基于人工智能的智慧養蠶管理系統

孫孝龍，張繼軍，周衛紅，顧 彪，施建軍

（1.江蘇聯合職業技術學院鹽城生物工程分院，江蘇鹽城 224051；2.鹽城市鹽都區蠶種場，江蘇鹽都 224011；3.鹽城思源網絡科技有限公司，江蘇鹽城 224005）

1 引 言

系統設計，依據大數據、人工智能技術，貼近智能化、裝備化養蠶高質量發展需求，選用深度殘差卷積神經網絡算法，及時采集養蠶環境因素和家蠶生長發育狀態等多源數據，通過多層分布式提取數據特征，應用智能感知和深度學習技術，實現智能化、精準化養蠶管理，變革以往養蠶模式，著力解決智能化、規模化養蠶的“卡脖子技術”［1-2］。過去的養蠶模式，多為人工對溫度、濕度、光照、氧氣濃度、氣流、粉塵、有毒氣體等養蠶環境因素以及家蠶生長發育階段及行為狀態進行觀看、分析、識別和管理，往往會表現出環境因素變動較大、直觀判斷影響家蠶發育、空氣質量維持水平較差以及養蠶過程記錄缺失、技術操作失誤等生產事故，嚴重影響了養蠶產品的質量和效益。

人工智能技術發展快速，智能感知、新型物聯網、機器學習等技術更新迅猛，并在圖像識別、場景辨別、語音識別、流程優化、智能監控等技術領域廣泛應用，各類深度學習算法也隨機應運而生，發揮了更強的特征提取能力。Alexnet 網絡識別率較傳統算法有了巨大的提升［3］。如使用卷積神經網絡的經典模型LeNet-5 模型來完成對動物面部圖片的識別，并借助TensorFlow 程序來實現LeNet-5 模型。由牛津大學計算機視覺幾何組（visual geometry group）提出的VGG網絡、深度殘差網絡（DResNet）通過改進卷積結構并增加卷積層和池化層數量，實現了深度卷積神經網絡（Deep Convolutional Neural Networks，DCNN），使其具有更強的特征提取能力。為提高復雜環境下養殖動物的識別率，則需要增強算法對動物圖像的特征提取能力，以DCNN 為基礎的改進網絡在目標識別及動物識別領域都得到了較好的應用。一種基于多尺度卷積神經網絡的非接觸、低成本的動物個體身份識別方法［4］，為神經網絡的訓練及以后的遷移都提供了較好的支持。

當下，基于深度學習的圖像分類和目標識別技術，研發了很多高效的樣本模型。如輕量化模型MobileNet、基于神經架構搜索的NASNet 等，在深度學習的工業領域有廣泛應用［5］。基于深度學習的視覺目標檢測技術主要有R-CNN系列二階段目標檢測算法，YOLO、SSD 系列等單階段算法。SSD 模型采用Faster R-CNN 算法中的錨框策略，為提高模型的準確性和實時性，提出了SSD 模型的改進算法，如DSSD、FFSSD算法等，大大提高了目標識別與檢測精度［6-7］。

李家俊等，使用的是STC 公司芯片52 系列單片機，完成一個智能化養殖控制系統，能夠準確有效的實現養殖數據采集、數據分析、數據傳輸及數據報告的功能［8-11］。于秋玉、范松偉等，提出一種基于改進的YOLOv4 的小型動物智能識別算法，基于改進的卷積神經網絡自動計數研究，獲得動物大小的分布特征［12-13］。楊壽勇等，首次將卷積神經網絡模型Inception v3引入生物種類識別中，通過對25種典型生物進行遷移學習和參數優化，識別率達到了94.19%［14］。深度卷積神經網絡具有自動提取圖像特征，智能化水平明顯提高，可以優化識別流程。但以往的方法在一定程度上存在其局限性，如相關儀器及操作煩瑣復雜等，并且大多數是基于大型養殖動物來進行感知，而針對家蠶飼養特殊而復雜的養殖環境和群體發育狀態的感知和識別研究很少，鮮有成功的模型［15］。筆者基于人工智能技術，利用深度卷積神經網絡學習算法（DRCNN），對養蠶復雜環境和家蠶不同發育狀態及時感知，對養蠶數據多級多層融合處理，設計智能養蠶管理系統，為推進養蠶產業智慧化、裝備化，提供基本思路和科學參考［16］。

2 養蠶數據分析

2.1 養蠶數據特征

養蠶數據包含養蠶環境因子以及家蠶不同變態發育階段、生長發育的個體發育表征、群體典型特征等狀態與行為以及養蠶環境設備運行狀態等信息。養蠶環境因子涉及養蠶室內、外溫度，內、外濕度，光線強弱，風速，氧氣以及有毒氣體濃度、典型病原微生物數量等。家蠶生長發育狀態和生長行為數據，主要體現在家蠶的不同變態發育階段表征，家蠶幼蟲不同齡期的大小、體態、色澤等典型特征，以及相應階段家蠶群體的典型特征、行為類型、單位面積、個體數量、色澤均勻度、個體整齊度、淘汰比率等表征。

2.2 養蠶數據識別

為了能夠對養蠶數據識別結果進行驗證和評估，同時避免樣本訓練結果出現過擬合，對養蠶環境和家蠶發育狀態的圖像數據集進行隨機抽取樣本，使多源養蠶數據經過訓練集、測試集和驗證集的多層智能處理，完成評估模型訓練結果的準確性。養蠶試驗過程中，通過遴選特定的農業傳感器，實時感知養蠶環境以及蠶體發育狀態等數據，運用DRCNN 算法，對多源數據分級融合處理，訓練養蠶樣本模式，進行養蠶過程智能監測和調控，能及時提供適宜的環境條件和不同階段養蠶方案，徹底變革傳統養蠶模式，省力省工、智能監控、流程規范、生產安全，深度學習技術，不斷校正標準參數，優化養蠶技術方案，能大幅度提高養蠶質效。

3 研制方案

3.1 設計思路

依托大數據和人工智能技術，以養蠶實景實況為參照，構建養蠶技術數據庫和智慧養蠶管理系統，實現養蠶復雜環境因子、家蠶不同階段發育狀態和生長行為的全過程感知、可甄別傳輸和智能化處理。本設計以養蠶環境因子、家蠶發育狀態實景和養蠶過程進度等數據的智能感知、深度處理為主要研究對象，集中解決養蠶環境和家蠶發育狀態等多點分布數據的感知、傳輸、監測、提取、處理、存儲、輸出等實際問題，綜合應用深度殘差神經網絡算法和多源數據融合技術，實現養蠶過程多源數據實時感知和分級融合智能處理。系統研制，通過特定農業傳感器，將養蠶室內、外溫、濕度變化，光線強弱，風速大小，氧氣濃度、粉塵濃度，有毒氣體濃度等多點復雜環境因子和家蠶不同發育狀態數據，進行實時采集和智能感知，通過5G 網絡傳輸到系統控制中心，通過多層數據特征提取，應用深度殘差神經網絡算法和分級融合處理，創新數據多點分層架構處理模式，不斷更新智能感知和樣本訓練模型，自動豐富養蠶數據庫，增強數據采集和處理的精準度。系統能將處理結果信息及時反饋到控制中心電腦界面或手機客戶終端。用戶可以有預見性地實時對養蠶全過程進行觀看、查詢、咨詢或調控，并自動生成養蠶日志和管理控制單。

3.2 系統研制

3.2.1 設計基礎

本設計通過深度殘差神經網絡構建樣本模型來智能感知和分級處理多源養蠶數據，將深度學習綜合算法引入養蠶系統，針對不同養蠶階段環境因子和生長狀態實景數據，進行多源分類分級處理，通過多點、多層分布式數據智能分析，感知、識別、校準、處理、更新數據，系統開發平臺、用戶移動端和物聯網云服務。系統設計包括開發ZigBee 底層協議棧、編寫多源傳感器驅動程序、開發多節點智能監控程序、研發數據提取與殘差神經網絡應用程序、整合網關接入和5G網程序、創建智能養蠶數據庫等。

3.2.2 系統構建

系統結構包括多點數據感知采集、多源數據傳輸處理、數據特征降維提取、養蠶樣本模式訓練、分級融合處理更新五個管理層，每層具備相應的功能。多點數據感知采集層進行養蠶復雜環境和家蠶不同發育狀態等數據的感知、采集和甄別。主要包括遠程終端RTU 設備、各類農業環境傳感器、多點高清網絡攝像設備以及網絡傳輸、交換和中心機房設備等。可設置多點參數報警閾值，當傳感器采集的數據超出報警區間時，該點數據不被采集和傳輸，同時，管理者也可獲得網絡報警信息，以便對數據采集系統及時監控、檢查和維護。多源數據傳輸處理層包括光纖收發、網絡傳輸、數據甄別與存儲、樣本模型訓練、數據校正更新、驗證分析輸出等部分。多源數據甄別存儲，實時更新養蠶技術數據庫和場景設備狀態數據庫，進行多點采集數據的分級融合處理和入庫存儲。數據降維提取層通過軟件補償、數據多尺度降維提取、數據校正糾偏和離心消除，達到多源數據誤差校準和智能融合處理的目的。驗證分析輸出層由系統管理中心將多源數據實時感知、甄別、處理和輸出，并能針對性進行搜索、驗證、校準、決策。養蠶樣本模式訓練層采用深度殘差神經網絡算法和分級融合相結合，提供決策信息及調控優化方案。分級融合處理校正更新層采用模糊變結構控制方法對養蠶復雜數據進行智能校正更新，以便促進多源數據融合匹配，維護養蠶數據庫穩定狀態。用戶介入管理包括實時感知、數據查詢、參數優化、方案咨詢和規則更新等。采用AJAX圖表實時顯示技術，對多點分布采集的多源數據智能感知。系統通過深度學習豐富養蠶數據庫，實現數據查詢、驗證和改進智能化，能夠滿足用戶智能化管理需求［17］。

3.2.3 分布式訓練

深度卷積神經網絡算法在養蠶過程的數據采集、圖像分類、方案預測等方面都具有強大的功能和很好的應用。由于養蠶復雜環境和不同發育過程數據復雜、數據曲線穩定性差，且養蠶數據容量不夠大，采用殘差網絡ResNet 微調的方法訓練養蠶樣本學習模型，來滿足系統對養蠶環境和家蠶發育狀態實景數據的深度學習，來實現多點分類識別處理、多層降維提取和分級融合數據。分布式多層訓練數據來自養蠶實景多點采集、專業網絡平臺獲取、開發者知識規則以及用戶反饋信息，多層分布式樣本訓練，不斷豐富訓練集、驗證集和測試集。設計對該樣本模型進行遷移學習、模型訓練及參數優化，再對所選擇的8 種的驗證數據進行模型識別驗收。該樣本模型具有較高的識別性能，平均識別率達到96.23%，其中卵、幼蟲、繭、蛹、蛾等5 種常見家蠶狀態識別率可以達到98.45% ，另外各齡的起蠶、盛食蠶、眠蠶等3 種蠶體齡期狀態識別率相對較低，平均為87.52%。基于以上驗證結果，本系統可以實現養蠶環境因子、家蠶發育階段和蠶體狀態等多場景常見養蠶特征的智能識別［18］。通過不斷加大養蠶環境因子、不同階段家蠶特征和智能處理運行狀態等數據庫容量，在多源數據深度學習模型訓練過程中，對養蠶多點、復雜數據進行分類分級，通過特征級、數據級、決策級之間相互融合提取數據，以不斷迭代訓練來尋求最佳樣本訓練模型（如圖1）。

圖1 智慧養蠶系統的數據感知與處理路線圖

4 功能實現

4.1 關鍵技術

系統關鍵技術利用多級多層卷積神經網絡模型（如圖2）在分類識別方面的優勢，將其應用于養蠶環境和蠶體狀態智能識別中。通過選取蠶種催青、小蠶（1～3 齡）共育和大蠶（4～5 齡）放養等多場景常見8 種養蠶狀態，并針對家蠶不同發育階段、不同生長狀態及群體的形貌特征對樣本模型進行遷移學習與參數優化，該樣本模型表現出較高的識別性能，平均識別率可達98.60%以上。目前，已有的部分蠶體識別系統的綜合識別率低于90%，相比，本系統設計具有明顯優越性。本系統在蠶業行業“產學研用”合作的基礎上試驗設計，以生產需求為導向，將養蠶技術要素轉化方便查詢、咨詢的數字化知識和規則，在養蠶技術知識庫和典型特征標準庫建設的基礎上，圍繞多源數據分級融合、樣本學習模型構建，研制智能化養蠶管理平臺。系統在實際養蠶管理的信息智能感知、數據融合處理、樣本模型訓練、生產過程監控、快速響應調控、決策方案優化等方面取得了顯著的成效，顯著提高智能養蠶生產的綜合效益。

圖2 多級多層卷積神經網絡模型結構圖

4.2 智能感知

依托數據智能感知和甄別傳輸技術，通過RTU電子設備，各類養蠶傳感器實時對養蠶環境因子和家蠶發育狀態信息進行采集，經過網絡傳輸系統，完成多源數據的融合處理、對比甄別、學習校正、存儲更新。智能感知的數據，主要是養蠶環境因子和家蠶生長發育狀態以及行為的數據，包含家蠶的不同變態發育階段表征，家蠶幼蟲不同齡期的大小、體態、色澤等典型特征，以及相應階段家蠶群體的典型特征等數據。智能感知為系統自動生成養蠶數據庫打下基礎，該數據庫與養蠶知識庫共同形成養蠶大數據系統。系統數據處理中心，可以及時提供現場或遠程的管理信息，或發出生產安全預警。試驗顯示，標準化養蠶條件下，與現行省力化養蠶模式比較，該系統應用，運行穩定，智能安全，專業大數據增量呈幾何倍數增加，數據采集準確率達99.86%以上，養蠶技術參數校正率超過98.53%，生產流程日志清晰，產品質量明顯提高。

4.3 數據融合

系統在融合處理多個來源的養蠶數據時，首先分別對養蠶環境因子、蠶體發育狀態等每個數據源的屬性進行規范化表達，包括同義屬性映射和對屬性值的數值單位的統一轉換，最大程度減少對后續數據比較融合造成的影響。基于養蠶數據名和數據屬性對多源養蠶數據進行分塊聚合，設置同一分塊內不同來源的數據的候選匹配實體對，避免將多點分布數據源中所有的數據兩兩間比較，減少計算復雜度。系統多源數據分別與候選數據集進行甄別提取，采用數據對齊算法計算數據間的相似度，將匹配得到多源數據中描述同一類型的數據集，建立多源數據源之間同一數據的等價鏈接，并進行數據屬性的合并，而對于某個數據源中獨有的特征數據，可以直接添加到知識庫中。系統采用多源數據融合和數據糾偏處理技術，實現提前預警和異常報警功能，系統運行容錯性和魯棒性大大增強［19］。

4.4 智能控制

對于養蠶復雜環境因子和家蠶不同階段生長狀態數據，系統都能夠實時采集、識別、傳輸、存儲、更新。生產主體可以通過遠程移動終端查詢或監視實時數據、生產場景、技術參數、智能決策、優選方案等智能管理事項，基本實現養蠶全過程智能管理，可以及時反饋養蠶過程中出現的系列問題，通過數據中心深度學習處理分析，嘗試精準操作，實現對養蠶環境因子自動監測控制，對家蠶不同發育狀態精準判斷，輸出養蠶各階段技術處理措施，從而驅動智能裝備自動化操作。養蠶環境變化、蠶體發育狀態、養蠶技術參數和設備運行狀況，實時通過電腦監控界面顯示、記錄、更新，管理者可以通過控制中心平臺或移動終端查看或調取信息，可以通過網絡在線，實時巡查到相關基地、某個養蠶生產實況，實現多點無人值守、安全預警觸動、關停設備運行、流程日志管理、過程智能控制。

4.5 決策優化

經管理者授權，系統自動調節智能設備的運行狀態，精準調節養蠶環境因子，并對臨界溫濕度、節點溫濕度、光照強弱、有毒氣體等養蠶關鍵因子進行智能感知、實時監控、及時調節或發布運行預測預警。系統通過不同階段家蠶發育狀態樣本學習訓練和特征數據分級融合處理，有針對性地優化精準養蠶方案，包括提供環境因子水平、發育階段進程、標準參數校正、生長發育預測、桑葉（飼料）供給、技術方案選優、操作仿真模擬等智能模式。通過設置數據中心與養蠶技術知識、養蠶數據特征、養蠶模式標準等數據庫的對接，順利將養蠶專業技術納入深度學習智能管理系統，實現養蠶全過程智能感知與融合處理。系統應用，不僅實現了養蠶生產的智能監控和技術管理，更重要是能優化養蠶技術方案，徹底變革養蠶管理模式，大幅度提高養蠶智能化、數字化水平。

5 結語

5.1 優勢與不足

系統設計基于大數據和人工智能技術，結合智能化養蠶生產需求開發構建，主要應用了農業物聯網、數據挖掘提取、深度學習算法、多源數據融合等技術，實現養蠶復雜過程精準化、智能化監控和管理。系統設計構建了基于智能感知和多級多層數據融合處理的深度殘差神經網絡養蠶模型。設計通過對養蠶環境因子、蠶種催青、小蠶共育、大蠶放養等多場景特征識別驗證中，對于養蠶數據庫中已有養蠶特征出較高的識別性能，具有明顯優勢。然而，該系統的養蠶特征數據庫種類不多，還不能做到完全識別實際養蠶過程中所有的生產場景數據，還需要進一步完善養蠶識別數據庫并加強樣本模型訓練學習，提高系統智能識別的實效性。系統強化了養蠶樣本模型學習訓練，增強了多源數據融合處理的質量，也為研發或遴選智能裝備提供了兼容管理平臺。但仍然存在各類養蠶識別數據庫容量不足、環境因子復雜、發育階段差異較大、數據特征微小多樣、農業傳感器精準度不高、配套智能裝備缺乏、算法優化不夠、數據融合維度有限、數據冗余多等諸多問題。

5.2 進一步研究方向

系統研究與應用，仍需要在蠶體生物特征可視化自動識別技術、復雜數據特征提取算法、多源數據分級融合處理、深度學習樣本模型等方面深入研究。同時，需要加快研發或遴選養蠶適配傳感器和自動化養蠶機械設備，提高數據感知精準度和智能化處理能力，充分運用數據清洗、尺度轉換、關聯分析等技術，開展養蠶大數據差異設計，增強特征描述的準確性、數據過濾和特征提取針對性，優化深度學習綜合算法，進一步提高養蠶數據智能感知和多源數據融合處理能級，不斷提升養蠶管理數字化水平以及人工智能管理的指令響應速度。