黃儀龍 于起祥 趙云飛 劉佳鑫 吳貴芳

摘要：針對目前農田識別病蟲害和實時預警方面的能力欠佳、靈敏度不足等問題，提出一種新型且能快速監(jiān)測、識別、預警病蟲害的農田精準監(jiān)測系統(tǒng)，通過無人機上集成光流傳感器、BDS導航模塊、攝像頭等模塊，同時在軟件上加入深度可分離卷積和點態(tài)卷積算法，使識別精度達到了93.62%，并且識別速度也得到了提升，能滿足農田監(jiān)控的需求。

關鍵詞：單片機;農田精度識別;無人機;圖像處理;深度學習

1引

現(xiàn)代農業(yè)系統(tǒng)中，對于農作物全方位的人工保護，處理方面已經初步形成規(guī)模，但是由于大規(guī)模種植，人工不可能完全且細致的監(jiān)測出農田異常狀況，無人機以其小體積，性能優(yōu)良，靈活性高，續(xù)航能力強而被大量利用于拍攝，巡航，軍事，農業(yè)，現(xiàn)有農業(yè)無人機僅僅停留在大型植保無人機上，而對于小型農田情況監(jiān)測無人機也僅僅只是傳圖，需要人實時進行識別，為了解決此問題，本文設計出一種能夠實時監(jiān)測加在線識別病蟲害的無人機系統(tǒng)，利用現(xiàn)有的Mobile Net算法加上快速網絡圖傳技術，使得人無需實時監(jiān)測畫面，系統(tǒng)能自動監(jiān)測并識別病蟲害等問題。

2 系統(tǒng)總體結構設計

該系統(tǒng)的主要目的是以無人機為搭載平臺，在其基礎之上架設所需的傳感器和攝像設備來完成對農田現(xiàn)狀的分析，進而實現(xiàn)對農田的監(jiān)測。為了實現(xiàn)預期功能，本次系統(tǒng)硬件主要包括：無人機本體、飛控板、動力系統(tǒng)（由電池、電動機和電調組成）、巡航功能的BDS模塊、運動捕捉的光流傳感器、以及濕度傳感器等。系統(tǒng)的硬件結構模塊圖如圖1所示。

3.系統(tǒng)各模塊技術設計

3.1圖像采集模塊

系統(tǒng)采用OmniVision公司的CMOS圖像傳感器0V5647芯片采集圖像。OV5647體積小，工作電壓低，提供單片VGA攝像頭和影像處理器的所有功能。由于單片機工作頻率不能和攝像頭的采樣頻率保持匹配，因此需采用一片F(xiàn)IFO先進先出存儲器作緩存，本系統(tǒng)采用的是AverLogic公司推出的存儲容量為3 MB的視頻幀存儲器AL422B。此DRAM數(shù)據(jù)存儲器主要用于存放完整的一幀OV5647輸出的圖像數(shù)據(jù)。

3.2收發(fā)端系統(tǒng)模塊設計

該模塊將攝像頭采集到的圖像數(shù)據(jù)，通過設計一定的邏輯電路，使OV5647 自動地將圖像數(shù)據(jù)寫入FIFO，再利用圖像去噪模塊對圖像信號進行相應的去噪處理，同時傳入單片機系統(tǒng)，并將圖像數(shù)據(jù)通過無線模塊nRF24L01發(fā)射，接收端接受到圖像數(shù)據(jù)后傳至上位機進行圖像顯示。

與此同時，采用CH340T進行串口與USB進行轉換，實現(xiàn)USB轉串口通訊功能。在串口方式下，CH340T提供常用的MODEM 聯(lián)絡信號，用于為計算機擴展異步串口，或者將串口設備直接審計到USB 總線。PC端可實現(xiàn)點對點無線傳輸功能，可以通過串口助手工具進行初步調試。

3.3圖像處理與識別模塊

圖像處理模塊針對系統(tǒng)所采集到的圖像經過預處理以及圖像分割處理后，提取圖像特征，并訓練出農作物識別模型，然后與采集到的數(shù)據(jù)信息進行匹配識別，以得到具體的檢測結果，再將結果反饋給主控系統(tǒng)。在這里采用了計算機視覺中較為普遍的卷積神經網絡其中的分支，由谷歌發(fā)布的MobileNet，是直接設計小模型進行訓練進而達到提高識別效率的一個結果。圖 3所示為Mobile Net 模型示意圖。

3.4基于Android的交互式用戶界面模塊

本系統(tǒng)通過設計強交交互式界面進行界面，以更方便直觀地給出實時圖像和識別結果。該界面基于Android平臺進行開發(fā)，通過靈活應用Activity類及其派生繼承類，實現(xiàn)系統(tǒng)的穩(wěn)定性和強交互性，以此滿足設計的目標以及設計要求的主要功能，能為用戶提供真實的、可靠的、參考價值高的農田監(jiān)測信息。用戶界面接口框圖如圖4所示。

4 結?語

為了解決大規(guī)模農業(yè)種植中，無法有效實時監(jiān)督作物病蟲害等各種問題，本系統(tǒng)利用當前熱門的無人機及圖像識別技術，構建了一套基于無人機的農田精準監(jiān)測系統(tǒng)，包含完善的硬件系統(tǒng)，并設計了功能完整、可行的上位機軟件，在此基礎上加入了基于深度學習的Mobile Net網絡算法，以提高運算識別速度，使得無人機在農田病蟲害監(jiān)測、預警和識別方面的能力大大提高，為我國農業(yè)系統(tǒng)病蟲害管治方面提供了新的思路，對于大型糧油企業(yè)及農業(yè)主產區(qū)產量的增高也有一定的參考價值。

參考文獻

[1]吳雪梅，梁長江，張大斌， 等.基于無人機遙感影像的收獲期后殘膜識別方法[J].農業(yè)機械學報，2020，51（8）：189-195.

[2]徐信羅，陶歡，李存軍， 等.基于Faster R-CNN的松材線蟲病受害木識別與定位[J].農業(yè)機械學報，2020，51（7）：228-236.

[3]孫鈺，韓京冶，陳志泊， 等.基于深度學習的大棚及地膜農田無人機航拍監(jiān)測方法[J].農業(yè)機械學報，2018，49（2）：133-140.

[4]楊焰飛，曹陽.基于深度學習的無人機拍攝圖像絕緣子目標檢測[J].激光雜志，2020，41（10）：63-66.

[5]吳松元，牛宗超，呂康勝.基于OpenMV的循跡無人機設計[J].電子世界，2020，（4）：175-176..

作者簡介：黃儀龍（2000.10-），男，漢族，河南省許昌市人，大三學生，主要從事自動化專業(yè)研究。

河南科技大學SRTP項目：基于無人機的農田精準監(jiān)測系統(tǒng)???編號：2020079

（河南科技大學信息工程學院?河南?洛陽?471000）