CN116319272A - 一种云边协同系统在智慧农业的应用方法及装置 - Google Patents

Abstract

本发明涉及云原生边缘计算领域，具体提供了一种云边协同系统在智慧农业的应用方法，包括中心云端、边缘节点和边缘设备，所述中心云端由公有云服务器支撑，边缘节点和边缘设备接入本地局域网，边缘节点与边缘设备之间通过网关连接，在网络上互通；所述中心云端获取全局信息，利用计算资源进行算法模型的训练与更新，并定量定向将模型统一下发到边缘节点，完成边缘端业务算法模型的差异化部署或更新，边缘节点将未能识别的数据信息实时上传至中心云端，中心云端利用未识别的数据进行算法模型的再训练与迭代。与现有技术相比，本发明使边缘神能够使用计算机视觉和预加载现场数据完成农业作业。此外，如果有任何障碍物，例如有任何动物或人挡在路上，农业机器人可以自动更改路线。

Description

一种云边协同系统在智慧农业的应用方法及装置

技术领域

本发明涉及云原生边缘计算领域，具体提供一种云边协同系统在智慧农业的应用方法及装置。

背景技术

云计算的广泛应用深深变革了人们的生活方式，它为交通、制造、城市、农业等提供了智能化的管理方法。随着物联网和人工智能技术的快速发展，网络设备数量和智能性需求迅速增加，因设备产生的数据呈指数级增长，数据的上传和云端数据处理给网络带宽和服务器造成的压力越来越大。在这种情形下，以云计算为核心的集中式数据处理模式将无法高效处理边缘设备产生的数据；在万物互联背景下，传统云计算逐渐显现出不足：实时性不够、能耗较大、带宽不足。而边缘计算以低时延、高可靠的数据处理方式成为云计算的有利补充。

随着5G网络、工业互联网、AI等领域的高速发展，边缘计算成为引领数字化发展的潮流。智慧城市、智慧交通、智慧医疗、智能制造等未来场景更多被人熟知，边缘计算也受到了空前的关注。Gartner里面明确提出，到2023年，网络边缘的智能设备数量可能是传统IT的20倍以上。到2028年，传感器、存储、计算和高级人工智能功能在边缘设备中的嵌入将稳步增长。边缘计算是一种分布式的计算架构，相对于云中心计算，将应用程序从云中心节点移往边缘节点去处理，本质上更靠近于用户终端，可以加快数据的处理与传送速度，减少延迟。但是边缘设备的计算、存储等能力有限，尤其对于人工智能仍然需要云计算的强大计算能力、存储能力作为支撑。所以边缘计算与云计算互为补充，边缘计算需要云计算中心强大的计算能力和海量存储的支持，而云计算中心也需要边缘计算对边缘设备的海量数据进行处理。因此，边缘计算与云计算需要通过紧密协同才能更好地满足各种需求场景，从而放大云计算与边缘计算的应用价值。

云原生(Cloud Native)则是一种构建和运行应用程序的方法，是一套技术体系和方法论，目前通常采用开源堆栈(Kubernetes+Docker)进行容器化，基于微服务架构提高灵活性和可维护性，借助敏捷方法、DevOps支持持续迭代和运维自动化，利用云平台设施实现弹性伸缩、动态调度、优化资源利用率。随着计算规模和业务复杂度的日益提升，对边缘计算的效率、可靠性、资源利用率等一系列能力提出了新的诉求。

在智慧农业领域，农业机器人结合视觉传感器可以执行广泛的任务，例如浇水、除草和收割庄稼。传统的云计算模式中，计算机视觉模型通常需要部署在远端的云计算中心，农业现场机器人对障碍物和庄稼的识别需要先将图像传到云计算中心，然后再将识别结果返回农业现场，这样增加了识别时间，影响了机器人的作业效率及安全性。边缘计算的低时延和高可靠的数据处理特点可以使农业机器人发挥优势，解决机器人对障碍物的识别效率低和时延高的问题。然而边缘计算只能解决一些边缘设备的局部管理问题，依然无法获得全局的决策信息。并且由于边缘的资源受限，并不能为算法模型的训练提供有力支持。

发明内容

本发明是针对上述现有技术的不足，提供一种实用性强的云边协同系统在智慧农业的应用方法。

本发明进一步的技术任务是提供一种设计合理，安全适用的云边协同系统在智慧农业的应用装置。

本发明解决其技术问题所采用的技术方案是：

一种云边协同系统在智慧农业的应用方法，包括中心云端、边缘节点和边缘设备，所述中心云端由公有云服务器支撑，边缘节点和边缘设备接入本地局域网，边缘节点与边缘设备之间通过网关连接，在网络上互通；

所述中心云端获取全局信息，利用计算资源进行算法模型的训练与更新，并定量定向将模型统一下发到边缘节点，完成边缘端业务算法模型的差异化部署或更新，边缘节点将未能识别的数据信息实时上传至中心云端，中心云端利用未识别的数据进行算法模型的再训练与迭代。

进一步的，所述边缘节点一方面对边缘设备进行直接控制，基于云端下发的算法模型在边缘端进行实时计算，从而完成操作流程；另一方面将本地数据上传到中心云端，为云上算法训练提供样本。

进一步的，所述中心云端包括边缘节点控制组件、边缘节点监控组件和模型算法库，所述边缘节点控制组件实现对边缘节点和设备的统一管理，直接从云端向边缘节点下发更新数据与配置信息，使边缘节点的应用和配置状态更新。

进一步的，所述边缘节点监控组件在云端对边缘节点的各项数据进行实时监控，所述模型算法库进行算法模型的训练与迭代，不断的采集新的数据并进行训练。

进一步的，当边缘节点向中心云端上传边缘设备所捕获的一些样本数据时会触发云上模型算法库进行训练，训练完成之后对模型进行相应的评估，评估完成后会将模型下发至边缘节点，当满足边缘端的精度要求时，边缘节点则更新模型。

进一步的，所述边缘节点侧包含边缘节点自治组件、基础应用组件、设备集成组件以及存储与上传组件，

所述边缘节点自治组件用于控制容器应用，保障云端pod的下发以及对于各种存储和配置能够在边缘节点运行提供一定的故障自动恢复能力。

进一步的，基础应用组件包括在边缘端进行数据清洗和数据分析业务数据流式处理工作；并提供边缘侧各业务应用的消息订阅、发布，以及与云端服务的双向消息透传，在下发云端消息的同时对边缘节点各模块的消息进行收集和上传；以及进行边缘节点的健康监测。

进一步的，设备集成组件由一些独立的设备服务应用组成，设备集成组件由一些独立的设备服务应用组成。

进一步的，若当前边缘节点状态为NotReady，中心云会首先通过其他边缘节点的反馈信息来判断当前节点对应的机器人业务是否还在正常运行；

若边缘设备业务运行正常则表明是网络通信问题，此时不影响生产作业，即不进行业务迁移；

若边缘设备业务运行不正常，则判定边缘节点发生故障，此时云端边缘节点控制组件执行业务迁移策略，利用K8s的容器驱逐功能，将当前故障节点上的容器部署到同一区域的其他边缘节点上，从而驱动与故障节点未对应的农业边缘设备，实现业务的连续运行。

一种云边协同系统在智慧农业的应用装置，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行一种云边协同系统在智慧农业的应用方法。

本发明的一种云边协同系统在智慧农业的应用方法及装置和现有技术相比，具有以下突出的有益效果：

本发明边缘节点可以将收到的应用、设备元数据进行本地持久化，因此边缘节点能在与云端完全断开连接的模式下自主工作，在网络连接恢复时再与云端进行数据同步。在边缘节点离线的场景下，本地持久化的数据仅用于管理节点上的应用和设备，云边通信恢复后节点将根据来自中心远端的最新消息更新本地元数据，从而在满足边缘自治的同时保证边缘应用与云端数据的最终一致。边缘节点离线自治解决了云边之间的网络可靠性和带宽限制问题，本架构可支持复杂的网络环境。

云与边之间进行资源调度、流量协同，将容器化应用编排和管理能力通过边缘节点扩展到农业机器人设备。中心云通过云端边缘节点控制组件下发算法模型到边缘节点，边缘节点通过边缘自治组件完成模型部署，边缘节点对数据进行加工并上传至云端用于模型训练。

中心云端通过与区域内其他边缘节点的反馈信息来判断当前节点对应的业务是否还在正常运行,若该边缘节点发生故障，当前故障边缘节点上的容器部署到同一区域的其他边缘节点上，从而驱动与该故障节点对应的农业机器人，保障生产业务的连续运行。

本发明使边缘神能够使用计算机视觉和预加载现场数据完成农业作业。此外，如果有任何障碍物，例如有任何动物或人挡在路上，农业机器人可以自动更改路线。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

附图1是一种云边协同系统在智慧农业的应用方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。

下面给出一个最佳实施例：

如图1所述，本实施例中的一种云边协同系统在智慧农业的应用方法，包括中心云端、边缘节点和边缘设备，中心云端由公有云服务器支撑，边缘节点和边缘设备接入本地局域网，边缘节点与边缘设备之间通过网关连接，在网络上互通。

这可以为边缘业务迁移提供网络条件。中心云端负责获取全局信息，利用丰富的计算资源进行算法模型的训练与更新，并定量定向将模型统一下发到边缘节点，完成边缘端业务算法模型的差异化部署或更新。边缘节点将未能识别的数据信息实时上传至云端，云端利用这些未识别的数据进行算法模型的再训练与迭代。边缘节点一方面对农业机器人进行直接控制，基于云端下发的算法模型在边缘端进行实时计算，从而完成操作流程；另一方面可以将本地数据上传到中心云端，为云上算法训练提供样本。另外，在边缘端，边缘节点利用本地局域网可以实现区域内的业务协同，提供更灵活的业务编排方案。

中心云端主要包含三部分，边缘节点控制组件、边缘节点监控组件和模型算法库。

云上边缘节点控制组件主要负责实现在云端实现对边缘节点和设备的统一管理，可以直接从云端向边缘节点下发更新数据与配置信息，使边缘节点的应用和配置状态更新。

云端边缘节点监控组件可以在云端对边缘节点的各项数据进行实时监控，如磁盘容量、CPU使用量和内存使用量等等。

云上算法训练组件主要用于进行算法模型的训练与迭代，不断的采集新的数据并进行训练。

当边缘向云上上传边端机器人所捕获的一些样本数据时会触发云上算法训练组件进行训练，训练完成之后该组件会对模型进行相应的评估，评估完成后会将该模型下发至边缘节点，当满足边缘端的精度要求时，边缘节点则更新模型。可通过可配置一些触发规则来确定是否自动开始训练、评估和部署，减少人工成本以及模型更新的周期。训练过程中累积的知识库可以进行存储和索引，当有新的边缘节点接入时便可重复使用现有知识，减少计算资源的消耗，提高知识的利用率。同时该组件会对多个边缘节点的数据做聚合计算的编写和部署，边侧训练权重的共享、训练状态的监控等。

边缘节点侧主要包含边缘节点自治组件、基础应用组件、设备集成组件以及存储与上传组件。

边缘节点自治组件用于控制容器应用，保障云端pod的下发以及对于各种存储和配置能够在边缘节点运行提供一定的故障自动恢复能力。该组件可对需要识别的样本数据进行判别，若决策器判定样本为简单样本，边缘节点可自己通过存储组件中的一些小模型得到推理结果，若为复杂样本则发送到云端处理得到推理结果，简单的样本通常占大多数，保证了推理的时延和吞吐，但是容易出错的就是为数不多的复杂样本，通过云上的大模型来推理出更准确的结果，使得整体的精度得到提升。

基础应用组件包括在边缘端进行数据清洗、数据分析等业务数据流式处理工作；并提供边缘侧各业务应用的消息订阅、发布，以及与云端服务的双向消息透传，在下发云端消息的同时对边缘节点各模块的消息进行收集和上传；以及进行边缘节点的健康监测。

设备集成组件由一些独立的设备服务应用组成，提供一些摄像机、语音播报、故障检测等传感器和控制设备的集成。设备集成组件由一些独立的设备服务应用组成，其中部署的存储服务保证图片、视频等传感器数据的本地持久化存储能力，本地存在数据时直接在本地调用，避免频繁的网络交互。磁盘清理服务实现定期数据清理功能。上传服务则负责数据的上传，根据数据优先级别调度上传任务。

本架构进行云边协同作业的主要业务流程是云端进行算法模型的训练与迭代并下发业务算法模型到边缘端，边缘节点运行部署算法模型的容器使能农业机器人，最后完成路障的自主识别以及农场作业。在云边通信环节，一方面中心云通过云端边缘节点控制组件下发AI模型到边缘节点，边缘节点通过边缘自治组件完成模型部署；另一方面边缘节点对数据进行脱敏处理并上传至中心云端用于模型训练。在边端通信环节，农业机器人将传感器采集的数据上传到边缘节点用于AI识别，边缘节点根据识别结果下发操作指令，且边端通信可以保证足够低的时延。

边缘离线自治一方面体现在边缘节点在失去与中心云的连接后，可以保持原先业务正常运行不受影响，同时将元数据进行本地持久化存储，在恢复连接后可以利用本地元数据及时同步云边状态；另一方面体现在边缘节点因故障重启后，利用本地元数据可以自主恢复原先运行的业务。

中心云在一定时间内无法接收到某一边缘节点的响应，则会认为该边缘节点为未就绪(NotReady)状态。出现这种情况通常有两方面的原因：一是边缘节点自身宕机；二是边缘节点运行正常，但是无法与云端进行通信。

若当前边缘节点状态为NotReady，中心云会首先通过其他边缘节点的反馈信息来判断当前节点对应的机器人业务是否还在正常运行。

若机器人业务运行正常，则表明是网络通信问题，此时不影响生产作业，即不进行业务迁移。若机器人业务运行不正常，则判定该边缘节点发生故障，此时云端边缘节点控制组件执行业务迁移策略，利用K8s的容器驱逐功能(Taint&Toleration)，将当前故障节点上的容器部署到同一区域的其他边缘节点上，从而驱动与该故障节点未对应的农业机器人，实现业务的连续运行。

基于上述方法，本实施例中的一种云边协同系统在智慧农业的应用装置，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行一种云边协同系统在智慧农业的应用方法。

上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种云边协同系统在智慧农业的应用方法及装置权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种云边协同系统在智慧农业的应用方法，其特征在于，包括中心云端、边缘节点和边缘设备，所述中心云端由公有云服务器支撑，边缘节点和边缘设备接入本地局域网，边缘节点与边缘设备之间通过网关连接，在网络上互通；

所述中心云端获取全局信息，利用计算资源进行算法模型的训练与更新，并定量定向将模型统一下发到边缘节点，完成边缘端业务算法模型的差异化部署或更新，边缘节点将未能识别的数据信息实时上传至中心云端，中心云端利用未识别的数据进行算法模型的再训练与迭代。

2.根据权利要求1所述的一种云边协同系统在智慧农业的应用方法，其特征在于，所述边缘节点一方面对边缘设备进行直接控制，基于云端下发的算法模型在边缘端进行实时计算，从而完成操作流程；另一方面将本地数据上传到中心云端，为云上算法训练提供样本。

3.根据权利要求2所述的一种云边协同系统在智慧农业的应用方法，其特征在于，所述中心云端包括边缘节点控制组件、边缘节点监控组件和模型算法库，所述边缘节点控制组件实现对边缘节点和设备的统一管理，直接从云端向边缘节点下发更新数据与配置信息，使边缘节点的应用和配置状态更新。

4.根据权利要求3所述的一种云边协同系统在智慧农业的应用方法，其特征在于，所述边缘节点监控组件在云端对边缘节点的各项数据进行实时监控，所述模型算法库进行算法模型的训练与迭代，不断的采集新的数据并进行训练。

5.根据权利要求4所述的一种云边协同系统在智慧农业的应用方法，其特征在于，当边缘节点向中心云端上传边缘设备所捕获的一些样本数据时会触发云上模型算法库进行训练，训练完成之后对模型进行相应的评估，评估完成后会将模型下发至边缘节点，当满足边缘端的精度要求时，边缘节点则更新模型。

6.根据权利要求5所述的一种云边协同系统在智慧农业的应用方法，其特征在于，所述边缘节点侧包含边缘节点自治组件、基础应用组件、设备集成组件以及存储与上传组件，

所述边缘节点自治组件用于控制容器应用，保障云端pod的下发以及对于各种存储和配置能够在边缘节点运行提供一定的故障自动恢复能力。

7.根据权利要求6所述的一种云边协同系统在智慧农业的应用方法，其特征在于，基础应用组件包括在边缘端进行数据清洗和数据分析业务数据流式处理工作；并提供边缘侧各业务应用的消息订阅、发布，以及与云端服务的双向消息透传，在下发云端消息的同时对边缘节点各模块的消息进行收集和上传；以及进行边缘节点的健康监测。

8.根据权利要求7所述的一种云边协同系统在智慧农业的应用方法，其特征在于，设备集成组件由一些独立的设备服务应用组成，设备集成组件由一些独立的设备服务应用组成。

9.根据权利要求8所述的一种云边协同系统在智慧农业的应用方法，其特征在于，若当前边缘节点状态为NotReady，中心云会首先通过其他边缘节点的反馈信息来判断当前节点对应的机器人业务是否还在正常运行；

若边缘设备业务运行正常则表明是网络通信问题，此时不影响生产作业，即不进行业务迁移；

若边缘设备业务运行不正常，则判定边缘节点发生故障，此时云端边缘节点控制组件执行业务迁移策略，利用K8s的容器驱逐功能，将当前故障节点上的容器部署到同一区域的其他边缘节点上，从而驱动与故障节点未对应的农业边缘设备，实现业务的连续运行。

10.一种云边协同系统在智慧农业的应用装置，其特征在于，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至9中任一所述的方法。

Images