智能水产养殖中基于设备端TinyML的复杂水质参数预测

《Internet of Things》：Predicting complex water-quality parameters using on-device TinyML in smart aquaculture

　　

摘要

微型机器学习（TinyML）使训练好的模型能够在微控制器上运行，从而允许在感知节点而非仅在云端进行推理。这可以通过实现本地估算和事件报告来降低延迟和带宽使用。然而，在养殖系统中，结合连续感知、嵌入式验证和决策相关输出的完整流程仍然有限。在此，我们在一个基于生物絮团的循环养殖系统（B-RAS）中开发了一种嵌入式TinyML软传感器工作流，该系统由鱼池和旁路罐（生物絮团罐）组成。多个低成本水质传感器被集成到物联网（IoT）微控制器节点中，以连续测量物理参数，而标准实验室测试则提供了复杂的水质参数。使用配对的传感器和实验室数据，我们预测了实验室参数（即软传感器）。我们比较了多个模型（线性回归、决策树、随机森林、AdaBoost、K近邻和XGBoost），并使用交叉验证为每个目标选择最佳模型。选定的模型被导出为嵌入式C代码，并部署在微控制器上进行实时边缘推理。在生物絮团罐中的性能总体为中等至强，而设备上的验证仍然是目标依赖的。鱼池预测受到限制，因为传感器与目标之间的联系较弱以及模型压缩。这些结果表明，TinyML可以支持对选定实验室依赖水质参数的实际设备端估算，特别是当在线传感器信号与目标过程强耦合时。然而，部署可靠性因目标和位置而异，鱼池的弱性能表明嵌入式软传感器应作为决策支持工具使用，而非取代实验室分析。

引言

农业物联网（IoT）部署将原始传感器测量数据传输到云端进行存储和解释[41,51]。这种方法支持使用低成本传感器对易于测量的物理化学参数进行连续监测，包括温度、溶解氧（DO）、pH值、氧化还原电位（ORP）、电导率（EC）和浊度[3,46]。然而，许多与过程相关的参数和性能指标仍然依赖于实验室，因此其可用频率远低于在线传感器流。为弥补这一差距，可以采用软传感器的概念，即通过学习从测量的在线参数中推导关系来预测缓慢、昂贵或难以测量的参数[26,40]。软传感器在工业和过程监测中已得到充分建立，其中推断模型从现成的仪器中估算成分或质量指数[28,32]。在农业系统中，机会是相似的，但差距往往更大：现场硬件可以传输高频物理化学测量数据，而运营决策最需要的参数仍然依赖于间歇性实验室分析[42]。例如，养殖中的物联网监测流通常在线测量DO、pH和温度，而氨等含氮物种通常依赖于间歇性实验室或比色测定[19,58]。当连接、带宽或电力受限时，这种不匹配可能限制低延迟决策支持[5,31,36,47]。

边缘计算通过将部分分析栈从云端转移到靠近传感器数据生成位置的局域网边缘来解决这一限制[31,36]。这降低了延迟和带宽负载，在连续云连接无法保证的监测应用中实现了更可预测的响应时间[5,47]。边缘计算的一个新兴方法是微型机器学习（TinyML），它在严格的计算资源和能源限制下，为将推理推送到微控制器级设备提供了一条可行路径[16,27,38,43,52]。TinyML不再将感知节点视为被动数据记录器，而是使节点能够作为主动估算器，将噪声信号转换为决策相关指标，例如估算的营养浓度、风险标志或早期警告，同时保留云端传输用于状态摘要、警报和定期模型监督。这一转变与最近的综述相一致，该综述强调TinyML是一种可部署的原位监测机制，包括智能农业、水和环境应用，其中传感器端计算可以支持及时干预并减少对连续上行链路的依赖[6,24,52]。

集约化循环养殖系统（RAS）是连续感知与低频实验室依赖测量之间不匹配的有力测试案例，因为水质可能迅速变化[15]。在这些系统中应用软传感器和TinyML的动机是提高决策相关水质信息的时间可用性，否则这些信息将依赖于间歇性实验室分析。当快速变化需要靠近测量点的及时信息时，这种动机尤为相关。在水交换受限的RAS中，水质变化（如氨的增加或DO的降低）可能在几分钟内发生，而延迟响应可能导致鱼类应激、生长减缓或死亡[23,33,57]。在本研究中，案例系统是基于生物絮团的循环养殖系统（B-RAS），其中微生物在旁路微好氧反应器中吸收鱼类排泄的有毒氨。反应器中的吸收速率和氮去除效率受碳投加和DO等因素影响[14,54]。更广泛地说，关于RAS废水处理的表明确氮去除性能强烈依赖于处理配置和运行条件，包括废水特性、水力停留时间和进水氮负荷[44,49]。

从物联网的角度来看，挑战不仅在于离线训练预测模型，还在于实施在部署约束下仍然有意义的端到端流程。尽管基于物联网的养殖监测取得了快速发展，但大多数已报告的系统仍然主要关注DO、pH、温度、浊度、电导率、TDS和水位等易于测量参数的直接测量、可视化和控制[2,3,7,19,35,41,46,59]。与此同时，机器学习软传感器已被提出用于估算人工测量或难以测量的养殖参数，包括氨相关变量和其他水质指标[53,55,56]。然而，这些方法通常强调离线模型开发、云/移动决策支持或预测精度，而不是在真实运行条件下对实验室依赖软传感器的微控制器级部署和验证。

本研究的目标是使用两个物联网感知节点为B-RAS开发并评估一种嵌入式TinyML软传感器工作流。使用低成本、连续测量的传感器数据来预测实验室测量的氮和有机物参数。每个目标导出一个模型到嵌入式C，并集成到微控制器固件中，用于本地推理、遥测和基于阈值的警报。研究的主要目标是：(i)开发和比较特定罐体的软传感器模型；(ii)在基于微控制器的感知节点上部署选定的模型；(iii)评估嵌入式模型的保真度和资源使用；(iv)独立的设备端验证；以及(v)评估在模型开发范围之外和跨监测位置的鲁棒性。因此，本研究的设计不仅是为了确定每个目标的最佳性能回归模型，也是为了评估一个完整的、可部署的TinyML软传感器流程。

章节片段

智能养殖系统及运行条件

实验在一个集约化B-RAS系统（图1a）中进行，如Yogev等[54]所述。简而言之，它由三个主要元素组成：(i)一个主鱼池，饲养密度为40 kg/m³的龙趸（Lates calcarifer），鱼类在此排泄有毒氨和悬浮固体废物；(ii)一个机械固体分离单元（网格过滤），用于去除颗粒悬浮固体（主要是鱼类排泄物）；以及(iii)一个旁路微好氧活性污泥型反应器，其

软传感器的交叉验证性能

本节评估了生物絮团罐和鱼池中每个目标的交叉验证预测性能和模型选择结果。总体而言，机器学习预测在生物絮团罐（图2）中的准确性高于鱼池（图3）。在生物絮团罐中，预测值遵循了几个目标的主要趋势和机制变化。TAN是最典型的例子，模型跟踪了一个低且稳定的时期，随后是阶梯状增加（图2a）。对于TOC、DOC、TN和DN，

讨论

在生物絮团罐中（图2），TAN等参数显示出强大的预测能力，表明在线传感器组捕获了与潜在氮和有机物动力学有意义耦合的信息。相比之下，鱼池中的预测性能（图3）较弱且更依赖于目标，表明局部传感器可观测性在系统各个部分并不均匀，凸显了TinyML在智能养殖中的复杂性。选定的模型是

结论

本研究开发并评估了一个端到端的TinyML软传感器工作流用于智能养殖，连接了连续低成本感知、实验室校准模型开发、嵌入式C部署、遥测、基于阈值的警报和原位验证。结果表明，设备端推理可以直接在感知节点生成实验室依赖水质参数的决策相关估算。然而，预测可靠性强烈依赖于目标和位置。

CRediT作者贡献声明

RK、AG、MF和EL构思并开展了研究并撰写了手稿。AG和EL提供了资源。OR和EF协助开发方法。所有作者（RK、OR、EF、AG、MF和EL）都对最终版本做出了贡献。

资金来源

本研究得到Goldinger Trust、欧盟PRIMA - FrontAgNexus资助协议第2242号以及Bona Terra基金会的支持。

利益冲突

作者声明他们没有已知的竞争经济利益或个人关系可能影响本文报告的工作。

CRediT作者贡献声明

Robel Kahsu Adane：写作 – 审阅与编辑，写作 – 初稿撰写，可视化，验证，方法学，形式分析，数据管理，概念构思。Orel Rahamim：写作 – 审阅与编辑，方法学，调查研究，数据管理。Elyasaf Frieman：写作 – 审阅与编辑，方法学。Michael Fire：写作 – 审阅与编辑，写作 – 初稿撰写，验证，方法学。Amit Gross：写作 – 审阅与编辑，监督，项目管理，方法学，资助

Robel Kahsu Adane|Orel Rahamim|Elyasaf Frieman|Michael Fire|Amit Gross|Elad Levintal

内盖夫本-古里安大学，Sde Boker校区，8499000，以色列，Jacob Blaustein沙漠研究所，Zuckerberg水资源研究所