)客戶端均可直接使用，缺點(diǎn)是延時(shí)較高，RTMP格式延時(shí)較小，但是一般需要帶客戶端使用。螢石云服務(wù)平臺(tái)在免費(fèi)使用的情況下只能并發(fā)3路，無(wú)法滿足云服務(wù)的高并發(fā)需求。因此，系統(tǒng)通過FFmpeg（一套可以用來記錄、轉(zhuǎn)換數(shù)字音頻、視頻，并能將其轉(zhuǎn)化為流的開源計(jì)算機(jī)程序）將視頻流推送至Nginx服務(wù)器實(shí)現(xiàn)用戶高并發(fā)訪問，即可突破并發(fā)限制，實(shí)現(xiàn)專家主動(dòng)服務(wù)模式的高并發(fā)訪問。

（2）用戶人機(jī)模式。用戶通過智能手機(jī)端或PC端直接對(duì)系統(tǒng)進(jìn)行查詢，可以通過文字或上傳圖片的形式進(jìn)行服務(wù)請(qǐng)求。系統(tǒng)接收來自用戶物聯(lián)網(wǎng)系統(tǒng)的反饋數(shù)據(jù)和用戶人工輸入的問題數(shù)據(jù)并進(jìn)行處理，反饋給用戶信息。該模式與常規(guī)的技術(shù)服務(wù)類系統(tǒng)平臺(tái)的技術(shù)路線相似，數(shù)據(jù)處理流程主要由Hibernate框架實(shí)現(xiàn)，利用其對(duì)象映射能力降低系統(tǒng)的開發(fā)難度和模塊耦合度。圖像上傳比對(duì)主要是調(diào)用數(shù)據(jù)層的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行匹配，如置信率低于80%則轉(zhuǎn)入人工專家處理，高于或等于80%則直接輸出判斷結(jié)果到用戶終端。

（3）“人人互動(dòng)”模式。主要通過服務(wù)系統(tǒng)建立專家與用戶的對(duì)話平臺(tái)，專家可通過智能手機(jī)端與用戶進(jìn)行實(shí)時(shí)對(duì)話。本系統(tǒng)為實(shí)現(xiàn)輕量級(jí)的客戶端應(yīng)用，采用HTML5定義的WebSocket協(xié)議實(shí)現(xiàn)實(shí)時(shí)通訊。WebSocket是一種在單個(gè)TCP連接上進(jìn)行全雙工通信的協(xié)議，允許服務(wù)器端主動(dòng)向客戶端瀏覽器推送數(shù)據(jù)，避免了傳統(tǒng)推送技術(shù)依靠輪詢帶來的服務(wù)器資源消耗。WebSocket通信協(xié)議于2011年被IETF定為標(biāo)準(zhǔn)RFC6455，并由RFC7936補(bǔ)充規(guī)范。WebSocket API也被萬(wàn)維網(wǎng)聯(lián)盟定為標(biāo)準(zhǔn)。WebSocket能更好的節(jié)約云端服務(wù)器資源和網(wǎng)絡(luò)帶寬，并且能

夠提供較好的實(shí)時(shí)性互動(dòng)。依靠WebSocket協(xié)議，棚室蔬菜用戶和專家只需通過手機(jī)瀏覽器與服務(wù)器分別完成一次握手，就能創(chuàng)建持久性連接和通訊。

（4）知識(shí)關(guān)聯(lián)搜索引擎。專家知識(shí)與棚室蔬菜生產(chǎn)者的知識(shí)供需匹配需要通過知識(shí)關(guān)聯(lián)搜索引擎對(duì)知識(shí)內(nèi)容進(jìn)行匯聚、選擇與評(píng)價(jià)，調(diào)用數(shù)據(jù)層的知識(shí)圖譜模塊，使相類似的知識(shí)或者問題匯聚在一起[13-18]。選擇主要目的是搜索與用戶服務(wù)請(qǐng)求吻合度最高的服務(wù)數(shù)據(jù)集，通過模型對(duì)問題的本質(zhì)特征進(jìn)行描述，對(duì)用戶問題進(jìn)行量化表達(dá)，然后進(jìn)行圖遍歷，最后由評(píng)價(jià)函數(shù)進(jìn)行評(píng)價(jià)。通過廣度優(yōu)先算法對(duì)用戶的問題不斷進(jìn)行細(xì)化分解，一旦代入評(píng)價(jià)函數(shù)滿足理想的閾值，認(rèn)為匹配成功，對(duì)用戶輸出解決方案;圖遍歷在設(shè)定的閾值次數(shù)內(nèi)無(wú)法達(dá)到評(píng)價(jià)函數(shù)閾值，則認(rèn)定匹配失敗，系統(tǒng)將轉(zhuǎn)接專家進(jìn)行問題解決，見圖8。知識(shí)關(guān)聯(lián)搜索引擎通過這種互動(dòng)機(jī)制實(shí)現(xiàn)搜索結(jié)果的自我改進(jìn)學(xué)習(xí)，以滿足用戶的知識(shí)需求[19-23]。

2.3.5? 終端展示層

目前手機(jī)應(yīng)用開發(fā)主要有三種模式，即Web-app、Hybrid-app和Native-app?？紤]到Web-app具有開發(fā)最為簡(jiǎn)單、無(wú)需安裝、升級(jí)維護(hù)無(wú)需用戶參與、系統(tǒng)實(shí)現(xiàn)良好的兼容性和升級(jí)維護(hù)的便捷性，同時(shí)兼顧用戶群體的信息技術(shù)應(yīng)用能力等優(yōu)點(diǎn)，本服務(wù)系統(tǒng)終端展示層選用Web-app模式進(jìn)行開發(fā)。Web-app調(diào)用手機(jī)攝像頭的代碼十分簡(jiǎn)單，僅需代碼，<input type = "file" accept= "image/*" name="img" capture= "camera" id= "img" />，通過HTML5和Ajax來實(shí)現(xiàn)與棚室蔬菜生產(chǎn)者的交互，生產(chǎn)者可以通過展示層獲取到所需的技術(shù)信息和棚室的物聯(lián)網(wǎng)監(jiān)測(cè)實(shí)時(shí)數(shù)據(jù)（見圖9所示）。專家和生產(chǎn)者也可以通過HTML5技術(shù)對(duì)棚室內(nèi)的影像進(jìn)行訪問，同樣只需要一句代碼，<video src="HLS視頻名稱.m3u8" controls></video>，其中HLS視頻名稱可以從螢石云平臺(tái)直接免費(fèi)獲得，如果自行搭建視頻服務(wù)器，將HLS視頻地址直接輸入即可。終端展示層調(diào)用智能手機(jī)的攝像頭對(duì)棚室蔬菜的病害圖片進(jìn)行規(guī)范化拍攝，彌補(bǔ)物聯(lián)網(wǎng)攝像頭拍攝的不足。人工拍攝的照片可由云端程序進(jìn)行智能化識(shí)別，一方面減輕專家的負(fù)擔(dān)，另一方面實(shí)現(xiàn)系統(tǒng)服務(wù)的快速響應(yīng)。

3? 系統(tǒng)的應(yīng)用

3.1? 系統(tǒng)部署

3.1.1? 云終端服務(wù)現(xiàn)場(chǎng)部署

在距離應(yīng)用對(duì)象蔬菜大棚最近的有線網(wǎng)絡(luò)點(diǎn)接入Comfast無(wú)線網(wǎng)橋?qū)崿F(xiàn)無(wú)線網(wǎng)絡(luò)部署，視距不超過300m的情況下，將Comfast網(wǎng)橋設(shè)置成路由模式接入即可。在視距超過300m或附近有嚴(yán)重的信號(hào)屏蔽物遮擋的情況下，采用無(wú)線網(wǎng)絡(luò)橋接方案，Comfast無(wú)線網(wǎng)橋設(shè)備可實(shí)現(xiàn)視距5km以內(nèi)的無(wú)線網(wǎng)絡(luò)橋接，橋接后再接入一路Comfast網(wǎng)橋?qū)崿F(xiàn)現(xiàn)場(chǎng)無(wú)線覆蓋?，F(xiàn)場(chǎng)實(shí)測(cè)Comfast網(wǎng)橋和WeMos D1型Arduino主板可以在網(wǎng)橋90°角、半徑300m左右圓弧內(nèi)的半水泥結(jié)構(gòu)大棚室內(nèi)實(shí)現(xiàn)網(wǎng)絡(luò)接入，采用密集金屬遮陽(yáng)網(wǎng)的設(shè)施園藝需要使用橋接和室內(nèi)覆蓋方案。Arduino物聯(lián)網(wǎng)設(shè)備和螢石云攝像頭按照監(jiān)測(cè)需求直接固定在棚室內(nèi)部WiFi覆蓋區(qū)域即可實(shí)現(xiàn)數(shù)據(jù)采集。

3.1.2? 軟件云端部署

（1）棚室蔬菜服務(wù)系統(tǒng)部署

云端程序部署在具有公網(wǎng)IP地址的服務(wù)器上，安裝Apache Tomcat環(huán)境，JAVA運(yùn)行環(huán)境需求1.8版本以上，數(shù)據(jù)庫(kù)采用MySQL5.7。將開發(fā)的棚室蔬菜服務(wù)系統(tǒng)打包成vegetableService.war，拷貝到Tomcat的webapps文件夾下，重啟Apache tomcat服務(wù)即可實(shí)現(xiàn)系統(tǒng)的部署。Storm系統(tǒng)按照服務(wù)規(guī)模彈性部署，小規(guī)模管理運(yùn)行單機(jī)部署即可，在服務(wù)規(guī)模較大時(shí)（監(jiān)測(cè)點(diǎn)超過1000）采用分布式服務(wù)模式，通過在不同的主機(jī)上分發(fā)Storm和Zookeeper文件并通過Python分別啟動(dòng)nimbus、supervisor即可實(shí)現(xiàn)分布式部署，將設(shè)計(jì)好的拓?fù)銳AR文件上傳到Storm上運(yùn)行即可。

（2）視頻服務(wù)器部署

登錄螢石云網(wǎng)站的開發(fā)者服務(wù)器，將各個(gè)棚室攝像頭的視頻直播地址存儲(chǔ)進(jìn)數(shù)據(jù)庫(kù)中，使用FFmpeg進(jìn)行視頻數(shù)據(jù)推流和本地存儲(chǔ)，在并發(fā)要求低的情況下（≤2路），直接使用直播地址即可，在高并發(fā)要求的情況下使用FFmpeg將視頻抓取到本地進(jìn)行存儲(chǔ)或推送到Nginx服務(wù)器直播。

3.2? 應(yīng)用推廣模式和應(yīng)用效果

結(jié)合三區(qū)人才項(xiàng)目（《邊遠(yuǎn)貧困地區(qū)、邊疆民族地區(qū)和革命老區(qū)人才支持計(jì)劃實(shí)施方案》）、黑龍江省自然科學(xué)基金項(xiàng)目、農(nóng)業(yè)科學(xué)院成果轉(zhuǎn)化項(xiàng)目、科技推廣項(xiàng)目進(jìn)行實(shí)驗(yàn)及推廣，同時(shí)與項(xiàng)目所在地蔬菜及食用菌企業(yè)對(duì)接開展科技合作。系統(tǒng)在黑龍江省拜泉縣、龍江縣、泰來縣等地的三區(qū)人才項(xiàng)目，牡丹江分院食用菌棚室、新疆阿勒泰農(nóng)業(yè)局阿葦灘園區(qū)、黑龍江省農(nóng)業(yè)科學(xué)院園藝分院的蔬菜大棚中應(yīng)用。系統(tǒng)的感知部分可根據(jù)生產(chǎn)需要定制硬件系統(tǒng)，最簡(jiǎn)單的空氣溫度、空氣濕度、光照強(qiáng)度三要素物聯(lián)網(wǎng)采集點(diǎn)成本僅需要300RMB，遠(yuǎn)低于當(dāng)前市面上的物聯(lián)網(wǎng)產(chǎn)品，系統(tǒng)部署后，專家通過感知終端可以每小時(shí)巡視20個(gè)左右蔬菜大棚，大幅度提高了專家資源的利用效率。系統(tǒng)的病害預(yù)警功能根據(jù)專家知識(shí)實(shí)現(xiàn)自動(dòng)判斷預(yù)警，有效提升了棚室的信息化管理水平。病害自動(dòng)化識(shí)別與分布式計(jì)算將在未來的大規(guī)模場(chǎng)景應(yīng)用中分擔(dān)專家的任務(wù)，提高系統(tǒng)的并發(fā)服務(wù)能力。

4? 結(jié)論與討論

黑龍江省農(nóng)業(yè)正處在轉(zhuǎn)型期，信息技術(shù)支撐服務(wù)在農(nóng)業(yè)生產(chǎn)中的地位愈加重要，棚室蔬菜的生產(chǎn)需要全方位、立體化、低成本的科技支撐。本系統(tǒng)提出的技術(shù)方案主要包含：（1）在棚室蔬菜生產(chǎn)環(huán)境部署基于Arduino技術(shù)的配套低成本物聯(lián)網(wǎng)系統(tǒng)，將棚室環(huán)境數(shù)據(jù)實(shí)時(shí)上傳至技術(shù)服務(wù)平臺(tái)，應(yīng)用螢石云協(xié)議實(shí)現(xiàn)棚室圖像的實(shí)時(shí)觀測(cè)，實(shí)現(xiàn)環(huán)境數(shù)據(jù)的上行，在大規(guī)模數(shù)據(jù)應(yīng)用場(chǎng)景下使用Storm實(shí)時(shí)處理框架。（2）在數(shù)據(jù)內(nèi)容方面，系統(tǒng)匯集棚室蔬菜技術(shù)內(nèi)容形成知識(shí)服務(wù)網(wǎng)絡(luò)，通過數(shù)據(jù)資源組織技術(shù)進(jìn)行數(shù)據(jù)整合，將多源異構(gòu)的數(shù)據(jù)形成數(shù)據(jù)鏈，通過知識(shí)關(guān)聯(lián)技術(shù)實(shí)現(xiàn)知識(shí)匯聚與分類，對(duì)棚室蔬菜生產(chǎn)經(jīng)營(yíng)相關(guān)技術(shù)要素進(jìn)行虛擬化處理并存儲(chǔ)在云服務(wù)器中，形成有效知識(shí)供給。（3）在服務(wù)形式上，云服務(wù)平臺(tái)整合線上線下專家資源和各類信息服務(wù)資源，訓(xùn)練神經(jīng)網(wǎng)絡(luò)決策模型，并進(jìn)行虛擬化加工處理，形成專家服務(wù)云終端。最終專家及各類棚室蔬菜生產(chǎn)及經(jīng)營(yíng)主體通過云服務(wù)平臺(tái)對(duì)接，形成生產(chǎn)加技術(shù)支撐的協(xié)同發(fā)展體系。

如何將專家資源、數(shù)據(jù)庫(kù)資源、物聯(lián)網(wǎng)終端和手機(jī)終端有機(jī)結(jié)合構(gòu)建一體化服務(wù)平臺(tái)，在農(nóng)業(yè)信息化領(lǐng)域還屬于探索階段[24-30]。“基于云服務(wù)的棚室蔬菜智能終端服務(wù)系統(tǒng)”契合了棚室蔬菜信息化技術(shù)支撐的需求，集成云計(jì)算、物聯(lián)網(wǎng)、人工智能神經(jīng)網(wǎng)絡(luò)等技術(shù)實(shí)現(xiàn)農(nóng)戶與專家的“碎片化”、“彈性化”互動(dòng)和并發(fā)，創(chuàng)制了輕量級(jí)app服務(wù)終端，滿足了新生代農(nóng)民迫切需要集低成本、實(shí)用性強(qiáng)、快捷、易操作等特點(diǎn)于一身的專家服務(wù)系統(tǒng)的需求，為提高科技服務(wù)貢獻(xiàn)率提供了技術(shù)支撐。本研究符合黑龍江省棚室蔬菜產(chǎn)業(yè)的現(xiàn)狀需求，為黑龍江省棚室蔬菜生產(chǎn)技術(shù)支撐提供了系統(tǒng)的信息化解決方案，具有廣闊的發(fā)展前景。下一步將重點(diǎn)提升系統(tǒng)大場(chǎng)景下云服務(wù)并發(fā)處理能力和加大人工智能技術(shù)的應(yīng)用比例，以期為中國(guó)棚室蔬菜生產(chǎn)提供高效智能的信息化解決方案。

參考文獻(xiàn)

[1]? ?潘凱， 黃婷， 王雪涵， 等. 黑龍江省蔬菜產(chǎn)業(yè)現(xiàn)狀及發(fā)展戰(zhàn)略[J]. 中國(guó)蔬菜， 2017， （09）： 12-16.

Pan K， Huang T， Wang X， et al. Present situation and development strategic of vegetable industry in Heilongjiang Province[J]. China Vegetables， 2017， （09）： 12-16.

[2]? ?楊秀麗， 孫正林. 黑龍江省蔬菜產(chǎn)業(yè)生產(chǎn)影響因素的實(shí)證研究[J]. 北方園藝， 2019， （01）： 177-182.

Yang X， Sun Z. Empirical study on factors affecting vegetable production in Heilongjiang[J]. Northern Horticulture， 2019， （01）： 177-182.

[3]? ?李云強(qiáng). 基于Arduino的智能溫室大棚的控制系統(tǒng)設(shè)計(jì)[J]. 國(guó)外電子測(cè)量技術(shù)， 2018， 37（05）： 114-118.

Li Y. Model design of smart greenhouse based on Arduino[J]. Foreign Electronic Measurement Technology， 2018， 37（05）： 114-118.

[4]? ? 姚淑杰， 宮麗影， 王德榮， 等. 蔬菜大棚中農(nóng)業(yè)物聯(lián)網(wǎng)的應(yīng)用[J]. 農(nóng)業(yè)與技術(shù)， 2018， 38（20）： 24.

Yao S， Gong L， Wang D， et al. Applied research on agricultural Internet of Things in vegetable greenhouse[J]. Agriculture and Technology， 2018， 38（20）： 24.

[5]? ? 瞿榮錦， 韋琮， 趙麗娟. 基于物聯(lián)網(wǎng)技術(shù)的農(nóng)田環(huán)境監(jiān)測(cè)系統(tǒng)的研究與構(gòu)建[J]. 農(nóng)業(yè)開發(fā)與裝備， 2018（09）： 104-105.

Qu R， Wei Z， Zhao L. Research and construction of farmland environmental monitoring system based on Internet of Things technology[J]. Agricultural Development & Equipments， 2018（09）： 104-105.

[6]? ?許鑫， 時(shí)雷， 何龍， 等. 基于NoSQL數(shù)據(jù)庫(kù)的農(nóng)田物聯(lián)網(wǎng)云存儲(chǔ)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（01）： 172-179.

Xu X， Shi L， He L， et al. Design and implementation of cloud storage system for farmland Internet of Things based on NoSQL database[J]. Transactions of the CSAE， 2019， 35（01）： 172-179.

[7]? ?姜吉寧， 王儒敬， 魏圓圓， 等. 基于大數(shù)據(jù)的新型種質(zhì)資源數(shù)據(jù)倉(cāng)庫(kù)的設(shè)計(jì)[J]. 儀表技術(shù)， 2018（10）： 6-8， 46.

Jiang J， Wang R， Wei Y， et al. Construction of germplasm resource data warehouse based on Hadoop[J]. Instrumentation Technology， 2018（10）： 6-8， 46.

[8]? ?凌杰， 黃剛. 基于Docker的Hadoop集群網(wǎng)絡(luò)性能分析[J]. 信息技術(shù)， 2018（02）： 15-18.

Ling J， Huang G. Network performance analysis of Hadoop clusters in Docker container[J]. Information Technology， 2018（02）： 15-18.

[9]? ?鄭建忠， 鄭建榮. 一種基于云計(jì)算技術(shù)的物聯(lián)網(wǎng)平臺(tái)設(shè)計(jì)[J]. 電力信息與通信技術(shù)， 2018， 16（06）： 57-61.

Zheng J， Zheng J. Design of Internet of Things platform based on cloud computing technology[J]. Electric Power Information and Communication Technology， 2018， 16（06）： 57-61.

[10]? 張海峰， 鄭妍妍， 張宇， 等. Arduino物聯(lián)網(wǎng)系統(tǒng)在連棟大棚中的選型與設(shè)計(jì)[J]. 北方園藝， 2018（05）： 184-187.

Zhang H， Zheng Y， Zhang Y， et al. Selection and design of the Arduino IoT in the multi-span greenhouse[J]. Northern Horticulture， 2018（05）： 184-187.

[11]? 孫俊， 譚文軍， 毛罕平. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種 植物葉片病害識(shí)別 [J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（19）： 209-215.

Sun J， Tan W， Mao H. Recognition of multiple plant leaf diseases based on improved convolutional neural network[J]. Transactions of the CSAE， 2017， 33（19）： 209-215.

[12]? Sankaran S， Mishra A， Ehsani R. A review of advanced techniques for detecting plant diseases[J]. Computers and Electronics in Agriculture， 2010， 72（1）： 1-13.

[13]? 林封笑， 陳華杰， 姚勤煒， 等. 基于混合結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)快速檢測(cè)算法[J]. 計(jì)算機(jī)工程， 2018， 44（12）： 222-227.

Lin F， Chen H， Yao Q， et al. Target fast detection algorithm based on hybrid structure convolutional neural network[J]. Computer Engineering， 2018， 44（12）： 222-227.

[14]? Chen J， Zhong Y， Lam A. Research on monitoring platform of agricultural product circulation efficiency supported by cloud computing[J]. Wireless Personal Communications， 2018， 102（4）： 3573-3587.

[15]? Paulraj G J L， Francis S A J， Peter J D， et al. Resource-aware virtual machine migration in IoT cloud[J]. Future Generation Computer Systems， 2018， 85：173-183.

[16]? 陳桂芬， 趙 姍， 曹麗英， 等. 基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識(shí)別[J]. 智慧農(nóng)業(yè)， 2019， 1（2）： 34-44.

Chen G， Zhao S， Cao L， et al. Corn plant disease recognition based on migration learning and convolutional neural network[J]. Smart Agriculture， 2019， 1（2）： 34-44.

[17]? Zhang F. Research on applications of Internet of Things in agriculture[M]. Informatics and Management Science VI. Springer London， 2013.

[18]? Bu F， Wang X. A smart agriculture IoT system based on deep reinforcement learning[J]. Future Generation Computer Systems， 2019， 99： 500-507.

[19]? Dobrescu R， Merezeanu D， Mocanu S. Context-aware control and monitoring system with IoT and cloud support[J]. Computers and Electronics in Agriculture， 2019， 160： 91-99.

[20]? Ibrahim H， Mostafa N， Halawa H， et al. A layered IoT architecture for greenhouse monitoring and remote control[J]. SN Applied Sciences， 2019， 1（3）： 1-12.

[21]? Cubero S， Aleixos N， Moltó E， et al. Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables[J]. Food and Bioprocess Technology， 2011， 4（4）： 487-504.

[22]? 張曉涵， 尹長(zhǎng)川， 吳華瑞. 面向大規(guī)模農(nóng)田生境監(jiān)測(cè)的無(wú)線傳感器網(wǎng)絡(luò)節(jié)能優(yōu)化策略[J]. 智慧農(nóng)業(yè)， 2019， 1（2）： 55-63.

Zhang X， Yin C， Wu H. Energy optimization strategy for wireless sensor networks in large-scale farmland habitat monitoring[J]. Smart Agriculture， 2019， 1（2）： 55-63.

[23]? Reddy P R， Divya S N， Vijayalakshmi M R. Plant disease detection technique tool-a theoretical approach[J]. International Journal of Innovative Technology and Research， 2015， 4： 91-93.

[24]? Mahlein A K， Rumpf T， Welke P， et al. Development of spectral indices for detecting and identifying plant diseases[J]. Remote Sensing of Environment， 2013， 128： 21-30.

[25]? Tamilarasi S， Kungumaraj K. A content-based dynamic load-balancing algorithm for heterogeneous web server cluster[J]. International Journal of Computer Science Trends and Technology， 2010， 7（1）： 153-162.

[26]? Rahim A. IoT and data analytics for developing countries from research to business transformation[C].? ?Economics of Grids， Clouds， Systems， and Services， 2017： 281-284.

[27]? Dupont C， Schulze T， Giuliani G， et al. Proceedings of the 3rd International Conference on Future Energy Systems： Where Energy， Computing and Communication Meet - e-Energy ＼"12 - An energy aware framework for virtual machine placement in cloud federated data centres[C]. 2012： 1-10.

[28]? Heeks R. I-development not e-development： Special issue on ICTs and development[J]. Journal of International Development， 2002， 14（1）： 1-11.

[29]? Musakwa W， Gumbo T. Impact of urban policy on public transportation in Gauteng， South Africa： Smart or dumb city systems is the question[M]. Carbon Footprint and the Industrial Life Cycle， 2017： 339-356.

[30]? Miazi M N S， Erasmus Z， Razzaque M A， et al. Enabling the Internet of Things in developing countries： Opportunities and challenges[C]. International Conference on Informatics， 2016.

Design and implementation of intelligent terminal service system for greenhouse vegetables based on cloud service：

A case study of Heilongjiang province

Haifeng Zhang， Yang Li， Yu Zhang， Lijuan Song， Lixin Tang， Hongwen Bi*

（Institute of Agricultural Remote Sensing and Information， Heilongjiang Academy of Agricultural Sciences，

Harbin 150086， China）

Abstract： The greenhouse vegetable industry play an important strategic role in the adjustment of agricultural transformation mode and the reform of supply side in Heilongjiang Province. Facility horticulture in Heilongjiang Province develops rapidly in recent years， technical support is in great demand， but the experts' technology support for facility horticulture is far from enough. Experts' on-site guidance costs much time and money in the countryside， while the service efficiency is very low. To solve this urgent problem， the architecture of "greenhouse vegetable intelligent terminal system based on cloud service" and the key technologies of implementation （low-cost IoT， distributed real-time operating architecture， virtual expert service， neural network image recognition and mobile terminal service） were put forward. Based on expert services， supplemented by data mining technology， IoT devices were used as expert's remote perception means， smart phones as user terminals， cloud service for integrating knowledge， resources and Internet of Things data to provide vegetable experts and greenhouse vegetable users with high information acquisition， storage， analysis，decision-making capabilities and effective solutions. Experts could view vegetable production status in greenhouses remotely through the Internet， get image and growth environment data， then provide remote guidance to vegetable farmers through the system， expert knowledge would be stored， mined and reused by the system. The Internet of Things system could automatically send out early warning information by judging the air temperature， humidity， illumination intensity and soil moisture in greenhouse. The application of knowledge map and neural network technology would reduce the workload of experts and increase concurrent processing capability of services at the same time. At present， part of this research has been applied in different user groups such as agricultural research departments， enterprises， vegetable cooperatives and farmers in Heilongjiang Province. The system can provide experts with remote inquiry means of greenhouse vegetable production environment， and has the characteristics of simple deployment and low cost. It is suitable for various greenhouse vegetable scenarios， including fruit and edible fungi. In order to popularize this technology in greenhouse vegetable production in China， and achieve an efficient experts' technical support， this research also proposed technical solutions of a large-scale application scenario through cloud computing in future.

Key words： greenhouse vegetables; cloud service; resource pool; Internet of Things; intelligent terminal; Arduino