潘寧

摘要：為實時監(jiān)控農(nóng)作物生長狀況并及時預(yù)警農(nóng)作物病蟲害，設(shè)計了一種農(nóng)作物病蟲害識別和監(jiān)控系統(tǒng)。通過攝像頭和傳感器對農(nóng)作物生長狀況和周圍環(huán)境進行實時監(jiān)控，數(shù)據(jù)通過LoRa遠距離無線通信技術(shù)上傳到云服務(wù)器，然后由ModelArts平臺構(gòu)建出農(nóng)作物病蟲害識別模型，判斷農(nóng)作物是否患病以及患病的種類，為農(nóng)作物病蟲害防治提供支持，降低人工識別工作量，提高識別效率，為智慧農(nóng)業(yè)提供創(chuàng)新思路。

關(guān)鍵詞：LoRa；嵌入式；圖像識別；ModelArts

中圖分類號：TP274；TP391.41；S126? ? ?文獻標識碼：A

文章編號：1009-3044（2023）06-0082-03

開放科學（資源服務(wù)）標識碼（OSID）

保障農(nóng)業(yè)生產(chǎn)一直是國家戰(zhàn)略的重點，影響農(nóng)作物產(chǎn)量的因素除了氣候、環(huán)境，另一個很重要的因素是農(nóng)作物病蟲害，每年都會有超過四成的自然損失是由于農(nóng)業(yè)種植和生長過程中出現(xiàn)了病蟲害問題[1]。傳統(tǒng)人工經(jīng)驗識別的方法，在效率和準確率上都不夠理想[2]。如果不能及時判斷農(nóng)作物所患病蟲害的種類和嚴重程度，就可能耽誤農(nóng)作物治療時間，導(dǎo)致災(zāi)情擴大。此外，錯誤的診斷和治療，可能造成人力物力財力的損失和浪費。針對病蟲害的防治，直接有效的方式是對農(nóng)作物種植區(qū)的環(huán)境進行監(jiān)控，觀察農(nóng)作物病蟲害實體情況，一旦發(fā)現(xiàn)及時進行識別和處理，從而避免擴散。

目前，在農(nóng)作物病蟲害識別領(lǐng)域已有相關(guān)應(yīng)用案例，取得了一定的階段性成果。Thorat等人設(shè)計了葉片病害的遠程監(jiān)控系統(tǒng)，可以把農(nóng)作物葉片病害圖像通過Wi-Fi發(fā)送給農(nóng)民[3]。Yang等人基于聲發(fā)射理論和植物病害應(yīng)激理論，通過無線傳感器網(wǎng)絡(luò)（WSN），采集了室外植物聲源信號，對植物的健康狀況，疾病的早期、中期和晚期進行分類[4]。Habib等人提出基于機器視覺識別木瓜病害的在線專家系統(tǒng)，該系統(tǒng)使用移動電話或手持設(shè)備捕捉受病害影響的木瓜的圖像，圖像被發(fā)送到后端服務(wù)器進行識別，再通過前端軟件發(fā)送到用戶的手持設(shè)備[5]。沈凱文等人提出了基于 GIS平臺的農(nóng)作物病蟲害智能監(jiān)測系統(tǒng)，但要求使用移動端設(shè)備對準疑似病變部位進行檢測[6]。

這些研究對農(nóng)業(yè)病蟲害和智慧農(nóng)業(yè)的發(fā)展起到積極推動作用，然而針對實際應(yīng)用仍存在一些問題。（1）無線數(shù)據(jù)傳輸中多采用Wi-Fi和ZigBee等無線通信技術(shù)，存在著通信距離短、需提前完成Wi-Fi覆蓋等問題，導(dǎo)致很多使用場景受到限制。（2）系統(tǒng)采集端采集的數(shù)據(jù)類型較單一，需要使用手持設(shè)備進行現(xiàn)場數(shù)據(jù)采集，自動化程度不高。（3）現(xiàn)有病蟲害的識別方案大多是在現(xiàn)場應(yīng)用，缺少對農(nóng)作物現(xiàn)場實時圖像的遠程采集、傳輸以及自動識別病蟲害進行預(yù)警。

針對上述存在的問題，提出了基于LoRa的農(nóng)作物病蟲害識別與監(jiān)控系統(tǒng)。在感知層實現(xiàn)了傳感器數(shù)據(jù)及圖像數(shù)據(jù)的自動采集與上傳；網(wǎng)絡(luò)層通過LoRa遠距離通信，實現(xiàn)了廣域網(wǎng)覆蓋，通過LoRa網(wǎng)關(guān)實現(xiàn)數(shù)據(jù)上云；云端利用人工智能技術(shù)，判斷農(nóng)作物是否患病以及農(nóng)作物患病的種類，并給出相應(yīng)治療方案。該系統(tǒng)可以將農(nóng)作物生長過程和環(huán)境的相關(guān)數(shù)據(jù)進行采集和分析，對農(nóng)業(yè)病蟲害進行監(jiān)控，可以更好地滿足智慧農(nóng)業(yè)在病蟲害防治的需求。

1 整體方案設(shè)計

本文設(shè)計的農(nóng)作物病蟲害識別與監(jiān)控系統(tǒng)，能夠及時預(yù)警農(nóng)作物病蟲害，實時監(jiān)控農(nóng)作物是否遭受病蟲害，整個系統(tǒng)具備數(shù)據(jù)采集、數(shù)據(jù)傳輸和農(nóng)作物病蟲害識別功能。本系統(tǒng)主要由LoRa采集節(jié)點、LoRa網(wǎng)關(guān)、物聯(lián)網(wǎng)云構(gòu)成，系統(tǒng)的總體設(shè)計如圖1所示。

LoRa采集節(jié)點作為傳感器和圖像的采集前端，承擔了傳感器和圖像的數(shù)據(jù)采集功能。傳感器負責氣象數(shù)據(jù)和土壤溫濕度數(shù)據(jù)等農(nóng)業(yè)基礎(chǔ)數(shù)據(jù)，可以根據(jù)實際需要增加和更換不同的傳感器。圖像數(shù)據(jù)通過CMOS攝像頭拍攝農(nóng)作物圖像，本系統(tǒng)選用OV5640 攝像頭，通過SCCB（Serial Camera Control Bus）總線進行通訊，將攝像頭圖像數(shù)據(jù)通過LoRa無線通信方式發(fā)送給LoRa網(wǎng)關(guān)。

利用LoRa遠距離無線通信技術(shù)將終端采集節(jié)點的數(shù)據(jù)匯總到網(wǎng)關(guān)節(jié)點，再通過4G/5G或Wi-Fi技術(shù)實現(xiàn)網(wǎng)關(guān)節(jié)點和物聯(lián)網(wǎng)云的通信，實現(xiàn)了傳感器和圖像數(shù)據(jù)上傳至物聯(lián)網(wǎng)云端。

云端服務(wù)器接收到農(nóng)作物圖像信息，通過云端部署訓(xùn)練完成的農(nóng)作物病蟲害識別模型，得出農(nóng)作物患病種類，反饋給用戶并推薦合適的防治措施。

2 系統(tǒng)硬件設(shè)計

2.1 LoRa無線通信

LoRa是一種新興LPWAN（低功耗廣域網(wǎng)）技術(shù)，該技術(shù)是基于Chirp的擴頻調(diào)制技術(shù)。與ZigBee、WirelessHart等傳統(tǒng)WSN技術(shù)相比，LoRa具有無線通信距離遠（可達10公里）、抗干擾能力強、抗頻偏、節(jié)點功耗低等優(yōu)點[7-8]。LoRa工作在非授權(quán)的頻段，LoRa終端節(jié)點和網(wǎng)關(guān)的成本較低，網(wǎng)絡(luò)的基礎(chǔ)建設(shè)和運營成本低。此外，LoRa組網(wǎng)靈活，支持星狀、樹狀、Mesh等多種組網(wǎng)形式。

2.2 LoRa采集節(jié)點硬件設(shè)計

針對農(nóng)業(yè)病蟲害監(jiān)控系統(tǒng)的應(yīng)用場景和采集節(jié)點對于微控制器的需求，系統(tǒng)選擇國產(chǎn)支持LoRa通信的SoC ASR6502。該芯片集成了LoRa無線收發(fā)器、調(diào)制解調(diào)器和ARM架構(gòu)的32位MCU，是全頻段LoRa芯片。ASR6502的封裝體積小（7mm×7mm×0.9mm）、集成度高，可以較大程度地減少外圍器件，簡化采集節(jié)點設(shè)計并節(jié)省PCB面積。

攝像頭采用了CMOS數(shù)字圖像傳感器 OV5640。OV5640 攝像頭支持輸出圖像可達500萬像素（2592×1944分辨率），能夠給用戶提供清晰的圖像。此外，攝像頭帶有自動對焦功能，可以滿足農(nóng)作物的圖像采集的需求。

ASR6502可通過SCCB總線配置OV5640相關(guān)寄存器，從而進行攝像頭各參數(shù)設(shè)置。SCCB屬于簡化的I2C總線， ASR6502可以通過GPIO模擬SCCB總線的方式與攝像頭進行通訊。SCCB不支持多字節(jié)的讀寫，每次傳輸只能寫入或讀取一個字節(jié)的數(shù)據(jù)。通過操作SCCB的指令實現(xiàn)自動聚焦功能，輸出圖像時選擇 JPEG 格式。

采集節(jié)點的硬件部分主要由低功耗芯片ASR6502、OV5640攝像頭、外部ADC和DAC接口電路組成，其硬件電路結(jié)構(gòu)如圖2所示：

2.3 LoRa網(wǎng)關(guān)硬件設(shè)計

LoRa網(wǎng)關(guān)又稱為LoRa基站，位于網(wǎng)絡(luò)核心位置，是LoRa采集節(jié)點上傳的數(shù)據(jù)和云平臺信息交互的橋梁。LoRa網(wǎng)關(guān)設(shè)備負責將傳感器和攝像頭的采集的數(shù)據(jù)解析并按照規(guī)定協(xié)議進行匯聚，通過Wi-Fi網(wǎng)絡(luò)、4G或5G移動網(wǎng)絡(luò)實現(xiàn)數(shù)據(jù)上云端。LoRa網(wǎng)關(guān)硬件結(jié)構(gòu)如圖3所示。

網(wǎng)關(guān)主要由主控制器、LoRa通信模塊、Wi-Fi通信模塊、4G或5G通信模塊組成。主控制器采用國產(chǎn)中科芯的32位MCU，CKS32F407微處理器，其采用高性能的ARM Cortex M4的32位RISC內(nèi)核，最高工作頻率為168MHz，用于完成數(shù)據(jù)處理與控制功能。LoRa網(wǎng)關(guān)通信模組選擇SX1302，該模組支持16個上行并發(fā)通道與2個下行通道，通過射頻前端芯片SX1250，完成網(wǎng)關(guān)與采集節(jié)點的信息交互。

3 云平臺

云平臺主要展示農(nóng)作物環(huán)境監(jiān)測等相關(guān)信息，包括空氣溫濕度、土壤濕度、土壤養(yǎng)分、光照強度和農(nóng)作物生長過程圖片等信息。通過對農(nóng)作物監(jiān)測數(shù)據(jù)進行存儲、分析，建立可視化模型，為農(nóng)業(yè)精細化管理提供大數(shù)據(jù)支撐。

針對許多農(nóng)業(yè)企業(yè)擁有大量的農(nóng)業(yè)相關(guān)數(shù)據(jù)，但缺少使用人工智能的開發(fā)經(jīng)驗，無法高效實現(xiàn)AI對農(nóng)業(yè)的賦能。系統(tǒng)提出了使用 ModelArts平臺高效開發(fā)人工智能模型，以解決上述痛點。ModelArts是面向AI開發(fā)者的一站式開發(fā)平臺，提供包括海量數(shù)據(jù)預(yù)處理、算法開發(fā)、大規(guī)模分布式訓(xùn)練、自動化模型生成和部署都可以在ModelArts上完成[9]。通過在ModelArts上進行農(nóng)作物病蟲害圖像識別的開發(fā)和部署，完成農(nóng)作物病蟲害圖像識別模型并將其部署到了網(wǎng)頁端和手機端。ModelArts的算法開發(fā)、模型訓(xùn)練和部署流程如圖4所示。

通過ModelArts平臺進行農(nóng)作物病蟲害識別的具體設(shè)計步驟如下：

（1）創(chuàng)建數(shù)據(jù)集

根據(jù)現(xiàn)有農(nóng)作物圖像資料構(gòu)建農(nóng)作物病蟲害的基礎(chǔ)數(shù)據(jù)集，本文采用的數(shù)據(jù)集是AI Challenger 2018競賽農(nóng)作物葉子圖像的數(shù)據(jù)集。該數(shù)據(jù)集標注了包含常見農(nóng)作物的病害種類，例如蘋果、櫻桃、葡萄、柑桔、桃、草莓、番茄、辣椒、玉米、馬鈴薯等10種植物的27種病害。將這些植物的圖像數(shù)據(jù)導(dǎo)入到ModelArts，通過自動標注或手動標注標簽，生成農(nóng)作物病害的基礎(chǔ)數(shù)據(jù)集。

（2）使用預(yù)置算法訓(xùn)練數(shù)據(jù)集并生成模型

將農(nóng)作物病害的基礎(chǔ)數(shù)據(jù)集按照訓(xùn)練集和驗證集進行劃分，劃分比例為4：1，設(shè)置好最大訓(xùn)練時長和訓(xùn)練偏好即可進行完成訓(xùn)練設(shè)置。模型訓(xùn)練結(jié)果可以提供整個模型的召回率、精確率、準確率和F1值。

（3）模型部署和測試

當模型訓(xùn)練完成后，即可使用訓(xùn)練好的模型進行部署。ModelArts支持各種部署場景一鍵部署，可以將農(nóng)作物病害訓(xùn)練模型部署為云端的在線推理服務(wù)，也可以推送部署到邊緣設(shè)備中。

LoRa節(jié)點采集的農(nóng)作物圖像可在云端進行存儲和分析，上傳到訓(xùn)練好的模型中即可進行農(nóng)作物病害識別，圖5為葡萄葉片病害的識別預(yù)測結(jié)果示例，在預(yù)測結(jié)果中可以得到每一種病害類別的細粒度量化的置信度。

ModelArts提供了一個可調(diào)用的API接口，通過編寫POST語句對API發(fā)起預(yù)測請求，即可預(yù)測服務(wù)返回的結(jié)果。此外，ModelArts在AI Gallery中貢獻了開源數(shù)據(jù)集，分享了大量的算法和模型，比如YOLOv5， Mask-RCNN，ResNet50等，可以針對不同應(yīng)用選擇不同算法模型，進行快速訓(xùn)練和模型部署。

4 結(jié)束語

為了解決環(huán)境監(jiān)測指標單一，通信距離短，應(yīng)用場景局限的問題，本文設(shè)計了基于LoRa的農(nóng)業(yè)病蟲害識別與監(jiān)測系統(tǒng)，能夠?qū)崿F(xiàn)在戶外環(huán)境下24 小時自動化采集氣象信息、病蟲害圖像信息，并上傳至云端進行農(nóng)作物病蟲害識別。通過ModelARTs設(shè)計實現(xiàn)了農(nóng)業(yè)病蟲害的識別模型開發(fā)和云端部署。該系統(tǒng)具有廣闊的市場空間和應(yīng)用前景，可以更好地滿足我國智慧農(nóng)業(yè)的發(fā)展需求，解決農(nóng)作物病蟲害的診斷、識別和防治的問題，實現(xiàn)精準農(nóng)業(yè)，助力鄉(xiāng)村振興。

參考文獻：

[1] 李林，周晗，郭旭超，等.基于多源信息融合的中文農(nóng)作物病蟲害命名實體識別[J].農(nóng)業(yè)機械學報，2021，52（12）：253-263.

[2] 張永玲，姜夢洲，俞佩仕，等.基于多特征融合和稀疏表示的農(nóng)業(yè)害蟲圖像識別方法[J].中國農(nóng)業(yè)科學，2018，51（11）：2084-2093.

[3] Thorat A，Kumari S，Valakunde N D.An IoT based smart solution for leaf disease detection[C]//2017 International Conference on Big Data，IoT and Data Science （BID）.December 20-22，2017，Pune，India.IEEE，2018：193-198.

[4] Yang Z Q，Ye H M，Liu Y Z.Research on plant disease detection technology based on wireless sensor network[C]//2021 IEEE 4th Advanced Information Management，Communicates，Electronic and Automation Control Conference （IMCEC）.June 18-20，2021，Chongqing，China.IEEE，2021：1928-1931.

[5] Habib M T，Majumder A，Jakaria A Z M，et al.Machine vision based papaya disease recognition[J].Journal of King Saud University-Computer and Information Sciences，2020，32（3）：300 -309.

[6] 沈凱文，李浩偉，韓進，等.基于卷積神經(jīng)網(wǎng)絡(luò)的病蟲害可視化監(jiān)測系統(tǒng)設(shè)計[J].軟件導(dǎo)刊，2020，19（9）：122-126.

[7] 趙文舉.低功耗廣覆蓋LoRa系統(tǒng)的研究與應(yīng)用[D].北京：北京郵電大學，2019.

[8] 歐洋，馬春燕，郝彥釗.基于LoRa氣霧立體栽培環(huán)境數(shù)據(jù)監(jiān)測系統(tǒng)設(shè)計[J].電子器件，2022，45（1）：244-250.

[9] 呂海龍，遲冬祥.基于華為AI開發(fā)平臺的圖像識別原型開發(fā)[J].數(shù)字技術(shù)與應(yīng)用，2022，40（1）：183-188.

【通聯(lián)編輯：梁書】