張海峰 李楊 張宇 宋麗娟 唐立新 畢洪文

摘? ?要：棚室蔬菜產業(yè)在黑龍江省農業(yè)轉方式、調結構和供給側改革中占有重要的戰(zhàn)略地位。黑龍江省棚室蔬菜生產規(guī)模近年來發(fā)展較快，技術支撐需求也與日俱增。本研究針對黑龍江省棚室蔬菜發(fā)展規(guī)模與技術服務支撐能力不匹配的現(xiàn)狀，提出了基于云服務的棚室蔬菜智能終端系統(tǒng)及關鍵技術的實現(xiàn)方法。本研究以專家服務為主、數(shù)據(jù)挖掘技術為輔，以物聯(lián)網(wǎng)設備為感知手段、以智能手機為用戶終端，利用云服務對知識、資源、物聯(lián)網(wǎng)數(shù)據(jù)的整合配置能力，提供蔬菜專家及棚室蔬菜用戶對信息獲取、存儲、分析和決策的高效解決方案。本研究的部分內容已在黑龍江省農業(yè)科研部門、企業(yè)、蔬菜合作社、農戶等不同用戶群體中實驗應用，能夠為專家提供棚室蔬菜生產環(huán)境的遠程問診手段，適用于各類棚室蔬菜應用場景。本研究還提出了對大規(guī)模應用場景下的技術解決方案建議，可在全國的棚室蔬菜生產中推廣應用，實現(xiàn)更廣泛高效的專家技術服務支撐。

關鍵詞：棚室蔬菜;云服務;資源池;物聯(lián)網(wǎng);智能終端;Arduino

中圖分類號：S24? ? ? ? ? ? ? ? ? 文獻標志碼：A? ? ? ? ? ? ?文章編號：201906-SA002

張海峰， 李 楊， 張 宇， 宋麗娟， 唐立新， 畢洪文. 基于云服務的棚室蔬菜智能終端系統(tǒng)設計與實現(xiàn)——以黑龍江省為研究案例[J]. 智慧農業(yè)， 2019， 1（3）： 87-99.

Zhang H， Li Y， Zhang Y， Song L， Tang L， Bi H. Design and implementation of intelligent terminal service system for greenhouse vegetables based on cloud service： A case study of Heilongjiang province[J]. Smart Agriculture， 2019，1（3）： 87-99. （in Chinese with English abstract）

1? 引言

黑龍江地處中國東北北部，冬季漫長，無霜期短，特殊的氣候條件使得實現(xiàn)蔬菜全年生產和供應，必須依靠棚室設施。近年來，黑龍江省蔬菜產業(yè)得到長足發(fā)展。2018年，全省蔬菜播種面積呈穩(wěn)步增長趨勢，春夏播種面積24.1萬公頃，其中設施蔬菜播種面積達6萬公頃，同比增長12.7%[1]。隨著全省農作物種植結構的調整，蔬菜面積還在呈現(xiàn)一定程度的增長態(tài)勢。但是，黑龍江省棚室蔬菜產業(yè)存在著生產水平不高、管理粗放、生產效率低、技術服務不到位等問題，其中信息技術服務不足是影響黑龍江省棚室蔬菜產業(yè)健康發(fā)展的重要因素之一[2]。

從服務對象規(guī)模來看，黑龍江省2018年棚室蔬菜種植面積達6萬公頃，實現(xiàn)監(jiān)管和技術支撐需要大量的計算存儲資源，傳統(tǒng)的服務器計算架構無法滿足該計算及負載均衡需求;從技術應用層面來看，物聯(lián)網(wǎng)系統(tǒng)、生產者、專家產生了大量環(huán)境感知數(shù)據(jù)、技術數(shù)據(jù)、產銷數(shù)據(jù)、答疑數(shù)據(jù)，這些數(shù)據(jù)蘊含著大量的知識，這些知識的挖掘利用情況還處于初級階段，還沒有形成對生產的高效推動;從技術應用成本來看，以物聯(lián)網(wǎng)為代表的信息技術建設及應用成本較高，而棚室蔬菜的利潤往往不足以支撐其運維費用，致使農民的安裝意愿不強[3-7]。

針對上述問題，按照“平臺上移，服務下延”的農業(yè)信息技術服務方針，應用“平臺即服務（PAAS）”的云設計理念，結合自主研發(fā)的低成本物聯(lián)網(wǎng)技術，開展了云服務棚室蔬菜智能終端服務系統(tǒng)構建研究，以期為黑龍江省農業(yè)信息服務由知識生產型向知識服務型轉變，實現(xiàn)云服務信息化增效和知識服務效率拓展，以及專家資源和知識服務能力的共享和協(xié)作提供技術支撐，為全國棚室蔬菜信息化發(fā)展提供解決方案典型案例。

2? 系統(tǒng)架構設計及實現(xiàn)

2.1? 基于云服務的棚室蔬菜智能終端服務

系統(tǒng)

科技信息服務資源的開發(fā)與利用涉及到不同專業(yè)的專家、數(shù)據(jù)庫、在線知識資源、棚室蔬菜生產者、物聯(lián)網(wǎng)系統(tǒng)，專家與生產者之間需要大量非實時和少量實時的數(shù)據(jù)交換，他們的知識結構相差較大，無法使用簡單統(tǒng)一的標準來實現(xiàn)互聯(lián)，因此設計一種基于云服務的棚室蔬菜智能終端服務系統(tǒng)，可有效解決數(shù)據(jù)的融合再利用與服務有效供給問題。

基于云服務的棚室蔬菜智能終端服務系統(tǒng)是以云服務為載體，為適應農業(yè)信息技術服務智能化、泛在化、扁平化、綠色環(huán)保的發(fā)展趨勢而衍生的以專家智慧為主要服務內容、以物聯(lián)網(wǎng)為感知節(jié)點、以移動智能設備為終端，通過網(wǎng)絡為棚室蔬菜產業(yè)提供按需使用、隨時獲取、基于專家群的知識服務。它是一種解決蔬菜專家技術服務覆蓋范圍和手段的信息服務新模式，能有效提升知識、資源、物聯(lián)網(wǎng)數(shù)據(jù)的整合配置能力，為棚室蔬菜技術服務提供高效解決方案。

2.2? 云服務架構設計

該智能終端服務系統(tǒng)架構包括感知層、基礎設施層、數(shù)據(jù)層、應用層、終端展示層（圖1）?；A設施層包括具有分布式計算能力以及可在線擴充的服務器系統(tǒng)和數(shù)據(jù)庫系統(tǒng)，主要作用是實現(xiàn)大規(guī)模數(shù)據(jù)計算和持久化存儲;物聯(lián)網(wǎng)感知層包括單片機、傳感器和無線網(wǎng)橋等設備，作用是實現(xiàn)棚室蔬菜生產環(huán)境和蔬菜本體影像感知;數(shù)據(jù)層包括棚室蔬菜數(shù)據(jù)庫和知識系統(tǒng)，涵蓋品種信息、病害知識、栽培技術、專家信息等數(shù)據(jù)，作用是初步數(shù)據(jù)處理和虛擬專家構建，應用TensorFlow（一個基于數(shù)據(jù)流編程dataflow programming的符號數(shù)學系統(tǒng)）實現(xiàn)數(shù)據(jù)訓練和模型構建等內容;應用層構建知識關聯(lián)搜索引擎，為專家和用戶提供內容服務和解決方案;終端展示層主要是通過開發(fā)符合HTML5標準的Web頁面，實現(xiàn)不同平臺的自適應，即可滿足Android智能手機、IOS設備和PC端的應用，作用是構建服務與用戶的人機接口，實現(xiàn)用戶對云服務的調用。

2.3? 系統(tǒng)實現(xiàn)關鍵技術

2.3.1? 基礎設施層關鍵技術

在系統(tǒng)大規(guī)模應用的場景下，黑龍江省每個棚室蔬菜作為一個技術支持單元（面積約為1/15公頃），按照20%的服務安裝覆蓋率，大約需要18萬個計算節(jié)點。棚室物聯(lián)網(wǎng)產生海量實時的流式視頻文件和傳感器數(shù)據(jù)，可能存在大量在線機器學習和實時判斷的應用場景，僅靠傳統(tǒng)關系型數(shù)據(jù)庫難以處理[8，9]。大規(guī)模的視頻流監(jiān)測分析和海量物聯(lián)網(wǎng)數(shù)據(jù)實時處理需要大數(shù)據(jù)技術作為支撐，在對Hadoop、Spark和Storm等分布式處理架構進行比較分析后，發(fā)現(xiàn)Storm的高效實時計算能力符合海量實時數(shù)據(jù)計算的應用場景要求，Storm的水平擴展和自動容錯能力為服務的規(guī)模擴展和穩(wěn)定運行提供了保障?；A設施層圍繞Storm框架構建，主要由數(shù)據(jù)接入模塊、數(shù)據(jù)緩存模塊和Storm集群組成。數(shù)據(jù)接入模塊負責快速獲取物聯(lián)網(wǎng)數(shù)據(jù)并接入到數(shù)據(jù)處理集群，本系統(tǒng)采用開源的分布式海量日志采集聚合傳輸系統(tǒng)Apache Flume實現(xiàn)各種實時感知數(shù)據(jù)的快速接入。在視頻數(shù)據(jù)處理方面，由于棚室監(jiān)測的大部分時間圖像都不會發(fā)生顯著變化，全程存儲將造成大量空間浪費，因此通過視頻處理庫把攝像頭的視頻流轉換為幀進行抽樣存儲，將幀數(shù)據(jù)以JSON的格式傳遞給Kafka Broker（一種高吞吐量分布式發(fā)布訂閱消息系統(tǒng)），供流數(shù)據(jù)緩沖組件和存儲使用。數(shù)據(jù)緩存主要是提高海量數(shù)據(jù)的負載能力，避免因大量數(shù)據(jù)引起宕機，系統(tǒng)采用Kafka數(shù)據(jù)緩存模塊保證消息的持久性和穩(wěn)定性，每秒可處理數(shù)百萬條數(shù)據(jù)。Storm集群負責實時海量數(shù)據(jù)處理，由1個Nimbus（主節(jié)點）和若干個Supervisor（計算節(jié)點）組成，應用Storm-Kafka插件可以持續(xù)不斷地從緩存模塊中讀取數(shù)據(jù)，實時運算后分類存儲。物聯(lián)網(wǎng)數(shù)據(jù)進入MySQL數(shù)據(jù)庫，視頻數(shù)據(jù)經過截取處理后進入分布式數(shù)據(jù)庫Hbase，如圖2所示。服務系統(tǒng)充分利用Storm集群進行高速運算及存儲，對外通過Apache Tomcat服務器提供統(tǒng)一標準的計算及存儲服務，后臺的Storm可以全自動按需彈性提供服務資源，按照系統(tǒng)的推廣建設進度動態(tài)擴充，實現(xiàn)資源的集約化應用和服務效益最大化。

2.3.2? 物聯(lián)網(wǎng)感知層關鍵技術

本研究以開源硬件Arduino單片機為核心搭建物聯(lián)網(wǎng)感知終端，主板型號為Wemos D1，傳感器連接如圖3所示。

該單片機有11個數(shù)字IO引腳，1個模擬引腳（最大支持3.3V電壓輸入），采用2.4G WiFi無線數(shù)據(jù)傳輸方式，具有大量的代碼庫，技術資源支持豐富[10]。通過WeMos D1 Arduino開發(fā)板、選型應用空氣溫濕度傳感器DHT22、光照強度傳感器BH1750FVI、二氧化碳傳感器T6603-5、雷神FDR型土壤水分傳感器和地溫（水溫）傳感器DS18B20，實現(xiàn)棚室內空氣溫濕度、光照強度、二氧化碳濃度、土壤水分、地溫等數(shù)據(jù)的實時可視化監(jiān)測和云端存儲，為云端智能監(jiān)控系統(tǒng)和專家對棚室蔬菜生產的遠程指導提供判斷依據(jù)，設備選型如表1所示。物聯(lián)網(wǎng)系統(tǒng)可根據(jù)生產需要定制硬件系統(tǒng)，而手機作為數(shù)據(jù)監(jiān)測設備可以實時監(jiān)控棚室內的生產情況，降低了硬件投入成本，滿足集約化生產的要求。

2.3.3? ?數(shù)據(jù)層關鍵技術

（1）知識圖譜的構建。知識圖譜旨在通過建立棚室蔬菜生產要素之間的關聯(lián)鏈接，將碎片化的數(shù)據(jù)有機地組織起來，為系統(tǒng)搜索、挖掘、分析等提供高階數(shù)據(jù)支撐。知識圖譜為系統(tǒng)的自動應答、知識抽取、數(shù)據(jù)挖掘、常識推理等功能提供支持。知識圖譜的構建需要多種技術支持，從數(shù)據(jù)中提取出實體、屬性、關系等知識要素。根據(jù)棚室蔬菜生產的必要因素，按照篩選法提取名詞。將名詞做交集，生成棚室蔬菜生產詞典。將詞典中的名詞在數(shù)據(jù)庫中進行映射關聯(lián)，存儲到知識庫中。根據(jù)專家知識內容，提取每一個名詞的特征，構造比較方法，使用KNN（K-Nearest Neighbor）近鄰算法進行分類，最后獲取每個名詞的所屬類別，同時剔除無關名詞映射。由于領域知識圖譜構建難度很大，目前自動化方法還處于探索階段，多采用人工標注與自動化處理相結合的手段，本系統(tǒng)主要針對相對簡單的結構化數(shù)據(jù)領域。

（2）病害預警及識別技術。針對蔬菜病害預警難度大的問題，系統(tǒng)根據(jù)病害發(fā)生環(huán)境條件設立預警閾值，環(huán)境條件達到閾值時進行報警。數(shù)據(jù)層在病害預警方面存儲各種病害的發(fā)病條件閾值及發(fā)病圖片特征，以黃瓜為例見表2和表3。當物聯(lián)網(wǎng)獲取的傳感器數(shù)據(jù)接近閾值時觸發(fā)警報推送，達到閾值時連續(xù)警報推送。

在病害識別方面設計采用卷積神經網(wǎng)絡進行模型訓練，首先收集整理特定蔬菜病害圖片，使用基于BSD許可（開源）發(fā)行的跨平臺計算機視覺庫OpenCv統(tǒng)一加工為128×128大小的圖像，由蔬菜病害專家進行鑒別并設定標識后存入病害圖片庫，建立棚室蔬菜的文字與圖像的對應描述關系，以供病蟲害診斷、栽培技術指導和TensorFlow構建快速卷積神經網(wǎng)絡圖像推理模塊使用。在Python集成開發(fā)環(huán)境中導入病害圖片庫和TensorFlow，應用卷積神經網(wǎng)絡進行訓練，見圖4。

系統(tǒng)在病害識別方面應用訓練好的模型，將病害圖片輸入到卷積神經網(wǎng)絡中（如圖5所示），經過若干卷積和池化層對圖像進行特征提取，通過選擇性搜索算法得到圖像的感興趣區(qū)域RoI（Region of Interest），在RoI池化層中將特征框池化到特定大小，將感興趣區(qū)域的特征向量與全連接層相連，并定義多任務損失函數(shù)，分別與Softmax分類器和Boxbounding回歸器相連，分別得到當前感興趣區(qū)域的類別及坐標包圍框[11，12]。對所得到的包圍框進行非極大值抑制，得到最終判斷結果。

（3）虛擬專家技術的實現(xiàn)。針對人工專家資源相對稀缺且存在空耗和綜合能力服務不足的問題，系統(tǒng)采用了虛擬專家和資源池解決方案。虛擬專家是由不同專業(yè)領域、擁有不同空閑時間的專家團隊和知識數(shù)據(jù)庫組成，專家團隊的人員配置覆蓋棚室蔬菜生產者的問題領域和服務請求時間，專家知識庫則是基于深度學習的數(shù)據(jù)庫應用系統(tǒng)，通過人工錄入和專家問題答疑不斷擴充知識數(shù)據(jù)，分擔人工專家的業(yè)務壓力。資源池分配算法是云服務下完成需求和對接的主要途徑之一，在傳統(tǒng)云服務平臺的資源調度過程中，需要根據(jù)資源池所承載的業(yè)務負荷情況及時調整平臺分配的資源。本系統(tǒng)由于融合了專家資源，并將專家加入到資源池中供系統(tǒng)分配，因此只要在算法上實現(xiàn)專家服務狀態(tài)的判斷，確定專家是否可在某一時刻被調用，以及某一時刻的虛擬專家所能提供的知識服務范圍，即可將虛擬專家資源融入到資源池調配方案中。在專家數(shù)量相對充足的時候，還要考慮專家服務頻次，使相對空閑的專家被優(yōu)先調用。最后，由權威專家進入QoS（Quality of Service，服務質量）系統(tǒng)對專家的答復進行評判，淘汰掉錯誤答復和無效回答數(shù)據(jù)，系統(tǒng)進行數(shù)據(jù)整理和存儲。

針對海量多源異構的物聯(lián)網(wǎng)數(shù)據(jù)、蔬菜數(shù)據(jù)、病害數(shù)據(jù)、農藥化肥數(shù)據(jù)、專家數(shù)據(jù)難以直接利用的問題，系統(tǒng)通過自動化提取與歸納關鍵信息實現(xiàn)數(shù)據(jù)的應用價值。專家知識通過文本數(shù)據(jù)預處理和關鍵詞特征提取后，形成推理機，由系統(tǒng)對問題文本進行相似語義處理，即由原問題演繹出同等語義的若干問題，形成多對一的問題和答案關聯(lián)鍵值對，作為知識數(shù)據(jù)存儲到云數(shù)據(jù)中心，當有相同語義問題的時候自動調用答案進行解答，用戶問題搜索次數(shù)越多，范圍越廣，專家解答過的問題越多，資源池數(shù)據(jù)庫對問題的命中率就越高，如圖6所示。資源池數(shù)據(jù)庫答疑數(shù)據(jù)采用循環(huán)神經絡算法和文本處理技術，有效降低用戶轉接人工專家的概率。

2.3.4? 應用層關鍵技術

應用層主要負責實現(xiàn)用戶需求的各項功能，以及提供調用接口。

（1）專家主動服務模式。應用物聯(lián)網(wǎng)集成技術和HTML5技術，專家登錄服務系統(tǒng)對蔬菜棚室的物聯(lián)網(wǎng)系統(tǒng)進行遠程監(jiān)管，實現(xiàn)對各個節(jié)點的巡視，實時查看各蔬菜大棚監(jiān)測點的環(huán)境數(shù)據(jù)和圖像信息，專家可通過系統(tǒng)對棚室內的攝像機進行旋轉和變焦操作來發(fā)現(xiàn)蔬菜生產中的問題，也能在系統(tǒng)中進行實時語音或非實時留言提示來提供技術解決方案。該技術的視頻監(jiān)管部分主要利用螢石云的開發(fā)者平臺和推流技術（見圖7），攝像頭通過在螢石云注冊后，系統(tǒng)會自動生成不同格式的在線視頻流地址，主要包括HLS播放地址和RTMP播放地址，其中HLS格式播放地址可以直接在支持HTML5的網(wǎng)上終端直接調用。Android和蘋果手機客戶端均可直接使用，缺點是延時較高，RTMP格式延時較小，但是一般需要帶客戶端使用。螢石云服務平臺在免費使用的情況下只能并發(fā)3路，無法滿足云服務的高并發(fā)需求。因此，系統(tǒng)通過FFmpeg（一套可以用來記錄、轉換數(shù)字音頻、視頻，并能將其轉化為流的開源計算機程序）將視頻流推送至Nginx服務器實現(xiàn)用戶高并發(fā)訪問，即可突破并發(fā)限制，實現(xiàn)專家主動服務模式的高并發(fā)訪問。

（2）用戶人機模式。用戶通過智能手機端或PC端直接對系統(tǒng)進行查詢，可以通過文字或上傳圖片的形式進行服務請求。系統(tǒng)接收來自用戶物聯(lián)網(wǎng)系統(tǒng)的反饋數(shù)據(jù)和用戶人工輸入的問題數(shù)據(jù)并進行處理，反饋給用戶信息。該模式與常規(guī)的技術服務類系統(tǒng)平臺的技術路線相似，數(shù)據(jù)處理流程主要由Hibernate框架實現(xiàn)，利用其對象映射能力降低系統(tǒng)的開發(fā)難度和模塊耦合度。圖像上傳比對主要是調用數(shù)據(jù)層的神經網(wǎng)絡模型進行匹配，如置信率低于80%則轉入人工專家處理，高于或等于80%則直接輸出判斷結果到用戶終端。

（3）“人人互動”模式。主要通過服務系統(tǒng)建立專家與用戶的對話平臺，專家可通過智能手機端與用戶進行實時對話。本系統(tǒng)為實現(xiàn)輕量級的客戶端應用，采用HTML5定義的WebSocket協(xié)議實現(xiàn)實時通訊。WebSocket是一種在單個TCP連接上進行全雙工通信的協(xié)議，允許服務器端主動向客戶端瀏覽器推送數(shù)據(jù)，避免了傳統(tǒng)推送技術依靠輪詢帶來的服務器資源消耗。WebSocket通信協(xié)議于2011年被IETF定為標準RFC6455，并由RFC7936補充規(guī)范。WebSocket API也被萬維網(wǎng)聯(lián)盟定為標準。WebSocket能更好的節(jié)約云端服務器資源和網(wǎng)絡帶寬，并且能

夠提供較好的實時性互動。依靠WebSocket協(xié)議，棚室蔬菜用戶和專家只需通過手機瀏覽器與服務器分別完成一次握手，就能創(chuàng)建持久性連接和通訊。

（4）知識關聯(lián)搜索引擎。專家知識與棚室蔬菜生產者的知識供需匹配需要通過知識關聯(lián)搜索引擎對知識內容進行匯聚、選擇與評價，調用數(shù)據(jù)層的知識圖譜模塊，使相類似的知識或者問題匯聚在一起[13-18]。選擇主要目的是搜索與用戶服務請求吻合度最高的服務數(shù)據(jù)集，通過模型對問題的本質特征進行描述，對用戶問題進行量化表達，然后進行圖遍歷，最后由評價函數(shù)進行評價。通過廣度優(yōu)先算法對用戶的問題不斷進行細化分解，一旦代入評價函數(shù)滿足理想的閾值，認為匹配成功，對用戶輸出解決方案;圖遍歷在設定的閾值次數(shù)內無法達到評價函數(shù)閾值，則認定匹配失敗，系統(tǒng)將轉接專家進行問題解決，見圖8。知識關聯(lián)搜索引擎通過這種互動機制實現(xiàn)搜索結果的自我改進學習，以滿足用戶的知識需求[19-23]。

2.3.5? 終端展示層

目前手機應用開發(fā)主要有三種模式，即Web-app、Hybrid-app和Native-app?？紤]到Web-app具有開發(fā)最為簡單、無需安裝、升級維護無需用戶參與、系統(tǒng)實現(xiàn)良好的兼容性和升級維護的便捷性，同時兼顧用戶群體的信息技術應用能力等優(yōu)點，本服務系統(tǒng)終端展示層選用Web-app模式進行開發(fā)。Web-app調用手機攝像頭的代碼十分簡單，僅需代碼，<input type = "file" accept= "image/*" name="img" capture= "camera" id= "img" />，通過HTML5和Ajax來實現(xiàn)與棚室蔬菜生產者的交互，生產者可以通過展示層獲取到所需的技術信息和棚室的物聯(lián)網(wǎng)監(jiān)測實時數(shù)據(jù)（見圖9所示）。專家和生產者也可以通過HTML5技術對棚室內的影像進行訪問，同樣只需要一句代碼，<video src="HLS視頻名稱.m3u8" controls></video>，其中HLS視頻名稱可以從螢石云平臺直接免費獲得，如果自行搭建視頻服務器，將HLS視頻地址直接輸入即可。終端展示層調用智能手機的攝像頭對棚室蔬菜的病害圖片進行規(guī)范化拍攝，彌補物聯(lián)網(wǎng)攝像頭拍攝的不足。人工拍攝的照片可由云端程序進行智能化識別，一方面減輕專家的負擔，另一方面實現(xiàn)系統(tǒng)服務的快速響應。

3? 系統(tǒng)的應用

3.1? 系統(tǒng)部署

3.1.1? 云終端服務現(xiàn)場部署

在距離應用對象蔬菜大棚最近的有線網(wǎng)絡點接入Comfast無線網(wǎng)橋實現(xiàn)無線網(wǎng)絡部署，視距不超過300m的情況下，將Comfast網(wǎng)橋設置成路由模式接入即可。在視距超過300m或附近有嚴重的信號屏蔽物遮擋的情況下，采用無線網(wǎng)絡橋接方案，Comfast無線網(wǎng)橋設備可實現(xiàn)視距5km以內的無線網(wǎng)絡橋接，橋接后再接入一路Comfast網(wǎng)橋實現(xiàn)現(xiàn)場無線覆蓋?，F(xiàn)場實測Comfast網(wǎng)橋和WeMos D1型Arduino主板可以在網(wǎng)橋90°角、半徑300m左右圓弧內的半水泥結構大棚室內實現(xiàn)網(wǎng)絡接入，采用密集金屬遮陽網(wǎng)的設施園藝需要使用橋接和室內覆蓋方案。Arduino物聯(lián)網(wǎng)設備和螢石云攝像頭按照監(jiān)測需求直接固定在棚室內部WiFi覆蓋區(qū)域即可實現(xiàn)數(shù)據(jù)采集。

3.1.2? 軟件云端部署

（1）棚室蔬菜服務系統(tǒng)部署

云端程序部署在具有公網(wǎng)IP地址的服務器上，安裝Apache Tomcat環(huán)境，JAVA運行環(huán)境需求1.8版本以上，數(shù)據(jù)庫采用MySQL5.7。將開發(fā)的棚室蔬菜服務系統(tǒng)打包成vegetableService.war，拷貝到Tomcat的webapps文件夾下，重啟Apache tomcat服務即可實現(xiàn)系統(tǒng)的部署。Storm系統(tǒng)按照服務規(guī)模彈性部署，小規(guī)模管理運行單機部署即可，在服務規(guī)模較大時（監(jiān)測點超過1000）采用分布式服務模式，通過在不同的主機上分發(fā)Storm和Zookeeper文件并通過Python分別啟動nimbus、supervisor即可實現(xiàn)分布式部署，將設計好的拓撲JAR文件上傳到Storm上運行即可。

（2）視頻服務器部署

登錄螢石云網(wǎng)站的開發(fā)者服務器，將各個棚室攝像頭的視頻直播地址存儲進數(shù)據(jù)庫中，使用FFmpeg進行視頻數(shù)據(jù)推流和本地存儲，在并發(fā)要求低的情況下（≤2路），直接使用直播地址即可，在高并發(fā)要求的情況下使用FFmpeg將視頻抓取到本地進行存儲或推送到Nginx服務器直播。

3.2? 應用推廣模式和應用效果

結合三區(qū)人才項目（《邊遠貧困地區(qū)、邊疆民族地區(qū)和革命老區(qū)人才支持計劃實施方案》）、黑龍江省自然科學基金項目、農業(yè)科學院成果轉化項目、科技推廣項目進行實驗及推廣，同時與項目所在地蔬菜及食用菌企業(yè)對接開展科技合作。系統(tǒng)在黑龍江省拜泉縣、龍江縣、泰來縣等地的三區(qū)人才項目，牡丹江分院食用菌棚室、新疆阿勒泰農業(yè)局阿葦灘園區(qū)、黑龍江省農業(yè)科學院園藝分院的蔬菜大棚中應用。系統(tǒng)的感知部分可根據(jù)生產需要定制硬件系統(tǒng)，最簡單的空氣溫度、空氣濕度、光照強度三要素物聯(lián)網(wǎng)采集點成本僅需要300RMB，遠低于當前市面上的物聯(lián)網(wǎng)產品，系統(tǒng)部署后，專家通過感知終端可以每小時巡視20個左右蔬菜大棚，大幅度提高了專家資源的利用效率。系統(tǒng)的病害預警功能根據(jù)專家知識實現(xiàn)自動判斷預警，有效提升了棚室的信息化管理水平。病害自動化識別與分布式計算將在未來的大規(guī)模場景應用中分擔專家的任務，提高系統(tǒng)的并發(fā)服務能力。

4? 結論與討論

黑龍江省農業(yè)正處在轉型期，信息技術支撐服務在農業(yè)生產中的地位愈加重要，棚室蔬菜的生產需要全方位、立體化、低成本的科技支撐。本系統(tǒng)提出的技術方案主要包含：（1）在棚室蔬菜生產環(huán)境部署基于Arduino技術的配套低成本物聯(lián)網(wǎng)系統(tǒng)，將棚室環(huán)境數(shù)據(jù)實時上傳至技術服務平臺，應用螢石云協(xié)議實現(xiàn)棚室圖像的實時觀測，實現(xiàn)環(huán)境數(shù)據(jù)的上行，在大規(guī)模數(shù)據(jù)應用場景下使用Storm實時處理框架。（2）在數(shù)據(jù)內容方面，系統(tǒng)匯集棚室蔬菜技術內容形成知識服務網(wǎng)絡，通過數(shù)據(jù)資源組織技術進行數(shù)據(jù)整合，將多源異構的數(shù)據(jù)形成數(shù)據(jù)鏈，通過知識關聯(lián)技術實現(xiàn)知識匯聚與分類，對棚室蔬菜生產經營相關技術要素進行虛擬化處理并存儲在云服務器中，形成有效知識供給。（3）在服務形式上，云服務平臺整合線上線下專家資源和各類信息服務資源，訓練神經網(wǎng)絡決策模型，并進行虛擬化加工處理，形成專家服務云終端。最終專家及各類棚室蔬菜生產及經營主體通過云服務平臺對接，形成生產加技術支撐的協(xié)同發(fā)展體系。

如何將專家資源、數(shù)據(jù)庫資源、物聯(lián)網(wǎng)終端和手機終端有機結合構建一體化服務平臺，在農業(yè)信息化領域還屬于探索階段[24-30]?！盎谠品盏呐锸沂卟酥悄芙K端服務系統(tǒng)”契合了棚室蔬菜信息化技術支撐的需求，集成云計算、物聯(lián)網(wǎng)、人工智能神經網(wǎng)絡等技術實現(xiàn)農戶與專家的“碎片化”、“彈性化”互動和并發(fā)，創(chuàng)制了輕量級app服務終端，滿足了新生代農民迫切需要集低成本、實用性強、快捷、易操作等特點于一身的專家服務系統(tǒng)的需求，為提高科技服務貢獻率提供了技術支撐。本研究符合黑龍江省棚室蔬菜產業(yè)的現(xiàn)狀需求，為黑龍江省棚室蔬菜生產技術支撐提供了系統(tǒng)的信息化解決方案，具有廣闊的發(fā)展前景。下一步將重點提升系統(tǒng)大場景下云服務并發(fā)處理能力和加大人工智能技術的應用比例，以期為中國棚室蔬菜生產提供高效智能的信息化解決方案。

參考文獻

[1]? ?潘凱， 黃婷， 王雪涵， 等. 黑龍江省蔬菜產業(yè)現(xiàn)狀及發(fā)展戰(zhàn)略[J]. 中國蔬菜， 2017， （09）： 12-16.

Pan K， Huang T， Wang X， et al. Present situation and development strategic of vegetable industry in Heilongjiang Province[J]. China Vegetables， 2017， （09）： 12-16.

[2]? ?楊秀麗， 孫正林. 黑龍江省蔬菜產業(yè)生產影響因素的實證研究[J]. 北方園藝， 2019， （01）： 177-182.

Yang X， Sun Z. Empirical study on factors affecting vegetable production in Heilongjiang[J]. Northern Horticulture， 2019， （01）： 177-182.

[3]? ?李云強. 基于Arduino的智能溫室大棚的控制系統(tǒng)設計[J]. 國外電子測量技術， 2018， 37（05）： 114-118.

Li Y. Model design of smart greenhouse based on Arduino[J]. Foreign Electronic Measurement Technology， 2018， 37（05）： 114-118.

[4]? ? 姚淑杰， 宮麗影， 王德榮， 等. 蔬菜大棚中農業(yè)物聯(lián)網(wǎng)的應用[J]. 農業(yè)與技術， 2018， 38（20）： 24.

Yao S， Gong L， Wang D， et al. Applied research on agricultural Internet of Things in vegetable greenhouse[J]. Agriculture and Technology， 2018， 38（20）： 24.

[5]? ? 瞿榮錦， 韋琮， 趙麗娟. 基于物聯(lián)網(wǎng)技術的農田環(huán)境監(jiān)測系統(tǒng)的研究與構建[J]. 農業(yè)開發(fā)與裝備， 2018（09）： 104-105.

Qu R， Wei Z， Zhao L. Research and construction of farmland environmental monitoring system based on Internet of Things technology[J]. Agricultural Development & Equipments， 2018（09）： 104-105.

[6]? ?許鑫， 時雷， 何龍， 等. 基于NoSQL數(shù)據(jù)庫的農田物聯(lián)網(wǎng)云存儲系統(tǒng)設計與實現(xiàn)[J]. 農業(yè)工程學報， 2019， 35（01）： 172-179.

Xu X， Shi L， He L， et al. Design and implementation of cloud storage system for farmland Internet of Things based on NoSQL database[J]. Transactions of the CSAE， 2019， 35（01）： 172-179.

[7]? ?姜吉寧， 王儒敬， 魏圓圓， 等. 基于大數(shù)據(jù)的新型種質資源數(shù)據(jù)倉庫的設計[J]. 儀表技術， 2018（10）： 6-8， 46.

Jiang J， Wang R， Wei Y， et al. Construction of germplasm resource data warehouse based on Hadoop[J]. Instrumentation Technology， 2018（10）： 6-8， 46.

[8]? ?凌杰， 黃剛. 基于Docker的Hadoop集群網(wǎng)絡性能分析[J]. 信息技術， 2018（02）： 15-18.

Ling J， Huang G. Network performance analysis of Hadoop clusters in Docker container[J]. Information Technology， 2018（02）： 15-18.

[9]? ?鄭建忠， 鄭建榮. 一種基于云計算技術的物聯(lián)網(wǎng)平臺設計[J]. 電力信息與通信技術， 2018， 16（06）： 57-61.

Zheng J， Zheng J. Design of Internet of Things platform based on cloud computing technology[J]. Electric Power Information and Communication Technology， 2018， 16（06）： 57-61.

[10]? 張海峰， 鄭妍妍， 張宇， 等. Arduino物聯(lián)網(wǎng)系統(tǒng)在連棟大棚中的選型與設計[J]. 北方園藝， 2018（05）： 184-187.

Zhang H， Zheng Y， Zhang Y， et al. Selection and design of the Arduino IoT in the multi-span greenhouse[J]. Northern Horticulture， 2018（05）： 184-187.

[11]? 孫俊， 譚文軍， 毛罕平. 基于改進卷積神經網(wǎng)絡的多種 植物葉片病害識別 [J]. 農業(yè)工程學報， 2017， 33（19）： 209-215.

Sun J， Tan W， Mao H. Recognition of multiple plant leaf diseases based on improved convolutional neural network[J]. Transactions of the CSAE， 2017， 33（19）： 209-215.

[12]? Sankaran S， Mishra A， Ehsani R. A review of advanced techniques for detecting plant diseases[J]. Computers and Electronics in Agriculture， 2010， 72（1）： 1-13.

[13]? 林封笑， 陳華杰， 姚勤煒， 等. 基于混合結構卷積神經網(wǎng)絡的目標快速檢測算法[J]. 計算機工程， 2018， 44（12）： 222-227.

Lin F， Chen H， Yao Q， et al. Target fast detection algorithm based on hybrid structure convolutional neural network[J]. Computer Engineering， 2018， 44（12）： 222-227.

[14]? Chen J， Zhong Y， Lam A. Research on monitoring platform of agricultural product circulation efficiency supported by cloud computing[J]. Wireless Personal Communications， 2018， 102（4）： 3573-3587.

[15]? Paulraj G J L， Francis S A J， Peter J D， et al. Resource-aware virtual machine migration in IoT cloud[J]. Future Generation Computer Systems， 2018， 85：173-183.

[16]? 陳桂芬， 趙 姍， 曹麗英， 等. 基于遷移學習與卷積神經網(wǎng)絡的玉米植株病害識別[J]. 智慧農業(yè)， 2019， 1（2）： 34-44.

Chen G， Zhao S， Cao L， et al. Corn plant disease recognition based on migration learning and convolutional neural network[J]. Smart Agriculture， 2019， 1（2）： 34-44.

[17]? Zhang F. Research on applications of Internet of Things in agriculture[M]. Informatics and Management Science VI. Springer London， 2013.

[18]? Bu F， Wang X. A smart agriculture IoT system based on deep reinforcement learning[J]. Future Generation Computer Systems， 2019， 99： 500-507.

[19]? Dobrescu R， Merezeanu D， Mocanu S. Context-aware control and monitoring system with IoT and cloud support[J]. Computers and Electronics in Agriculture， 2019， 160： 91-99.

[20]? Ibrahim H， Mostafa N， Halawa H， et al. A layered IoT architecture for greenhouse monitoring and remote control[J]. SN Applied Sciences， 2019， 1（3）： 1-12.

[21]? Cubero S， Aleixos N， Moltó E， et al. Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables[J]. Food and Bioprocess Technology， 2011， 4（4）： 487-504.

[22]? 張曉涵， 尹長川， 吳華瑞. 面向大規(guī)模農田生境監(jiān)測的無線傳感器網(wǎng)絡節(jié)能優(yōu)化策略[J]. 智慧農業(yè)， 2019， 1（2）： 55-63.

Zhang X， Yin C， Wu H. Energy optimization strategy for wireless sensor networks in large-scale farmland habitat monitoring[J]. Smart Agriculture， 2019， 1（2）： 55-63.

[23]? Reddy P R， Divya S N， Vijayalakshmi M R. Plant disease detection technique tool-a theoretical approach[J]. International Journal of Innovative Technology and Research， 2015， 4： 91-93.

[24]? Mahlein A K， Rumpf T， Welke P， et al. Development of spectral indices for detecting and identifying plant diseases[J]. Remote Sensing of Environment， 2013， 128： 21-30.

[25]? Tamilarasi S， Kungumaraj K. A content-based dynamic load-balancing algorithm for heterogeneous web server cluster[J]. International Journal of Computer Science Trends and Technology， 2010， 7（1）： 153-162.

[26]? Rahim A. IoT and data analytics for developing countries from research to business transformation[C].? ?Economics of Grids， Clouds， Systems， and Services， 2017： 281-284.

[27]? Dupont C， Schulze T， Giuliani G， et al. Proceedings of the 3rd International Conference on Future Energy Systems： Where Energy， Computing and Communication Meet - e-Energy ＼"12 - An energy aware framework for virtual machine placement in cloud federated data centres[C]. 2012： 1-10.

[28]? Heeks R. I-development not e-development： Special issue on ICTs and development[J]. Journal of International Development， 2002， 14（1）： 1-11.

[29]? Musakwa W， Gumbo T. Impact of urban policy on public transportation in Gauteng， South Africa： Smart or dumb city systems is the question[M]. Carbon Footprint and the Industrial Life Cycle， 2017： 339-356.

[30]? Miazi M N S， Erasmus Z， Razzaque M A， et al. Enabling the Internet of Things in developing countries： Opportunities and challenges[C]. International Conference on Informatics， 2016.

Design and implementation of intelligent terminal service system for greenhouse vegetables based on cloud service：

A case study of Heilongjiang province

Haifeng Zhang， Yang Li， Yu Zhang， Lijuan Song， Lixin Tang， Hongwen Bi*

（Institute of Agricultural Remote Sensing and Information， Heilongjiang Academy of Agricultural Sciences，

Harbin 150086， China）

Abstract： The greenhouse vegetable industry play an important strategic role in the adjustment of agricultural transformation mode and the reform of supply side in Heilongjiang Province. Facility horticulture in Heilongjiang Province develops rapidly in recent years， technical support is in great demand， but the experts' technology support for facility horticulture is far from enough. Experts' on-site guidance costs much time and money in the countryside， while the service efficiency is very low. To solve this urgent problem， the architecture of "greenhouse vegetable intelligent terminal system based on cloud service" and the key technologies of implementation （low-cost IoT， distributed real-time operating architecture， virtual expert service， neural network image recognition and mobile terminal service） were put forward. Based on expert services， supplemented by data mining technology， IoT devices were used as expert's remote perception means， smart phones as user terminals， cloud service for integrating knowledge， resources and Internet of Things data to provide vegetable experts and greenhouse vegetable users with high information acquisition， storage， analysis，decision-making capabilities and effective solutions. Experts could view vegetable production status in greenhouses remotely through the Internet， get image and growth environment data， then provide remote guidance to vegetable farmers through the system， expert knowledge would be stored， mined and reused by the system. The Internet of Things system could automatically send out early warning information by judging the air temperature， humidity， illumination intensity and soil moisture in greenhouse. The application of knowledge map and neural network technology would reduce the workload of experts and increase concurrent processing capability of services at the same time. At present， part of this research has been applied in different user groups such as agricultural research departments， enterprises， vegetable cooperatives and farmers in Heilongjiang Province. The system can provide experts with remote inquiry means of greenhouse vegetable production environment， and has the characteristics of simple deployment and low cost. It is suitable for various greenhouse vegetable scenarios， including fruit and edible fungi. In order to popularize this technology in greenhouse vegetable production in China， and achieve an efficient experts' technical support， this research also proposed technical solutions of a large-scale application scenario through cloud computing in future.

Key words： greenhouse vegetables; cloud service; resource pool; Internet of Things; intelligent terminal; Arduino