孫孝龍 徐森 周衛(wèi)陽 施建軍

摘要：養(yǎng)蠶面臨環(huán)境控制復雜、勞動力緊張、技術管理粗放等問題，特別是養(yǎng)蠶環(huán)境和技術監(jiān)控方式，不能滿足規(guī)?；?、省力化現(xiàn)代蠶業(yè)的發(fā)展需求。開發(fā)一種基于物聯(lián)網(wǎng)和深度學習的養(yǎng)蠶智能監(jiān)控系統(tǒng)，通過物聯(lián)網(wǎng)實時記錄、監(jiān)控養(yǎng)蠶環(huán)境因子和養(yǎng)蠶進程狀態(tài)，利用卷積神經(jīng)網(wǎng)絡算法不斷學習、訓練得到預測模型，該模型可結(jié)合養(yǎng)蠶實際，準確理解養(yǎng)蠶操作對象和具體場景，實時調(diào)節(jié)環(huán)境因子、輸出養(yǎng)蠶技術方案，可以達到高效、精準養(yǎng)蠶的目的。

關鍵詞：物聯(lián)網(wǎng);深度學習;養(yǎng)蠶;智能監(jiān)控系統(tǒng)

中圖分類號：TP277.2?文獻標志碼：A?文章編號：1002-1302（2020）21-0241-04

養(yǎng)蠶智能管理須要對溫度、濕度、氣體、光照等養(yǎng)蠶環(huán)境以及蠶體發(fā)育狀態(tài)主要參數(shù)進行精準監(jiān)控和合理養(yǎng)護。本研究通過新型物聯(lián)網(wǎng)系統(tǒng)實時監(jiān)控養(yǎng)蠶環(huán)境因子，并結(jié)合養(yǎng)蠶生產(chǎn)實景，利用卷積神經(jīng)網(wǎng)絡算法不斷學習、訓練得到一個預測模型，該模型可結(jié)合養(yǎng)蠶實際情況適時調(diào)節(jié)環(huán)境因子、改進技術手段，達到精準、高效養(yǎng)蠶的目的。當前的養(yǎng)蠶生產(chǎn)，由于相關技術條件還不成熟，人們只能采用傳統(tǒng)的方法及手段來掌握并管控養(yǎng)蠶環(huán)境變化和養(yǎng)蠶進程狀態(tài)，因受到很多不確定性因素影響，很容易發(fā)生生產(chǎn)事故，無法從源頭上滿足高質(zhì)量養(yǎng)蠶需求。近年來，在大數(shù)據(jù)技術應用快速發(fā)展背景下，深度學習一直保持強勁發(fā)展態(tài)勢，并在數(shù)據(jù)處理、圖像識別、文本理解等重要領域?qū)崿F(xiàn)了規(guī)模化推廣與應用。通過卷積神經(jīng)網(wǎng)絡應用，對分布在各場景下的環(huán)境因子、典型特征、變化幅度等動態(tài)數(shù)據(jù)進行系統(tǒng)性深度學習，并從中篩選出可有效反映目標性質(zhì)的典型特征，為管理流程的優(yōu)化、管理效率的提高提供了新的內(nèi)生動力[1-3]。本研究基于新型物聯(lián)網(wǎng)和卷積神經(jīng)網(wǎng)絡學習算法，通過優(yōu)化模塊化管理流程，對復雜養(yǎng)蠶環(huán)境和蠶體發(fā)育狀態(tài)進行實時監(jiān)控和預測，設計一套基于深度學習的智能養(yǎng)蠶監(jiān)控系統(tǒng)，為實現(xiàn)真正意義上的高質(zhì)量、精準化養(yǎng)蠶提供科學依據(jù)[4-5]。

1 養(yǎng)蠶技術參數(shù)及特點

養(yǎng)蠶技術參數(shù)主要包括養(yǎng)蠶環(huán)境因子和養(yǎng)蠶發(fā)育狀態(tài)（齡期經(jīng)過和發(fā)育階段）。養(yǎng)蠶環(huán)境因子涉及多個變量，如溫度、濕度、光照度、氣體濃度等;蠶體發(fā)育狀態(tài)含蠶的齡期、大小、體色、體態(tài)，“眠”或“起”的體征、食?；蚺佬袪顟B(tài)、階段發(fā)育表征、群體整齊狀況等。根據(jù)養(yǎng)蠶生產(chǎn)環(huán)境要求和蠶體發(fā)育階段生理需求，設定主要養(yǎng)蠶技術參數(shù)閾值和告警上下限，便于系統(tǒng)學習模型訓練、數(shù)據(jù)處理和預測輸出，從源頭上提高生產(chǎn)效率，保證生產(chǎn)效率。運用物聯(lián)網(wǎng)技術，結(jié)合深度學習綜合算法，養(yǎng)蠶環(huán)境和蠶體發(fā)育狀態(tài)數(shù)據(jù)在自動裝置的動態(tài)監(jiān)管與調(diào)控下，第一時間實施最有利于家蠶生長發(fā)育的技術措施，既實現(xiàn)了人力資源的高效配置與使用，又達到了精準施策、安全生產(chǎn)的目的，而且能不斷優(yōu)化技術方案，有效提高養(yǎng)蠶的產(chǎn)量和質(zhì)量。

2 系統(tǒng)方案設計

2.1 系統(tǒng)總體方案

以實現(xiàn)蠶室環(huán)境和蠶體發(fā)育狀態(tài)智能監(jiān)控目標為前提，充分結(jié)合養(yǎng)蠶技術特點，在新型物聯(lián)網(wǎng)技術、數(shù)據(jù)挖掘技術支持下，研發(fā)一套規(guī)范且嚴謹?shù)酿B(yǎng)蠶監(jiān)控數(shù)據(jù)庫系統(tǒng)，能夠科學調(diào)控蠶室環(huán)境參數(shù)、實時了解并動態(tài)掌握蠶體發(fā)育情況。具體來講，引入卷積神經(jīng)網(wǎng)絡算法，綜合利用多種信息技術手段，以智能監(jiān)測、精準調(diào)控蠶室環(huán)境因子和養(yǎng)蠶狀態(tài)場景為研究目標[6-8]，從源頭上實現(xiàn)各環(huán)節(jié)的信息化管理、精準化決策，再借助卷積神經(jīng)網(wǎng)絡算法設計出功能多元、服務精準的養(yǎng)蠶監(jiān)控系統(tǒng)架構(gòu)（圖1），并在物聯(lián)網(wǎng)技術的支持下，經(jīng)過復雜樣本學習訓練，進行完善的數(shù)據(jù)采集、分析、預測、決策處理，以達到智能化監(jiān)測、預測的目的，進而提高養(yǎng)蠶行業(yè)競爭力。本系統(tǒng)通過實時追蹤養(yǎng)蠶環(huán)境因子和養(yǎng)蠶群體特征變化，調(diào)動相匹配的數(shù)據(jù)采集設備，以成功搜集到與養(yǎng)蠶環(huán)境因子及發(fā)育情況相關的數(shù)據(jù)參數(shù)，再將這些數(shù)據(jù)上傳至控制中心，應用深度學習算法，通過多層次、復雜樣本訓練，不斷改進學習訓練模型，提高數(shù)據(jù)處理和預測的精確性。通過對數(shù)據(jù)的深度分析，進一步糾偏和矯正參數(shù)，獲取可靠的處理結(jié)果，發(fā)送至系統(tǒng)界面或指定的手機端。對于用戶來說，便可通過此系統(tǒng)對養(yǎng)蠶生產(chǎn)全程的變化參數(shù)進行密切觀察、精準調(diào)控，既能實現(xiàn)日志化監(jiān)控，還能追溯產(chǎn)品質(zhì)量源頭。

2.2 系統(tǒng)設計

2.2.1 設計目標 在系統(tǒng)設計過程中，引入卷積神經(jīng)網(wǎng)絡的分類模型，采集不同形式的樣本數(shù)據(jù)，利用專業(yè)的插件模型引入切實可行的綜合算法，在此基礎上，實現(xiàn)養(yǎng)蠶環(huán)境和蠶體發(fā)育狀態(tài)的數(shù)據(jù)精準分類處理，通過復雜樣本學習訓練，反復進行多層測試、校準、完善（圖2）。系統(tǒng)架構(gòu)包含移動端APP、算法云服務和物聯(lián)網(wǎng)開發(fā)平臺。軟件系統(tǒng)開發(fā)包括ZigBee底層協(xié)議棧開發(fā)、各種傳感器驅(qū)動程序編寫、智能控制程序編寫、網(wǎng)關接入和GPRS程序編寫、相關數(shù)據(jù)庫管理等。手機APP系統(tǒng)以Eclipse ADP開發(fā)環(huán)境為載體，直接運行于Win10 64位系統(tǒng)下，并在ImageButton 等多種專業(yè)控件的支持下，采用線性布局進行開發(fā)。

2.2.2 模塊設計 系統(tǒng)模塊設計由以下四大模塊組成：（1）數(shù)據(jù)感知采集模塊。主要對環(huán)境因子、家蠶發(fā)育變化情況進行動態(tài)監(jiān)測與管控，它由多個構(gòu)件組成，如RTU設備、攝像機等，先采集0～5 V區(qū)間內(nèi)的參數(shù)值，再對捕捉到的數(shù)據(jù)進行深度分析。用戶可自行設定預警值，一旦捕捉到的數(shù)值超出限值，系統(tǒng)就會發(fā)出警示，以提醒用戶要對當前環(huán)境的相關參數(shù)進行優(yōu)化與調(diào)整，打造良好的養(yǎng)蠶環(huán)境。（2）數(shù)據(jù)傳輸處理模塊。主要涉及數(shù)據(jù)存儲、數(shù)據(jù)分析、智能更新、人機交互4個環(huán)節(jié)。系統(tǒng)以不同類型的數(shù)據(jù)庫為載體，對采集到的數(shù)據(jù)進行完整存儲和定期更新。（3）樣本學習訓練模塊。利用多層卷積神經(jīng)網(wǎng)絡綜合算法，借助機器學習、數(shù)據(jù)挖掘技術對感知數(shù)據(jù)進行處理，以消除差異，實現(xiàn)數(shù)據(jù)的挖掘分析、精準處理及優(yōu)化調(diào)整。（4）智能控制模塊。采用模塊化控制技術，以專業(yè)模塊控制法對養(yǎng)蠶技術進行動態(tài)監(jiān)控，提高數(shù)據(jù)的精準性與可靠性。以物聯(lián)網(wǎng)養(yǎng)蠶監(jiān)控模式為依托，研發(fā)出可靠、實用的人機交互界面。計算機中心將接收到各種數(shù)據(jù)信息通過網(wǎng)絡進行分布傳送，并根據(jù)用戶反饋對現(xiàn)有參數(shù)值做出相應調(diào)整與優(yōu)化;用戶利用智能APP端對養(yǎng)蠶環(huán)境及蠶體發(fā)育狀態(tài)進行實時追蹤與監(jiān)控，一旦發(fā)現(xiàn)異常警告，就立即做出調(diào)整，從根本上保證系統(tǒng)的安全性。用戶利用系統(tǒng)界面或APP終端對養(yǎng)蠶全過程進行智能管控，監(jiān)控操作主要涉及實時監(jiān)測、數(shù)據(jù)查詢、決策咨詢等相關內(nèi)容。各養(yǎng)蠶基地可設置不同的用戶角色，可動態(tài)查看、及時上傳養(yǎng)蠶實景數(shù)據(jù)，并根據(jù)反饋信息，控制多個設備的工作狀態(tài)[9]。

2.2.3 基于深度學習的模型訓練 卷積神經(jīng)網(wǎng)絡憑借自身獨有的特征學習及分類優(yōu)勢，在參數(shù)矯正、圖像分類、管理預測等相關領域具有很好的應用。應用ResNet模型，不斷增加模型層數(shù)強化系統(tǒng)深度學習的識別能力。由于養(yǎng)蠶數(shù)據(jù)集不是特別大，模型訓練采用殘差網(wǎng)絡ResNet微調(diào)的訓練方法，來實現(xiàn)養(yǎng)蠶環(huán)境和養(yǎng)蠶實景的分類識別處理。訓練數(shù)據(jù)選用從開發(fā)者平臺互聯(lián)網(wǎng)獲取、管理者經(jīng)驗積累或用戶采集反饋，以此不斷豐富訓練集、驗證集和測試集。一方面，加大有標注的養(yǎng)蠶數(shù)據(jù)、圖像信息的建立;另一方面，在分類模型訓練過程中，對不同形式的養(yǎng)蠶數(shù)據(jù)進行細化分類，并通過反復迭代訓練確定出最符合要求的分類模型。系統(tǒng)設計的根本目的就是實現(xiàn)數(shù)據(jù)庫的智能獲取以及分類模型的智能訓練，從圖像搜索查詢、人工篩選甄別、歸一化調(diào)整到分類模型訓練，逐步加大數(shù)據(jù)庫容量、有效數(shù)據(jù)聚集、提升數(shù)據(jù)歸一標準[10-11]。

3 系統(tǒng)功能

3.1 實景監(jiān)控

系統(tǒng)可在線實時監(jiān)控養(yǎng)蠶環(huán)境變量和家蠶發(fā)育實況以及各智能設備的運行情況，也可采用遠程視頻手段，對各基地的養(yǎng)蠶情況進行密切觀察與動態(tài)監(jiān)控，以實現(xiàn)真正意義上的智能、精準化監(jiān)控。另外，包括環(huán)境變量、家蠶生長實況及設備運行狀態(tài)等在內(nèi)的所有信息均可直接顯示在系統(tǒng)界面中，對于用戶來說，可利用系統(tǒng)管理平臺高效、精準地查詢到所需信息，也可通過瀏覽器或APP查找、咨詢、反饋，實現(xiàn)養(yǎng)蠶現(xiàn)場、控制中心、移動用戶三者協(xié)調(diào)一致，既相互依存、又互相補充。

3.2 精準調(diào)控

系統(tǒng)基于多種切實可行的調(diào)控方法對環(huán)境因子做出有效調(diào)控，旨在提供適合養(yǎng)蠶的生長環(huán)境。通過系統(tǒng)決策，實現(xiàn)現(xiàn)場操作的同時，也可對養(yǎng)蠶方案進行遠程調(diào)控：（1）在環(huán)境參數(shù)范圍內(nèi)，運用模糊算法，對各設備的工作情況進行智能監(jiān)控，既能對環(huán)境因子的變化水平進行自動調(diào)控，也可通過預設值判斷發(fā)出警示;（2）通過不同類型蠶體發(fā)育狀態(tài)樣本學習訓練，有針對性地提供精準養(yǎng)蠶方案，包括階段（齡期）鑒別、飼料（桑葉）標準、發(fā)育預測、操作措施、仿真實例等預測管理。

3.3 專家決策

系統(tǒng)把養(yǎng)蠶用戶的實際需求進行高效轉(zhuǎn)化，使其成為更便于查詢的知識與規(guī)則，也就是常說的知識庫、標準庫，以備系統(tǒng)平臺調(diào)用。管理用戶享有最高操作權限，可通過多種渠道訪問知識信息系統(tǒng)，可提供全方位、專業(yè)化的技術服務，也可以現(xiàn)場反饋養(yǎng)蠶環(huán)境和蠶體發(fā)育狀態(tài)情景，及時發(fā)現(xiàn)、上傳養(yǎng)蠶過程中的疑難問題的相關信息，在接受系統(tǒng)專家指導的同時，不斷豐富系統(tǒng)數(shù)據(jù)庫。

3.4 智能監(jiān)控

系統(tǒng)通過計算機控制中心實現(xiàn)養(yǎng)蠶生產(chǎn)的智能化監(jiān)控，具體涉及環(huán)境參數(shù)的定義、不同類型數(shù)據(jù)的實時搜集、場景狀態(tài)的動態(tài)監(jiān)測、相關數(shù)據(jù)的傳輸、樣本學習訓練、技術方案的輸出、數(shù)據(jù)管理、日志查詢等。監(jiān)控系統(tǒng)對養(yǎng)蠶復雜環(huán)境和各階段發(fā)育情景進行實時記錄、監(jiān)控，并能對未來發(fā)育進程、技術方案進行預測，實現(xiàn)養(yǎng)蠶生產(chǎn)預測性調(diào)控和養(yǎng)護。

4 結(jié)果與分析

本系統(tǒng)在江蘇省蠶種管理所、江蘇省如東縣蠶桑站以及鹽城工業(yè)學院、鹽城思源網(wǎng)絡科技有限公司等單位參與下，由江蘇聯(lián)合職業(yè)技術學院鹽城生物工程分院牽頭，校企合作進行綜合試驗和分析。設計結(jié)果表明，通過引入深度學習技術來識別不同類型的養(yǎng)蠶環(huán)境、蠶體發(fā)育狀態(tài)，結(jié)合物聯(lián)網(wǎng)移動 APP 應用，通過計算機綜合數(shù)據(jù)處理，全方位輸出、提供監(jiān)控服務和技術方案，作用于簡化分類模型的養(yǎng)蠶訓練和生產(chǎn)，在養(yǎng)蠶環(huán)境和蠶體發(fā)育監(jiān)控中的數(shù)據(jù)精準采集、典型樣本訓練、標準數(shù)據(jù)庫完善、遠程檢測管理、快速響應調(diào)控、專家決策提供等方面取得了顯著的成效，大大提高了養(yǎng)蠶智能化水平和經(jīng)濟效益。

4.1 數(shù)據(jù)庫更豐富

系統(tǒng)依托物聯(lián)網(wǎng)技術，通過深度樣本學習算法實時對養(yǎng)蠶環(huán)境因子和蠶體發(fā)育狀態(tài)數(shù)據(jù)進行采集、傳輸、對比、學習、存儲、更新，利用系統(tǒng)控制平臺查找與用戶需求相符的管理信息，或發(fā)出警示提醒。大量實踐研究證實，常規(guī)生產(chǎn)情況下，智能監(jiān)控系統(tǒng)數(shù)據(jù)采集準確率可達99.97%，標準參數(shù)校正率可達86.45%，針對單季養(yǎng)蠶生產(chǎn)應用，系統(tǒng)數(shù)據(jù)庫存儲量平均可提高3.6倍，應用效率大大超出人工操作。

4.2 安全性能更高

智能養(yǎng)蠶系統(tǒng)不僅可以達到全方位無人值守的效果，而且通過卷積神經(jīng)網(wǎng)絡綜合算法，及時調(diào)整養(yǎng)蠶環(huán)境和蠶體發(fā)育狀態(tài)標準參數(shù)，大大提高了養(yǎng)蠶生產(chǎn)的精準度和安全性。同時，系統(tǒng)的全方位實景監(jiān)控和偏差自我糾錯處理，實現(xiàn)了防范與報警功能，達到了高效管理要求，同時也強化了數(shù)據(jù)更新的實時性和運行的穩(wěn)定性。

4.3 生產(chǎn)預策更智能

系統(tǒng)設置了與蠶桑專業(yè)群落數(shù)據(jù)庫（專業(yè)知識庫和圖片規(guī)則庫、參數(shù)標準庫）的傳輸接口，克服了系統(tǒng)不兼容問題。用戶可通過瀏覽器或APP等多種方式查找、傳送信息，也可完成案例分析、技術咨詢等相關操作。整體來看，系統(tǒng)的開發(fā)與應用既加快了智能養(yǎng)蠶的發(fā)展進程，也完善了養(yǎng)蠶標準方案，確保了系統(tǒng)設計和應用的實時更新。

5 結(jié)語

本系統(tǒng)基于深度學習、樣本訓練模型，應用新型物聯(lián)網(wǎng)技術、樣本機器學習綜合算法，實現(xiàn)了養(yǎng)蠶生產(chǎn)規(guī)?；⒕珳驶?、智能化監(jiān)控，大大提高了生產(chǎn)自動化水平和管理效益。系統(tǒng)通過開發(fā)者平臺，使養(yǎng)蠶技術分類模型的訓練自動化，進一步提高了樣本學習、模糊處理的質(zhì)量。鑒于智能化養(yǎng)蠶產(chǎn)業(yè)規(guī)模還不大，仍然存在養(yǎng)蠶數(shù)據(jù)不多、情境不豐富、數(shù)據(jù)冗余等問題，須要進一步加大推廣應用，充分利用行業(yè)大數(shù)據(jù)，增強數(shù)據(jù)過濾，進一步提高系統(tǒng)數(shù)據(jù)處理和管理決策的精準度、適應性。

參考文獻：

[1]肖澤中. 深度學習在管理實踐中的應用[J]. 未來與發(fā)展，2018，42（9）：57-63.

[2]郭麗麗，丁世飛. 深度學習研究進展[J]. 計算機科學，2015，42（5）：28-33.

[3]孫孝龍，吳洪昊，周衛(wèi)陽，等. 基于新型物聯(lián)網(wǎng)的蠶室環(huán)境管理系統(tǒng)設計與應用[J]. 計算機應用與軟件，2019，36（6）：58-61，75.

[4]郭奇志，陳 光，任卓君，等. 基于 Android 智能手機的實驗管理系統(tǒng)[J]. 計算機與現(xiàn)代化，2015（10）：73-76.

[5]沈 平，袁 瑛，周 潘. 物聯(lián)網(wǎng)中大規(guī)模無線射頻識別標簽的容錯估計算法[J]. 計算機應用與軟件，2019，36（6）：35-42.

[6]劉 康，張元哲，紀國良，等. 基于表示學習的知識庫問答研究進展與展望[J]. 自動化學報，2016，42（6）：807-818.

[7]王洪斌，王 紅，何 群，等. 基于深度信念網(wǎng)絡的風機主軸承狀態(tài)檢測方法[J]. 中國機械工程，2018，29（8）：948-953.

[8]吳小峰. 基于物聯(lián)網(wǎng)技術的智能水產(chǎn)養(yǎng)殖管理系統(tǒng)設計[J]. 襄陽職業(yè)技術學院學報，2015，14（6）：15-18.

[9]張 彤，劉 志，莊新卿. 基于開發(fā)者平臺和深度學習的智能識花與護花系統(tǒng)[J]. 工業(yè)控制計算機，2018，31（1）：90-92.

[10]周志紅. 基于深度學習的工業(yè)工程控制系統(tǒng)異常檢測技術的研究[D]. 北京：北京郵電大學，2018.

[11]趙永科. 深度學習：21天實戰(zhàn)Caffe[M]. 北京：電子工業(yè)出版社，2016.王麗娟，劉志剛，喜冠南，等. 一種可伸縮單果采摘器的設計[J]. 江蘇農(nóng)業(yè)科學，2020，48（21）：245-249.