基于边缘计算的粮食信息化探究

乔 炎， 甄 彤， 李智慧

(粮食信息处理与控制重点实验室;河南工业大学信息科学与工程学院,郑州 450001)

随着科技的进步，“粮食信息化”深受国家关注。2020年9月，国家粮食和物资储备局组织召开“十四五”信息化发展规划座谈会，提出粮库治理能力现代化，推进“数字储量”建设[1]。目前基于云计算的粮库建设已逐步智能化，但大多功能单一，管理分散，数据量庞大，仍有很多问题急需解决。边缘计算作为云计算的扩展，为粮食信息化带来新的生机。

边缘计算是指在网络边缘执行计算的一种新型计算模型。边缘计算中的边缘指的是数据源到云端之间路径上的任意计算和网络资源[2，3]。边缘计算的兴起为解决云计算中的时延较大，带宽不足，隐私安全等问题提供了新思路。

Acm、IEEE、ICDCS、FMEC、ICFEC、EDGE等国际会议也逐渐开始聚焦边缘计算技术。同样，边缘计算技术在国内发展也十分迅速，华为技术有限公司、中国科学院沈阳自动化研究所等成立了边缘计算产业联盟(Edge Computing Consortium,ECC)[4],旨在搭建边缘计算产业合作平台，推动OT和ICT产业开放协作。2020边缘计算产业峰会，发布了《边缘计算与云计算协同白皮书2.0》《5G时代工业互联网边缘计算网络白皮书》《工业互联网边缘计算节点白皮书1.0》[5]。边缘计算技术已逐渐被理解和接受，研究者在积极开拓边缘计算在各领域的应用，前景广阔。

1 边缘计算的应用成果

随着自动化、传感器、电子信息等技术的发展，生活与工业中大部分生产过程都可被智能监测或管理，所有的智能监测或管理都离不开数据分析，而数据分析需要大量的计算资源。

目前基于云计算的计算模式已经无法满足工业物联网、自动驾驶、智慧城市及数据安全等领域的对海量数据进行实时、安全、低耗等处理要求。边缘计算一经提出，便受到广泛关注，目前已初步取得一些成果。本文总结了边缘计算在不同场景的应用及所解决的主要问题，相关信息如表1所示。

1.1 工业物联网

边缘计算为众多工业场景中数据分析提供了新思路与计算支持。目前的应用主要依赖于边缘计算低时延的特性，为移动设备提供计算力，提高数据的处理速度和响应速度，在保证带宽和能耗的条件下提高效率。但由于工业物联网的场景及数据的复杂性，目前边缘计算在此领域的应用还不太完善，大多只是针对一到两个方面，很少有健全和功能完善的系统。此外，很多应用为了保证低时延和低带宽，导致平台成本过高，并且安全性有待提高。

表1 边缘计算的应用

1.2 自动驾驶与车联网

自动驾驶及车联网场景下需要极低的时延从而达到及时反馈，边缘计算在该领域的研究着重于解决低时延的问题。目前存在两方面问题。第一，进行实验分析时只关注时延，忽略带宽，带宽过高会对架构安全性产生威胁。第二，实验时只考虑理想情况，但实际路况复杂，易出现突发事件，导致所提算法受到车辆移动性的影响。

1.3 智慧城市

智慧城市是利用信息技术，提高城市的运作效率，提高居民生活质量。智慧城市需要信息融合、统筹管理、深度感知[26]。边缘计算在该领域的研究比较简单，主要是将原本在云端进行检测或处理的数据下发给边缘端，以提高效率。若在检测过程中融入合作训练等边缘计算，可能会进一步提高速度，减少服务器压力。

1.4 数据安全实时处理

大数据时代下数据安全问题倍受广大用户关注，由于云计算要将数据全部上传至云端，数据泄露问题难以避免。边缘计算模式下可提高数据安全的关键在于，边缘计算将计算卸载至本地，减少了隐私泄露问题。目前大多是对边缘环境下安全协议的研究，主要还存在以下几个核心问题。第一，安全协议计算任务卸载问题，虽然边缘计算模式下一定相较于传统物联网模式下性能更优，但如何合理地将任务卸载至边缘节点有待研究。第二，安全协议场景单一，大多只针对车联网场景，其他场景下还需进一步研究。第三，可将区块链结合到安全协议中以提高安全协议效率。

2 边缘计算在粮食信息化中的应用

边缘计算在工业物联网、数据安全处理、自动驾驶、智慧城市等对实时性、带宽要求较高的领域中取得进展，如智能仓储、无人值守铁路、煤矿甲烷含量检测等，为很多行业中存在的问题提供了新的解决方案。而一些特殊领域有着独特的需求，边缘计算在这些领域的应用需结合其行业特殊性，具有一定难度。粮食是民生之本[33]，粮库的建设关系到国家安全，以目前边缘计算在其他领域的研究成果为基础，对边缘计算下的粮食信息化应用做出探究。

2.1 基于云计算的粮食信息化平台

目前的粮情监控平台主要是基于云服务平台[34]，在全国范围建立一个智慧粮食云服务平台，多个分中心和云中心相结合，云中心可以调看分中心的情况，共同监测全国各地粮库，该架构下，由终端采集数据，包括出入库信息、出入库车辆信息、温湿度信息等。终端将采集到的所有数据上传至云端，全部交付云端进行处理与统一管理。由于粮库中产生的粮情信息数据庞大，如粮库的温湿度、光照强度、存储量、某种气体的浓度等，都使云平台的计算压力增大，资源无法合理分配，使得延迟，带宽等问题无法解决，且系统功能大多较为单一，无法实现真正的本地数据分析和控制联动。以云计算为核心的集中式数据处理模式已经难以满足粮情监控的多样化。边缘计算选择就近对视频数据进行预处理，无论是带宽，时延还是存储方面都表现良好。

2.2 边缘计算下粮情监测系统框架

2.2.1 边缘计算下粮情监测系统功能分析

边缘计算下的新型粮情监测系统是建立在传统监测系统上的，可实现视频数据分析，视频数据计算、视频数据存储等，规范粮食出入库作业流程，包括登记、检验、计量、入仓、去皮并计算净重、结算、满仓整理、设备归位检修、数量质量验收等，对储量生态系统中温度、湿度、气体成分、杂质和微生物等动态监测，是一个新型管理中心。边缘计算下粮情监测模型的优势主要体现在三方面。第一，数据实时处理。边缘计算节点的部署更靠近数据源头，大量粮情数据可实现本地管理，无需上传至云端，减少处理时延，从而减少反馈延迟。第二，缓解带宽压力。数据产生后及时处理，只将部分重要信息上传至云中心，从而显著缓解带宽压力。第三，降低数据泄漏风险。粮情信息关系国家稳定，原始数据不再上传至云端，而是存储在本地边缘节点，从而保护数据安全。

如图1所示，该系统最上层是用户层，粮库管理人员和政府有关部门可查看库内相关情况。用户层的下层是云端，是整个系统的大脑。边缘侧由边缘服务器组成，下接设备终端，上接云端。

图1 边缘计算下粮情监测系统

2.2.1.1 设备终端

由于要对粮库内出入库车辆、仓门异动、人员摔倒、规范穿戴等及时预警，对储粮生态系统的温度、湿度、气体成分、杂质和微生物等进行实时监测，因此设备终端除了智能摄像头外，还包括粮库中各种传感器等物联网设备。智能终端具有智能感知的功能，其主要负责进行数据采集，并将采集后的数据上传至边缘侧进行处理。

2.2.1.2 边缘侧

边缘侧可看作是从云端下沉的一部分，边缘侧实现数据处理、特征分析、行为识别、数据存储等功能。终端采集到库内温湿度、气体成分等信息后，上传至边缘端，边缘端会进行部分处理，只将难以处理的信息上传至云端。同时可将视频图像中的冗余信息去除，实现一部分分析和处理，但数据处理后的结果依然要传递给云中心进行统一决策。同时将复杂功能和视频信息传递给粮库视频监控云中心，进一步进行计算、存储、分析、决策。边缘计算侧向云计算中心发送数据请求，同时和前端边缘设备共同实现部分功能算法如跟踪车辆，人脸识别等，对部分数据进行处理。此外，边缘侧还可以进行管控和调配，监管着前端边缘设备的部分数据安全性和传输可靠性等。所以可将边缘计算服务器看作设备终端和云中心的桥梁。

2.2.1.3 云端

边缘侧进行预处理和分析的结果需要传递至云中心，较为复杂的数据信息也在云中心进行处理。如进行目标检测等任务时，如车辆出入库检测、粮库作业规范检测等，模型训练任务由云端执行。之后，云中心进行决策和调度，在全局范围内进行调度。云中心提供与用户层的接口。

边缘计算下的粮库粮情监测系统的主要功能：与云计算相结合，总监控中心可以调度分库监控中心；粮库中海量数据可以在边缘侧进行预处理，改变将所有数据传递给云中心的传统模式，缓解带宽压力，降低时延；视频监控终端具备信息处理功能；在出现粮情异常或粮库异常时，有通知和预警功能；对储粮生态系统的温度、湿度、气体成分、杂质和微生物等信息实现动态监测。

2.2.2 边缘计算下粮情监测系统硬件需求分析

本着储粮技术中绿色、高效、安全、节能的原则，在数据分析技术方面，由于边缘层节点数量多，考虑到成本，边缘层可以由诸多小型服务器或是PC端电脑组成，也可以是虚拟机组成的计算集群或者树莓派搭建的小型计算机，或是由容器组件的容器集群。其中容器技术相较于传统的虚拟机技术可使边缘设备的资源得到更充分的利用，有较大优势，可通过Google发布的开源系统Kubernetes[35]，结合Docker容器技术[36]进行集群管理。此外由于智能终端可能要承担一部分的目标检测任务，所以需要具有一定计算能力。终端设备可选择搭载英伟达TX2[37]开发套件，其性能在数据存储、内存、GPU、CPU等方面均表现良好。

在通信方面，终端层中包含诸多智能终端，为了保证数据双向传输，终端层和边缘侧的边缘服务器及边缘服务器与云中心的连接均采用双向连接。分布式运算必须要协调各部分节点的通信协议，在进行通信时，避免产生额外的计算，另一方面也要避免因为数据格式的差异而产生错误，因此需要对通信协议进行统一。通信协议选择SSH协议。边缘侧与云端也可通过有线介质或Wifi进行通信。此外，边缘计算的接口适配应符合物联网化、IT/OT融合[38]的趋势，实现接口和协议转换。

2.3 边缘计算下粮库视频监控框架

2.3.1 边缘计算下粮库视频监控框架设计

边缘计算下粮库视频监控系统可应用于出入库车辆检测、车辆跟踪、规范作业检测穿戴检测、人脸识别、仓门异动检测、人员摔倒预警等方面。在边缘计算视频监控模型中，计算通常发生在数据源附近，即在边缘端进行视频数据的分析和处理。在硬件上，边缘前端侧和边缘服务器及边缘侧与云中心之间都采用双向连接。硬件层主要包括边缘计算硬件单元，无线通信模块及视频监控系统硬件设备。软件层主要负责图像处理，包括目标检测，信息融合，状态估计等，实现模糊计算，并对实时采集的数据执行将部分或全部计算任务，为更注重实时性的应用提供实时性应答。此外，设置弹性存储模块，感知监控场景内变化，实现更高的存储空间。最终计算结果传递给云中心，由云中心统一进行调度。

2.3.2 边缘计算下目标检测算法

粮库中视频监控的主要功能是进行目标检测。目前传统的基于深度学习的目标检测算法已经发展比较完善，但这些模型往往体积较大、参数冗余、需要大量的计算资源。且在云计算框架下需把摄像头采集到的所有数据上传至云端再进行检测，造成数据堆积，大量时间浪费，无法真正实现智能化。本文根据粮库中视频数据背景单一，且面积大，需训练的数据较少，但在检测时对实时性要求较高，特别是关系人员安全的规范作业检测等，需检测到数据较多的特点，将目标检测算法与边缘计算结合，从而减少数据堆积，降低时延。体现在两方面，第一，将传统的目标检测模型放在边缘侧执行，无需上传至云端，从根本上降低传输时延。第二，设计了一种新的训练与检测模式。该模式下，智能终端采集数据后上传至边缘服务器，在边缘服务器上训练模型，之后边缘服务器将训练好的模型发送给具有一定计算能力的智能终端，产生新的数据时由终端进行图像检测，这种方式改变了过去训练及检测均在一个服务器上的模式，降低服务器压力的同时降低了时延。

在模型选择方面，由于边缘服务器的内存空间和计算力相对于大型服务器较小，可选择YOLO系列中最新研究成果YOLOv5[39]，该模型相较于两阶段模型及YOLO系列中其他算法，有模型小、部署成本低、灵活性高、检测速度快等优点，易于在边缘端进行部署。

2.4 边缘计算模式下粮库车辆识别与跟踪

本文以车辆检测及跟踪为例对新架构下目标检测及跟踪进行分析。边缘计算模式下的车辆检测大致可分为4个步骤，如表2所示，边缘计算模式下的粮库车辆检测流程采用了智能摄像头，该摄像头集数据采集、图像预处理、特征提取及简单目标检测算法于一身。从步骤上看，边缘计算模式较传统云计算模式处理步骤并没有减少，但是不再将大量视频数据上传至云端，而是将智能摄像头预处理后的结果上传至云端。粮库中每天进出的车辆众多，若像传统模式下将所有视频数据不加处理就上传至云端，海量的数据将造成粮库中计算资源大量浪费，且粮库对实时性要求较高，而传统模式下数据冗余，无法保证时延。新的模式下检测流程极大地分摊了云端的压力，并且降低了车辆识别的时间消耗，可以满足粮库中车辆识别的需求。该方法同样适用于人脸识别、安全帽识别等目标检测流程。

粮食储藏中，重视仓储管理规范化、精细化、全程留痕、状态可追踪、责任可追溯[40]，这些问题的本质可归纳为实时目标跟踪。车辆跟踪作为计算机视觉领域目标跟踪的一个重要方向，也是智能粮库管理的重要一环。本文设计的边缘计算下目标跟踪方案，主要以解决现存粮库云计算模式下实时性较差的短板问题为目标，实现实时跟踪。边缘计算下车辆跟踪依赖于有一定计算能力的智能终端。当粮库中有车辆入库时，首先由目标检测环节检测到目标P，得到其初始位置，之后以目前摄像头的坐标(Px,Py)为中心，向半径R内的“邻居”摄像头发送信息，“邻居”摄像头对该信息进行复制，若遇到相同的信息会进行融合，并发送给新的“邻居”摄像头，以此来进行车辆位置的跟踪。因为边缘计算模式下的摄像头具有一定的计算能力，因此无需将得到的信息上传云端，再由云端发送给“邻居”摄像头，从而节省了时间。

表2 不同计算模式下粮库车辆检测过程

图2 传统粮情预警与边缘计算下粮情预警流程对比

2.5 边缘计算模式下的粮情预警

粮情预警是粮食储藏中极其重要的一环。粮食仓储中很多环节如氮气储粮、北方地区推广的内环流控温技术、高温高湿地区广泛应用的空调控温技术、环流熏蒸等，均需根据仓内情况及时预警。传统的粮情预警流程步骤繁杂，共有8步。首先由摄像头和各传感器(温湿度传感器等)采集数据，底层设备收集到数据后上传至环网交换机，再进一步将数据传递给监控主机，监控主机根据分析模型(如温湿度监测模型，火灾分析模型等)分析是否有异常情况发生，若没有继续监测，若有异常，监控主机报告给总监控中心，并向各基站下发控制命令，最后报警。需要消耗大量的时间，且由于各个传感器和摄像头都需要将所收集的数据上传至主机，对带宽的要求很大，难以满足粮库中的实际需求。

边缘计算模型下粮情预警流程中，由于无需将大量数据上传至主机，从检测到异常到处置只需要4步，首先由粮库中摄像头和各传感器采集数据并及时将采集到的数据信息上传至边缘网关。边缘网关根据分析模型确定异常。之后边缘网关将信息上传至边缘计算平台进行预处理和判断。最后边缘计算平台根据设定的逻辑来完成通知或报警。在这个过程中可与深度学习等算法结合，实现目标检测，人脸识别等功能。可以看出，该过程相较于传统的粮情预警模型，不仅减少了时间消耗，还节约了带宽成本，为粮情异常处理争取了时间。在新的粮情预警模式下可实现对粮情全方位的动态实时监测。由于智能终端具有处理部分数据及收发数据的功能，一旦终端传感器的数据超过了预先设定的阈值，智能终端可迅速发出预警，且当一个智能终端或边缘服务器发生故障时，其他节点可共同完成任务，使模型更加稳定。

2.6 边缘计算模式下数据安全保护

边缘计算模式下粮库视频监控的另一大优势在于可以从根本上降低粮库数据泄漏与被篡改的风险。数据泄漏与篡改主要发生在数据源与云端进行交互和通信的过程中，可能被第三方恶意入侵。由于边缘计算模式下无需将所有数据上传至云端，因此从根本上降低了数据泄露与被篡改的风险。同时，可对诸多的边缘服务器及智能终端进行认证注册，只有获得权限的设备才可以收发数据。此外，边缘计算与区块链技术[41]相结合进行数据安全保护也是一大热点。

3 总结

边缘计算技术蓬勃发展，在各个领域应用广泛。然而边缘计算在很多特殊行业依然处于新发展阶段，在很多地区，粮库智能化是粮库急需解决的问题，边缘计算在粮食信息化中应用前景广阔。本文综述边缘计算技术在工业物联网、数据安全、自动驾驶和智慧城市4个关键领域的应用成果，分析各个领域目前存在的局限性与未来改进方向。以边缘计算在其他领域的研究成果与局限性为基础，结合目前粮食信息化发展中存在的问题，提出了将边缘计算与云计算结合的粮库粮情监测系统框架，并对视频监控系统、车辆检测与跟踪、粮情预警及数据安全保护几个模块进行着重分析，实现实时监测粮情生态系统，实时监测和标记问题并进一步进行跟踪和及时处理，对严重问题和重大缺陷进行提前预警，有利于粮库管理规范化和精细化。