基于物聯網和深度學習的養蠶智能監控系統設計

孫孝龍 徐森 周衛陽 施建軍

摘要：養蠶面臨環境控制復雜、勞動力緊張、技術管理粗放等問題，特別是養蠶環境和技術監控方式，不能滿足規?；⑹×F代蠶業的發展需求。開發一種基于物聯網和深度學習的養蠶智能監控系統，通過物聯網實時記錄、監控養蠶環境因子和養蠶進程狀態，利用卷積神經網絡算法不斷學習、訓練得到預測模型，該模型可結合養蠶實際，準確理解養蠶操作對象和具體場景，實時調節環境因子、輸出養蠶技術方案，可以達到高效、精準養蠶的目的。

關鍵詞：物聯網;深度學習;養蠶;智能監控系統

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

養蠶智能管理須要對溫度、濕度、氣體、光照等養蠶環境以及蠶體發育狀態主要參數進行精準監控和合理養護。本研究通過新型物聯網系統實時監控養蠶環境因子，并結合養蠶生產實景，利用卷積神經網絡算法不斷學習、訓練得到一個預測模型，該模型可結合養蠶實際情況適時調節環境因子、改進技術手段，達到精準、高效養蠶的目的。當前的養蠶生產，由于相關技術條件還不成熟，人們只能采用傳統的方法及手段來掌握并管控養蠶環境變化和養蠶進程狀態，因受到很多不確定性因素影響，很容易發生生產事故，無法從源頭上滿足高質量養蠶需求。近年來，在大數據技術應用快速發展背景下，深度學習一直保持強勁發展態勢，并在數據處理、圖像識別、文本理解等重要領域實現了規?；茝V與應用。通過卷積神經網絡應用，對分布在各場景下的環境因子、典型特征、變化幅度等動態數據進行系統性深度學習，并從中篩選出可有效反映目標性質的典型特征，為管理流程的優化、管理效率的提高提供了新的內生動力[1-3]。本研究基于新型物聯網和卷積神經網絡學習算法，通過優化模塊化管理流程，對復雜養蠶環境和蠶體發育狀態進行實時監控和預測，設計一套基于深度學習的智能養蠶監控系統，為實現真正意義上的高質量、精準化養蠶提供科學依據[4-5]。

1 養蠶技術參數及特點

養蠶技術參數主要包括養蠶環境因子和養蠶發育狀態（齡期經過和發育階段）。養蠶環境因子涉及多個變量，如溫度、濕度、光照度、氣體濃度等;蠶體發育狀態含蠶的齡期、大小、體色、體態，“眠”或“起”的體征、食桑或爬行狀態、階段發育表征、群體整齊狀況等。根據養蠶生產環境要求和蠶體發育階段生理需求，設定主要養蠶技術參數閾值和告警上下限，便于系統學習模型訓練、數據處理和預測輸出，從源頭上提高生產效率，保證生產效率。運用物聯網技術，結合深度學習綜合算法，養蠶環境和蠶體發育狀態數據在自動裝置的動態監管與調控下，第一時間實施最有利于家蠶生長發育的技術措施，既實現了人力資源的高效配置與使用，又達到了精準施策、安全生產的目的，而且能不斷優化技術方案，有效提高養蠶的產量和質量。

2 系統方案設計

2.1 系統總體方案

以實現蠶室環境和蠶體發育狀態智能監控目標為前提，充分結合養蠶技術特點，在新型物聯網技術、數據挖掘技術支持下，研發一套規范且嚴謹的養蠶監控數據庫系統，能夠科學調控蠶室環境參數、實時了解并動態掌握蠶體發育情況。具體來講，引入卷積神經網絡算法，綜合利用多種信息技術手段，以智能監測、精準調控蠶室環境因子和養蠶狀態場景為研究目標[6-8]，從源頭上實現各環節的信息化管理、精準化決策，再借助卷積神經網絡算法設計出功能多元、服務精準的養蠶監控系統架構（圖1），并在物聯網技術的支持下，經過復雜樣本學習訓練，進行完善的數據采集、分析、預測、決策處理，以達到智能化監測、預測的目的，進而提高養蠶行業競爭力。本系統通過實時追蹤養蠶環境因子和養蠶群體特征變化，調動相匹配的數據采集設備，以成功搜集到與養蠶環境因子及發育情況相關的數據參數，再將這些數據上傳至控制中心，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，提高數據處理和預測的精確性。通過對數據的深度分析，進一步糾偏和矯正參數，獲取可靠的處理結果，發送至系統界面或指定的手機端。對于用戶來說，便可通過此系統對養蠶生產全程的變化參數進行密切觀察、精準調控，既能實現日志化監控，還能追溯產品質量源頭。

2.2 系統設計

2.2.1 設計目標 在系統設計過程中，引入卷積神經網絡的分類模型，采集不同形式的樣本數據，利用專業的插件模型引入切實可行的綜合算法，在此基礎上，實現養蠶環境和蠶體發育狀態的數據精準分類處理，通過復雜樣本學習訓練，反復進行多層測試、校準、完善（圖2）。系統架構包含移動端APP、算法云服務和物聯網開發平臺。軟件系統開發包括ZigBee底層協議棧開發、各種傳感器驅動程序編寫、智能控制程序編寫、網關接入和GPRS程序編寫、相關數據庫管理等。手機APP系統以Eclipse ADP開發環境為載體，直接運行于Win10 64位系統下，并在ImageButton 等多種專業控件的支持下，采用線性布局進行開發。

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

2.2.3 基于深度學習的模型訓練 卷積神經網絡憑借自身獨有的特征學習及分類優勢，在參數矯正、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，不斷增加模型層數強化系統深度學習的識別能力。由于養蠶數據集不是特別大，模型訓練采用殘差網絡ResNet微調的訓練方法，來實現養蠶環境和養蠶實景的分類識別處理。訓練數據選用從開發者平臺互聯網獲取、管理者經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，加大有標注的養蠶數據、圖像信息的建立;另一方面，在分類模型訓練過程中，對不同形式的養蠶數據進行細化分類，并通過反復迭代訓練確定出最符合要求的分類模型。系統設計的根本目的就是實現數據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、歸一化調整到分類模型訓練，逐步加大數據庫容量、有效數據聚集、提升數據歸一標準[10-11]。

3 系統功能

3.1 實景監控

系統可在線實時監控養蠶環境變量和家蠶發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，對各基地的養蠶情況進行密切觀察與動態監控，以實現真正意義上的智能、精準化監控。另外，包括環境變量、家蠶生長實況及設備運行狀態等在內的所有信息均可直接顯示在系統界面中，對于用戶來說，可利用系統管理平臺高效、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，實現養蠶現場、控制中心、移動用戶三者協調一致，既相互依存、又互相補充。

3.2 精準調控

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

3.3 專家決策

系統把養蠶用戶的實際需求進行高效轉化，使其成為更便于查詢的知識與規則，也就是常說的知識庫、標準庫，以備系統平臺調用。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，可提供全方位、專業化的技術服務，也可以現場反饋養蠶環境和蠶體發育狀態情景，及時發現、上傳養蠶過程中的疑難問題的相關信息，在接受系統專家指導的同時，不斷豐富系統數據庫。

3.4 智能監控

系統通過計算機控制中心實現養蠶生產的智能化監控，具體涉及環境參數的定義、不同類型數據的實時搜集、場景狀態的動態監測、相關數據的傳輸、樣本學習訓練、技術方案的輸出、數據管理、日志查詢等。監控系統對養蠶復雜環境和各階段發育情景進行實時記錄、監控，并能對未來發育進程、技術方案進行預測，實現養蠶生產預測性調控和養護。

4 結果與分析

本系統在江蘇省蠶種管理所、江蘇省如東縣蠶桑站以及鹽城工業學院、鹽城思源網絡科技有限公司等單位參與下，由江蘇聯合職業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。設計結果表明，通過引入深度學習技術來識別不同類型的養蠶環境、蠶體發育狀態，結合物聯網移動 APP 應用，通過計算機綜合數據處理，全方位輸出、提供監控服務和技術方案，作用于簡化分類模型的養蠶訓練和生產，在養蠶環境和蠶體發育監控中的數據精準采集、典型樣本訓練、標準數據庫完善、遠程檢測管理、快速響應調控、專家決策提供等方面取得了顯著的成效，大大提高了養蠶智能化水平和經濟效益。

4.1 數據庫更豐富

系統依托物聯網技術，通過深度樣本學習算法實時對養蠶環境因子和蠶體發育狀態數據進行采集、傳輸、對比、學習、存儲、更新，利用系統控制平臺查找與用戶需求相符的管理信息，或發出警示提醒。大量實踐研究證實，常規生產情況下，智能監控系統數據采集準確率可達99.97%，標準參數校正率可達86.45%，針對單季養蠶生產應用，系統數據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

智能養蠶系統不僅可以達到全方位無人值守的效果，而且通過卷積神經網絡綜合算法，及時調整養蠶環境和蠶體發育狀態標準參數，大大提高了養蠶生產的精準度和安全性。同時，系統的全方位實景監控和偏差自我糾錯處理，實現了防范與報警功能，達到了高效管理要求，同時也強化了數據更新的實時性和運行的穩定性。

4.3 生產預策更智能

系統設置了與蠶桑專業群落數據庫（專業知識庫和圖片規則庫、參數標準庫）的傳輸接口，克服了系統不兼容問題。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，系統的開發與應用既加快了智能養蠶的發展進程，也完善了養蠶標準方案，確保了系統設計和應用的實時更新。

5 結語

本系統基于深度學習、樣本訓練模型，應用新型物聯網技術、樣本機器學習綜合算法，實現了養蠶生產規?；?、精準化、智能化監控，大大提高了生產自動化水平和管理效益。系統通過開發者平臺，使養蠶技術分類模型的訓練自動化，進一步提高了樣本學習、模糊處理的質量。鑒于智能化養蠶產業規模還不大，仍然存在養蠶數據不多、情境不豐富、數據冗余等問題，須要進一步加大推廣應用，充分利用行業大數據，增強數據過濾，進一步提高系統數據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，周衛陽，等. 基于新型物聯網的蠶室環境管理系統設計與應用[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[J]. 計算機與現代化，2015（10）：73-76.

[5]沈 平，袁 瑛，周 潘. 物聯網中大規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. 基于深度信念網絡的風機主軸承狀態檢測方法[J]. 中國機械工程，2018，29（8）：948-953.

[8]吳小峰. 基于物聯網技術的智能水產養殖管理系統設計[J]. 襄陽職業技術學院學報，2015，14（6）：15-18.

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

[10]周志紅. 基于深度學習的工業工程控制系統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Caffe[M]. 北京：電子工業出版社，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]. 江蘇農業科學，2020，48（21）：245-249.