基于邊緣計算的糧食信息化探究

喬 炎， 甄 彤， 李智慧

(糧食信息處理與控制重點實驗室;河南工業大學信息科學與工程學院,鄭州 450001)

隨著科技的進步，“糧食信息化”深受國家關注。2020年9月，國家糧食和物資儲備局組織召開“十四五”信息化發展規劃座談會，提出糧庫治理能力現代化，推進“數字儲量”建設[1]。目前基于云計算的糧庫建設已逐步智能化，但大多功能單一，管理分散，數據量龐大，仍有很多問題急需解決。邊緣計算作為云計算的擴展，為糧食信息化帶來新的生機。

邊緣計算是指在網絡邊緣執行計算的一種新型計算模型。邊緣計算中的邊緣指的是數據源到云端之間路徑上的任意計算和網絡資源[2，3]。邊緣計算的興起為解決云計算中的時延較大，帶寬不足，隱私安全等問題提供了新思路。

Acm、IEEE、ICDCS、FMEC、ICFEC、EDGE等國際會議也逐漸開始聚焦邊緣計算技術。同樣，邊緣計算技術在國內發展也十分迅速，華為技術有限公司、中國科學院沈陽自動化研究所等成立了邊緣計算產業聯盟(Edge Computing Consortium,ECC)[4],旨在搭建邊緣計算產業合作平臺，推動OT和ICT產業開放協作。2020邊緣計算產業峰會，發布了《邊緣計算與云計算協同白皮書2.0》《5G時代工業互聯網邊緣計算網絡白皮書》《工業互聯網邊緣計算節點白皮書1.0》[5]。邊緣計算技術已逐漸被理解和接受，研究者在積極開拓邊緣計算在各領域的應用，前景廣闊。

1 邊緣計算的應用成果

隨著自動化、傳感器、電子信息等技術的發展，生活與工業中大部分生產過程都可被智能監測或管理，所有的智能監測或管理都離不開數據分析，而數據分析需要大量的計算資源。

目前基于云計算的計算模式已經無法滿足工業物聯網、自動駕駛、智慧城市及數據安全等領域的對海量數據進行實時、安全、低耗等處理要求。邊緣計算一經提出，便受到廣泛關注，目前已初步取得一些成果。本文總結了邊緣計算在不同場景的應用及所解決的主要問題，相關信息如表1所示。

1.1 工業物聯網

邊緣計算為眾多工業場景中數據分析提供了新思路與計算支持。目前的應用主要依賴于邊緣計算低時延的特性，為移動設備提供計算力，提高數據的處理速度和響應速度，在保證帶寬和能耗的條件下提高效率。但由于工業物聯網的場景及數據的復雜性，目前邊緣計算在此領域的應用還不太完善，大多只是針對一到兩個方面，很少有健全和功能完善的系統。此外，很多應用為了保證低時延和低帶寬，導致平臺成本過高，并且安全性有待提高。

表1 邊緣計算的應用

1.2 自動駕駛與車聯網

自動駕駛及車聯網場景下需要極低的時延從而達到及時反饋，邊緣計算在該領域的研究著重于解決低時延的問題。目前存在兩方面問題。第一，進行實驗分析時只關注時延，忽略帶寬，帶寬過高會對架構安全性產生威脅。第二，實驗時只考慮理想情況，但實際路況復雜，易出現突發事件，導致所提算法受到車輛移動性的影響。

1.3 智慧城市

智慧城市是利用信息技術，提高城市的運作效率，提高居民生活質量。智慧城市需要信息融合、統籌管理、深度感知[26]。邊緣計算在該領域的研究比較簡單，主要是將原本在云端進行檢測或處理的數據下發給邊緣端，以提高效率。若在檢測過程中融入合作訓練等邊緣計算，可能會進一步提高速度，減少服務器壓力。

1.4 數據安全實時處理

大數據時代下數據安全問題倍受廣大用戶關注，由于云計算要將數據全部上傳至云端，數據泄露問題難以避免。邊緣計算模式下可提高數據安全的關鍵在于，邊緣計算將計算卸載至本地，減少了隱私泄露問題。目前大多是對邊緣環境下安全協議的研究，主要還存在以下幾個核心問題。第一，安全協議計算任務卸載問題，雖然邊緣計算模式下一定相較于傳統物聯網模式下性能更優，但如何合理地將任務卸載至邊緣節點有待研究。第二，安全協議場景單一，大多只針對車聯網場景，其他場景下還需進一步研究。第三，可將區塊鏈結合到安全協議中以提高安全協議效率。

2 邊緣計算在糧食信息化中的應用

邊緣計算在工業物聯網、數據安全處理、自動駕駛、智慧城市等對實時性、帶寬要求較高的領域中取得進展，如智能倉儲、無人值守鐵路、煤礦甲烷含量檢測等，為很多行業中存在的問題提供了新的解決方案。而一些特殊領域有著獨特的需求，邊緣計算在這些領域的應用需結合其行業特殊性，具有一定難度。糧食是民生之本[33]，糧庫的建設關系到國家安全，以目前邊緣計算在其他領域的研究成果為基礎，對邊緣計算下的糧食信息化應用做出探究。

2.1 基于云計算的糧食信息化平臺

目前的糧情監控平臺主要是基于云服務平臺[34]，在全國范圍建立一個智慧糧食云服務平臺，多個分中心和云中心相結合，云中心可以調看分中心的情況，共同監測全國各地糧庫，該架構下，由終端采集數據，包括出入庫信息、出入庫車輛信息、溫濕度信息等。終端將采集到的所有數據上傳至云端，全部交付云端進行處理與統一管理。由于糧庫中產生的糧情信息數據龐大，如糧庫的溫濕度、光照強度、存儲量、某種氣體的濃度等，都使云平臺的計算壓力增大，資源無法合理分配，使得延遲，帶寬等問題無法解決，且系統功能大多較為單一，無法實現真正的本地數據分析和控制聯動。以云計算為核心的集中式數據處理模式已經難以滿足糧情監控的多樣化。邊緣計算選擇就近對視頻數據進行預處理，無論是帶寬，時延還是存儲方面都表現良好。

2.2 邊緣計算下糧情監測系統框架

2.2.1 邊緣計算下糧情監測系統功能分析

邊緣計算下的新型糧情監測系統是建立在傳統監測系統上的，可實現視頻數據分析，視頻數據計算、視頻數據存儲等，規范糧食出入庫作業流程，包括登記、檢驗、計量、入倉、去皮并計算凈重、結算、滿倉整理、設備歸位檢修、數量質量驗收等，對儲量生態系統中溫度、濕度、氣體成分、雜質和微生物等動態監測，是一個新型管理中心。邊緣計算下糧情監測模型的優勢主要體現在三方面。第一，數據實時處理。邊緣計算節點的部署更靠近數據源頭，大量糧情數據可實現本地管理，無需上傳至云端，減少處理時延，從而減少反饋延遲。第二，緩解帶寬壓力。數據產生后及時處理，只將部分重要信息上傳至云中心，從而顯著緩解帶寬壓力。第三，降低數據泄漏風險。糧情信息關系國家穩定，原始數據不再上傳至云端，而是存儲在本地邊緣節點，從而保護數據安全。

如圖1所示，該系統最上層是用戶層，糧庫管理人員和政府有關部門可查看庫內相關情況。用戶層的下層是云端，是整個系統的大腦。邊緣側由邊緣服務器組成，下接設備終端，上接云端。

圖1 邊緣計算下糧情監測系統

2.2.1.1 設備終端

由于要對糧庫內出入庫車輛、倉門異動、人員摔倒、規范穿戴等及時預警，對儲糧生態系統的溫度、濕度、氣體成分、雜質和微生物等進行實時監測，因此設備終端除了智能攝像頭外，還包括糧庫中各種傳感器等物聯網設備。智能終端具有智能感知的功能，其主要負責進行數據采集，并將采集后的數據上傳至邊緣側進行處理。

2.2.1.2 邊緣側

邊緣側可看作是從云端下沉的一部分，邊緣側實現數據處理、特征分析、行為識別、數據存儲等功能。終端采集到庫內溫濕度、氣體成分等信息后，上傳至邊緣端，邊緣端會進行部分處理，只將難以處理的信息上傳至云端。同時可將視頻圖像中的冗余信息去除，實現一部分分析和處理，但數據處理后的結果依然要傳遞給云中心進行統一決策。同時將復雜功能和視頻信息傳遞給糧庫視頻監控云中心，進一步進行計算、存儲、分析、決策。邊緣計算側向云計算中心發送數據請求，同時和前端邊緣設備共同實現部分功能算法如跟蹤車輛，人臉識別等，對部分數據進行處理。此外，邊緣側還可以進行管控和調配，監管著前端邊緣設備的部分數據安全性和傳輸可靠性等。所以可將邊緣計算服務器看作設備終端和云中心的橋梁。

2.2.1.3 云端

邊緣側進行預處理和分析的結果需要傳遞至云中心，較為復雜的數據信息也在云中心進行處理。如進行目標檢測等任務時，如車輛出入庫檢測、糧庫作業規范檢測等，模型訓練任務由云端執行。之后，云中心進行決策和調度，在全局范圍內進行調度。云中心提供與用戶層的接口。

邊緣計算下的糧庫糧情監測系統的主要功能：與云計算相結合，總監控中心可以調度分庫監控中心；糧庫中海量數據可以在邊緣側進行預處理，改變將所有數據傳遞給云中心的傳統模式，緩解帶寬壓力，降低時延；視頻監控終端具備信息處理功能；在出現糧情異常或糧庫異常時，有通知和預警功能；對儲糧生態系統的溫度、濕度、氣體成分、雜質和微生物等信息實現動態監測。

2.2.2 邊緣計算下糧情監測系統硬件需求分析

本著儲糧技術中綠色、高效、安全、節能的原則，在數據分析技術方面，由于邊緣層節點數量多，考慮到成本，邊緣層可以由諸多小型服務器或是PC端電腦組成，也可以是虛擬機組成的計算集群或者樹莓派搭建的小型計算機，或是由容器組件的容器集群。其中容器技術相較于傳統的虛擬機技術可使邊緣設備的資源得到更充分的利用，有較大優勢，可通過Google發布的開源系統Kubernetes[35]，結合Docker容器技術[36]進行集群管理。此外由于智能終端可能要承擔一部分的目標檢測任務，所以需要具有一定計算能力。終端設備可選擇搭載英偉達TX2[37]開發套件，其性能在數據存儲、內存、GPU、CPU等方面均表現良好。

在通信方面，終端層中包含諸多智能終端，為了保證數據雙向傳輸，終端層和邊緣側的邊緣服務器及邊緣服務器與云中心的連接均采用雙向連接。分布式運算必須要協調各部分節點的通信協議，在進行通信時，避免產生額外的計算，另一方面也要避免因為數據格式的差異而產生錯誤，因此需要對通信協議進行統一。通信協議選擇SSH協議。邊緣側與云端也可通過有線介質或Wifi進行通信。此外，邊緣計算的接口適配應符合物聯網化、IT/OT融合[38]的趨勢，實現接口和協議轉換。

2.3 邊緣計算下糧庫視頻監控框架

2.3.1 邊緣計算下糧庫視頻監控框架設計

邊緣計算下糧庫視頻監控系統可應用于出入庫車輛檢測、車輛跟蹤、規范作業檢測穿戴檢測、人臉識別、倉門異動檢測、人員摔倒預警等方面。在邊緣計算視頻監控模型中，計算通常發生在數據源附近，即在邊緣端進行視頻數據的分析和處理。在硬件上，邊緣前端側和邊緣服務器及邊緣側與云中心之間都采用雙向連接。硬件層主要包括邊緣計算硬件單元，無線通信模塊及視頻監控系統硬件設備。軟件層主要負責圖像處理，包括目標檢測，信息融合，狀態估計等，實現模糊計算，并對實時采集的數據執行將部分或全部計算任務，為更注重實時性的應用提供實時性應答。此外，設置彈性存儲模塊，感知監控場景內變化，實現更高的存儲空間。最終計算結果傳遞給云中心，由云中心統一進行調度。

2.3.2 邊緣計算下目標檢測算法

糧庫中視頻監控的主要功能是進行目標檢測。目前傳統的基于深度學習的目標檢測算法已經發展比較完善，但這些模型往往體積較大、參數冗余、需要大量的計算資源。且在云計算框架下需把攝像頭采集到的所有數據上傳至云端再進行檢測，造成數據堆積，大量時間浪費，無法真正實現智能化。本文根據糧庫中視頻數據背景單一，且面積大，需訓練的數據較少，但在檢測時對實時性要求較高，特別是關系人員安全的規范作業檢測等，需檢測到數據較多的特點，將目標檢測算法與邊緣計算結合，從而減少數據堆積，降低時延。體現在兩方面，第一，將傳統的目標檢測模型放在邊緣側執行，無需上傳至云端，從根本上降低傳輸時延。第二，設計了一種新的訓練與檢測模式。該模式下，智能終端采集數據后上傳至邊緣服務器，在邊緣服務器上訓練模型，之后邊緣服務器將訓練好的模型發送給具有一定計算能力的智能終端，產生新的數據時由終端進行圖像檢測，這種方式改變了過去訓練及檢測均在一個服務器上的模式，降低服務器壓力的同時降低了時延。

在模型選擇方面，由于邊緣服務器的內存空間和計算力相對于大型服務器較小，可選擇YOLO系列中最新研究成果YOLOv5[39]，該模型相較于兩階段模型及YOLO系列中其他算法，有模型小、部署成本低、靈活性高、檢測速度快等優點，易于在邊緣端進行部署。

2.4 邊緣計算模式下糧庫車輛識別與跟蹤

本文以車輛檢測及跟蹤為例對新架構下目標檢測及跟蹤進行分析。邊緣計算模式下的車輛檢測大致可分為4個步驟，如表2所示，邊緣計算模式下的糧庫車輛檢測流程采用了智能攝像頭，該攝像頭集數據采集、圖像預處理、特征提取及簡單目標檢測算法于一身。從步驟上看，邊緣計算模式較傳統云計算模式處理步驟并沒有減少，但是不再將大量視頻數據上傳至云端，而是將智能攝像頭預處理后的結果上傳至云端。糧庫中每天進出的車輛眾多，若像傳統模式下將所有視頻數據不加處理就上傳至云端，海量的數據將造成糧庫中計算資源大量浪費，且糧庫對實時性要求較高，而傳統模式下數據冗余，無法保證時延。新的模式下檢測流程極大地分攤了云端的壓力，并且降低了車輛識別的時間消耗，可以滿足糧庫中車輛識別的需求。該方法同樣適用于人臉識別、安全帽識別等目標檢測流程。

糧食儲藏中，重視倉儲管理規范化、精細化、全程留痕、狀態可追蹤、責任可追溯[40]，這些問題的本質可歸納為實時目標跟蹤。車輛跟蹤作為計算機視覺領域目標跟蹤的一個重要方向，也是智能糧庫管理的重要一環。本文設計的邊緣計算下目標跟蹤方案，主要以解決現存糧庫云計算模式下實時性較差的短板問題為目標，實現實時跟蹤。邊緣計算下車輛跟蹤依賴于有一定計算能力的智能終端。當糧庫中有車輛入庫時，首先由目標檢測環節檢測到目標P，得到其初始位置，之后以目前攝像頭的坐標(Px,Py)為中心，向半徑R內的“鄰居”攝像頭發送信息，“鄰居”攝像頭對該信息進行復制，若遇到相同的信息會進行融合，并發送給新的“鄰居”攝像頭，以此來進行車輛位置的跟蹤。因為邊緣計算模式下的攝像頭具有一定的計算能力，因此無需將得到的信息上傳云端，再由云端發送給“鄰居”攝像頭，從而節省了時間。

表2 不同計算模式下糧庫車輛檢測過程

圖2 傳統糧情預警與邊緣計算下糧情預警流程對比

2.5 邊緣計算模式下的糧情預警

糧情預警是糧食儲藏中極其重要的一環。糧食倉儲中很多環節如氮氣儲糧、北方地區推廣的內環流控溫技術、高溫高濕地區廣泛應用的空調控溫技術、環流熏蒸等，均需根據倉內情況及時預警。傳統的糧情預警流程步驟繁雜，共有8步。首先由攝像頭和各傳感器(溫濕度傳感器等)采集數據，底層設備收集到數據后上傳至環網交換機，再進一步將數據傳遞給監控主機，監控主機根據分析模型(如溫濕度監測模型，火災分析模型等)分析是否有異常情況發生，若沒有繼續監測，若有異常，監控主機報告給總監控中心，并向各基站下發控制命令，最后報警。需要消耗大量的時間，且由于各個傳感器和攝像頭都需要將所收集的數據上傳至主機，對帶寬的要求很大，難以滿足糧庫中的實際需求。

邊緣計算模型下糧情預警流程中，由于無需將大量數據上傳至主機，從檢測到異常到處置只需要4步，首先由糧庫中攝像頭和各傳感器采集數據并及時將采集到的數據信息上傳至邊緣網關。邊緣網關根據分析模型確定異常。之后邊緣網關將信息上傳至邊緣計算平臺進行預處理和判斷。最后邊緣計算平臺根據設定的邏輯來完成通知或報警。在這個過程中可與深度學習等算法結合，實現目標檢測，人臉識別等功能?？梢钥闯觯撨^程相較于傳統的糧情預警模型，不僅減少了時間消耗，還節約了帶寬成本，為糧情異常處理爭取了時間。在新的糧情預警模式下可實現對糧情全方位的動態實時監測。由于智能終端具有處理部分數據及收發數據的功能，一旦終端傳感器的數據超過了預先設定的閾值，智能終端可迅速發出預警，且當一個智能終端或邊緣服務器發生故障時，其他節點可共同完成任務，使模型更加穩定。

2.6 邊緣計算模式下數據安全保護

邊緣計算模式下糧庫視頻監控的另一大優勢在于可以從根本上降低糧庫數據泄漏與被篡改的風險。數據泄漏與篡改主要發生在數據源與云端進行交互和通信的過程中，可能被第三方惡意入侵。由于邊緣計算模式下無需將所有數據上傳至云端，因此從根本上降低了數據泄露與被篡改的風險。同時，可對諸多的邊緣服務器及智能終端進行認證注冊，只有獲得權限的設備才可以收發數據。此外，邊緣計算與區塊鏈技術[41]相結合進行數據安全保護也是一大熱點。

3 總結

邊緣計算技術蓬勃發展，在各個領域應用廣泛。然而邊緣計算在很多特殊行業依然處于新發展階段，在很多地區，糧庫智能化是糧庫急需解決的問題，邊緣計算在糧食信息化中應用前景廣闊。本文綜述邊緣計算技術在工業物聯網、數據安全、自動駕駛和智慧城市4個關鍵領域的應用成果，分析各個領域目前存在的局限性與未來改進方向。以邊緣計算在其他領域的研究成果與局限性為基礎，結合目前糧食信息化發展中存在的問題，提出了將邊緣計算與云計算結合的糧庫糧情監測系統框架，并對視頻監控系統、車輛檢測與跟蹤、糧情預警及數據安全保護幾個模塊進行著重分析，實現實時監測糧情生態系統，實時監測和標記問題并進一步進行跟蹤和及時處理，對嚴重問題和重大缺陷進行提前預警，有利于糧庫管理規范化和精細化。