穆 迪，史永祥，李 杰，吴 旻，王 煜，蒋怡静，雷 杰

(国网溧阳供电公司，江苏 常州 213300)

0 引言

随着科学技术的不断发展，物联网技术和人工智能技术不断被应用于水产养殖中。青虾的养殖技术也需要更新升级，适应新环境和新要求，而建设智慧型水产养殖系统就是为了更加方便、有效、实时监控水产养殖池塘环境和青虾的生长情况，提高养殖效率和效益[1]。

目前，青虾的养殖主要面临以下问题[2-3]：青虾的养殖场所主要集中在偏远地区且不方便养殖人员的长期驻场，因此发生意外事件时，人员不能及时发现并且处理，会造成一定的经济损失；目前养殖场饲料的投喂模式是以人工为主，劳动强度大且效率不高，容易产生投喂均匀度不够的现象。

因此本项目将物联网[4]、无线通信技术及人工智能技术相融合，可以远距离增加养殖池塘内的氧气含量、智能投喂饲料、检测青虾的生长状况等，出现问题时也能进行预报预警。构建青虾智能养殖模式的内容包括水质在线监测系统、水上水下视频监控系统、智能投饵、智能增氧、信息全景展示、基于人工智能AI大数据养殖策略系统。通过本平台建设，将实现青虾养殖过程的实时在线监测和精准调控，大大提升养殖基地的信息化、自动化和智能化水平，降低生产成本，提高劳动生产率、资源利用率和管理效率，提升水产品质量等级和市场竞争力。

1 系统设计

溧阳智慧养殖示范青虾塘采用云端控制方式，即采用雾计算节点(DTU)实现物理链路，大幅降低现场物联网网关成本。基于云-雾-边人工智能AI算法智慧养殖策略控制模块采用云-雾-边的通信架构，包括云端总控平台、每个虾塘的DTU、边缘感知和控制器件(电压和电能质量监测传感器、水泵控制装置等)，通过加密的MQTT广播协议进行通信。边缘端设备完成相关信息和数据的采集；水产养殖(虾塘)本地通过云端的优化控制决策命令和水体实时量测信息对各个用电设备进行控制，以达到预想效果；云端完成系统级数据分析，优化控制决策、数据收集和统筹管理功能，对每个虾塘的相关控制阈值和工作模式进行设置和命令下发。系统整体的拓扑结构，如图1所示。

图1 云-雾-边协同优化控制系统拓扑结构

1.1 边缘节点

水质的好坏与鱼虾蟹类的成长性有着密切的关系，应把水产养殖过程中的水质分析贯彻到整个水产养殖的过程中。通过水质的测量，随时把握水质的情况以及变化趋势，能够及时做调整，保持水质的稳定良好，并且做好详细的数据记录。通过做出数据分析，更能了解水质环境状况，做到绿色养殖。数据化分析将成为未来科学养殖的发展趋势。因此，青虾塘需要通过安装水质传感器，采集区域溶解氧值、pH、氨氮等相关水质数据。

水质传感器会持续上传其监测到的水质信息供雾节点分析处理及云平台供用户查看，这种数据量是十分庞大的，会给云服务器造成过大的压力。因此，本平台设计了边缘节点，会在本地处理大部分冗余数据。本平台的边缘节点是指在靠近青虾塘的网络边缘侧构建的业务平台，提供存储、计算、网络等资源，将部分关键业务应用下沉到接入网络边缘，以减少网络传输和多级转发带来的宽度和时延损耗。边缘节点相比云数据中心，具有小型化、分布式和更贴近青虾塘的特点，海量的数据无须再上传至云端进行处理，实现在网络边缘侧对数据的处理。

水质在线监测系统具体功能如下：

(1)实时监测养殖水与多参数(pH、溶氧、氨氮)功能；(2)实时显示水质的数据，并可以查看历史数据及数据分析结果；(3)当养殖水体中的尾水数值达到临界值时报警(触控键入设定每个测量单元的最低和最高值范围，低于最低值或者高于最高值，系统将自动报警)，报警信息以短信的形式发送到用户手机。

1.2 雾计算节点

水体中的溶解氧是青虾赖以生存的最重要指标，它不仅影响青虾的生存、生长、发育、繁殖，还影响饵料报酬及饲料系数的高低；水体中的溶解氧与青虾的生存、生长关系密切，池水溶解氧高可以提升养殖动物的食欲，提高饲料的利用率，加快生长发育。反之，水中的溶解氧低，青虾摄食率和饲料利用率就会受到不同程度的抑制。养殖水体中的溶解氧是水质管理中最重要的指标之一。当水质传感器的数据发送到雾计算节点时，雾计算节点会直接分析判断当前水中含氧量是否满足青虾的生长条件，不满足就会自动开启设备改善，并向用户报警。

本平台的雾计算环境由传统的网络设备组件，如路由器、开关、机顶盒、本地服务器、基站等构成，安装在离物联网终端设备和传感器较近的地方。这些组件可以提供不同的计算、存储、网络功能，支持服务应用的执行，一些与青虾塘直接相关的传感器数据，不需要上传到云服务器，直接在雾计算节点即可做决策。增氧系统详细功能如下：

(1)增氧控制功能，系统自动增氧及远程控制增氧机的开关，对增氧的速率进行调节，实现远程化智能增氧；(2)增氧设备管理功能，对增氧机进行每日档案管理，记录增氧机情况、增氧时间、管理人员、上传时间等信息，实时掌控增氧情况；(3)增氧数据统计，对增氧机每日增氧、增氧时间等数据进行信息统计，便于后期的展示分析。

1.3 部署实例

本平台以互联网为媒介，将云服务器与各青虾塘连接起来。用户可以直接以网站访问或者收集App的模式连接服务器，查看自己青虾塘的各种状况，发现问题就可以直接解决问题。在虾塘场地，气象监测仪的数据可以直接通过互联网传输到云服务器供用户查看，另外在青虾塘部署的各种传感器和设备会经过本地化决策后，再将结果上传到云服务器，这样就大大减少了服务器的压力，整个平台的部署实例如图2所示。

图2 部署实例

2 平台设计

2.1 基于云-雾-边人工智能AI算法云平台设计

云平台以软件形式部署在云计算服务器或者外部可以访问的服务器(如阿里巴巴云平台)上，云平台数据流如下所示。各个青虾塘设备数据通过雾节点(本地物联控制器)按照一定的Topic和格式(JSON)发送至MQTT Broker，云平台后端程序通过订阅同一个MQTT的Topic，收取所有青虾塘发来的数据。首先进行数据整理，根据每项数据的特定识别码、时间、类型的不同，写入各自数据表(实例中用的是Postgresql数据库)，如水温、pH、溶氧量、用电设备状态等；前端软件从数据库里读取实时数据和历史数据，进行数据展示；同时，通过人工智能算法和设定的控制参数和目标，自动将指令下发至本地控制器，下行命令通过MQTT向各个虾塘的雾计算节点，通过不同的Topic发送，各个青虾塘本地控制系统按照本地设置的Topic进行查收，并执行云端命令。整个数据流如图3所示，云平台的部署实例如图4所示。

图3 云平台软件数据流

图4 云平台软件部署实例

2.2 手机App设计

为了方便用户使用，开发相应的手机App。主页界面将包括水质检测实时显示、水质曲线历史数据分析、设备手动控制界面等基本功能模块，如图5a所示。在水质检测模块中实时显示各个池塘的测量信息(溶氧、水温、pH等)，如图5b所示。在水质曲线模块中统计分析各个池塘的测量信息(溶氧、水温、pH等)，分析其最高值、最低值和平均值等，并以曲线形式显示其变化规律，如图5c所示。设备控制模块可以对增氧机等设备进行开关控制，如图5d所示。

图5 App效果图

3 基于云-雾-边人工智能AI智慧养殖策略

在本系统中基于云-雾-边人工智能AI智慧养殖策略如下：对投放饲料后的水下场景使用潜航器进行拍摄，对采集到的图像用基于深度卷积神经网络的双线性细粒度图像分类算法进行识别，输出所拍水下场景的水质等级。

3.1 水下投饲效果图片场景定义

饲料投入水中后：投放过多，饲料会溶解在水中，破坏水质；投放少了，会影响养殖产品的生长。针对饲料被吃的情况，将场景划分为3个等级[5]，如表1所示。

表1 水质分级

水质等级划分可根据饲料的不同形态和养殖场的需求具体划分，以不溶于水的鱼肉为例,如图6所示：一级水质为不含鱼肉的残渣；二级水质为含鱼肉3块以内的场景；三级水质为含鱼肉3块以上的场景。

图6 水质等级示意

3.2 深度卷积神经网络

卷积神经网络(Convolutional Neural Network，CNN)属于前馈神经网络的一种，其特点是每层的神经元节点只响应前一层局部区域范围内的神经元(全连接网络中每个神经元节点则是响应前一层的全部节点)。一个深度卷积神经网络模型一般由若干卷积层叠加若干全连接层组成，中间包含各种非线性操作、池化操作。卷积运算主要用于处理网格结构的数据，因此，CNN天生对图像数据的分析与处理有着优势[6]。

近年来，深度卷积神经网络展现了其强大的能力，在各个领域取得了卓越的效果，针对特有场景微调已训练好的深度神经网络模型已经成为一种趋势。目前比较常用的深度卷积神经网络有LeNet，AlexNet，VGG，Inception，Xception，Resnet等，其中VGG网络结构采用连续的小卷积核代替较大卷积核，以获取更大的网络深度，使得在相同感受野情况下VGG可以达到更大的网络深度。VGG16深度卷积网络模型共有16层，其中包括13个卷积核为3×3的卷积层，3个全连接层。在每个卷积层后面有激活层和 BN 层。Resnet的基本模块是残差单元，由Conv卷积层、批处理归一化层BN和非线性激活层RELU组成，Resnet_50即表示该网络层数为50。

3.3 基于细粒度分类的水质识别算法

水下场景具有一定的特殊性，正常水里会包含各种杂质，要想顺利地将饲料从正常水质区分出来，最重要的是在图像中找到能够区分两者的区分性的区域块，并能够对这些有区分性的区域块特征进行较好的表示。

因此，识别方案采用基于深度卷积神经网络的双线性细粒度图像分类算法[7-8]，该算法对类别精度的区分更加细致，且可以借助微小的局部差异区分出不同的类别，算法框架如图7所示。整个框架是一种双流体系结构，由两个特征提取器组成，输出在图像的每个位置使用外积相乘并合并以获得图像描述符。该体系结构以平移不变的方式对局部成对的特征相互作用进行建模，这对于水下场景是否含有饲料残留特别有用。

其中，以深度卷积神经网络A和深度卷积神经网络B为特征提取器fA、fB，提取最后一层卷积激活层的feature map为特征,fA∈Rh×w×ca、fB∈Rh×w×cb,对于图像I在位置l的两个特征fA(l,I)∈RI×ca和fB(l,I)∈RI×cb进行如下操作：

bilinear(l,I,fA,fB)=fA(l,I)TfB(l,I)

(1)

(2)

x=vec[Ø(I)]

(3)

(4)

z=y/‖y‖2

(5)

式中：fA可以是VGG16或者Resnet_50；fB即与fA不同的另外一个网络。在该方法中，首先对两个特征在每个location上(共有h×w个location)的c维向量做外积融合得到矩阵b,对所有location上的b做和池化得到矩阵Ø(因为最大池化损失的信息量最少),再把Ø拉伸成cacb维向量x,记为bilinear vector，最后对x作符号平方根运算得到y，对y做L2归一化得到最终特征z输入分类网络进行分类。

图7 细粒度图像分类算法框架

4 结语

溧阳青虾智慧养殖示范工程采用基于AI技术的云-雾-边通信架构云端控制平台开创了高端水产养殖数字化、智能化、高效率、高产出的先河，亩产青虾从年均150斤增加到300斤以上。