张海峰 李杨 张宇 宋丽娟 唐立新 毕洪文

摘   要：棚室蔬菜产业在黑龙江省农业转方式、调结构和供给侧改革中占有重要的战略地位。黑龙江省棚室蔬菜生产规模近年来发展较快，技术支撑需求也与日俱增。本研究针对黑龙江省棚室蔬菜发展规模与技术服务支撑能力不匹配的现状，提出了基于云服务的棚室蔬菜智能终端系统及关键技术的实现方法。本研究以专家服务为主、数据挖掘技术为辅，以物联网设备为感知手段、以智能手机为用户终端，利用云服务对知识、资源、物联网数据的整合配置能力，提供蔬菜专家及棚室蔬菜用户对信息获取、存储、分析和决策的高效解决方案。本研究的部分内容已在黑龙江省农业科研部门、企业、蔬菜合作社、农户等不同用户群体中实验应用，能够为专家提供棚室蔬菜生产环境的远程问诊手段，适用于各类棚室蔬菜应用场景。本研究还提出了对大规模应用场景下的技术解决方案建议，可在全国的棚室蔬菜生产中推广应用，实现更广泛高效的专家技术服务支撑。

关键词：棚室蔬菜;云服务;资源池;物联网;智能终端;Arduino

中图分类号：S24                  文献标志码：A             文章编号：201906-SA002

张海峰， 李 杨， 张 宇， 宋丽娟， 唐立新， 毕洪文. 基于云服务的棚室蔬菜智能终端系统设计与实现——以黑龙江省为研究案例[J]. 智慧农业， 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

黑龙江地处中國东北北部，冬季漫长，无霜期短，特殊的气候条件使得实现蔬菜全年生产和供应，必须依靠棚室设施。近年来，黑龙江省蔬菜产业得到长足发展。2018年，全省蔬菜播种面积呈稳步增长趋势，春夏播种面积24.1万公顷，其中设施蔬菜播种面积达6万公顷，同比增长12.7%[1]。随着全省农作物种植结构的调整，蔬菜面积还在呈现一定程度的增长态势。但是，黑龙江省棚室蔬菜产业存在着生产水平不高、管理粗放、生产效率低、技术服务不到位等问题，其中信息技术服务不足是影响黑龙江省棚室蔬菜产业健康发展的重要因素之一[2]。

从服务对象规模来看，黑龙江省2018年棚室蔬菜种植面积达6万公顷，实现监管和技术支撑需要大量的计算存储资源，传统的服务器计算架构无法满足该计算及负载均衡需求;从技术应用层面来看，物联网系统、生产者、专家产生了大量环境感知数据、技术数据、产销数据、答疑数据，这些数据蕴含着大量的知识，这些知识的挖掘利用情况还处于初级阶段，还没有形成对生产的高效推动;从技术应用成本来看，以物联网为代表的信息技术建设及应用成本较高，而棚室蔬菜的利润往往不足以支撑其运维费用，致使农民的安装意愿不强[3-7]。

针对上述问题，按照“平台上移，服务下延”的农业信息技术服务方针，应用“平台即服务（PAAS）”的云设计理念，结合自主研发的低成本物联网技术，开展了云服务棚室蔬菜智能终端服务系统构建研究，以期为黑龙江省农业信息服务由知识生产型向知识服务型转变，实现云服务信息化增效和知识服务效率拓展，以及专家资源和知识服务能力的共享和协作提供技术支撑，为全国棚室蔬菜信息化发展提供解决方案典型案例。

2  系统架构设计及实现

2.1  基于云服务的棚室蔬菜智能终端服务

系统

科技信息服务资源的开发与利用涉及到不同专业的专家、数据库、在线知识资源、棚室蔬菜生产者、物联网系统，专家与生产者之间需要大量非实时和少量实时的数据交换，他们的知识结构相差较大，无法使用简单统一的标准来实现互联，因此设计一种基于云服务的棚室蔬菜智能终端服务系统，可有效解决数据的融合再利用与服务有效供给问题。

基于云服务的棚室蔬菜智能终端服务系统是以云服务为载体，为适应农业信息技术服务智能化、泛在化、扁平化、绿色环保的发展趋势而衍生的以专家智慧为主要服务内容、以物联网为感知节点、以移动智能设备为终端，通过网络为棚室蔬菜产业提供按需使用、随时获取、基于专家群的知识服务。它是一种解决蔬菜专家技术服务覆盖范围和手段的信息服务新模式，能有效提升知识、资源、物联网数据的整合配置能力，为棚室蔬菜技术服务提供高效解决方案。

2.2  云服务架构设计

该智能终端服务系统架构包括感知层、基础设施层、数据层、应用层、终端展示层（图1）。基础设施层包括具有分布式计算能力以及可在线扩充的服务器系统和数据库系统，主要作用是实现大规模数据计算和持久化存储;物联网感知层包括单片机、传感器和无线网桥等设备，作用是实现棚室蔬菜生产环境和蔬菜本体影像感知;数据层包括棚室蔬菜数据库和知识系统，涵盖品种信息、病害知识、栽培技术、专家信息等数据，作用是初步数据处理和虚拟专家构建，应用TensorFlow（一个基于数据流编程dataflow programming的符号数学系统）实现数据训练和模型构建等内容;应用层构建知识关联搜索引擎，为专家和用户提供内容服务和解决方案;终端展示层主要是通过开发符合HTML5标准的Web页面，实现不同平台的自适应，即可满足Android智能手机、IOS设备和PC端的应用，作用是构建服务与用户的人机接口，实现用户对云服务的调用。

2.3  系统实现关键技术

2.3.1  基础设施层关键技术

在系统大规模应用的场景下，黑龙江省每个棚室蔬菜作为一个技术支持单元（面积约为1/15公顷），按照20%的服务安装覆盖率，大约需要18万个计算节点。棚室物联网产生海量实时的流式视频文件和传感器数据，可能存在大量在线机器学习和实时判断的应用场景，仅靠传统关系型数据库难以处理[8，9]。大规模的视频流监测分析和海量物联网数据实时处理需要大数据技术作为支撑，在对Hadoop、Spark和Storm等分布式处理架构进行比较分析后，发现Storm的高效实时计算能力符合海量实时数据计算的应用场景要求，Storm的水平扩展和自动容错能力为服务的规模扩展和稳定运行提供了保障。基础设施层围绕Storm框架构建，主要由数据接入模块、数据缓存模块和Storm集群组成。数据接入模块负责快速获取物联网数据并接入到数据处理集群，本系统采用开源的分布式海量日志采集聚合传输系统Apache Flume实现各种实时感知数据的快速接入。在视频数据处理方面，由于棚室监测的大部分时间图像都不会发生显著变化，全程存储将造成大量空间浪费，因此通过视频处理库把摄像头的视频流转换为帧进行抽样存储，将帧数据以JSON的格式传递给Kafka Broker（一种高吞吐量分布式发布订阅消息系统），供流数据缓冲组件和存储使用。数据缓存主要是提高海量数据的负载能力，避免因大量数据引起宕机，系统采用Kafka数据缓存模块保证消息的持久性和稳定性，每秒可处理数百万条数据。Storm集群负责实时海量数据处理，由1个Nimbus（主节点）和若干个Supervisor（计算节点）组成，应用Storm-Kafka插件可以持续不断地从缓存模块中读取数据，实时运算后分类存储。物联网数据进入MySQL数据库，视频数据经过截取处理后进入分布式数据库Hbase，如图2所示。服务系统充分利用Storm集群进行高速运算及存储，对外通过Apache Tomcat服务器提供统一标准的计算及存储服务，后台的Storm可以全自动按需弹性提供服务资源，按照系统的推广建设进度动态扩充，实现资源的集约化应用和服务效益最大化。

2.3.2  物联网感知层关键技术

本研究以开源硬件Arduino单片机为核心搭建物联网感知终端，主板型号为Wemos D1，传感器连接如图3所示。

该单片机有11个数字IO引脚，1个模拟引脚（最大支持3.3V电压输入），采用2.4G WiFi无线数据传输方式，具有大量的代码库，技术资源支持丰富[10]。通过WeMos D1 Arduino开发板、选型应用空气温湿度传感器DHT22、光照强度传感器BH1750FVI、二氧化碳传感器T6603-5、雷神FDR型土壤水分传感器和地温（水温）传感器DS18B20，实现棚室内空气温湿度、光照强度、二氧化碳浓度、土壤水分、地温等数据的实时可视化监测和云端存储，为云端智能监控系统和专家对棚室蔬菜生产的远程指导提供判断依据，设备选型如表1所示。物联网系统可根据生产需要定制硬件系统，而手机作为数据监测设备可以实时监控棚室内的生产情况，降低了硬件投入成本，满足集约化生产的要求。

2.3.3   數据层关键技术

（1）知识图谱的构建。知识图谱旨在通过建立棚室蔬菜生产要素之间的关联链接，将碎片化的数据有机地组织起来，为系统搜索、挖掘、分析等提供高阶数据支撑。知识图谱为系统的自动应答、知识抽取、数据挖掘、常识推理等功能提供支持。知识图谱的构建需要多种技术支持，从数据中提取出实体、属性、关系等知识要素。根据棚室蔬菜生产的必要因素，按照筛选法提取名词。将名词做交集，生成棚室蔬菜生产词典。将词典中的名词在数据库中进行映射关联，存储到知识库中。根据专家知识内容，提取每一个名词的特征，构造比较方法，使用KNN（K-Nearest Neighbor）近邻算法进行分类，最后获取每个名词的所属类别，同时剔除无关名词映射。由于领域知识图谱构建难度很大，目前自动化方法还处于探索阶段，多采用人工标注与自动化处理相结合的手段，本系统主要针对相对简单的结构化数据领域。

（2）病害预警及识别技术。针对蔬菜病害预警难度大的问题，系统根据病害发生环境条件设立预警阈值，环境条件达到阈值时进行报警。数据层在病害预警方面存储各种病害的发病条件阈值及发病图片特征，以黄瓜为例见表2和表3。当物联网获取的传感器数据接近阈值时触发警报推送，达到阈值时连续警报推送。

在病害识别方面设计采用卷积神经网络进行模型训练，首先收集整理特定蔬菜病害图片，使用基于BSD许可（开源）发行的跨平台计算机视觉库OpenCv统一加工为128×128大小的图像，由蔬菜病害专家进行鉴别并设定标识后存入病害图片库，建立棚室蔬菜的文字与图像的对应描述关系，以供病虫害诊断、栽培技术指导和TensorFlow构建快速卷积神经网络图像推理模块使用。在Python集成开发环境中导入病害图片库和TensorFlow，应用卷积神经网络进行训练，见图4。

系统在病害识别方面应用训练好的模型，将病害图片输入到卷积神经网络中（如图5所示），经过若干卷积和池化层对图像进行特征提取，通过选择性搜索算法得到图像的感兴趣区域RoI（Region of Interest），在RoI池化层中将特征框池化到特定大小，将感兴趣区域的特征向量与全连接层相连，并定义多任务损失函数，分别与Softmax分类器和Boxbounding回归器相连，分别得到当前感兴趣区域的类别及坐标包围框[11，12]。对所得到的包围框进行非极大值抑制，得到最终判断结果。

（3）虚拟专家技术的实现。针对人工专家资源相对稀缺且存在空耗和综合能力服务不足的问题，系统采用了虚拟专家和资源池解决方案。虚拟专家是由不同专业领域、拥有不同空闲时间的专家团队和知识数据库组成，专家团队的人员配置覆盖棚室蔬菜生产者的问题领域和服务请求时间，专家知识库则是基于深度学习的数据库应用系统，通过人工录入和专家问题答疑不断扩充知识数据，分担人工专家的业务压力。资源池分配算法是云服务下完成需求和对接的主要途径之一，在传统云服务平台的资源调度过程中，需要根据资源池所承载的业务负荷情况及时调整平台分配的资源。本系统由于融合了专家资源，并将专家加入到资源池中供系统分配，因此只要在算法上实现专家服务状态的判断，确定专家是否可在某一时刻被调用，以及某一时刻的虚拟专家所能提供的知识服务范围，即可将虚拟专家资源融入到资源池调配方案中。在专家数量相对充足的时候，还要考虑专家服务频次，使相对空闲的专家被优先调用。最后，由权威专家进入QoS（Quality of Service，服务质量）系统对专家的答复进行评判，淘汰掉错误答复和无效回答数据，系统进行数据整理和存储。

针对海量多源异构的物联网数据、蔬菜数据、病害数据、农药化肥数据、专家数据难以直接利用的问题，系统通过自动化提取与归纳关键信息实现数据的应用价值。专家知识通过文本数据预处理和关键词特征提取后，形成推理机，由系统对问题文本进行相似语义处理，即由原问题演绎出同等语义的若干问题，形成多对一的问题和答案关联键值对，作为知识数据存储到云数据中心，当有相同语义问题的时候自动调用答案进行解答，用户问题搜索次数越多，范围越广，专家解答过的问题越多，资源池数据库对问题的命中率就越高，如图6所示。資源池数据库答疑数据采用循环神经络算法和文本处理技术，有效降低用户转接人工专家的概率。

2.3.4  应用层关键技术

应用层主要负责实现用户需求的各项功能，以及提供调用接口。

（1）专家主动服务模式。应用物联网集成技术和HTML5技术，专家登录服务系统对蔬菜棚室的物联网系统进行远程监管，实现对各个节点的巡视，实时查看各蔬菜大棚监测点的环境数据和图像信息，专家可通过系统对棚室内的摄像机进行旋转和变焦操作来发现蔬菜生产中的问题，也能在系统中进行实时语音或非实时留言提示来提供技术解决方案。该技术的视频监管部分主要利用萤石云的开发者平台和推流技术（见图7），摄像头通过在萤石云注册后，系统会自动生成不同格式的在线视频流地址，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的网上终端直接调用。Android和苹果手机客户端均可直接使用，缺点是延时较高，RTMP格式延时较小，但是一般需要带客户端使用。萤石云服务平台在免费使用的情况下只能并发3路，无法满足云服务的高并发需求。因此，系统通过FFmpeg（一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序）将视频流推送至Nginx服务器实现用户高并发访问，即可突破并发限制，实现专家主动服务模式的高并发访问。

（2）用户人机模式。用户通过智能手机端或PC端直接对系统进行查询，可以通过文字或上传图片的形式进行服务请求。系统接收来自用户物联网系统的反馈数据和用户人工输入的问题数据并进行处理，反馈给用户信息。该模式与常规的技术服务类系统平台的技术路线相似，数据处理流程主要由Hibernate框架实现，利用其对象映射能力降低系统的开发难度和模块耦合度。图像上传比对主要是调用数据层的神经网络模型进行匹配，如置信率低于80%则转入人工专家处理，高于或等于80%则直接输出判断结果到用户终端。

（3）“人人互动”模式。主要通过服务系统建立专家与用户的对话平台，专家可通过智能手机端与用户进行实时对话。本系统为实现轻量级的客户端应用，采用HTML5定义的WebSocket协议实现实时通讯。WebSocket是一种在单个TCP连接上进行全双工通信的协议，允许服务器端主动向客户端浏览器推送数据，避免了传统推送技术依靠轮询带来的服务器资源消耗。WebSocket通信协议于2011年被IETF定为标准RFC6455，并由RFC7936补充规范。WebSocket API也被万维网联盟定为标准。WebSocket能更好的节约云端服务器资源和网络带宽，并且能

够提供较好的实时性互动。依靠WebSocket协议，棚室蔬菜用户和专家只需通过手机浏览器与服务器分别完成一次握手，就能创建持久性连接和通讯。

（4）知识关联搜索引擎。专家知识与棚室蔬菜生产者的知识供需匹配需要通过知识关联搜索引擎对知识内容进行汇聚、选择与评价，调用数据层的知识图谱模块，使相类似的知识或者问题汇聚在一起[13-18]。选择主要目的是搜索与用户服务请求吻合度最高的服务数据集，通过模型对问题的本质特征进行描述，对用户问题进行量化表达，然后进行图遍历，最后由评价函数进行评价。通过广度优先算法对用户的问题不断进行细化分解，一旦代入评价函数满足理想的阈值，认为匹配成功，对用户输出解决方案;图遍历在设定的阈值次数内无法达到评价函数阈值，则认定匹配失败，系统将转接专家进行问题解决，见图8。知识关联搜索引擎通过这种互动机制实现搜索结果的自我改进学习，以满足用户的知识需求[19-23]。

2.3.5  终端展示层

目前手机应用开发主要有三种模式，即Web-app、Hybrid-app和Native-app。考虑到Web-app具有开发最为简单、无需安装、升级维护无需用户参与、系统实现良好的兼容性和升级维护的便捷性，同时兼顾用户群体的信息技术应用能力等优点，本服务系统终端展示层选用Web-app模式进行开发。Web-app调用手机摄像头的代码十分简单，仅需代码，<input type = "file" accept= "image/*" name="img" capture= "camera" id= "img" />，通过HTML5和Ajax来实现与棚室蔬菜生产者的交互，生产者可以通过展示层获取到所需的技术信息和棚室的物联网监测实时数据（见图9所示）。专家和生产者也可以通过HTML5技术对棚室内的影像进行访问，同样只需要一句代码，<video src="HLS视频名称.m3u8" controls></video>，其中HLS视频名称可以从萤石云平台直接免费获得，如果自行搭建视频服务器，将HLS视频地址直接输入即可。终端展示层调用智能手机的摄像头对棚室蔬菜的病害图片进行规范化拍摄，弥补物联网摄像头拍摄的不足。人工拍摄的照片可由云端程序进行智能化识别，一方面减轻专家的负担，另一方面实现系统服务的快速响应。

3  系统的应用

3.1  系统部署

3.1.1  云终端服务现场部署

在距离应用对象蔬菜大棚最近的有线网络点接入Comfast无线网桥实现无线网络部署，视距不超过300m的情况下，将Comfast网桥设置成路由模式接入即可。在视距超过300m或附近有严重的信号屏蔽物遮挡的情况下，采用无线网络桥接方案，Comfast无线网桥设备可实现视距5km以内的无线网络桥接，桥接后再接入一路Comfast网桥实现现场无线覆盖。现场实测Comfast网桥和WeMos D1型Arduino主板可以在网桥90°角、半径300m左右圆弧内的半水泥结构大棚室内实现网络接入，采用密集金属遮阳网的设施园艺需要使用桥接和室内覆盖方案。Arduino物联网设备和萤石云摄像头按照监测需求直接固定在棚室内部WiFi覆盖区域即可实现数据采集。

3.1.2  软件云端部署

（1）棚室蔬菜服务系统部署

云端程序部署在具有公网IP地址的服务器上，安装Apache Tomcat环境，JAVA运行环境需求1.8版本以上，数据库采用MySQL5.7。将开发的棚室蔬菜服务系统打包成vegetableService.war，拷贝到Tomcat的webapps文件夹下，重启Apache tomcat服务即可实现系统的部署。Storm系统按照服务规模弹性部署，小规模管理运行单机部署即可，在服务规模较大时（监测点超过1000）采用分布式服务模式，通过在不同的主机上分发Storm和Zookeeper文件并通过Python分别启动nimbus、supervisor即可实现分布式部署，将设计好的拓扑JAR文件上传到Storm上运行即可。

（2）视频服务器部署

登录萤石云网站的开发者服务器，将各个棚室摄像头的视频直播地址存储进数据库中，使用FFmpeg进行视频数据推流和本地存储，在并发要求低的情况下（≤2路），直接使用直播地址即可，在高并发要求的情况下使用FFmpeg将视频抓取到本地进行存储或推送到Nginx服务器直播。

3.2  应用推广模式和应用效果

结合三区人才项目（《边远贫困地区、边疆民族地区和革命老区人才支持计划实施方案》）、黑龙江省自然科学基金项目、农业科学院成果转化项目、科技推广项目进行实验及推广，同时与项目所在地蔬菜及食用菌企业对接开展科技合作。系统在黑龙江省拜泉县、龙江县、泰来县等地的三区人才项目，牡丹江分院食用菌棚室、新疆阿勒泰农业局阿苇滩园区、黑龙江省农业科学院园艺分院的蔬菜大棚中应用。系统的感知部分可根据生产需要定制硬件系统，最简单的空气温度、空气湿度、光照强度三要素物联网采集点成本仅需要300RMB，远低于当前市面上的物联网产品，系统部署后，专家通过感知终端可以每小时巡视20个左右蔬菜大棚，大幅度提高了专家资源的利用效率。系统的病害预警功能根据专家知识实现自动判断预警，有效提升了棚室的信息化管理水平。病害自动化识别与分布式计算将在未来的大规模场景应用中分担专家的任务，提高系统的并发服务能力。

4  结论与讨论

黑龙江省农业正处在转型期，信息技术支撑服务在农业生产中的地位愈加重要，棚室蔬菜的生产需要全方位、立体化、低成本的科技支撑。本系统提出的技术方案主要包含：（1）在棚室蔬菜生产环境部署基于Arduino技术的配套低成本物联网系统，将棚室环境数据实时上传至技术服务平台，应用萤石云协议实现棚室图像的实时观测，实现环境数据的上行，在大规模数据应用场景下使用Storm实时处理框架。（2）在数据内容方面，系统汇集棚室蔬菜技术内容形成知识服务网络，通过数据资源组织技术进行数据整合，将多源异构的数据形成数据链，通过知识关联技术实现知识汇聚与分类，对棚室蔬菜生产经营相关技术要素进行虚拟化处理并存储在云服务器中，形成有效知识供给。（3）在服务形式上，云服务平台整合线上线下专家资源和各类信息服务资源，训练神经网络决策模型，并进行虚拟化加工处理，形成专家服务云终端。最终专家及各类棚室蔬菜生产及经营主体通过云服务平台对接，形成生产加技术支撑的协同发展体系。

如何将专家资源、数据库资源、物联网终端和手机终端有机结合构建一体化服务平台，在农业信息化领域还属于探索阶段[24-30]。“基于云服务的棚室蔬菜智能终端服务系统”契合了棚室蔬菜信息化技术支撑的需求，集成云计算、物联网、人工智能神经网络等技术实现农户与专家的“碎片化”、“弹性化”互动和并发，创制了轻量级app服务终端，满足了新生代农民迫切需要集低成本、实用性强、快捷、易操作等特点于一身的专家服务系统的需求，为提高科技服务贡献率提供了技术支撑。本研究符合黑龙江省棚室蔬菜产业的现状需求，为黑龙江省棚室蔬菜生产技术支撑提供了系统的信息化解决方案，具有广阔的发展前景。下一步将重点提升系统大场景下云服务并发处理能力和加大人工智能技术的应用比例，以期为中国棚室蔬菜生产提供高效智能的信息化解决方案。

参考文献

[1]   潘凯， 黄婷， 王雪涵， 等. 黑龙江省蔬菜产业现状及发展战略[J]. 中国蔬菜， 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]   杨秀丽， 孙正林. 黑龙江省蔬菜产业生产影响因素的实证研究[J]. 北方园艺， 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]   李云强. 基于Arduino的智能温室大棚的控制系统设计[J]. 国外电子测量技术， 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， 宫丽影， 王德榮， 等. 蔬菜大棚中农业物联网的应用[J]. 农业与技术， 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]    瞿荣锦， 韦琮， 赵丽娟. 基于物联网技术的农田环境监测系统的研究与构建[J]. 农业开发与装备， 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]   许鑫， 时雷， 何龙， 等. 基于NoSQL数据库的农田物联网云存储系统设计与实现[J]. 农业工程学报， 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]   姜吉宁， 王儒敬， 魏圆圆， 等. 基于大数据的新型种质资源数据仓库的设计[J]. 仪表技术， 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， 黄刚. 基于Docker的Hadoop集群网络性能分析[J]. 信息技术， 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]   郑建忠， 郑建荣. 一种基于云计算技术的物联网平台设计[J]. 电力信息与通信技术， 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]  张海峰， 郑妍妍， 张宇， 等. Arduino物联网系统在连栋大棚中的选型与设计[J]. 北方园艺， 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]  孙俊， 谭文军， 毛罕平. 基于改进卷积神经网络的多种 植物叶片病害识别 [J]. 農业工程学报， 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， 陈华杰， 姚勤炜， 等. 基于混合结构卷积神经网络的目标快速检测算法[J]. 计算机工程， 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， 赵 姗， 曹丽英， 等. 基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 智慧农业， 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]  张晓涵， 尹长川， 吴华瑞. 面向大规模农田生境监测的无线传感器网络节能优化策略[J]. 智慧农业， 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