摘 要 ：在農(nóng)作物養(yǎng)殖大棚中，基于物聯(lián)網(wǎng)技術、深度學習與機器視覺技術開發(fā)了一種在線遠程監(jiān)測農(nóng)作物生長環(huán)境與病害情況的綜合系統(tǒng)。系統(tǒng)具備全方位動態(tài)監(jiān)測環(huán)境溫度、濕度、二氧化碳濃度、光照強度、土壤溫濕度等環(huán)境參數(shù)和實時監(jiān)測植物所患病害情況等功能。在對農(nóng)作物狀況及環(huán)境參數(shù)數(shù)據(jù)采集后，借助 4G 通信、無線通信技術將數(shù)據(jù)上傳至云平臺實現(xiàn)遠程實時監(jiān)控。該系統(tǒng)便于農(nóng)戶通過微信小程序和手機 APP 進行遠程監(jiān)管與實時預警，在農(nóng)業(yè)自動化領域具有較廣闊的應用前景。 0 引 言

中國作為傳統(tǒng)的農(nóng)業(yè)生產(chǎn)大國，農(nóng)耕歷史悠久。傳統(tǒng)農(nóng)耕方式是農(nóng)作物在自然環(huán)境下自然生長，通過農(nóng)戶長時間總結(jié)耕作經(jīng)驗進行農(nóng)作物管理。為實現(xiàn)農(nóng)作物高產(chǎn)、量產(chǎn)，越來越多的優(yōu)質(zhì)植株得以培育，種類多樣的優(yōu)質(zhì)化肥投放使用 [1]。雖然這些方式會有增產(chǎn)效果，但對于人口大國而言，這些措施遠遠不足以從本質(zhì)上改變農(nóng)耕效率和提高糧食產(chǎn)量。農(nóng)業(yè)大棚成為了科學養(yǎng)殖農(nóng)作物的解決方案。

為科學調(diào)控農(nóng)作物生長環(huán)境，減少因惡劣環(huán)境及農(nóng)作物病蟲害等不利因素對農(nóng)作物生長形成負面影響，研究人員做了很多努力。其中，比較具有代表性的是有線網(wǎng)絡監(jiān)測、基于無線ZigBee傳感網(wǎng)絡監(jiān)測等 [1]。這些傳感器接收農(nóng)田環(huán)境數(shù)據(jù)信息后，將數(shù)據(jù)轉(zhuǎn)化為模擬信號，傳送至微處理器。并通過無線模組和4G模組將數(shù)據(jù)實時上傳反饋。為實現(xiàn)多節(jié)點監(jiān)測需要利用大量傳感器模塊，在面積較大的養(yǎng)殖地域這一方案難以實現(xiàn)。

為滿足利用較少傳感器模塊實現(xiàn)廣域動態(tài)監(jiān)測農(nóng)作物生長環(huán)境與病害的功能，本文結(jié)合物聯(lián)網(wǎng)、深度學習、機器視覺等技術，設計了一套具有廣域動態(tài)監(jiān)測農(nóng)作物環(huán)境、識別農(nóng)作物病害以及遠程云端交互功能的農(nóng)作物生長狀況監(jiān)測系統(tǒng)。

1 整體設計

農(nóng)作物生長狀況遠程動態(tài)監(jiān)測系統(tǒng)主要分為識別監(jiān)測系統(tǒng)、無線通信系統(tǒng)、數(shù)據(jù)交互系統(tǒng)、移動小車系統(tǒng)等，識別監(jiān)測系統(tǒng)又細分為農(nóng)作物病害識別系統(tǒng)、農(nóng)作物環(huán)境監(jiān)測系統(tǒng)。移動小車搭載識別監(jiān)測系統(tǒng)，自動建圖巡航采集并標記節(jié)點位置數(shù)據(jù)后上傳至主控微處理器。主控微處理器將數(shù)據(jù)處理整合后發(fā)送至無線通信平臺，之后再將數(shù)據(jù)上傳至云服務器，實現(xiàn)手機端與云空間的數(shù)據(jù)交互。系統(tǒng)整體框架如圖1所示。

2 農(nóng)作物病害識別系統(tǒng)設計

農(nóng)作物病害識別系統(tǒng)硬件主要包括攝像頭模塊和二自由度舵機云臺。攝像頭利用長焦鏡頭自動對焦農(nóng)作物葉片，采取隨機節(jié)點停車自動掃描葉片的方式，識別葉片所患病害并反饋至主控微處理器。主控儲存節(jié)點數(shù)據(jù)(包括節(jié)點位置與監(jiān)測時間)與農(nóng)作物所受病害情況。下位機主控芯片為STM32F103RCT6，攝像頭采用NXP-OpenArt-mini。主控控制舵機云臺 180°掃描節(jié)點，攝像頭搭載已訓練好的深度學習模型識別植物蟲害，并通過串口將數(shù)據(jù)傳輸至下位機主控。農(nóng)作物病害識別系統(tǒng)硬件框架如圖2所示。

2.1 硬件設計2.1.1 攝像頭攝像頭選用適合機器視覺應用的恩智浦OpenArt-mini，其與OpenMV相比，在神經(jīng)網(wǎng)絡模型的部署和訓練方面更有優(yōu)勢。OpenArt攝像頭采用MIMXRT1064芯片，該芯片主頻高達600 MHz，具備1MB片內(nèi)SRAM、4 MB片內(nèi)FLASH和32 MB外置SDRAM，配備高速 SPI總線與OpenMV機器視覺庫，擁有RT-Thread操作系統(tǒng)內(nèi)核、驅(qū)動和開發(fā)環(huán)境。2.1.2 二自由度舵機云臺本文基于二自由度云臺搭載攝像頭進行掃描，采用MG996 舵機[2]。利用比例控制，轉(zhuǎn)動角度以脈沖占空比決定，使用舵機帶動連接軸控制平臺傾角，該方式響應速度快、力矩大、使用方便。搭載OpenArt攝像頭可實現(xiàn)水平方向180°平掃和垂直方向60°掃描，能夠識別較廣闊范圍內(nèi)的圖像信息。2.1.3 下位機核心主控下位機核心主控采用STM32F103RCT6芯片，該單片機包含32位高速時鐘、存儲器、內(nèi)置溫度傳感器、Cortex-M3內(nèi)核等。作為高速嵌入式存儲器，其擁有一路PWM定時器、三路通用16位定時器、2個12位ADC通道以及2個I2C數(shù)據(jù)接口與API數(shù)據(jù)傳輸接口。單片機功耗低，工作電壓為2.0～3.6V。2.2 軟件設計2.2.1 舵機云臺控制舵機云臺由下位機主控 STM32F103RCT6 進行控制 [2]。編程時，首先由自定義函數(shù)initPWM（）初始化定時器，開啟 TIM 時鐘設置分頻；初始化 PWM 輸出通道；通過setAngle()函數(shù)改變占空比控制舵機旋轉(zhuǎn)角度;借助已知角度與占空比之間的關系：servo_temp=angle×200/180+50監(jiān)測小車是否到達固定節(jié)點,到達后,中斷開啟一次循環(huán)，定時遞增、遞減占空比，完成水平方向 180°平掃后歸正。軟件流程如圖3所示。

2.2.2 識別植物病害的神經(jīng)網(wǎng)絡模型搭建

（1）數(shù)據(jù)集構(gòu)建

數(shù)據(jù)采集與分類以葡萄葉片為研究對象，收集了葡萄葉片褐斑病、輪斑病、黑腐病、正常等4種葡萄葉片圖像樣本，每類葡萄葉片圖像樣本量各100張，共計400張葡萄葉片圖片[3]。對收集的原始病害圖像按病害種類進行分類，制作病害標簽，建立分類后的3種病害圖像和正常圖像樣本集，如圖4所示。

對400張圖像進行數(shù)據(jù)增廣處理。利用對比度變化、引入高斯噪聲、尺度變換等進行處理，將樣本量擴增10倍。3 模型訓練

利用Inception V1訓練農(nóng)作物病害識別模型，并選用谷歌提出的用于提取圖像特征的深度卷積神經(jīng)網(wǎng)絡。該網(wǎng)絡深度有22層，每個模塊包含1×1、3×3、5×5的卷積層和池化層。使用ReLu作為激活函數(shù)，Inception V1原始網(wǎng)絡結(jié)構(gòu)圖與降低特征圖厚度后的 Inception V1 網(wǎng)絡結(jié)構(gòu)如圖5、圖6所示。

本項目利用Edgeimpulse平臺部署Tensorflow lite，并將模型裝載到NXP-OpenArt攝像頭中。4 移動小車系統(tǒng)移動小車系統(tǒng)分為上位機和下位機，使用Jetson NanoB01開發(fā)板搭載Ubuntu 18.04系統(tǒng)，運用ROS系統(tǒng)Meldic實現(xiàn)地圖的創(chuàng)建算法，以及導航、避障、信息采集等功能。下位機以STM32F103RCT6為主控芯片，對電機和車舵機進行直接控制。上位機在實現(xiàn)導航算法的同時，會將舵機和電機的數(shù)據(jù)通過串口發(fā)送到下位機進行控制并執(zhí)行。 小車系統(tǒng)搭載激光雷達和RGBD相機實現(xiàn)數(shù)據(jù)融合建圖，增強了系統(tǒng)魯棒性和對農(nóng)業(yè)大棚環(huán)境的適應性。建圖時加入了回環(huán)檢測，當機器人路徑構(gòu)成回路時會對之前建立的地圖進行校正。為獲取更精確的數(shù)據(jù)，本文利用編碼器里程計和視覺里程計融合數(shù)據(jù)進行定位校準。通過使用電機自帶的霍爾編碼器，實時采集小車的位移數(shù)據(jù)，再由下位機將距離信息通過串口發(fā)送到上位機，配合角度傳感器構(gòu)建編碼器里程計，以此校準激光雷達里程計的定位。基于三維點云地圖導航，對農(nóng)業(yè)大棚環(huán)境所建立的地圖進行路徑規(guī)劃，設置定點巡邏，在一定區(qū)域范圍內(nèi)導航。環(huán)境監(jiān)測系統(tǒng)由移動小車搭載，實現(xiàn)定點巡邏與動態(tài)測量，硬件結(jié)構(gòu)如圖7所示。

5 農(nóng)作物生長環(huán)境監(jiān)測系統(tǒng)農(nóng)作物生長環(huán)境也是農(nóng)作物是否能健康生長的重要指標，所以需設置由移動小車搭載的動態(tài)高精度傳感器。其中，高精度傳感器包括SHT20高精度空氣溫濕度傳感器、BH1750FVI光照傳感器、MG811高精度二氧化碳傳感器、土壤濕度傳感器等，實時動態(tài)獲取農(nóng)作物生長環(huán)境的信息，并借助nRF24L01發(fā)送至無線通信系統(tǒng) [4]。傳感器性能指標如下 ： 如下 ： （1）MG811高精度二氧化碳傳感器 ：工作溫度為-20 ～ 50℃，自帶溫度補償功能，濃度監(jiān)測范圍為0～10000 ppm（室內(nèi)常規(guī)CO2濃度范圍為400～700 ppm）。 （2）SHT20空氣溫濕度傳感器 ：測量濕度范圍為20%RH ～ 90%RH，測量溫度范圍為 0 ～ 50℃，測量精度為±2 ℃，具有長期穩(wěn)定性。 （3）土壤濕度傳感器 ：采用 LM393 比較器芯片，工作穩(wěn)定性強。探針表面采用鍍鎳處理，可有效防止探針生銹。 （4）BH1750FVI光照傳感器：采用ROHM-BH1750FVI芯片，借助I2C通信。光照監(jiān)測范圍為0～65 535 Lux，內(nèi)部自帶電平轉(zhuǎn)換功能。 （5）HC-05藍牙模塊：工作頻段為2.4 GHz、傳輸速率為2 Mb/s，工作溫度范圍為-25 ～ 75℃，工作濕度為10%RH ～90%RH，傳輸距離為10 m。 6 無線通信系統(tǒng)與遠程云端交互6.1 無線通信系統(tǒng)

無線通信系統(tǒng)由WiFi接收系統(tǒng)和4G遠程通信系統(tǒng)構(gòu)成，主控采用STM32F103系列單片機，接收系統(tǒng)采用nRF24L01無線通信模組，用于接收移動小車上搭載的nRF24L01無線通信模組發(fā)出的節(jié)點信息數(shù)據(jù)，數(shù)據(jù)通過串口傳輸至STM32F103主控，主控將數(shù)據(jù)整合后通過4G模組傳輸至云端[5]。通信系統(tǒng)如圖8所示。

6.1.1 nRF24L01 傳輸模塊

nRF24L01是由NORDIC公司推出的工作在2.4～2.5GHz的ISM頻段單片無線收發(fā)芯片，在接收模式下可接收6路不同通道的數(shù)據(jù)。nRF24L01傳輸模塊原理如圖9所示。

6.1.2 4G 傳輸模塊

ATK-M751是正點原子開發(fā)的一款高性能全網(wǎng)通4GDTU產(chǎn)品，具有高速率、低延遲和無線數(shù)據(jù)數(shù)傳功能，支持TCP/UDP/HTTP等協(xié)議，可連接多種云服務器，支持上位機配置參數(shù)，同時也支持 RS 232和RS 485通信協(xié)議。4G傳輸模塊原理如圖10所示。

6.2 遠程云端交互

云服務器采用騰訊云平臺，客戶端采用騰訊連連微信小程序 [6]，用于實現(xiàn)節(jié)點數(shù)據(jù)的讀取與交互。

7 仿真及測試

用戶可以移動手機端登錄騰訊連連微信小程序，從交互界面查看數(shù)據(jù)。手機端界面如圖11所示。

OpenART-mini 攝像頭進行葡萄葉片病害的實際狀況測試，識別情況如圖12所示。

借助EDGE impulse深度學習平臺，對待測農(nóng)作物葉片進行特征提取，搭建訓練模型，訓練迭代20次后得到模型特征情況及準確率，如圖13、圖14所示。

8 結(jié) 語隨著科學農(nóng)業(yè)栽培技術與自動化控制技術的發(fā)展，農(nóng)作物栽培大多采用大棚種植。而農(nóng)場管理需要動用大規(guī)模人力資源。為優(yōu)化農(nóng)作物生長環(huán)境，實時動態(tài)監(jiān)測農(nóng)作物生長狀況，采用上述方案遠程監(jiān)測農(nóng)作物病害狀況，實時采集農(nóng)作物生長環(huán)境信息，實時提供反饋與預警 [7-8]。基于物聯(lián)網(wǎng)與深度學習技術的農(nóng)作物生長狀況遠程動態(tài)監(jiān)測系統(tǒng)一定程度上使農(nóng)業(yè)耕作更加科學化，并促進了農(nóng)作物高產(chǎn)、量產(chǎn)，具有一定的實際應用價值 [9-10]。

審核編輯 ：李倩