边缘算力在智能水产养殖方面研究与应用.pdf

第 51 卷第 2 期渔 业 现 代 化Vol.51 No.22024 年 4 月FISHERY MODERNIZATIONApr.2024DOI:10.3969/j.issn.1007-9580.2024.02.007收稿日期:2023-09-15基金项目:国家自然科学基金资助项目(61272382);国家青年自然科学基金资助项目(6140110);广东省教育厅科研基金资助项目(2021ZDZX1074);茂名市科技计划项目基金资助项目(201513);广东省大学生创新创业项目(73322059)作者简介:张锋(1979),高级实验师,硕士,研究方向:嵌入式与物联网技术。E-mail:rekey2008 边缘算力在智能水产养殖方面研究与应用张 锋,黄自强,申启杨,邓春辉(广东石油化工学院电子信息工程学院,广东 茂名 525000)摘要:为了减少水产养殖污染,保证养殖生态系统的安全,提高生态环境质量,利用物联网技术设计并实现一种水产养殖智能监控系统。该系统通过智能传感器终端实现对养殖区域水质的溶氧、pH、水温、光照度、环境温度、环境湿度等参数的实时采集、远程显示和自动控制,实现远程智能养殖。同时,系统利用树莓派作为边缘算力设备,从感知层、传输层、边缘计算层、应用层四个主要方面对系统进行说明,通过智能算法实现实时精细化管理资源的目标,使数据可视、可信,进一步探究水产养殖方面进行智能化协同化的可行性。研究表明,该系统在实物模型上运行稳定、感知准确、控制及时和扩展性强等优点,可在水产养殖中进行推广和应用。关键词:边缘算力;智能算法;物联网技术;水产养殖中图分类号:S969;TP368.1 文献标志码:A 文章编号:1007-9580-(2024)02-0053-008 近年来,随着水产养殖规模化、养殖种类和密度的增加,以及天气变化、自然灾害、人为灾害等原因,使得水产养殖基地的水质难以实时精确把控,水产品安全质量日益突出1-3。传统的水质监测主要依赖于仪表与人工经验的结合,耗时、耗力、监测范围小且监测周期长4-5。为了解决这些问题,国外学者致力于将人工智能、云计算、物联网等信息技术与水产养殖相结合,实现精准化、智能化的养殖6-9。国内学者,黄建 清 等10通 过 nRF905 实 现 无 线 传 输,但nRF905 无法实现自组网功能,方案可扩展性差;罗潜等11设计了一套基于 STM32 和 ZigBee的水产养殖水质参数监测系统,实现同步实时采集、传输,显示水体温度、酸碱度、溶氧和氨氮,以及异常报警等功能。但是,ZigBee 技术协议开发周期长,依赖网关且传输距离短。胡佳美等12设计了基于物联网的水产品养殖水质监测系统,通过 Wi-Fi 模块传输至数据监测平台进行实时监测,数据异常报警,并绘制动态数据变化曲 线,但 是,该 传 统 方 法 在 通 信 距 离 超 过250 m 时,有数据丢包现象,时效性差,影响水质调控效果,不能满足目前智能养殖的需求。目前的水产养殖水质监测系统各具特点,但存在系统只检测水质情况,出现问题后进行报警提示管理人员,没有做进一步的处理;在控制方面采用设置阈值的方式,把环境的变化简单划分为几个条件区间,无法正确应对传感器误报或者是局域参数剧变导致的系统异常问题。提出了一种基于边缘计算的无线传感器网络的智能水产养殖系统,实现实时监测鱼塘水质的同时,能对水体产生的变化产生自适应调节,使水体环境处于相对正常稳定的状态,为水产品全生命周期的生长提供保障。1 系统方案设计为了水产养殖达到高效、智能、环保的效果,利用物联网技术和 5G 技术设计实现一个集智能传感、自动组网、实时处理、机械管理于一体的智能水产养殖环境监测系统。该系统通过智能传感器终端实现对养殖区域水质的水温、pH、溶氧、浊度值、光照度等参数的实时监测;通过无线传输技术将无线传感节点汇聚的监测数据传送至本地监控终端;监控终端实现数据库构建和实时数据更新,用户可在本地查询水质参数数据,同时监控中渔 业 现 代 化2024 年心对数据进行分析处理,做出控制决策以及启动相关设备对水域环境进行调节。考虑到系统产生的海量数据上传到云端进行分析,不仅浪费网络带宽,而且产生高延迟等诸多缺点13。引入边缘计算可以解决这个问题,边缘计算在水产智能养殖的应用为水产智能养殖提供算力资源,边缘计算赋能后的智能水产将获得更广阔的发展空间14。1.1 系统总体构成基于水产养殖环境的需求,该系统整体由 4层组成:端设备层、数据传输层、边缘计算层和应用层,系统总体构成如图 1 所示。;JHCFF8JJ#图 1 系统总体构成Fig.1 Overall system composition端设备层的数据采集部分感知水体温度、pH、浊度值、水位等参数;控制部分有气泵控制(模拟增氧机工作)、水泵控制(模拟抽水和排水过程)、投食控制。数据传输层采用的远距离无线传输模块来完成数据传输,由于水体含氧量传感器价格昂贵,为了得到水体含氧量,根据水温与含氧量数据间的关系,采用在池塘分布的栅格网络温度节点的数据间接反映水体的含氧量,进而决定是否开启气泵。边缘算力层由树莓派 3B+对采集的数据进行处理。应用层在远程端进行系统查看和控制等。1.2 系统关键技术1.2.1 最小二乘法拟合曲面方程为了更加直观清楚地了解水体温度的变化,针对温度这一指标来图像化温度数据并传播信息。借助 DS18B20 水温传感器来获取环境中不同栅格节点的温度值,节点坐标与温度值如表 1所示。表 1 节点坐标与温度值Tab.1 Node coordinates and temperature valuesxyz节点名称0026.7 Sink0126.9 节点 11026.5 节点 21126.3 节点 31226.7 节点 42126.9 节点 52227.0 节点 62326.8 节点 73226.3 节点 8 根据热力学第二定律“热量可以自发地从温度高的物体传递到较冷的物体”的原理,并利用高斯法拟合该温度的曲面方程,最后结合遗传算法合理找出该温度曲面的最大值,再利用交互处理的技术,实现了温度等参数可视化15。这里以温度值为例,z 坐标为 DS18B20 测量出温度的数值,利用最小二乘法对数据进行平面拟合,采用文献16的方法,即对于给定的一组数据点(xk,yk,zk)k=1,2,.,N,求作 m 次(m=N)多项式 z=0j=m(0i=jci,j-ixiyj-i)使总误差 Q=Nk=1zk-0j=m(0i=jci,j-ixikyj-ik)2为最小。这里 Q可看作关于 cij(i,j=0,1,.,m)的函数,共有12(m+1)(m+2)个未知量 cij,且 cij满足Qcij-1=0。根据表 1 可知,空间坐标系中有 9 个离散数据点,显然 N=9,由于 N12(m+1)(m+2),所以m=2。设拟合出来的曲面方程为:z=c20 x2+c11xy+c02y2+c10 x+c01y+c00(1)则总误差:Q=9k=1zk-(c20 x2+c11xkyk+c02y2k+c10 xk+c01yk+c00)2(2)由QC20=0,得:45第 2 期张锋等:边缘算力在智能水产养殖方面研究与应用29k=1zk-(c20 x2k+c11xkyk+c02y2k+c10 xk+c01yk+c00)xk2=0(3)所以:9K=1zk-(c20 x4k+c11xk3yk+c02x2ky2k+c10 x3k+c01x2kyk+c00 x2k2=9k=1zkx2k(4)所以:c209k=1x4k+c119k=1x3kyk+c029k=1x2ky2k+c109k=1x3k+c019k=1x2kyk+c009k=1x2k=9k=1zkx2k(5)同理得出其他 5 个包含 C20、C11、C02、C10、C01、C00的方程。计算出 x、x2、x3、x4、y、y2、y3、y4、z及之间的排列组合带入相应的方程,得出 6 元一次方程组 6 条方程。联立方程组利用高斯消元法求出曲面方程系数。在得到方程形如式(1)后,利用遗传算法经过编码和解码、交叉和变异、自然选择等步骤17,求取最大的温度坐标。通过坐标找到与之相邻的气泵,再根据阈值是否让气泵工作。在对传感器的数值输入前进行筛选,对一组数据中偏差较大的进行删除,防止数据被污染。遗传算法求取曲面方程流程如图 2 所示。%/%/:图 2 遗传算法求取曲面方程流程 Fig.2 Genetic algorithm process for solving surface equations1.2.2 鱼群的平均质量估计方法边缘算力工作流程如图 3 所示。#64#$BOOZ图 3 边缘算力工作流程Fig.3 Edge computing workflow 系统需要预估鱼群平均大小,最好能在不用捕捞的前提下进行测绘,于是图像识别技术是主要的技术手段,为此需要找出一个罗非鱼的物理指标作为直接测量值,进而根据关系式得到想要值。目前已有运用数学方程估算鱼类体重的报道18-20,由于我们研究的对象是罗非鱼,不需要十分精准的质量大小,因此采用文献 20 基于统计概率形成的体长与体质量的关系式:55渔 业 现 代 化2024 年W=1.316 8 10-2 LS2.998(6)式中:W 为鱼的体质量,g;LS为鱼的体长,mm。在得到体长与体质量的关系后,利将获取的图像进行灰度处理、Canny 边缘检测和形态学等操作21。矫正图像是利用已知置于图像左边框的物理真实长度的条形物体,该条形物体与左边框平行并略小于左边框。利用比例关系可以得到在图像上的其他罗非鱼的体长,进而利用式(6)得到预测的体质量值。2 系统的硬件设计2.1 系统硬件设计根据水产养殖的需求,本系统模拟水产养殖过程,系统有传感器、气泵(模拟增氧机)、投食装置、水泵(模拟抽水和排水过程)构成。终端设备感知层感知养殖池的水体参数,传入微控制器上进行进一步处理,ZigBee 无线收发为多个池子之间的通信,WiFi 模块为数据上云,实现远程控制的功能;传感器节点主要是检测整体情况,再把数据传入边缘算力设备执行智能算法,协同控制装置;WEB 管理为方便管理人员使用的操作界面。系统硬件结构如图 4 所示。;JH#FF8JJ;JH#FF8FC;JH#FFQ)图 4 系统硬件结构图Fig.4 System hardware structure diagram 水体环境传感器类型及指标如表 2 所示。表 2 水体环境传感器类型及指标Tab.2 Types and indicators of water environment sensors传感器类型物理量参数工作电压50 V输出模拟电压信号 pH-4502C 传感器测量范围014测量误差 0.1响应时间5 s工作电压512 V输出数字信号RDO-206 溶氧传感器测量范围025 mg/L测量误差1%响应时间10 sDS18B20 温度传感器工作电压3.55.5 V输出数字信号测量范围-55125 测量误差0.5 响应时间60 s2.2 算力芯片设计在边缘侧需要提供算力支持外,还需要强大的处理能力和存储能力,系统采用树莓派 3 B+,用于对传感器节点的数据进行曲面拟合、遗传算法和机器视觉估计鱼群大小,采用性价比较高的MEGA328p 作为端设备的主控芯片。参数如表 3所示。表 3 边缘设备与端设备相关参数Tab.3 Parameters related to edge devices and end devices名称树莓派 3B+Arduino nano芯片BCM2837B0MEGA328p内存1 GB32 kB Flash、2 kB SRAM、1 kB EPROM尺寸85 mm、56 mm、19.5 mm45 mm、18 mm质量45 g6 g工作温度-4085 050 工作电压1.85.5 V5 V65第 2 期张锋等:边缘算力在智能水产养殖方面研究与应用3 系统软件设计3.1 栅格节点水温传感器数据处理采用 9 个栅格节点,利用 2.4G Zigbee 无线串口 DL-20 模块,Sink 节点22-24采用点到点协商式通信将该区域数据透传到边缘算力设备上,其余节点采用广播通信,如图 5 所示。4JOL1J图 5 栅格节点分布示意图Fig.5 Schematic diagram of grid node distribution3.2 WEB 端设计为了实现跨平台对本系统的控制,利用 Vue 框架25和 百 度 的 一 个 开 源 的 数 据 可 视 化 工 具ECharts26,方便管理人员操作和查看数据。在本系统中,除了要求上位机稳定外,对数据的实时响应也是必不可少的方面。使用 ECharts 在加快开发效率的基础上,传感器数据可视化给人直观的感受。4 系统测试4.1 系统模型该系统实物模型是利用收纳箱来模拟鱼塘和存水池,用亚格力板分为 3 个区域来模拟,2 个子机对应采集鱼塘数据,一个主机用来收集各个子机数据并上传给服务器显示在网页端控制台,利用水泵、打氧泵、小车马达和打印的 3D 模型来模拟投食模块,系统实物如图 6 所示。图 6 系统实物图Fig.6 Physical system diagramZigBee 无线传感器节点,即子机,主要是负责采集鱼塘水中的温度、pH、浊度值,然后将数据通过 ZigBee 终端发送给协调器,通过相应上位机的命令来控制投食设备的启动,如图 7 所示。ZigBee 网络的协调器和 WiFi 网关,即主机,负责将 ZigBee 协调器收集到的数据发送给 WiFi模块,然后通过 WiFi 模块发送到远程服务器端,如图 8 所示。Q).&(1;JH#FF-0%图 7 ZigBee 无线传感器节点Fig.7 ZigBee wireless sensor node8JJ.&(1;JH#FF%4-%06-/图 8 ZigBee 协调器和 WiFi 网关Fig.8 ZigBee Coordinator and WiFi Gateway测试上位机显示传感器采集的相关数据时,将下位机中的子机和主机用 7.4 V 的充电电池供电,然后等待 ZigBee 联网,ZigBee 联网成功,子机上面的 ZigBee 指示灯会闪烁,并且蜂鸣器会发出声音。子机上面的 ZigBee 采集到数据后等待协调器的请求连接命令,连接过程是通过 HEX 数据通信实现的,协调器收集来自不同 ZigBee 终端采集到的数据并且存放在相关数组中,然后协调器将数据发送给 WiFi 模块,WiFi 模块与上位机之间的数据传输,服务器接收到存放在数组中的相关数据之后进行相关处理,通过 WebSocket 通信协议与浏览器网页端进行通信27,然后将数据利用走势图的方式显示在网页端。75渔 业 现 代 化2024 年4.2 网页管理端测试首先对水泵、气泵和投食装置进行测试,系统正常工作。指令由服务器下发到鱼池主控机,对获取的部分数据进行实时可视化显示,对鱼塘模型倒入清水进行数据模拟,一段时间后,测试数据如表 4 所示。表 4 试验数据Tab.4 Test Data日期-时刻鱼塘 1温度/浑浊度pH水位温度/鱼塘 2浑浊度pH水位2023-05-22-12 0024.43396.006.69正常24.87847.426.57正常2023-05-21-12 0024.43396.006.69正常24.87847.406.57正常2023-05-20-12 0024.43396.006.69正常24.87862.686.58正常2023-05-19-12 0024.43396.006.69正常24.87862.686.58正常2023-05-18-12 0024.43724.366.69正常24.87862.686.58正常2023-05-17-12 0024.43724.366.69正常24.87862.686.58正常2023-05-16-12 0024.43724.366.69正常24.87832.306.59正常2023-05-15-12 0024.43724.366.69正常24.87832.306.59正常2023-05-14-12 0024.43693.006.68正常24.87832.306.59正常 由表 4 可知,鱼塘 1 和鱼塘 2 的温度都在24左右,属于水中正常值范围,鱼塘 1 的浊度与鱼塘 2 的浊度大小不同是因为两个鱼塘所养殖的鱼的数量不同,所以水的浑浊度不同,但都是属于正常范围内的浊度值,pH 在 6.6 左右,因为两个鱼塘的水都是清水注入的,所以 pH 的测量值在正常范围,没有测量具体的水位值,只有最低值、最高值和正常值,最低值时会注水,最高值时会排水。4.3 池塘水温热力图模拟利用 DS18B20 温度传感器来获取环境中不同栅格节点的温度,通过串口把数据汇集后传输到算力节点,根据热力学第二定律“热量可以自发地从温度高的物体传递到较冷的物体”的原理,并利用高斯法拟合该温度的曲面方程,再结合遗传算法合理找出该温度曲面的最大值,最后在仿真软件 Matplotlib 上运行28,得到池塘水温热力图效果如图 9 所示。根据池塘水温热力图,从而对传感器误报或者是局域参数剧变导致的系统异常问题提供参考依据。zyx图 9 栅格节点温度拟合曲面Fig.9 Grid node temperature fitting surface4.4 鱼群平均质量测试架设摄像头位于投料口的正上方,利用 USB摄像头对罗非鱼活动的视频流进行采样29,为了更准确地达到本次识别的效果,本次设置的视频拍照每 1 s 拍一张照片并保存在文件夹,共 10张。为了矫正照片处在正确的位置,采用一定长的有颜色的标记线作为参考线。通过对视频流捕捉的照片进行校验摄像头的位置,效果如图 10。QOHQOHQOHQOHQOHQOHQOHQOHQOH图 10 视频流捕捉截图Fig.10 Screenshot of Video Stream Capture85第 2 期张锋等:边缘算力在智能水产养殖方面研究与应用 调整后的结果以左边的标识物为参照点,该参照点的大小为已知量,据此来估算该区域的鱼群平均大小。这里选取一张图片,根据图像推测出该金鱼的质量 642.1 g,进而遍历该视角下其他鱼群的大小最后得到整个养殖区域的平均质量30,判断其是否达到捕捞条件,如图 11 所示。the fishs weight=0.64 kg112.9 mm24.0 mm图 11 一张图片求鱼的质量Fig.11 Finding the quality of fish in a picture由于拍摄环境,角度等问题,鱼的实际大小和图像的大小有一定出入,造成参考系不稳定,从在空间垂直方向上产生较大误差,形态分割稳定性和质量估计息息相关,预测值与测量值相差16.4%。5 结语为了更加接近水产养殖的真实环境,需要对生产环境主要因素进行特征提取,考虑到物联网产生大量数据上传云端分析浪费网络带宽、高延时等诸多弊端,为此将边缘计算引入能解决问题,本研究是基于边缘计算下实现对智能水产养殖的尝试,在一段时间的运行后,控制装置与传感装置运行正常,对水体温度拟合曲面能找到高温点,表明了利用边缘算力实现智能水产养殖的可行性。参考文献1 肖茂华,李亚杰,汪小旵,等.水产养殖尾水处理技术与装备的研究进展J.南京农业大学学报,2023,46(1):1-13.2 尹宝全,曹闪闪,傅泽田,等.水产养殖水质检测与控制技术研究进展分析J.农业机械学报,2019,50(2):1-13.3 周俊博,蒋冬,肖茂华,等.基于 GWQPSO-SVM 的水产养殖水总磷软测量系统设计与试验J.南京农业大学学报,2023,46(3):615-625.4 谭德绍.VOCs 气质联用走航监测技术应用于环境监察的展望J.节能与环保,2019(8):98-99.5 施珮,袁永明,张红燕,等.基于无线传感器网络的水产养殖水质监测系统J.安徽农业科学,2021,49(5):207-210.6 JR D D.Implementing Zigbee-based wireless sensor network in the design of water quality monitoring systemJ.International Journal of Recent Technologyand Engineering,2019,8(3):6174-6179.7 NAGOTHU S K,ANITHA G.Low-cost smart watering system in multi-soil and multi-crop environment using GPS and GPRSC/Proceedings of the First International Conference on Computational Intelligence and Informatics:ICCII 2016,Springer Singapore,2017:637-643.8 PARRA L,SENDRA S,GARCA L,et al.Design and deployment of low-cost sensors for monitoring the water quality and fish behavior in aquaculture tanks during the feeding processJ.Sensors,2018,18(3):750-772.9 RATASUK R,VEJLGAARD B,MANGALVEDHE N,et al.lNB-IoT system for M2M communication C /IEEE Wireless Communications and Networking Conference Workshops(WCNCW),IEEE,2016,50(7):1394-1399.10黄建清,王卫星,姜晟,等.基于无线传感器网络的水产养殖水质监测系统开发与试验J.农业工程学报,2013,29(4):183-190.11罗潜,吉艺宽,李美娣.基于 STM32 和 ZigBee 的水产养殖水质监测系统设计J.仪器仪表用户,2023,30(8):22-26.12胡佳美,肖元秀,楚天鹏.基于物联网的水产品养殖水质监测系统J.信息与电脑(理论版),2023,35(14):142-145.13刘熙明,王义,聂思敏.基于分布式无线网络的水质监控系统设计J.渔业现代化,2017,44(4):50-56.14张仁蜜.智能水产养殖管理系统中的物联网关键技术研究J.物联网技术,2020,10(2):99-100.15廖伟智,张彬,徐国栋,等.基于数字孪生的粮库可视化监控与管 理 系 统 研 发 J.制 造 业 自 动 化,2023,45(11):202-207.16霍晓程,李小平.用最小二乘法拟合曲面方程J.赤峰学院学报(自然科学版),2009,25(6):11-13.17施珮,袁永明,匡亮,等.基于 GA-SELM 算法的工厂化水产养殖水温预测方法研究J.传感技术学报,2018,31(10):1592-1597,1612.18华元渝,胡传林.鱼种重量与长度相关公式的生物学意义及其应用C/鱼类学论文集(第 1 辑),北京:科学出版社,1981:125-131.19张小谷,熊 邦 喜.鄱 阳 湖 鲌 属(Culter)和 原 鲌 属(Culterichthys)鱼类体重与体维关系J.湖泊科学,2007,19(4):457-464.95渔 业 现 代 化2024 年20董在杰,梁政远,明俊超,等.尼罗罗非鱼体重与体维可量性状之间的关系J.广东海洋大学学报,2010,30(1):32-38.21李焊,郭晓军.基于机器视觉的轮廓识别与数据测量J.现代制造技术与装备,2020,56(10):190-192,196.22胡长俊,袁树杰.煤矿井下 WSN 中基于自适应粒子群聚类算法的多 sink 节点部署J.计算机科学,2018,45(11):103-107.23归达伟.一种能量消耗低的无线传感器网络 sink 节点位置隐私保护算法研究J.科技通报,2018(7):193-196.24刘恒,钟俊,刘辉.基于优化核极限学习的 WSN 网络汇聚节点故障诊断J.新乡学院学报,2021,38(6):28-32.25汤晓燕,朱东.基于 Vue 的高校迎新可视化大屏的设计与实现J.信息与电脑(理论版),2023,35(17):134-136.26王方雄,李莹.基于 ECharts 的船舶航运信息可视化系统设计与开发J.软件,2023,44(8):80-84.27李翔.ERP 系统中基于 websocket 协议的实时通讯机制的设计与实现J.数字通信世界,2020(2):104-105.28陆凡.基于 Matplotlib 的高互动性可视化系统设计与实现J.信息与电脑(理论版),2023,35(15):17-20.29宋恭渝,蔡晓峰,任志君,等.基于 USB 摄像头的单摆频闪照相实验系统的设计与开发J.大学物理实验,2023,36(1):76-80.30单佳楠,郑晓伟.基于机器视觉技术的金鲳鱼质量预测研究J.渔业现代化,2023,50(2):58-66.Application of edge computing power in intelligent aquacultureZHANG Feng,HUANG Ziqiang,SHEN Qiyang,DENG Chunhui(College of Electronic Information Engineering,Guangdong University of Petrochemical Technology,Maoming 525000,Guangdong,China)Abstract:To reduce environmental pollution in aquaculture,ensure the safety of the aquaculture ecosystem,and improve the quality of the ecological environment,this article uses Internet of Things technology to design and implement an intelligent monitoring system for aquaculture.The system achieves real-time collection,remote display,and automatic control of dissolved oxygen,pH value,water temperature,light intensity,environmental temperature,and humidity parameters in the aquaculture area through intelligent sensor terminals,achieving remote intelligent aquaculture of aquatic products.At the same time,the system uses Raspberry Pie as the edge computing device to explain the system from four main aspects:the perception layer,the transport layer,the edge computing layer,and the application layer.Through intelligent algorithms,the system realizes real-time fine management of resources,making data visible and credible,and further explores the feasibility of intelligent and collaborative aquaculture.The practice has shown that the system has advantages such as stable operation,accurate perception,timely control,and strong scalability on physical models,and can be promoted and applied in aquaculture.Key words:edge cumputing power;smart algorithms;LoT technology;aquaculture06