荊旭君, 郭永剛*，李 峰

（1. 西藏農(nóng)牧學(xué)院水利土木工程學(xué)院，林芝 860000；2. 西藏土木水利電力工程技術(shù)研究中心，林芝 860000）

0 引言

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等技術(shù)的現(xiàn)代農(nóng)業(yè)管理系統(tǒng)的逐步發(fā)展，很多學(xué)者為了更好地了解農(nóng)田環(huán)境信息，設(shè)計(jì)農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)旨在通過(guò)實(shí)時(shí)監(jiān)測(cè)和分析農(nóng)田環(huán)境參數(shù),為農(nóng)作物提供良好的生長(zhǎng)環(huán)境，保障農(nóng)產(chǎn)品的質(zhì)量，提高農(nóng)業(yè)生產(chǎn)效率［1-4］。人工智能技術(shù)在智能農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)方面有著廣泛的應(yīng)用前景，可以幫助人們更加準(zhǔn)確、及時(shí)地分析預(yù)測(cè)農(nóng)作物生長(zhǎng)環(huán)境，有效地降低自然環(huán)境造成的損失［5-6］。丁奇安等［7］采用優(yōu)化后的模型，利用Jetson Nano在嵌入式開(kāi)發(fā)平臺(tái)上進(jìn)行了有效的推理驗(yàn)證；許龍銘等［8］利用Jetson Nano 平臺(tái)驅(qū)動(dòng)進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè)，通過(guò)搭建的卷積神經(jīng)網(wǎng)絡(luò)模型，主要完成水果識(shí)別；李揚(yáng)等［9］將改進(jìn)后的模型在Jetson Nano 2款嵌入式開(kāi)發(fā)板上進(jìn)行測(cè)試，充分利用圖像識(shí)別技術(shù)提取草莓各階段生長(zhǎng)狀況；黃河清等［10］在嵌入式平臺(tái)Jetson Nano 優(yōu)化算法后，試驗(yàn)結(jié)果表明，目標(biāo)檢測(cè)系統(tǒng)對(duì)柑橘果實(shí)的識(shí)別平均準(zhǔn)確率達(dá)93.01%。目前大多數(shù)的學(xué)者研究?jī)A向于用目標(biāo)檢測(cè)技術(shù)監(jiān)測(cè)某種水果特征，測(cè)試結(jié)果單一。本文將Jetson Nano 遷移到農(nóng)作物病蟲(chóng)害的監(jiān)測(cè)，通過(guò)對(duì)多種農(nóng)作物蟲(chóng)害相關(guān)的圖像進(jìn)行識(shí)別，可以快速準(zhǔn)確地發(fā)現(xiàn)和定位農(nóng)作物蟲(chóng)害（主要利用目標(biāo)檢測(cè)技術(shù)進(jìn)行蟲(chóng)害識(shí)別）。

綜上所述，結(jié)合大量設(shè)計(jì)及實(shí)際應(yīng)用，本文研究并設(shè)計(jì)了一款基于Jetson Nano 的農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)。相比現(xiàn)有智能農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)，該設(shè)計(jì)通過(guò)Jetson Nano 識(shí)別蟲(chóng)害信息，通過(guò)智能手機(jī)和Web 網(wǎng)頁(yè)實(shí)現(xiàn)數(shù)據(jù)共享和交互操作，系統(tǒng)的總體框架如圖1 所示。借助人工智能技術(shù),智能農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)可以不斷地學(xué)習(xí)和優(yōu)化決策模型，提高預(yù)測(cè)和管理建議的準(zhǔn)確性［11-12］。此外，通過(guò)分析歷史數(shù)據(jù)和現(xiàn)有農(nóng)業(yè)知識(shí)，系統(tǒng)還可以輔助農(nóng)業(yè)科研、政策制定和市場(chǎng)分析等工作［13］。

圖1 農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)總體架構(gòu)圖

1 系統(tǒng)硬件結(jié)構(gòu)設(shè)計(jì)

1.1 系統(tǒng)總體架構(gòu)

本文綜合分析農(nóng)作物生長(zhǎng)環(huán)境中的電導(dǎo)率、pH 值和蟲(chóng)害等相關(guān)參數(shù)，并且考慮各電路之間的信號(hào)干擾、各個(gè)傳感器和主控制芯片電源共用等因素，將電路進(jìn)行模塊化設(shè)計(jì)，方便電路之間進(jìn)行信號(hào)傳送［14］。如圖2 所示，本系統(tǒng)的設(shè)計(jì)核心是一套覆蓋農(nóng)田環(huán)境的傳感器網(wǎng)，以STC12C5A60S2 作為主控制系統(tǒng)，采用土壤溫濕度傳感器、風(fēng)速風(fēng)向變送器、光照溫濕度傳感器以及Jetson Nano 作為農(nóng)田環(huán)境監(jiān)測(cè)模塊，通過(guò)接入不同類(lèi)型的傳感器和設(shè)備,系統(tǒng)可以監(jiān)測(cè)各種作物生長(zhǎng)情況和各種農(nóng)業(yè)生長(zhǎng)環(huán)境信息，利用RS-485 串口，通過(guò)modbus 總線讀取傳感器數(shù)據(jù)，最終由4G 網(wǎng)絡(luò)通信模塊將數(shù)據(jù)發(fā)送到遠(yuǎn)程計(jì)算機(jī)［15］。本次設(shè)計(jì)選擇一塊封閉式、免維護(hù)的12 V 蓄電池以及太陽(yáng)能板作為監(jiān)測(cè)系統(tǒng)的電源，提供12 V 電壓以保證傳感器工作穩(wěn)定，電源電路設(shè)計(jì)了穩(wěn)壓處理，12 V 電壓通過(guò)穩(wěn)壓電路后再輸出。

圖2 農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)硬件架構(gòu)圖

1.2 RS-485通信模塊

TTL to RS485 module 模塊是RS-485 通信模塊的一種常用的通信模塊，其主要作用是實(shí)現(xiàn)不同設(shè)備之間的數(shù)據(jù)傳輸和通信［16］。TTL 電平信號(hào)通常用于單片機(jī)內(nèi)部的數(shù)據(jù)傳輸，而RS-485 電平信號(hào)則用于單片機(jī)與外部設(shè)備之間的通信。如圖3 所示，TTL to RS485 模塊通常由一個(gè)MAX3845 芯片和一些外圍電路組成，其中RXD1、TXD1 管腳是發(fā)送和接收引腳，直接連接與STC12C5A60S2單片機(jī)的P1.1和P1.2 I/O口，其中A1 端和B1 端分別是接收和發(fā)送的差分信號(hào)端，直接與傳感器的A 端和B 端相連，由一個(gè)0.1 μF 的電容進(jìn)行濾波，可以提供穩(wěn)定的電源和保證信號(hào)質(zhì)量。

圖3 TTL to RS485 module 模塊電路圖

1.3 傳感器監(jiān)測(cè)模塊

為了監(jiān)測(cè)土壤的溫濕度、電導(dǎo)率、pH 值等數(shù)據(jù)，需要土壤綜合傳感器，可以感應(yīng)并測(cè)量出土壤溫濕度、pH 值、電導(dǎo)率等參數(shù)的變化，提供土壤狀況的實(shí)時(shí)數(shù)據(jù)；光溫濕度傳感器可以測(cè)量周?chē)h(huán)境的光、溫度、濕度等信息，根據(jù)周?chē)h(huán)境狀況的變化，提供相關(guān)研究參數(shù)的實(shí)時(shí)變化；風(fēng)速和風(fēng)向變送器是測(cè)量氣體流體中的風(fēng)速和風(fēng)向的傳感器，根據(jù)氣體流體的速度變化，將風(fēng)速和風(fēng)向轉(zhuǎn)換成標(biāo)準(zhǔn)電信號(hào)輸出。這些傳感器通常由兩個(gè)部分組成，一個(gè)是感應(yīng)器，另一個(gè)是數(shù)據(jù)采集器。如表1所示，傳感器的技術(shù)參數(shù)保證了傳感器監(jiān)測(cè)模塊在農(nóng)田環(huán)境中穩(wěn)定工作。如圖4所示，將所有傳感器組合在一條RS-485 總線上，通過(guò)RS-485 通信模塊將數(shù)據(jù)傳輸?shù)絾纹瑱C(jī)或其他設(shè)備進(jìn)行分析處理。

表1 各傳感器技術(shù)參數(shù)

圖4 傳感器監(jiān)測(cè)模塊實(shí)物圖

1.4 4G網(wǎng)絡(luò)傳輸模塊

4G 網(wǎng)絡(luò)傳輸模塊實(shí)現(xiàn)串口設(shè)備上傳網(wǎng)絡(luò)服務(wù)器，利用LTE Cat-1 網(wǎng)絡(luò)互傳數(shù)據(jù)所開(kāi)發(fā)出的產(chǎn)品只需簡(jiǎn)單地設(shè)定AT 指令就可以方便地利用該產(chǎn)品在串口與網(wǎng)絡(luò)之間實(shí)現(xiàn)雙向的數(shù)據(jù)上傳。農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)需要實(shí)時(shí)收集傳感器數(shù)據(jù)并將其傳輸至服務(wù)器。需要將WH-LTE-7S1網(wǎng)絡(luò)傳輸模塊、傳感器與單片機(jī)連接，并通過(guò)TTL 串口實(shí)現(xiàn)數(shù)據(jù)通信，將收到的TTL 數(shù)據(jù)轉(zhuǎn)換為4G 信號(hào)，通過(guò)無(wú)線網(wǎng)絡(luò)將數(shù)據(jù)發(fā)送至遠(yuǎn)程服務(wù)器。

1.5 視覺(jué)處理單元模塊

基于Jetson Nano 的蟲(chóng)害目標(biāo)檢測(cè)系統(tǒng)主要包括以下幾個(gè)部分：圖像采集模塊、Jetson Nano開(kāi)發(fā)板、AI 模型以及監(jiān)測(cè)與控制系統(tǒng)［17-20］。如圖5所示為Jetson Nano工作流程，圖像采集模塊進(jìn)行初始化，保證正常運(yùn)行后，利用圖像采集器對(duì)不同的蟲(chóng)害進(jìn)行動(dòng)態(tài)拍攝，它基于Jetson Nano 的SSD 圖像識(shí)別技術(shù)實(shí)現(xiàn)，將圖像進(jìn)行預(yù)處理，再通過(guò)深度學(xué)習(xí)模型訓(xùn)練對(duì)目標(biāo)進(jìn)行定位分類(lèi)。明確植物蟲(chóng)害的分類(lèi)信息并進(jìn)行訓(xùn)練，再采用重復(fù)驗(yàn)證方式進(jìn)行分類(lèi)并歸集處理。通過(guò)不斷訓(xùn)練，提高系統(tǒng)對(duì)圖像的識(shí)別率。

圖5 Jetson Nano工作流程圖

2 系統(tǒng)軟件設(shè)計(jì)

2.1 單片機(jī)軟件設(shè)計(jì)

傳感器和Jetson Nano 軟件程序在Keil 中使用STC 系列單片機(jī)配套的開(kāi)發(fā)環(huán)境編程，主要采用模塊化進(jìn)行設(shè)計(jì)，對(duì)傳感器數(shù)據(jù)采集、目標(biāo)檢測(cè)系統(tǒng)以及4G 網(wǎng)絡(luò)通信上傳部分分別使用C語(yǔ)言編程，各個(gè)功能模塊單獨(dú)工作，方便調(diào)試和采集。系統(tǒng)完整程序的工作流程圖如圖6 所示。該部分主要是完成了傳感器監(jiān)測(cè)系統(tǒng)各部分初始化，獲取傳感器和Jetson Nano 數(shù)據(jù)程序、顯示數(shù)據(jù)程序、發(fā)送數(shù)據(jù)和其他函數(shù)程序的調(diào)用，風(fēng)速、風(fēng)向、光照溫濕度和土壤中的溫度、濕度、電導(dǎo)率以及pH 值信號(hào)的采集。主程序是整個(gè)控制系統(tǒng)的運(yùn)行步驟，體現(xiàn)了農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)的控制過(guò)程。

圖6 單片機(jī)程序流程圖

2.2 Web網(wǎng)頁(yè)設(shè)計(jì)

本文采用MySQL 數(shù)據(jù)庫(kù)，用于存儲(chǔ)傳感器監(jiān)測(cè)模塊和Jetson Nano 采集到的數(shù)據(jù)，并向用戶提供響應(yīng)速度快、查詢質(zhì)量高的數(shù)據(jù)服務(wù)。Web 網(wǎng)頁(yè)主要由前端交互界面和后端數(shù)據(jù)處理兩部分組成，在計(jì)算機(jī)終端登錄本系統(tǒng)后，能夠?yàn)g覽系統(tǒng)數(shù)據(jù)監(jiān)測(cè)界面，并在此界面查詢各個(gè)傳感器和Jetson Nano 的監(jiān)測(cè)數(shù)據(jù)，具有訪問(wèn)快捷、操作簡(jiǎn)單的優(yōu)點(diǎn)，如圖7所示。為了提高用戶體驗(yàn)，還設(shè)計(jì)了用戶交互功能，通過(guò)智能手機(jī)掃描二維碼可以隨時(shí)查看農(nóng)田環(huán)境信息，幫助用戶輕松掌握各個(gè)環(huán)境參數(shù)。

圖7 Web網(wǎng)頁(yè)數(shù)據(jù)監(jiān)測(cè)界面

3 目標(biāo)檢測(cè)技術(shù)在植物蟲(chóng)害檢測(cè)中的應(yīng)用

3.1 植物蟲(chóng)害檢測(cè)功能設(shè)計(jì)

Jetson Nano 開(kāi)發(fā)板負(fù)責(zé)圖像處理和目標(biāo)檢測(cè)任務(wù)，搭載了強(qiáng)大的GPU，可以快速運(yùn)行深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)算法。植物蟲(chóng)害目標(biāo)檢測(cè)采用SSD模型，本文的SSD是在原有SSD目標(biāo)檢測(cè)架構(gòu)的基礎(chǔ)上進(jìn)行優(yōu)化。最初SSD 采用在ImageNet 上預(yù)先訓(xùn)練的VGG 模型并將VGG 模型的全連接層更換為全卷積層，最終增加部分新卷積層來(lái)繼續(xù)對(duì)圖像進(jìn)行特征提取。如圖8 所示，經(jīng)過(guò)模型訓(xùn)練，不同角度、光照條件和背景環(huán)境條件下，可以成功識(shí)別出這些與植物顏色比較相近的蟲(chóng)害。模型分析圖像，識(shí)別出圖像中的害蟲(chóng)，并將識(shí)別結(jié)果以邊界框、標(biāo)簽等形式標(biāo)記在原始圖像上，同時(shí)記錄識(shí)別到的蟲(chóng)害數(shù)量、位置等信息（SSD300 中的300 表示輸入圖像的尺寸為300×300）。為了能夠有效地驗(yàn)證植物蟲(chóng)害識(shí)別的效果，選用18 種昆蟲(chóng)特征圖，每一層特征圖上的先驗(yàn)框尺寸為

圖8 視覺(jué)識(shí)別檢測(cè)目標(biāo)圖

式中：Sk表示先驗(yàn)框大小相對(duì)于圖片的比例；Smin和Smax表示比例的最小值與最大值均為超參數(shù)；其中里面取0.2 和0.9；Sk為第k個(gè)特征參數(shù)圖像上驗(yàn)框的最大尺寸占原始圖像邊長(zhǎng)的比例；m表示選取的檢測(cè)特征圖的數(shù)量減去1；k為特征圖的序號(hào)。

3.2 植物蟲(chóng)害檢測(cè)測(cè)試結(jié)果

本文選取了7839 張圖片作為訓(xùn)練集，首先將每一張圖片進(jìn)行了標(biāo)注，隨機(jī)打亂順序后抽取其中90%（大約7055 張圖片）作為訓(xùn)練集，選擇其中10%（大約784張圖片）作為測(cè)試集，總共進(jìn)行了200 次epoch 訓(xùn)練，每一次訓(xùn)練，都會(huì)進(jìn)行一次驗(yàn)證。表2 展示了訓(xùn)練過(guò)程中每個(gè)epoch訓(xùn)練完成后網(wǎng)絡(luò)的損失函數(shù)值和平均精確率，為了便于觀察測(cè)試集、平均精確率和驗(yàn)證集數(shù)據(jù)變化，每進(jìn)行10 次訓(xùn)練，在表格中記錄一次數(shù)據(jù)，SSD-loss、SSD-mAP、SSD-val-loss 分別代表SSD在訓(xùn)練集上損失函數(shù)值、SSD的平均精確度、SSD在測(cè)試集上的損失函數(shù)值。

表2 各網(wǎng)絡(luò)模型的損失函數(shù)值和平均精確度

網(wǎng)絡(luò)學(xué)習(xí)模型在每個(gè)epoch 訓(xùn)練結(jié)束后計(jì)算出平均精度值和損失函數(shù)值，并繪制成折線圖，圖9 的左圖中x軸代表訓(xùn)練的epoch，y軸為模型在測(cè)試集上的AP 值，右圖中x軸代表訓(xùn)練的epoch，y軸為模型的loss值。SSD 網(wǎng)絡(luò)模型訓(xùn)練和測(cè)試使用的輸入圖像分辨率為300*300。SSD 訓(xùn)練過(guò)程中每完成一個(gè)epoch 采集一次loss和mAP。訓(xùn)練初期loss呈現(xiàn)平緩下降的趨勢(shì)，而精確率快速上升；訓(xùn)練達(dá)到50次以后，隨著訓(xùn)練次數(shù)的逐漸增加loss值會(huì)逐漸減小，精確率變化率逐漸增大，在學(xué)習(xí)率衰減后loss快速下降，精確率快速上升，最終loss為28.0，mAP為0.80。

圖9 SSD模型訓(xùn)練過(guò)程變化折線圖

4 結(jié)語(yǔ)

本文從農(nóng)業(yè)生產(chǎn)環(huán)境的實(shí)際應(yīng)用角度出發(fā)，主要研發(fā)了基于Jetson Nano 的農(nóng)業(yè)監(jiān)控系統(tǒng)，以便實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)農(nóng)田環(huán)境數(shù)據(jù)。經(jīng)過(guò)測(cè)試，系統(tǒng)已經(jīng)實(shí)現(xiàn)設(shè)計(jì)需求，采集的數(shù)據(jù)精度較高。本文以農(nóng)作物生長(zhǎng)環(huán)境為研究對(duì)象，采用以RS-485 通信的傳感器，通過(guò)串口接收、發(fā)送和上傳數(shù)據(jù)，利用機(jī)器學(xué)習(xí)中的目標(biāo)檢測(cè)技術(shù)進(jìn)行植物蟲(chóng)害方面的監(jiān)測(cè)，檢測(cè)結(jié)果是SSD300 訓(xùn)練過(guò)程中l(wèi)oss 和mAP 呈現(xiàn)出相關(guān)性，并搭建了簡(jiǎn)潔的Web 界面，以便于向用戶呈現(xiàn)實(shí)時(shí)數(shù)據(jù)。針對(duì)現(xiàn)代農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)的智能化特點(diǎn)，我們需要進(jìn)一步推廣目標(biāo)檢測(cè)技術(shù)在智能農(nóng)業(yè)技術(shù)中的應(yīng)用，可以通過(guò)應(yīng)用目標(biāo)檢測(cè)技術(shù)繼續(xù)檢測(cè)農(nóng)作物疾病和農(nóng)作物長(zhǎng)勢(shì)，并且進(jìn)一步研究基于Web 技術(shù)的多終端訪問(wèn)?；贘etson Nano 的農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)可以為實(shí)現(xiàn)可持續(xù)農(nóng)業(yè)發(fā)展和現(xiàn)代農(nóng)業(yè)的轉(zhuǎn)型升級(jí)提供有力支撐。