基于边缘计算与深度学习的禽舍监测系统设计

杨东轩 吴叶兰 张刚刚 刘硕

摘要：恶臭气体是影响禽舍内禽类个体健康和产蛋效率的重要因素。由于传统的监测设备具有较长的气体浓度响应时间，导致无法及时对污染物的排放做出检测，设计并实现可以预测氨气浓度变化的禽舍监测系统，选用低成本的电化学传感器和低功耗Wi-Fi微控制器设计终端监测器。为了克服电化学传感器易受其他环境因素影响的缺点，监测器还集成硫化氢浓度、二氧化碳浓度以及温湿度等传感器。由于禽舍生产经营属性对成本较敏感，选用性價比较高的边缘计算硬件作为服务器。在该服务器对监测器上传的采集数据进行预处理，最终通过提出的Bi-LSTM模型使用多传感器参数预测未来一段时间内氨气的浓度值。经过参数调优和对比训练，该系统对禽舍内氨气浓度的预测值与采集值均方误差仅为3.29%，以期为接下来的减排措施提供有效的数据支撑。

关键词：深度学习;边缘计算;禽舍环境;氨气浓度监测;电路设计

中图分类号：TP277   文献标志码： A

文章编号：1002-1302（2022）09-0219-07

禽类的产蛋效率容易受多种环境因素影响[1]。采用智能化的监控系统对禽舍内的空气质量、温湿度以及污染气体进行监测，可有效促进禽类养殖的现代化[2]。传统的禽舍监测系统通过独立的氨气、硫化氢和二氧化碳等传感器实时采集环境参数，然后将采集到的数据发送给服务器并呈现给用户查看[3-5]。由于气体传感器普遍存在响应时间这一固有特点[6]，因此用户或减排系统所获取的采集值会与实际值之间相差一段时间，及时判断污染气体的浓度可有效提高禽类的动物福利和生存率。段文杰等探究云计算技术在禽类养殖过程中的经营管理办法，为集约化和规模化的养殖提供新思路，但该研究并未提出在禽类养殖过程中的有效监测方案[7]。姬舒等构建了禽舍环境的智能化数据监测和减排控制系统[8]，但该类系统仅将监测数据作为控制系统的输入变量，并未分析该数据的变化趋势，因此具有一定的滞后性。环境数据的预测已在其他环境监测系统中进行研究，曾志雄等使用门控循环单元（GRU）网络对猪舍温度进行预测[9];杨亮等基于长短记忆网络（long short term memory，LSTM）模型和多环境参数预测猪舍的氨气浓度[10]。

深度学习模型在图像和语义等方面有着显著的应用效果[11-12]，而禽舍内的环境数据是受多种外界因素而变化的时序数据。为了解决禽舍内存在的污染物监测不及时和监控成本过高等问题，本研究提出的深度学习模型以Bi-LSTM为基础，使用无线检测器采集的氨气浓度、硫化氢浓度、二氧化碳浓度、温度和湿度的时间序列值作为输入变量，对未来15 min内的氨气浓度进行预测。同时，为了降低成本，选用电化学传感器和低功耗Wi-Fi无线微控制器，设计传感器采集终端。通过对比包括树莓派在内的5种边缘计算硬件，选择性价比最优的硬件作为计算服务器。

1 系统架构

禽舍监测系统从功能上可以分为数据感知层、边缘计算层和数据展示层。数据感知层主要由终端监测器和2.4 GHz无线网络构成。传感器终端以基于Cortex-M4内核的CC3200无线微控制器作为核心处理器，通过片上的A/D模数转换接口读取气体浓度和电池电压，通过I2C、GPIO等数字接口配置传感器的运行参数。边缘计算层以树莓派单板计算机作为硬件载体，通过禽舍内的Wi-Fi无线网络接收感知层采集的底层传感器数据。以长短记忆网络（long short term memory，LSTM）作为深度学习模型，通过氨气浓度、硫化氢浓度、二氧化碳浓度以及温湿度的历史数值训练该模型，最终实现氨气浓度的预测。数据展示层运行于云托管服务器，通过边缘计算层推送的运算结果数据，向用户端提供数据获取服务。由于大量计算已在边缘服务器上运行，因此云端服务器所需算力较小，用户无需支付高昂的计算费用（图1）。

2 采集终端设计

终端监测器的硬件主要由电化学传感器电路和无线微控制器电路构成。前者负责氨气和硫化氢传感器的前端模拟信号采集和调理;后者主要负责其余传感器的数据采集、无线数据收发以及其他逻辑控制（图2）。

2.1 传感器硬件电路

2.1.1 传感器选型

设计一种适用于禽舍的环境采集终端，其首要任务就是挑选合适的氨气浓度传感器。基于光学原理的检测方法具有精度高和响应快的优点，其检测灵敏度通常可达到1 g/m3级别[13]，但该方案一般用于实验室环境且造价昂贵。基于气敏半导体、电化学EC（electrochemistry）和金属氧化物半导体（metal oxide semiconductor，MOS）的氨气浓度传感器是各类电子检测仪的主要选择。本研究分别选择型号为MQ-137（气敏半导体型，郑州炜盛电子科技有限公司）、ME3-NH 3（EC型，郑州炜盛电子科技有限公司）和MiCS-5914[MOS型，艾知传感器（上海）有限公司]的氨气浓度传感器作为试验对象，在响应时间T 90、相对误差（relative error，RE）以及价格范围综合考察。使用3组同样尺寸的PVC材质气密箱作为气室，分别使用5、25 mg/m3 浓度的氨气标准气体以恒定的流速导入到气室，测试每组传感器由初始上电状态到数值输出稳定时所用的时间，并记录每组传感器达到稳态时的测量值。根据公式（1）计算每组传感器的相对误差。备选传感器的对比结果见表1，其中包含传感器厂家给出的参数和本试验所得的相对误差数据。

RE=|C S-C T|C S×100。（1）

式中：RE表示相对误差，%;C S表示标准气体浓度，mg/m3;C T表示传感器测量浓度，mg/m3。

综合比较可知，基于EC原理的ME3-NH 3型氨气浓度传感器适用于本方案的设计，该传感器相比光学传感器具有低成本、低功耗的优势，且该传感器与其他电子传感器相比具有响应速度适中、相对误差低等优势。使用相同的试验对比方法，选择同为EC原理的ME3-H 2S作为硫化氢浓度传感器。选择基于MEMS的SGP30作为二氧化碳传感器，选择SHT31作为温湿度传感器，二者均可以通过数字I2C接口获取传感器数据，无需设计复杂的预处理电路，且不要求微处理器具有高精度的A/D转换模块。

2.1.2 信号处理电路

电化学传感器ME3-NH 3为3端引脚结构，分别为R极（参考电极）、S极（传感电极）和C极（负电压极），传感器内部通过与氨气发生一系列氧化还原反应来产生与浓度成比例的电流[14]。对于电化学传感器，传统的信号处理电路由3个部分构成：恒电位模块、电流电压转换电路以及短路模块。使用分散元器件构建该电路时需要注意器件的选型，应使用具有低输入偏置电流和低输入噪声的运放;R Gain（增益电阻）应具有高精度且低温漂特性;R Load（负载电阻）的取值范围为10～33 Ω，取值越高，降噪效果越好，但气体浓度检测的响应时间也越长。为了精简电路设计和降低成本，本研究采用型号为LMP91000的电化学模拟前端（AFE）IC代替分散电路方案。电路设计见图3，AFE芯片内部除了集成有用于处理模拟信号的恒电位和电流转换电路，还包含可编程的偏置电压、可编程的跨组运放增益模块以及数字通信接口，且其内部集成有场效应管短路特性，因此无需额外设计短路模块。得益于AFE的可编程特性，硫化氢浓度传感器ME3-H 2S同样使用该设计方案，只需在系统运行时通过I2C接口为其配置不同的偏置电压和跨组增益即可。得益于I2C接口的可扩展性，该设计将信号处理电路设计为独立硬件模块，若对该模块进行升级则无需重新设计主体硬件电路。

2.2 CC3200核心模块电路

自组网芯片方案常被用于无线传感器的设计[15]，该方案的优点是在不确定地形的监测环境中轻松实现大覆盖范围的组网。而在面积有限且确定的禽舍环境中，监测器到数据网关之间的距离较近，且不需要多跳转发，因此使用基于Wi-Fi的无线微处理器便于直接利用已有的2.4 GHz路由器进行数据通信。罗俊等使用单独的Wi-Fi芯片和微控制器分别实现了收发数据和采集数据[16]，但电路设计较复杂。使用集成有Wi-Fi收发器和 Cortex-M4 内核微控制器的CC3200芯片可以有效地降低设计复杂度和运行功耗[17]。图4为无线微控制器的核心电路，相比于传统微控制器，无线微控制器在收发无线数据时会给DC-DC电路引入较大的噪声，因此要优先考虑去耦电容的布局以及电源的走线位置。在处理器引脚的设计上选用1对I2C数字总线与下挂的所有传感器进行通信，可大幅节约引脚占用。该数字总线用于获取SGP30和SHT31传感器的采集数据，以及配置AFE芯片的内部运行参数。核心电路的设计选用2个GPIO接口控制电化学传感器的使能信号输入，2个PWM引脚控制直流风扇电机的转速，3个A/D输入引脚分别采集AFE输出的氨气和硫化氢模拟量电压以及电池电压。

3 预测模型设计

由于电化学传感器存在易受周围环境影响的固有特点，且具有一定的响应時间，因此仅通过底层监测器进行数据采集无法满足对禽舍生产环境的及时掌握。系统实现的预测模型使用多种环境数据作为输入数据，使用Bi-LSTM模型计算氨气浓度的预测值来解决上述问题。

3.1 模型结构

对于时间序列预测问题，易使用循环神经网络学习预测下一时刻的数据，而长短期记忆网络对循环神经网络进行改进，可以解决循环神经网络由于层数增肌引起的梯度消失或梯度爆炸问题[18]。Bi-LSTM 由方向相反的LSTM网络组合而成。检测器采集的环境数据是包含时间信息的序列，因此选择使用Bi-LSTM模型学习多个传感器数据特征与下一时刻氨气浓度的关系，预测监测器所在位置下一时刻的氨气浓度。

LSTM模型由若干个记忆单元组成，模块通过3个门结构控制和管理输入输出信息（图5）。模块中包含随时间传递的单元状态信息C和隐藏层状态信息h，h t-1是上一时刻LSTM隐藏层信息，x t是当前时刻的输入值，C t-1是上一时刻LSTM记忆单元的状态信息，C t是当前时刻LSTM记忆单元的状态信息。

3.2 基于LSTM的多传感器预测模型

采集的数据中包括采集时间、氨气浓度、硫化氢浓度和其他环境信息。为了深入探索氨气浓度变化的历史数据，建立基于LSTM的实时氨气浓度预测模型，将监测器采集的所有环境数据作为模型输入（图6）。

氨气浓度预测模型根据某一位置监测器采集的历史数据特征作为模型输入，将下一时刻的氨气浓度作为输出，建立历史采集数据和未来真实数据之间的映射关系。其中一条采集数据在t时刻的特征X（t）为

X（t）={x 0，…，x n}。（2）

式中：x 0表示某一时刻氨气浓度;x 1，…，x n表示同一时刻其他传感器采集值。考虑到监测器使用的ME3-NH 3电化学传感器易受到其他环境参数的影响，将采集到的其他传感器值作为特征。将连续n个时刻的采集数据X（t-n+1），…，X（t-1）作为模型的输入，将t+1时刻的氨气浓度数据Y（t+1）作为输出，其中n对应输入层的步长大小。氨气浓度预测模型的表达式如下。

Y（t+1）=f（{X（t-n+1），…，X（t-1）}）。（3）

4 运行结果与分析

4.1 训练测试集构建

试验数据的采集地点位于北京市平谷区某一小型禽类养殖场，时间为2020年5—6月，将所设计的监测器终端悬挂于距离鸡笼靠近粪到部位（图7）。考虑到气体浓度采集操作需要用到排风扇进行换气，将传感器的采集时间点间隔定为15 min，训练测试集共记录了该禽舍内30 d的采集数据。由于测试期间会遇到更换电池或路由器重启等问题，使用算术平均值来填充缺失值。使用格拉布斯（Grubbs）法判断异常值，并用相邻位置数据的算术平均值代替异常值。为了避免维度对试验结果的影响，对数据进行归一化处理，并构建2 880个样本数据。每一条样本包含连续5个时刻的数据，每一条数据中有该时刻的氨气浓度以及其他全部传感器的值。数据集的基本信息见表2。

在试验过程中，将数据集划分成训练集、测试集和验证集，所占比重分别为80%、10%、10%。其中，验证集用来调整模型的超参数，测试集用来检测模型的训练效果。模型中用到的超参数设置如下，迭代次数为50，输入单元数为20，输出单元数为2，隐藏层为32，块大小为100。本试验使用均方误差MSE评估浓度预测模型的正确率，均方误差用来衡量预测结果的误差情况，MSE的数学表达见公式（4），该值越小，表示模型的预测效果越好。

MSE=1n∑ni=1（y-y^）2。（4）

式中：n表示样本个数;y^ 表示模型的预测值;y表示真实值。

4.2 对比试验

4.2.1 不同历史长度的训练对比

为了验证模型的有效性，设定s为预测下一时间点所用的历史数据条数，分析不同s长度对模型的预测效果。网络输入使用同样的测试集数据，分别对比s为5、10、15条数时的预测结果，按照预测数据和真实值的均方误差计算模型的准确率。试验对比结果见图8。通过对比试验可以发现选择以过去10个时间点传感器数据作为样本输入，模型预测效果相对较好。使用公式（4）计算图中预测值和实际采集值曲线的均方误差MSE可知，在使用过去10个时间点长度预测的情况下MSE为3.29%。

4.2.2 硬件平台对比

考虑禽舍的生产规模和经济效益，使用基于ARM架构和Linux系统的单板计算机作为边缘计算服务器。为了在满足计算性能的情况下尽可能降服务器的成本，试验对比5种常见的单板计算机在运行预测模型时的效率（表3）。单板计算机所用的核心芯片都具有硬件GPU核。综合考虑运算时间和成本因素，系统选用树莓4B型号作为边缘计算服务器。

4.3 用户端界面

边缘计算服务器将终端监测器采集的数据和通过深度学习模型预测的下一时刻氨气浓度定时推送到云端服务器。用户登录到系统展示界面后可以察看禽舍内不同点位终端监测器的实时环境采集数据、剩余电池电量以及未来15 min内的氨气浓度预测值。此外，还可以通过提前预设的报警阈值接收警告信息，并查看全部环境数据的历史曲线（图9）。

5 结论

本研究设计的禽舍监控系统可以实现基于低功耗Wi-Fi的无线终端监测器和基于深度學习的数据预测模型。以终端监测器为感知层，采集禽舍内的氨气浓度、硫化氢浓度、二氧化碳浓度以及温湿度等环境参数，并上传到边缘计算服务器。在边缘计算层以单板计算机为运算载体，通过构建以多传感器采集数据为集合的时间序列数据集来训练Bi-LSTM深度学习模型。通过调优参数和对比不同长度历史数据的预测结果，可以实现对下一时刻即15 min后的氨气浓度的最佳预测，该预测值与真实值之间的MSE误差为3.29%。同时比较多种型号单板计算机运行深度学习模型所需要的时间，最终确定使用树莓派4B型号为最优解决方案。由于终端监测器采用低功耗Wi-Fi解决方案，因此在硬件部署上降低了施工难度和运维成本。选用的边缘计算单板计算机既可以降低系统的数据计算成本，还能为用户提供有效的污染物预测服务。由于该系统可以相对准确地提供未来一段时间内的氨气浓度预测值，因此对保障禽舍生产安全、降低有害气体排放具有重要的参考作用。

参考文献：

[1]时 凯，陈长宽，卞红春，等. 不同养殖模式及光照度对蛋鸡产蛋率的影响[J]. 江苏农业科学，2016，44（2）：254-255.

[2]于 群，柳平增，李宝全，等. 基于MSP430的禽舍智能控制系统设计及应用[J]. 江苏农业科学，2018，46（9）：236-240.

[3]刘忠超，范伟强，常有周，等. 基于ZigBee和Android的牛舍环境远程监测系统设计[J]. 黑龙江畜牧兽医，2018（17）：61-64，234.

[4]牛培培，张总平，贡玉清，等. 规模养殖氨气监测及控制技术[J]. 畜牧与兽医，2021，53（8）：137-141.

[5]王 琳，吉增涛，李文勇，等. 信息技术在家禽精细养殖应用中的研究进展[J]. 中国家禽，2017，39（12）：48-53.

[6]Chanonsirivorakul R，Nimsuk N. Analysis of relationship between the response of ammonia gas sensor and odor perception in human[C]//8th International Electrical Engineering Congress.Chiang Mai，2020：1-4.

[7]段文杰，胡月明，陈联诚，等. 基于云计算技术的家禽养殖管理系统研究与实现[J]. 广东农业科学，2014，41（1）：165-168.

[8]姬 舒，刘 幸，闫锋欣，等. 物联网在蛋鸡生产中的应用及研究进展[J]. 中国家禽，2018，40（18）：49-53.

[9]曾志雄，罗毅智，余乔东，等. 基于时间序列和多元模型的集约化猪舍温度预测[J]. 华南农业大学学报，2021，42（3）：111-118.

[10]杨 亮，刘春红，郭昱辰，等. 基于EMD-LSTM的猪舍氨气浓度预测研究[J]. 农业机械学报，2019，50（S1）：353-360.

[11]左 敏，薛明慧，张青川，等. 面向互联网食品文本实体关系联合抽取研究[J/OL]. 重庆邮电大学学报（自然科学版）：1-8.[2021-10-19]. http：//kns.cnki.net/kcms/detail/50.1181.N.20211011.1553.004.html.

[12]徐清越，左 敏，张青川，等. 基于位置注意力机制的字词双维度卷积神经网络违法违规行为语义分类模型[J]. 科学技术与工程，2020，20（25）：10341-10346.

[13]张 杨，范 颖，王哲，等. 基于可调谐激光吸收光谱技术的硫化氢检测方法研究[J]. 电子测量与仪器学报，2017，31（12）：1943-1947.

[14]王 雅，杨雨露，楚意月，等. 电催化氮还原催化剂的研究进展[J]. 化学研究，2019，30（5）：532-536.

[15]陈 岩，杨东轩，郭 宏，等. 低功耗绿地墒情监测WSN节点[J]. 仪表技术与传感器，2012（7）：107-110.

[16]罗 俊，孙国耀. 基于WiFi无线传感器网络的工业环境监测平台系统设计[J]. 仪表技术与传感器，2018（8）：65-68.

[17]杨东轩，刘 硕，王 嵩. 低功耗电子号牌在排队系统中的设计与实现[J]. 计算机应用与软件，2018，35（12）：76-82.

[18]Hochreiter S，Schmidhuber J. Long short-term memory[J]. Neural Computation，1997，9（8）：1735-1780.