基于物联网技术的锈斑蟳人工养殖环境监测

邹 雄，杨明秋，蒲利云，陆建学，夏连军，刘 鑫

（1.中国水产科学研究院东海水产研究所/农业农村部东海与远洋渔业资源开发利用重点实验室，上海 200090；2.海南省海洋与渔业科学院，海口 571126）

水产质量对水产养殖的经济效益直接产生影响，而水质也决定了水产质量。因此，水产养殖过程中需要对水质进行监测和控制［1］。在养殖过程中，温度、溶氧量、pH 等因素都能够对水产质量产生一定的影响。因此，如果对水质参数采取有效的获取和研究，可以提高水产的质量和经济收益［2］。在国外，澳大利亚、日本及美国等国家水质监测的相关系统设备均已经较大规模使用［3］。此外，德国和丹麦不仅在水产养殖方面取得较好的成果，而且水质监测方面的技术也有着不断突破［4］。在国内，水产养殖技术及水质监测手段研究有一定的发展，学者也在不断进行探索，迟守峰等［5］提出适宜中国水质环境的水质监测设备，可以完成最多6 种参数的共同监测。Zhang 等［6］研发一种新的水质监测手段，完成序列式多点监测。

针对水质预测，学者利用计算机程序来完成水质参数预测。但是在水质预测中，计算机程序设计过程中涉及大规模的矩阵计算，程序的实际效果会受到算法较大影响。而LMBP（Levenberg-Marquardt Back Propagation）算法作为一种可操作性很强的神经网络算法，具有较多优点。本研究对LMBP 算法优化，并应用至水质监测中，实现水产人工养殖的智能化控制，提高水产质量。

1 材料与方法

1.1 锈斑蟳人工养殖环境物联网远程监测系统

1.1.1 系统总体结构 针对锈斑蟳（Charybdis feriatus）的养殖特征，根据锈斑蟳生长特性以及日常养殖习惯进行设计。该系统包括本地监控子系统和网络监控子系统。其中，本地监控子系统中包含水质监测模块、视频监控模块、环境参数监测模块以及中央控制计算机。锈斑蟳人工养殖物联网远程监控系统结构如图1 所示。

锈斑蟳人工养殖物联网远程监控系统主要包括水质监测系统、环境参数监测系统以及视频监控系统。其中，水质监测系统中设置了温度传感器、溶解氧传感器、pH 传感器、液位传感器以及水循环量传感器，以此完成各参数的实时监测。环境参数监测系统的目的主要是对养殖场内湿度和温度进行控制；视频监控系统则是由水上监控系统和水下监控系统两个部分组成。

1.1.2 本地监控子系统 从本地监控系统模块获取到整个系统的数据信息，本地监控子系统结构如图2 所示。

图2 本地监控子系统结构

1）水质监测系统。水质监测系统中最重要的是下位单片机多参数的智能监测和处理，因此需要现场上位监控机、无线传感器网络设备和远程PC（Personal Computer）机监控与其协同合作完成水质监测系统的运作。水质监测系统如图3 所示。

图3 水质监测系统

在水质监测系统中，下位单片机检测可以完成多个参数的共同监测，并且可以使得参数信息数据实时上传。同时，如果水质参数信息出现严重问题，该系统还能第一时间拉响警报。此外，对于系统越限问题，该系统也可以完成自动报警。

2）视频监控系统。水下摄像头的选取也需要满足一定的要求，如分辨率和清晰度尽量要高，以便观察锈斑蟳的活动情况。此外，由于水下情况复杂，摄像头上还需要内置灯源，且灯源应该有较高的耐腐蚀性和质量。另外，室内摄像头的选取仅需要具有一般清晰度。室内摄像头应该配备硬盘录像机，以方便存储监控视频，后续可以实时查看。视频监控结构如图4 所示。

图4 视频监控结构

3）环境参数监测系统。环境参数子系统的作用是对养殖场中的温度和湿度进行监测。为实现环境参数的智能采集，选取模拟量智能采集装置，该装置能够对4～20 mA 电流信号或者1～5 V 电压信号以及电阻型传感器阻值进行精准检测。此外，该装置内置8 路人工智能接口，并且能够与8 个传感器进行连接。输入信号经过有源滤波后，再传输到ADC（Analog-to-Digital Converter）转换芯片中。

4）中央控制计算机。中央监控计算机也被称为远程服务器，是整个系统最重要的部分。其功能是承载本地监控程序和远程服务程序并运行。锈斑蟳养殖本地监控系统主要由数据显示模块、数据存储与查询模块、实时曲线显示模块等组成，以此完成养殖场的水质、环境监测和数据记录查询。本地监控软件总体架构如图5 所示。

图5 本地监控软件总体架构

1.1.3 网络监控子系统 网络监控子系统是以B/S（Broswer-Server）架构为基础架构，并且利用模块化的功能设计理念构造。该系统具有5 个功能模块，远程监控系统结构如图6 所示。

图6 远程监控系统结构

在网络监控子系统中，当用户授权时，才能够接触到系统的内部数据；数据下载模块可以实现历史数据的缓存，以便于用户实时查看并分析；实时监控模块则选取Ajax 技术，页面不用刷新就能够更新数据；数据查询模块则可以让用户查询到以往数据［7-9］。

1.1.4 系统软件的设计 结合系统的结构和水质的实际监测要求，选取STM32 的固件函数库语言来编写代码实现系统。该固件函数库具有较为全面的功能，使程序开发过程缩短［10］。其中，传感器数据采集程序是对温度和湿度传感器等收集的数据进行A/D 转换控制，而且可以将数据传输到边缘网关。

1.2 人工养殖水质的溶解氧预测与控制

对水质各参数进行非线性研究不但能够实现水质各参数监测的准确性，而且能够对水质参数做出预测和预警。应用信息融合技术，构造两级信息融合的研究模型是一种可行的方法。

1.2.1 信息融合结构 由于位置和高度的差异，水质中各参数也会存在差异性。因此，需要在待测区域均匀分布监测点，将各个监测点的数据进行综合分析和处理。针对水质参数中的温度、pH 以及溶解氧3 种参数，信息融合结构如图7 所示。

图7 信息融合结构

1.2.2 第一级融合模型 第一级融合的目的在于对类型相似传感器的权重大小进行衡量，以此提高传感器对各个参数检测的精确度。此外，还可以大幅度减小二级融合的数据规模，提升处理效率［11］。

1.2.3 第二级融合模型 在水质监测研究中，选取温度、pH 和溶解氧3 种传感器，并分别将各参数传感器分布在水下区域并保持一定距离的方位，然后利用A、B、C 对节点进行编号［12］。

1.2.4 基于人工神经网络的信息融合算法设计 人工神经网络的权值和阈值是利用所构造的学习规则来对样本持续进行训练得到的。因此，采选取人工神经网络，也就是LMBP 神经网络来实现多传感器信息的高效融合，并且对水质做出预测和预警。

1）标准LMBP 算法。LMBP 是加速收敛BP（Back propogation）算法中的一种标准数值优化方法。在网络参数个数适中的情况下，LMBP 算法是最快的神经网络训练算法。其公式为：

式中，v(wk)代表误差向量；Δw是权值调整误差；J(wk)是v(wk)的雅克比矩阵；μ为比例常数；I是神经元个数［13］。

2）改进LMBP 算法。虽然传统LMBP 算法存在一定的优越性，但是仍然存在如下问题：①初始步长和变化值不易选取；②存在“小步长”问题，收敛速度易受影响；③计算过程中需要求矩阵的逆，过程繁琐。因此，需对LMBP 算法进行改进，首先利用以往经验确定步长和变化值为0.01 和5，其次针对“小步长”问题，将选取一个可以衡量收敛速度变化大小的函数插入算法中，即：

式中，ΔEk(w)为此次误差变化，ΔEk-1(w)为上一次的误差变化。

最后，针对计算繁琐问题，通过矩阵变换，将矩阵处理成方程组来完成求解，大幅度提高效率。

3）试验设计。为验证基于改进LBMP 算法的溶解氧传感器效果，将第一级融合处理后的40 个样本数据作为水质预测的试验数据。连续10 d 对数据进行采样，并且每天设置固定的采样时间和间隔，获得样本数量。最后，将前9 d 的数据作为输入样本，第10 天的数据作为测试样本。

2 结果与分析

2.1 基于标准LMBP 算法的溶解氧结果

在基于未改进LMBP 算法下，不改变网络模型中其他参数，并在相同试验条件下完成溶解氧数据的预测结果如图8 所示。基于标准LMBP 算法的溶解氧预测具有一定的效果，但整体上将近一半的数据具有较大的预测误差，说明标准LMBP 算法在溶解氧数据的预测上还存在一定问题。

2.2 基于改进LMBP 算法的溶解氧结果

在基于改进LMBP 算法下，不改变网络模型中其他参数，并在相同试验条件下完成溶解氧数据的预测结果如图9 所示。基于改进LMBP 算法的溶解氧预测具有不错的效果，与标准LMBP 算法的溶解氧预测结果相比，改进后LMBP 算法预测溶解氧的绝对误差和相对误差明显比标准LMBP 算法预测溶解氧的绝对误差与相对误差更准确，能够满足预期的要求。

图9 基于改进LMBP 神经网络的溶解氧预测结果及误差

3 小结与讨论

在水产人工养殖环境监测的基础上，对锈斑蟳人工养殖环境监测进行了研究，其中包括远程监控系统和水质监测系统的设计和各类传感器的选择。此外，还利用改进LMBP 算法对水质检测系统中的溶解氧传感器数据间的信息融合进行研究。结果表明，一方面，锈斑蟳环境监测系统可以根据采集的数据进行智能判断，完成温室设施参数的稳定智能化控制，提升了锈斑蟳养殖环境的智能化，也能够减少一定的工作量。另一方面，改进后LMBP 算法预测溶解氧的绝对误差与相对误差显然比传统LMBP 算法要好，可以实现较准确的溶解氧预测。在利用人工神经网络对水质进行预测时，样本容量不够多，可能会对预测的准确性产生干扰，后续研究将扩大样本数据，进一步加强信息融合模型的预测水平。