基于机器学习的智能养蚕管理系统设计

2020-12-28孙孝龙吴德余徐森施建军

安徽农业科学 2020年23期

孙孝龙　吴德余　徐森　施建军

摘要目前，养蚕生产面临劳动力紧张、设备陈旧、技术滞后、标准不一等问题，特别是管理养蚕环境和操作技术的方式仍然存在不足，因此不能满足产业化、智能化现代农业的发展需求。依托农业物联网实时记录、监控养蚕环境因子和家蚕生长发育状态，利用机器学习算法不断学习、训练得到一个预测模型，该模型可结合养蚕生产实景，能准确理解养蚕环境、家蚕生长发育状态和生产场景，实时调节环境因子、输出技术方案，能达到优质、高效、精准养蚕生产。

关键词机器学习;智能养蚕管理系统;系统设计

中图分类号 S 126文献标识码 A文章编号 0517-6611（2020）23-0260-03

doi：10.3969/j.issn.0517-6611.2020.23.068

Design of Intelligent Sericulture Management System Based on Machine Learning

SUN Xiao-long1， WU De-yu1， XU Sen2 et al

（1. Yancheng Bioengineering Branch of Jiangsu Union Technical Institute，Yancheng， Jiangsu 224051; 2.School of Information Engineering， Yancheng Institute of Technology， Yancheng， Jiangsu 224007）

Abstract At present， sericulture production has the problems of labor shortage， obsolete equipment， obsolete technology and different standards， especially the ways of managing the environment and operating techniques for silkworm rearing. Therefore， sericulture production could not meet the development requirements of industrialization and intelligent modern agriculture. We relied on real-time recording of agricultural Internet of Things， monitored silkworm rearing environmental factors， growth and development status of silkworm， and finally obtained a prediction model by using machine learning algorithm to learning and training. Combining with silkworm rearing to produce real scene， this model could accurately understand the environment of sericulture， growth and development status of silkworm and production scene， adjust real time environmental factors and output technical solution， which could achieve high quality， efficient and accurate sericulture.

Key words Machine learning;Intelligent sericulture management system;System design

农业智能管理需要对生物环境的温度、湿度、气体、光照以及生物生长发育状态等主要参数进行精准调节和合理保护。传统养蚕生产模式依靠人工对蚕室环境温度、湿度、光照、气体以及家蚕生长发育状态等进行观察、调控和监管，经常会出现环境因子波动幅度大、过程记载不清、操作技术偏差、管理失控等生产事故，严重影响养蚕产业的发展质量。机器学习由神经网络发展而来，是深度学习形式的具体表现。近年来，在大数据技术应用快速发展背景下，机器学习逐渐颠覆了在语音识别、图像识别、场景辨别、文本理解等相关领域算法的设计思路。机器学习通过深度卷积神经网络应用，对散落在不同场景下碎片化、非结构化的文字、图片、声音、视频等数据应用深度学习，对目标对象的特征进行刻画，为管理流程的优化、管理效率的提高提供了新的内生动力[1-3]。笔者通过物联网系统实时监控养蚕环境因子，结合养蚕生产实景，利用机器学习算法不断学习、训练得到1个预测模型，该模型可结合养蚕生产实际情况适时调节环境因子，改进技术手段，实现精准高效生产的目的。鉴于此，基于农业物联网和深度学习算法，笔者对复杂养蚕环境的监控和家蚕生长发育状态进行科学预测，设计智能养蚕管理系统，实现精准决策管理，为养蚕生产产业化、精准化、智能化提供科学依据[4-5]。

1 养蚕技术参数及设计特点

养蚕技术参数主要包括养蚕环境因子和家蚕生长发育状态（生长经过、体态特征和发育阶段）。养蚕环境因子主要包括棚室内、外温度，内、外湿度，光照强度，气流速度，CO、CO2等气体浓度;家蚕生长发育状态包含发育经过阶段和家蚕大小、体色、体态、生长发育规律、状态、表征、群体整齐状况等。采用农业物联网技术，运用深度学习综合算法、养蚕环境和家蚕生长发育状态数据，通过不同智能设备调控，及时提供养蚕生产适宜的环境条件和合理的技术方案，不仅省力省工、生产安全、精准施策，而且能不断优化技術方案，有效提高蚕种和蚕茧的产量和质量。

2 系统设计

2.1 总体方案

根据养蚕环境调控目标及养蚕技术参数特点，以农业物联网技术为依托，设计养蚕管理数据库系统，实现养蚕棚室环境参数、家蚕生长发育状态的全面感知、精准传输和智能处理。借鉴深度卷积神经网络算法，综合运用信息管理、自动监测、动态模拟、虚拟仿真、样本学习、精确控制、网络通讯等现代信息技术，以养蚕环境要素、家蚕生长发育状态实景和工作过程的信息化和智能化为主要研究目标[6-8]，通过解决养蚕环境的信息化管理、家蚕状态的自动化监测、养蚕过程的数字化模拟、管理系统的可视化设计、专业知识的模型化表达以及专家决策的精准化控制等实际问题，通过筛选支撑农业物联网应用的相关设备和仪器，实现养蚕技术的监测、预测、决策以及管理的数字化、可视化、智能化，从而提升现代蚕业的综合管理水平和核心竞争力。

2.2 模块设计

2.2.1 設计基础。在系统设计过程中，引入机器学习的分类模型来识别不同类型的养蚕实景样本数据，将综合算法通过后台插件模型引入到系统中来，针对不同养蚕环境和生物生长发育实景进行数据分类处理，多层测试、校准、完善（图1）。系统包含移动端APP、算法云服务和系统开发平台。软件系统开发包括ZigBee底层协议栈开发、各种传感器驱动程序编写、智能控制程序的编写、网关接入、GPRS网程序编写、养蚕数据库建立等。手机APP系统采用Eclipse ADP开发环境，在Win10 64位操作系统下运行，使用安卓TextView、ImageButton等控件，采用线性布局进行开发。

2.2.2

模块设计。系统模块设计包括数据感知采集、数据传输处理、样本学习训练、智能控制管理4个模块，每个模块完成相应的功能。数据感知采集主要完成养蚕环境和基础发育状态数据的感知、采集和控制，主要包括RTU设备、各类环境因子传感器、高清全景摄像机等，采集产生0～5 V的数据值并进行数据初步分析。用户可对各参数预设报警值，当采集的养蚕环境因子参数达到报警值时，管理者可获得手机报警，以便对养蚕环境和家蚕生长发育状态及时调控、养护。数据传输处理包括数据存储、数据分析、智能更新、人机交换4个部分。数据存储实时创建基于机器学习的养蚕数据库和设备状态数据库，完成感知采集数据的基本处理和更新。样本学习训练采用深度学习综合算法，通过软件补偿、分布图法、对比纠偏和取平均值法消除感知数据的差异影响，实现数据智能化分析、处理、校准、改进。基于用户的专家决策管理思维和智能化养蚕生产监控模式，设计人机交互界面。用户管理操作包括实时监控、数据查询、技术咨询、决策输出、参数设置和规则更新等。系统采用AJAX图表实时显示技术，采集数据全部存入中心数据库，便于数据查询、验证和学习改进。各养蚕基地可分别使用不同的用户名和密码进入系统，实时查看并及时上传实境数据，可以同时控制多个设备的工作状态[9]。

2.2.3 基于机器学习的模型训练。卷积神经网络由于具有强大的特征学习和分类能力，在目标检测、图像分类、管理预测等领域具有很好的应用。AlexNet、ResNet等模型在图像处理分类方面取得了不断进展，随着模型层数的增加以及结构优化，深度学习的识别能力大大超过了人眼。由于数据库量不是特别大，养蚕模型训练采用残差网络ResNet微调的训练方法来实现养蚕环境和家蚕生长发育实景的分类识别处理。养蚕样本训练数据选用从开发者平台互联网获取、管理者经验积累或用户采集反馈，以此不断丰富训练集、验证集和测试集。一方面，加大有标注的养蚕数据、图像信息的建立;另一方面，在分类模型训练过程中，对大量养蚕数据进行分类和归一化操作，并通过不断的迭代训练来寻求最佳分类模型。系统设计目标就是将数据库的获取和分类模型训练自动化，从图像搜索查询、人工筛选甄别、归一化调整到分类模型训练，从而逐步加大数据库容量，提升数据归一标准[10-11]。

3 系统功能

3.1 快速感知集成

系统可在线实时监控养蚕环境因子变化、家蚕生长发育动态和养蚕环境中各类连接设备的状态信息，也可以通过视频在线，实时观察、记录、巡查到相关基地、某个棚室的家蚕生长发育状态，实现无人化值守、自动化调节、全程化日志、智能化告警。养蚕环境参数、家蚕生长发育状态和设备工作状态的相关信息通过管理系统界面显示、记录，可以通过控制中心管理平台获取、调取，也可以通过网络浏览器或移动终端APP查看、咨询、反馈，实现养蚕现场、控制中心、移动用户三者协调一致，既相互依存、又互相补充。

3.2 精准安全调控

系统通过多种调节方式完成养蚕环境和家蚕生长发育状态的合理保护，实现在系统指导下现场操作的同时，也可以对养蚕生产技术进行远程智能调控。一是在环境参数范围内，系统运用模糊算法，自动调节辅助设备的运行状态，精准控制养蚕环境因子水平的高低，并对临界温度、节点湿度、有毒气体等监控关键因子进行告警管理;二是系统通过不同阶段、不同类型家蚕的生长发育状态样本学习训练，有针对性地提供精准养蚕生产方案，包括过程鉴别、发育标准、生长预测、技术措施、操作仿真等预测管理。

3.3 实时定位监控

系统把养蚕用户的需求问题转化为方便查询、咨询的知识和规则，建成养蚕技术知识库、标准库，提供给管理系统平台。管理用户既可以通过网络浏览器或移动APP访问知识信息系统，接受定位监控、知识查询、专家咨询、仿真学习等专业化技术服务，也可以现场反馈养蚕环境和家蚕生长发育状态实景，及时发现、上传养蚕生产过程中疑难问题的相关信息，在接受系统专家指导的同时，不断丰富养蚕系统数据库。

3.4 智能决策处理

系统通过计算机控制中心实现养蚕生产的智能化管理，主要功能包括环境参数的设置、各类数据的采集、实景状态的监测、相关数据的传输、样本学习训练、技术方案的输出、数据管理、日志查询等。管理系统对养蚕复杂环境和家蚕生长发育状态进行实时记录、监控，并能对家蚕未来生长发育进程、技术方案进行预测，实现养蚕生产预测性调控和养护。

4 结果与分析

该系统在盐城工学院、盐城思源网络科技有限公司等单位参与下，进行了综合试验、应用和分析。设计表明，通过引入基于卷积神经网络机器学习来识别不同阶段、不同类型的养蚕环境、家蚕生长发育状态，结合用户移动APP应用，通过计算机综合数据处理，全方位输出、提供技术服务和生产方案，作用于简化分类模型的智能生产训练，在养蚕环境和家蚕生长发育管理中的数据精准采集、标准数据库完善、快速响应调控、专家决策提供等方面取得了显著的成效，大大提高了养蚕生产智能化水平和经济效益。

4.1 数据库更丰富

系统依托农业物联网技术，通过机器学习实时对养蚕环境因子和家蚕生长发育状态数据进行采集、传输、对比、训练、存储、更新，通过智能控制平台（现场或远程）提供用户需要的管理信息，或发出超值报警信息。调查表明，常规生产条件下，智能养蚕管理系统数据采集准确率可达99.57%，标准参数校正率可达85.65%，针对棚室模式的养蚕生产应用，系统数据库存储量平均可提高12.6倍，应用效果大大超出人工操作速度和效率。

4.2 安全性能更高

智能养蚕管理系统不仅可以达到全方位无人值守的效果，而且通过深度卷积神经网络综合算法，及时调整养蚕环境和家蚕生长发育状态标准参数，大大提高了养蚕生产的精准度和安全性。同时，系统的全方位实景监控和偏差自我纠错处理实现了提前预警和异常警戒功能，保证了快速响应、指令精准的高效管理要求，增加了数据更新的灵活性和运行的安全性。

4.3 生产决策更精准

系统设置了与蚕桑技术数据库（专业知识库和图片规则库、参数标准库）的传输接口，顺利地将专业知识系统纳入计算机智能管理系统。用户通过现场浏览器界面或远程客户终端，可以随时访问、上传数据信息，实时进行知识查询、技术学习、仿真观摩、案例分析、专家咨询或开展在线问答。系统应用不仅实现了养蚕生产的智能化管理，而且进一步优化了养蚕技术标准方案，确保了系统设计和应用的实时更新。

5 结语

该系统基于大数据机器学习技术，结合养蚕生产实景开发设计，应用新型农业物联网技术、样本机器学习综合算法，实现了养蚕生产规模化、智能化管理，大大提高了生产自动化水平和管理效益。系统通过开发者平台，使养蚕分类模型训练自动化，进一步提高了样本学习、模糊处理的质量，但仍然存在农业传感器灵敏性、适应性、可靠性不高，养蚕数据不多、情境不丰富，视频和图像技术识别不精致，数据技术标准不统一等问题，因此需要进一步加大推广应用，充分利用行业大数据，增强数据过滤，进一步提高系统数据处理和管理决策的精准度和适应性。

参考文献

[1] 肖泽中.深度学习在管理实践中的应用[J].未来与发展，2018（9）：57-63.

[2] 高浩天，朱森林，常歌，等.基于农业物联网的智能温室系统架构与实现[J].农机化研究，2018，40（1）：183-188.

[3] 孙孝龙，吴洪昊，周卫阳，等.基于新型物联网的蚕室环境管理系统设计与应用[J].计算机应用与软件，2019，36（6）：58-61，75.

[4] 沈平，袁瑛，周潘.物联网中大规模无线射频识别标签的容错估计算法[J].计算机应用与软件，2019，36（6）：35-42.

[5] 陆蓉，胡肄农，黄小国，等.智能化畜禽养殖场人工智能技术的应用与展望[J].天津农业科学，2018，24（7）：34-40.

[6] 袁培森，黎薇，任守纲，等.基于卷积神经网络的菊花花型和品种识别[J].农业工程学报，2018，34（5）：152-158.

[7] 刘康，张元哲，纪国良，等.基于表示学习的知识库问答研究进展与展望[J].自动化学报，2016，42（6）：807-818.

[8] 陈嘉.基于物联网的智能农业监测系统的设计与实现[J].数字通信世界，2020（1）：48.

[9] 汪思德，陈乙鑫.基于物联网的智能环境监测系统的设计与实现[J].现代计算机，2019（10）：85-88.

[10] 张彤，刘志，庄新卿.基于开发者平台和深度学习的智能识花与护花系统[J].工业控制计算机，2018，31（1）：90-92.

[11] 康孟珍，王秀娟，华净，等.平行农业：迈向智慧农业的智能技术[J].智能科学与技术学报，2019（2）：107-117.