陳澤，畢美華，周豪， 郭宸，郭祺赟，王裕翔，王琰，方楠

（杭州電子科技大學(xué)通信工程學(xué)院，浙江杭州，310016）

0 引言

萬物互聯(lián)，智能為先。當(dāng)前，我國淡水漁業(yè)在發(fā)展中也呈現(xiàn)出很多問題，例如科學(xué)水平相對低下，生態(tài)破壞嚴(yán)重，人工成本高，養(yǎng)殖需要大量的人力物力等等我國部分水產(chǎn)養(yǎng)殖業(yè)仍處于經(jīng)驗(yàn)養(yǎng)殖階段，養(yǎng)殖戶對魚塘水質(zhì)沒有一個明確的檢測值，仍停留在通過經(jīng)驗(yàn)和觀察來判斷水質(zhì)情況階段，導(dǎo)致漁業(yè)養(yǎng)殖效率低下，有著很大的進(jìn)步空間]。此外，國家主席習(xí)近平曾向第三屆世界智能大會致信，希望大家深化交流、增進(jìn)共識、加強(qiáng)合作，推動新一代人工智能健康發(fā)展，更好造福世界各國人民。隨著第四次工業(yè)革命的到來，各行各業(yè)都向著自動化、智能化發(fā)展，標(biāo)志著物體、數(shù)據(jù)與服務(wù)的無縫銜接的進(jìn)程。在此背景下，，，本文設(shè)計(jì)了一種基于深度學(xué)習(xí)和物聯(lián)網(wǎng)云平臺的水質(zhì)監(jiān)測與魚苗識別系統(tǒng)用于推行水產(chǎn)養(yǎng)殖行業(yè)發(fā)展。該系統(tǒng)可以進(jìn)行環(huán)境水質(zhì)的實(shí)時監(jiān)測與云平臺數(shù)據(jù)的上傳、反饋調(diào)節(jié)，利用深度學(xué)習(xí)與目標(biāo)檢測來識別魚苗，為未來的智慧漁業(yè)與智能家居行業(yè)提供一種有效的方案。

1 系統(tǒng)總體結(jié)構(gòu)

■1.1 系統(tǒng)硬件結(jié)構(gòu)設(shè)計(jì)

圖1 為基于深度學(xué)習(xí)和物聯(lián)網(wǎng)云平臺的水質(zhì)監(jiān)測與魚苗識別系統(tǒng)的結(jié)構(gòu)圖，如圖2為系統(tǒng)整體實(shí)際圖片。該系統(tǒng)主要由四個子系統(tǒng)構(gòu)成：水質(zhì)環(huán)境監(jiān)測自動調(diào)節(jié)系統(tǒng)、物聯(lián)網(wǎng)系統(tǒng)、目標(biāo)檢測系統(tǒng)和設(shè)備管理系統(tǒng)。該系統(tǒng)采用了無線Wi-Fi模塊實(shí)現(xiàn)各個系統(tǒng)的通信。其中， ESP8266無線Wi-Fi模塊實(shí)現(xiàn)了STM32與物聯(lián)網(wǎng)云平臺間的數(shù)據(jù)發(fā)送工作。同時樹莓派也可直接通過自帶的Wi-Fi模塊實(shí)現(xiàn)無線網(wǎng)絡(luò)連接。

圖1 系統(tǒng)整體框架圖

圖2 系統(tǒng)實(shí)物圖

■1.2 水質(zhì)環(huán)境監(jiān)測與自動調(diào)節(jié)系統(tǒng)

在水質(zhì)環(huán)境監(jiān)測與自動調(diào)節(jié)系統(tǒng)中，本文選用STM-32F407ZGT6作為主控芯片。該芯片可提供了豐富的GPIO接口，以及相關(guān)的內(nèi)置外設(shè)以及144MHz的高速時鐘，以及豐富的庫函數(shù)，這在一定程度上便利了系統(tǒng)連接各類傳感器以及系統(tǒng)實(shí)現(xiàn)難度。同時，通過溫度傳感器、TDS(溶解性固體總量)傳感器與pH值傳感器等進(jìn)行交互，獲得魚類生存環(huán)境數(shù)據(jù)的實(shí)時監(jiān)測，并且單片機(jī)將這些數(shù)據(jù)通過串口的形式發(fā)送給物聯(lián)網(wǎng)模塊。物聯(lián)網(wǎng)模塊中的ESP8266將下位機(jī)的數(shù)據(jù)傳輸?shù)皆破脚_，并通過規(guī)則引擎將數(shù)據(jù)流轉(zhuǎn)保存至云端的數(shù)據(jù)庫中，在本地就可以對這些環(huán)境數(shù)據(jù)進(jìn)行分析。目標(biāo)檢測模塊對實(shí)時視頻流進(jìn)行魚苗識別，并將實(shí)時視頻流上傳至云端，實(shí)現(xiàn)用戶對本地系統(tǒng)的實(shí)時攝像頭監(jiān)控。設(shè)備管理模塊中，同時可以使用Web端和手機(jī)App端遠(yuǎn)程查看實(shí)時的環(huán)境數(shù)據(jù)，并調(diào)節(jié)其生長環(huán)境。

■1.3 系統(tǒng)傳感器選擇

為了更好地實(shí)現(xiàn)水質(zhì)數(shù)據(jù)的測量，該系統(tǒng)選用不同的傳感器以實(shí)現(xiàn)低成本、高精度。首先，溫度傳感器方面，DS18B20溫度傳感器（見圖3）。DS18B20作為常見溫度傳感器芯片。該芯片具有體積小，封裝多，價(jià)格低，精度高，測量范圍大的特點(diǎn)。此外，本設(shè)計(jì)采用不銹鋼封裝的傳感器封裝，可以有效地長期應(yīng)用于魚塘水溫測量的場景中。同時，DS18B20芯片采用單線接口，僅需一條線即可與MCU進(jìn)行實(shí)時雙向通信，方便便捷。此外，DS18B20提供9-12位數(shù)字?jǐn)?shù)據(jù)輸出，更加方便了應(yīng)用。此傳感器的測量范圍為-57℃-+125℃，精度為0.5℃。廣泛的測量范圍為我們應(yīng)用提供了豐富的應(yīng)用。

圖3 DS18B20溫度傳感器

TDS傳感器方面：選用了市面上常見的TDS檢測探針，直接進(jìn)行TDS值的監(jiān)測。同時，TDS探針提供了放水針頭，有效地保證了在魚塘場景中傳感器的長期應(yīng)用，適應(yīng)了使用場景。同時，探測針頭使用交流信號作為激勵源，有效避免了使用過程中可能出現(xiàn)的探頭極化情況。數(shù)據(jù)轉(zhuǎn)化模塊實(shí)現(xiàn)DA轉(zhuǎn)化，且可通過2Pin XH-2.54接頭與TDS探針相連接，直接將TDS探針測得的TDS水質(zhì)數(shù)據(jù)轉(zhuǎn)化為模擬輸出。因此，MCU可以直接通過測量模擬輸出口的電壓值，進(jìn)行TDS水質(zhì)數(shù)據(jù)的測量。提供的TDS探針測量范圍為0～1000ppm，測量精度為±5%F.S.同時，數(shù)據(jù)轉(zhuǎn)化模塊的模擬輸出提供了5V，3.3V兩種控制模式。由于MCU的GPIO口提供的ADC接口測量范圍為0-3.3V。為了方便使用，本文選用3.3V的測量模式。

PH酸堿度檢測方面：采用市場上常見的PH值濃度測試電極。由于當(dāng)前市場上的工業(yè)級PH變送器價(jià)格昂貴。常見的PH復(fù)合電極輸出的是mV級信號，MCU系統(tǒng)無法直接測量識別。因此，本文選購了一款集成化的PH值探測筆模塊，包含了PH復(fù)合電極，商家同時提供了數(shù)據(jù)轉(zhuǎn)換模塊。PH值濃度測試電極通過BNC接口與數(shù)據(jù)轉(zhuǎn)化模塊進(jìn)行連接，數(shù)據(jù)轉(zhuǎn)化模塊對PH復(fù)合電極的輸出信號進(jìn)行適當(dāng)放大，使MCU系統(tǒng)能夠更好地讀取測量信號值。數(shù)據(jù)轉(zhuǎn)化模塊與TDS測量模塊同樣提供了3.3V及5V兩種測量模式，可以通過數(shù)據(jù)模塊上滑動變阻器進(jìn)行調(diào)節(jié)方便了我們使用MCU系統(tǒng)直接進(jìn)行測量。同時，由于PH值復(fù)合電極默認(rèn)的使用溫度為25℃值，所以數(shù)據(jù)轉(zhuǎn)化模塊同時提供了DS18B20溫度測量接口，方便了我們對水溫的測量以及對PH值計(jì)算的溫度補(bǔ)償。

圖5 PH值濃度檢測模塊

液位傳感器：選用了市面上現(xiàn)有的液位檢測裝置。由于考慮到漁業(yè)養(yǎng)殖階段中，不需要具體的液位數(shù)據(jù)，僅需要保證魚塘處于一定水位范圍內(nèi)。因此，本文選用的液位傳感器僅用于測量液位是否超過傳感器水位。在具體實(shí)驗(yàn)中，放置了2個液位傳感器，分別代表了魚塘液位的最高值和最低值。

2 軟件實(shí)現(xiàn)結(jié)構(gòu)設(shè)計(jì)

■2.1 數(shù)據(jù)采集部分

本系統(tǒng)主要包括了pH傳感器、溫度傳感器、TDS傳感器、液位傳感器、光照傳感器、舵機(jī)等部件，以上傳感器的檢測參數(shù)主要有：水體pH值、溫度、總?cè)芙夤腆w量（TDS值）、光照強(qiáng)度等。其中，pH值傳感器模塊通過BNC接頭與pH復(fù)合電極進(jìn)行連接，并帶有溫度補(bǔ)償功能，根據(jù)能斯特方程，從pH傳感器電極系統(tǒng)中獲得的電壓信號與氫離子的活度具有對應(yīng)關(guān)系，因此可以通過得到的電壓值換算成水體的pH值。溫度模塊使用的是ds18b20，供電電壓范圍為3.0 V至5.5 V，可測量-55℃至+125℃范圍內(nèi)的溫度，它具有體積小，輸出的數(shù)字信號精度高的優(yōu)點(diǎn)，單片機(jī)通過單總線協(xié)議可以讀取其輸出的溫度值。TDS傳感器測量范圍為0-1000ppm，精度為±5%，通過0～2.3V模擬信號輸出，具有輸出信號穩(wěn)定、可通過軟件進(jìn)行溫度補(bǔ)償?shù)膬?yōu)點(diǎn)。液位傳感器XYC-Y25利用水的感應(yīng)電容來判斷液位，當(dāng)液位沒有達(dá)到閾值，傳感器對地線存在一定的靜態(tài)電容，當(dāng)液面升高至接近傳感器，液體的寄生電容將耦合至靜態(tài)電容，導(dǎo)致傳感器的電容值變大，通過檢測與電容值有關(guān)的電信號的改變即可得到液面實(shí)時的情況。

■2.2 環(huán)境自動調(diào)節(jié)部分

當(dāng)溫度低于設(shè)定的最低閾值時，開啟繼電器，加熱電路導(dǎo)通，加熱棒對水體進(jìn)行加熱，直到水體溫度達(dá)到設(shè)定的最高閾值時關(guān)閉繼電器，加熱棒停止工作。自動恒溫系統(tǒng)可以將水體溫度穩(wěn)定在提前設(shè)定的溫度范圍中，對魚類生長環(huán)境起到較好的維護(hù)作用。

在魚類養(yǎng)殖過程中，不同的光照條件會引起魚類耗氧量和代謝的不同，導(dǎo)致其攝食和活動受到影響，并且水草的生長也會受到光照條件的影響，因此，在水族箱的燈光設(shè)計(jì)方面要考慮這些因素的影響，營造更有利于觀賞魚生長的水體環(huán)境。為此設(shè)計(jì)了光照強(qiáng)度調(diào)節(jié)模塊，使用繼電器和Led燈來調(diào)節(jié)光照強(qiáng)度，使得光照模塊更加智能化。

■2.3 物聯(lián)網(wǎng)云平臺系統(tǒng)部署

基于用于數(shù)據(jù)收集，處理，可視化和設(shè)備管理的開源物聯(lián)網(wǎng)平臺Things Board，使用行業(yè)標(biāo)準(zhǔn)物聯(lián)網(wǎng)協(xié)議（MQTT，CoAP和HTTP）實(shí)現(xiàn)設(shè)備連接，并支持云和本地部署。在設(shè)備端使用esp8266 wifi模塊發(fā)送curl命令連接至服務(wù)器端，將當(dāng)前的溫濕度，ph值，液位和亮度數(shù)據(jù)以每隔10分鐘發(fā)送一次的速度發(fā)送至物聯(lián)網(wǎng)平臺。平臺端能夠?qū)崟r接收并且顯示收到的所有數(shù)據(jù)，并且通過可定制的最終用戶儀表板上可視化實(shí)時和歷史數(shù)據(jù)。若水質(zhì)情況出現(xiàn)較大問題，與預(yù)設(shè)的水質(zhì)范圍出現(xiàn)偏差，平臺端通過用戶設(shè)定的條件進(jìn)行實(shí)時的報(bào)警監(jiān)控，通過郵件方式將報(bào)警信息發(fā)送給用戶，通知用戶對設(shè)備進(jìn)行調(diào)整。在設(shè)備斷開連接或不活動事件時也能發(fā)出報(bào)警，提醒用戶設(shè)備異常。圖6為物聯(lián)網(wǎng)云平臺整體用戶界面。第一個儀表盤為水體PH值，用戶可以根據(jù)儀表盤指針清晰的觀察當(dāng)前水體的PH值及酸堿度情況。第二個儀表盤為水體TDS質(zhì)量，TDS值可以清晰的表現(xiàn)出水體中雜質(zhì)含量，有效的體現(xiàn)水體質(zhì)量及渾濁物質(zhì)量。第三個橫向儀表盤為水溫儀表盤。第四個LED形式儀表盤為水位儀表盤，通過LED紅綠燈來表示魚塘液位是否高于預(yù)設(shè)正常水位值，綠燈為水位正常，紅燈為水位超標(biāo)。

圖6 物聯(lián)網(wǎng)云平臺用戶界面

3 目標(biāo)檢測系統(tǒng)設(shè)計(jì)

■3.1 基于YOLOv3的圖形識別模型介紹

YOLOv3相比于YOLOv2、Fast R-CNN都有很大的提升，先前的檢測系統(tǒng)利用分類器或定位器來執(zhí)行檢測。首先生成可能的邊界框，再將模型應(yīng)用于檢測多個位置和比例的圖像。將檢測到圖像的高概率區(qū)域用作結(jié)果。YOLOv3使用完全不同的方法。其將單個神經(jīng)網(wǎng)絡(luò)應(yīng)用于完整圖像。該網(wǎng)絡(luò)將圖像劃分為多個區(qū)域，并預(yù)測每個區(qū)域的邊界框和概率。這些邊界框通過預(yù)測的概率進(jìn)行加權(quán)平均。與基于分類器的系統(tǒng)相比，YOLOv3具有多個優(yōu)勢。它在測試時檢測整個圖像，因此其預(yù)測結(jié)果是由圖像中的全局上下關(guān)聯(lián)生成的，不像R-CNN這樣的系統(tǒng)需要數(shù)千個評估來預(yù)測單張圖片，這使其變得非常快，比R-CNN快1000倍以上，比Fast R-CNN快100倍。如圖7是以狗類識別為模型的YOLOv3數(shù)據(jù)流程圖。

圖7 YOLOv3數(shù)據(jù)流程圖

在Yolov3模型中，只有卷積層，通過調(diào)節(jié)卷積步長控制輸出特征圖的尺寸。所以對于輸入圖片尺寸沒有特別限制。流程圖中，輸入圖片以256＊256作為樣例。

Yolov3模型的應(yīng)用借鑒了金字塔特征圖思想，小尺寸特征圖用于檢測大尺寸物體，而大尺寸特征圖檢測小尺寸物體。特征圖的輸出維度為N×N×[3×(4+1+4)] ，N×N為輸出特征圖格點(diǎn)數(shù)，一共3個Anchor框，每個框有4維預(yù)測框數(shù)值 tx，ty，tw，th，1維預(yù)測框置信度，4維物體類別數(shù)。

Yolov3總共輸出3個特征圖，第一個特征圖下采樣32倍，第二個特征圖下采樣16倍，第三個下采樣8倍。輸入圖像經(jīng)過Darknet-53（無全連接層），再經(jīng)過Yoloblock生成的特征圖被當(dāng)作兩用，第一用為經(jīng)過3＊3卷積層、1＊1卷積之后生成特征圖一，第二用為經(jīng)過1＊1卷積層加上采樣層，與Darnet-53網(wǎng)絡(luò)的中間層輸出結(jié)果進(jìn)行拼接，產(chǎn)生特征圖二。同樣的循環(huán)之后產(chǎn)生特征圖三。

圖8 數(shù)據(jù)增強(qiáng)—概覽

圖9 數(shù)據(jù)增強(qiáng)—原圖

圖10 數(shù)據(jù)增強(qiáng)—翻轉(zhuǎn)

圖11 數(shù)據(jù)增強(qiáng)—旋轉(zhuǎn)

concat操作與加和操作的區(qū)別：加和操作來源于ResNet思想，將輸入的特征圖，與輸出特征圖對應(yīng)維度進(jìn)行相加；而concat操作源于DenseNet網(wǎng)絡(luò)的設(shè)計(jì)思路，將特征圖按照通道維度直接進(jìn)行拼接，例如8×8×16的特征圖與8×8×16的特征圖拼接后生成8×8×32的特征圖。

上采樣層(upsample)：作用是將小尺寸特征圖通過插值等方法，生成大尺寸圖像。例如使用最近鄰插值算法，將8×8的圖像變換為16×16。上采樣層不改變特征圖的通道數(shù)。

■3.2 數(shù)據(jù)準(zhǔn)備

使用從百度圖片進(jìn)行關(guān)鍵字爬蟲獲取的四種魚類的圖片作為原始數(shù)據(jù)集，四種魚類分別為：鯉魚、草魚、鯽魚、鰱魚。原始數(shù)據(jù)集中包含了130張圖片，每種魚類大概有30多張。之后，按照數(shù)據(jù)增強(qiáng)的一般方法，將原始圖片進(jìn)行旋轉(zhuǎn)、裁切等操作，增多了數(shù)據(jù)的數(shù)量，提高了魯棒性。最后得到的數(shù)據(jù)集共2800多張圖片。在數(shù)據(jù)劃分步驟中，以8:2的比例劃分為訓(xùn)練集和測試集，劃分時采用隨機(jī)選擇。

■3.3 訓(xùn)練與預(yù)測

在Ubuntu16.04、python3.6的環(huán)境下使用python中自帶的darknet框架進(jìn)行基于YOLOv3的訓(xùn)練。由于數(shù)據(jù)集圖片較少，實(shí)驗(yàn)中將訓(xùn)練迭代次數(shù)控制在千次的量級以防止過擬合問題的出現(xiàn)。

表1 在訓(xùn)練和驗(yàn)證過程中采取5折交叉驗(yàn)證

訓(xùn)練后保存模型，在測試集上進(jìn)行測試，得到整體預(yù)測框回歸準(zhǔn)確率0.786，分類準(zhǔn)確率75.6%，較驗(yàn)證結(jié)果來說比較低，推測主要原因仍是訓(xùn)練數(shù)據(jù)量太少。

我們使用訓(xùn)練后模型來進(jìn)行鯽魚魚苗的捕捉識別測試，效果如圖12所示。

圖12 目標(biāo)識別代碼實(shí)際應(yīng)用

4 結(jié)束語

本系統(tǒng)設(shè)計(jì)了基于傳感器與機(jī)器學(xué)習(xí)方案實(shí)現(xiàn)了智能魚塘水質(zhì)監(jiān)測系統(tǒng)及魚類識別方案。通過對市面上可購買的各類傳感器進(jìn)行分析比對，綜合了成本及傳感器使用精度，選定了合適的傳感器進(jìn)行水質(zhì)數(shù)據(jù)的測量。同時，本文通過自主搭建基于Things Board平臺的物聯(lián)網(wǎng)云平臺實(shí)現(xiàn)了對水質(zhì)數(shù)據(jù)的網(wǎng)絡(luò)傳輸以及存儲，并且為用戶提供了便捷直觀的用戶界面，便捷了用戶的使用。同時，本方案借助機(jī)器學(xué)習(xí)及YOLOv3模型對常用魚塘養(yǎng)殖魚類的魚苗進(jìn)行分析，能夠較為準(zhǔn)確的識別常用魚類，方便了用戶對不同的魚類的分辨，實(shí)現(xiàn)了對魚類的智能識別功能。