陸衛(wèi)忠 黃宏梅 楊 茹 曹 燕

1(蘇州科技大學(xué)電子與信息工程學(xué)院 江蘇 蘇州 215009)2(江蘇省建筑智慧重點(diǎn)實(shí)驗(yàn)室 江蘇 蘇州 215009)

0 引 言

為了改善人們身邊的居住和工作環(huán)境，在家里或者辦公的地方放一些花卉既可以通過(guò)光合作用吸收二氧化碳，凈化室內(nèi)的空氣，也可以陶冶情操。然而，由于大多數(shù)人缺乏專業(yè)的花卉養(yǎng)護(hù)技能，需要聘請(qǐng)專業(yè)人員幫助養(yǎng)護(hù)，導(dǎo)致花卉的養(yǎng)護(hù)成本很高。

隨著信息技術(shù)和自動(dòng)化技術(shù)在不斷發(fā)展，國(guó)內(nèi)外的智能花卉養(yǎng)護(hù)技術(shù)也已經(jīng)逐漸發(fā)展起來(lái)。瑞貝克皮特森等[1]發(fā)明了一種智能的花盆，在這種花盆中安裝了傳感裝置，通過(guò)其可以監(jiān)控植物的溫濕度，當(dāng)有人靠近它的時(shí)候，它會(huì)通過(guò)發(fā)出聲音來(lái)表示自己的需求。東京的水內(nèi)郁夫[2]研發(fā)出一種花盆機(jī)器人，可以根據(jù)實(shí)際的需求來(lái)自動(dòng)的調(diào)節(jié)植物的環(huán)境溫度和光照強(qiáng)度，從而使植物能夠健康的生長(zhǎng)。文獻(xiàn)[3]研制出了一個(gè)土壤濕度檢測(cè)儀器，能夠定時(shí)地檢測(cè)出植物土壤濕度，從而根據(jù)測(cè)量得到的土壤濕度和植物生長(zhǎng)所需的最佳濕度的不同來(lái)決定澆水量。文獻(xiàn)[4]設(shè)計(jì)出了一種智能的家庭澆花機(jī)器，該機(jī)器可以實(shí)現(xiàn)花卉的自動(dòng)澆灌，并對(duì)不同的花卉采取不同的控制方式。文獻(xiàn)[5]研究出了對(duì)黃瓜種植環(huán)境參數(shù)的自動(dòng)監(jiān)測(cè)方法，實(shí)現(xiàn)了黃瓜種植的自動(dòng)化?？梢钥闯鲋悄芑ɑ莛B(yǎng)護(hù)技術(shù)已經(jīng)有了很大的進(jìn)展，但并未能徹底地解決花卉養(yǎng)護(hù)過(guò)程中的人工干預(yù)，即無(wú)法實(shí)現(xiàn)花卉的自動(dòng)化養(yǎng)護(hù)。

伴隨著人工智能的不斷發(fā)展，構(gòu)建深層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行多層次特征學(xué)習(xí)的人工智能方法在大規(guī)模圖片分類領(lǐng)域取得了很大的成功[6]?；谇捌谏疃葘W(xué)習(xí)在圖像處理中的應(yīng)用研究基礎(chǔ)，本文嘗試將深度學(xué)習(xí)應(yīng)用在花卉自動(dòng)養(yǎng)護(hù)系統(tǒng)中，使其突破只能依靠人工觀測(cè)判斷花卉生長(zhǎng)狀況的限制，實(shí)現(xiàn)一個(gè)基于深度學(xué)習(xí)的花卉自動(dòng)養(yǎng)護(hù)系統(tǒng)，從而實(shí)現(xiàn)花卉養(yǎng)護(hù)全過(guò)程的自動(dòng)化。

本文設(shè)計(jì)出一種基于深度學(xué)習(xí)的智能花卉自動(dòng)養(yǎng)護(hù)系統(tǒng)，來(lái)解決傳統(tǒng)花卉養(yǎng)護(hù)不能完全自動(dòng)化養(yǎng)護(hù)花卉的問(wèn)題。該系統(tǒng)可以全天候地對(duì)花卉實(shí)行自動(dòng)監(jiān)控，能自動(dòng)識(shí)別出花卉的當(dāng)前生長(zhǎng)狀況，并生成相應(yīng)指令，然后將控制指令傳給控制器來(lái)控制各模塊，使得其環(huán)境參數(shù)迅速做出相應(yīng)調(diào)整，實(shí)現(xiàn)花卉種植和養(yǎng)護(hù)過(guò)程的智能化、自動(dòng)化的管理。這樣可以大大降低人力、物力的投入，還可以降低花卉種植和養(yǎng)護(hù)的成本，從而提高花卉的種植品質(zhì)。

1 系統(tǒng)架構(gòu)

由于花卉的生長(zhǎng)狀況會(huì)隨生長(zhǎng)環(huán)境的變化而改變[7-8]，且不容易被肉眼所識(shí)別。因此，設(shè)計(jì)了一種基于深度學(xué)習(xí)的智能花卉養(yǎng)護(hù)系統(tǒng)，如圖1所示。本系統(tǒng)由三大部分組成：環(huán)境采集單元、控制單元和主控制器單元。環(huán)境采集單元由傳感器單元和圖像單元兩部分組成，采集的數(shù)據(jù)分別經(jīng)SPI總線及8位數(shù)據(jù)口輸入到主控制器?？刂茊卧獔?zhí)行主控制器下達(dá)的命令，驅(qū)動(dòng)如水泵、加濕器、燈等設(shè)備的工作。主控制器是整個(gè)系統(tǒng)的核心部分，接收溫濕度、光照強(qiáng)度、土壤濕度等傳感器采集的花卉生長(zhǎng)環(huán)境數(shù)據(jù)以及采集到的花卉圖像數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)分析判斷花卉的生長(zhǎng)狀況，形成控制決策，驅(qū)動(dòng)執(zhí)行機(jī)構(gòu)控制相應(yīng)的設(shè)備(如水泵、風(fēng)機(jī)、通風(fēng)窗等)的動(dòng)作，從而達(dá)到調(diào)節(jié)花卉的生長(zhǎng)環(huán)境的目的[9]。

圖1 系統(tǒng)架構(gòu)圖

2 硬件系統(tǒng)設(shè)計(jì)

2.1 主控制器選型

主控制器是一個(gè)控制系統(tǒng)的核心，考慮到需要對(duì)花卉空氣溫濕度、光照以及土壤濕度值等進(jìn)行實(shí)時(shí)采集，因此，MCU采用了低功耗的3b+樹莓派[10]。圖2為3b+樹莓派的引腳分布圖。

圖2 3b+樹莓派引腳分布圖

2.2 傳感器選型

有很多環(huán)境因素影響著花卉的生長(zhǎng)，其中影響較大的有：花卉環(huán)境空氣溫度、花卉環(huán)境空氣濕度、光照強(qiáng)度和土壤濕度等。為了使得花卉的環(huán)境因子能夠盡可能被全面采集，系統(tǒng)則選取了空氣溫濕度傳感器、光照傳感器、土壤濕度傳感器[11]。傳感器具體參數(shù)如表1所示。

表1 傳感器參數(shù)

2.3 圖像采集模塊

花卉的生長(zhǎng)狀況總是伴隨著生長(zhǎng)環(huán)境的變化而變化，因此當(dāng)環(huán)境發(fā)生變化時(shí)，花卉本身的形狀和顏色也會(huì)發(fā)生相應(yīng)的變化[12]。在本系統(tǒng)中以花卉圖像為花卉生長(zhǎng)狀況判斷的主要依據(jù)，采用型號(hào)為SY003-V01的分辨率為1 000×1 000的CMOS工業(yè)攝像機(jī)作為圖像采集設(shè)備。

2.4 控制模塊

執(zhí)行控制部分由3b+樹莓派通過(guò)繼電器來(lái)控制終端設(shè)備(如風(fēng)機(jī)、卷簾、水泵、噴頭等)的啟停。根據(jù)實(shí)際情況，系統(tǒng)使用光耦控制電路與驅(qū)動(dòng)電路隔離的6路繼電器模塊，使得其可以驅(qū)動(dòng)大功率負(fù)載[13]。圖3為繼電器控制原理圖。

圖3 繼電器控制原理圖

3 軟件系統(tǒng)設(shè)計(jì)

軟件系統(tǒng)由以下3個(gè)模塊組成：環(huán)境采集節(jié)點(diǎn)模塊、主控制器模塊、控制模塊。其中環(huán)境采集節(jié)點(diǎn)模塊由傳感器數(shù)據(jù)和圖像采集模塊組成?；?b+樹莓派的主控制器模塊主要由基于深度學(xué)習(xí)的花卉生長(zhǎng)狀況識(shí)別模型以及通信模塊組成?？刂颇K主要由執(zhí)行機(jī)構(gòu)控制的各個(gè)終端設(shè)備子模塊組成(如風(fēng)機(jī)、卷簾、水泵等)[14]。系統(tǒng)總體軟件設(shè)計(jì)框圖如圖4所示。

(D)在磁鏡附近裝上交流電極(耐高溫,可泠卻的),粒子在鎢電極作用下，會(huì)來(lái)回于腔體，同時(shí)可減小電位差,使平行于磁力線運(yùn)動(dòng)離子與磁力線的夾角增大，減小泄漏,增長(zhǎng)約束時(shí)間。

圖4 軟件系統(tǒng)組成框圖

3.1 花卉生長(zhǎng)環(huán)境參數(shù)采集模塊設(shè)計(jì)

3.1.1傳感器參數(shù)采集子模塊

基于深度學(xué)習(xí)的智能花卉養(yǎng)護(hù)系統(tǒng)中采集模塊采用4個(gè)傳感器模塊分別用來(lái)完成空氣溫度、空氣濕度、光照強(qiáng)度以及土壤濕度等花卉生長(zhǎng)環(huán)境參數(shù)的采集，然后傳輸?shù)街骺刂破髦?，定時(shí)器時(shí)間達(dá)到時(shí)，主控制器會(huì)向傳感器模塊發(fā)送開始收集數(shù)據(jù)的工作信號(hào)，傳感器模塊收到指令后會(huì)立即開始工作，并將采集到的數(shù)據(jù)傳回到主控制器進(jìn)行處理。傳感器數(shù)據(jù)采集程序流程如圖5所示。

圖5 環(huán)境數(shù)據(jù)采集模塊流程

3.1.2花卉圖像采集子模塊

當(dāng)圖像采集節(jié)點(diǎn)收到主控制器的觸發(fā)命令時(shí)，圖像采集節(jié)點(diǎn)將開始采集花卉的圖像，然后發(fā)送出去。數(shù)據(jù)傳輸?shù)街骺刂破髦校⒋鎯?chǔ)在主控制器中，以便進(jìn)行花卉圖片的進(jìn)一步分析，花卉圖像采集節(jié)點(diǎn)的工作流程如圖6所示。

圖6 圖像數(shù)據(jù)采集模塊流程

3.2 花卉生長(zhǎng)狀況識(shí)別模型設(shè)計(jì)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)已經(jīng)被廣泛應(yīng)用到圖像處理領(lǐng)域[15-16]。卷積神經(jīng)網(wǎng)絡(luò)中包含輸入層、卷積層、池化層、全連接層以及輸出層[17]。一般情況下，卷積層和池化層是交替設(shè)置的，即一個(gè)卷積層后面連接一個(gè)池化層，池化層再連接一個(gè)卷積層，如此交替連接。卷積層由卷積操作、非線性響應(yīng)操作以及池化操作組成。卷積操作中不同的濾波器能夠獲得不同的輸出數(shù)據(jù)，如顏色、形狀等圖像的特征信息，再通過(guò)非線性響應(yīng)操作以及池化操作獲得最大化的特征[18-19]。因此，可以將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在識(shí)別花卉生長(zhǎng)狀況的技術(shù)中。

然而，花卉的某些表象特征是由于不同的環(huán)境因素造成，如果僅依靠花卉生長(zhǎng)狀況圖片進(jìn)行分類，很有可能出現(xiàn)判別失誤的情況。所以，本文設(shè)計(jì)出一種環(huán)境數(shù)據(jù)來(lái)輔助的具有兩個(gè)輸入通道的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類，提高了判別的準(zhǔn)確率，可以更好地識(shí)別花卉的生長(zhǎng)狀況。因此，本文設(shè)計(jì)了環(huán)境數(shù)據(jù)輔助網(wǎng)絡(luò)。圖7為模型框架圖，將圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，然后將傳感器采集到的數(shù)據(jù)與最佳環(huán)境數(shù)據(jù)進(jìn)行評(píng)估得到的結(jié)果與卷積神經(jīng)網(wǎng)絡(luò)分類得到的分類結(jié)果結(jié)合，最后連接起來(lái)進(jìn)行再一次的分類。

圖7 圖像識(shí)別模型框架

3.2.1深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建

(1) 正向傳播過(guò)程。向網(wǎng)絡(luò)中集中地輸入已經(jīng)準(zhǔn)備好的數(shù)據(jù)樣本，再經(jīng)過(guò)一級(jí)一級(jí)的傳播，最終可以得到輸出結(jié)果，網(wǎng)絡(luò)中上一層的輸出則為當(dāng)前層的輸入。卷積層將剪裁好的3幅64×64的花卉圖像的灰度圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，再對(duì)這些64×64的特征圖矩陣進(jìn)行卷積運(yùn)算。進(jìn)入池化層后，則對(duì)卷積層獲得的結(jié)果進(jìn)行降維操作。隨后進(jìn)入全連接層，該層為傳統(tǒng)的多層感知器網(wǎng)絡(luò)，其中的每一個(gè)神經(jīng)元與上層的每個(gè)神經(jīng)元都是相連接的，并對(duì)池化層中的信息進(jìn)行整合。本文將池化層中得到的花卉圖片特征圖與傳感器采集到的數(shù)據(jù)一起整合到全連接層中。最后，輸出層采用了softmax邏輯回歸函數(shù)對(duì)結(jié)果進(jìn)行分類，可以得到花卉圖像的8種分類結(jié)果：空氣溫度過(guò)高、空氣溫度過(guò)低、空氣濕度過(guò)高、空氣濕度過(guò)低、光照過(guò)強(qiáng)、光照過(guò)弱、土壤濕度過(guò)高、土壤濕度過(guò)低。

(2)反向傳播過(guò)程。該過(guò)程是使用鏈?zhǔn)角髮?dǎo)法則迭代地對(duì)每一層的神經(jīng)元節(jié)點(diǎn)進(jìn)行梯度計(jì)算，并計(jì)算實(shí)際輸出和相應(yīng)理想輸出之間的誤差。設(shè)誤差函數(shù)為平方誤差函數(shù)：

(1)

(2)

調(diào)整權(quán)值是為了不斷地減小誤差，因此權(quán)值調(diào)整量與誤差的負(fù)梯度成正比關(guān)系，即：

(3)

式中：負(fù)號(hào)代表梯度下降常數(shù)；η代表比例系數(shù)，在訓(xùn)練中表示學(xué)習(xí)速率；△則代表學(xué)習(xí)規(guī)則。

綜上所述，該方法是從底層開始，反方向計(jì)算誤差向量，并且反復(fù)地利用鏈?zhǔn)椒▌t，不斷地反向計(jì)算累計(jì)梯度的損失值，使得損失函數(shù)的值降到最低。

3.2.2花卉生長(zhǎng)狀況預(yù)測(cè)

訓(xùn)練數(shù)據(jù)使用采集的吊蘭的環(huán)境參量和其對(duì)應(yīng)的生長(zhǎng)狀況圖像。因此，選用2018年8月份記錄整理的6 000組經(jīng)驗(yàn)數(shù)據(jù)，其中，4 800組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，1 200組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。預(yù)測(cè)模型的實(shí)現(xiàn)主要分為下列四個(gè)步驟：

(1)數(shù)據(jù)樣本預(yù)處理。由于卷積神經(jīng)網(wǎng)絡(luò)中含有全連接層的網(wǎng)絡(luò)輸入數(shù)據(jù)的大小是固定的，所以必須實(shí)現(xiàn)固定輸入圖像的大小。然而在圖像統(tǒng)一大小的過(guò)程中會(huì)有縮放，因此圖像會(huì)扭曲，為盡量避免模型受到無(wú)關(guān)因素的干擾，所以本文通過(guò)邊界填充或剪裁的方法來(lái)減少扭曲或失真。

(2)模型構(gòu)建。本設(shè)計(jì)選用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合傳感器采集的環(huán)境數(shù)據(jù)來(lái)構(gòu)建花卉生長(zhǎng)狀況預(yù)測(cè)模型。

(3)模型訓(xùn)練。對(duì)于該模型，網(wǎng)絡(luò)在Tensorflow環(huán)境中進(jìn)行訓(xùn)練， 在訓(xùn)練過(guò)程中，隨機(jī)梯度下降(SGD)算法的批量大小設(shè)置為256，最大迭代次數(shù)設(shè)置為2 000，學(xué)習(xí)率初始值為0.01。如果總損失沒(méi)有下降，自動(dòng)下降1/10直到0.000 01。

(4)花卉生長(zhǎng)狀況預(yù)測(cè)結(jié)果分析。本文從網(wǎng)絡(luò)中減少了傳感器數(shù)據(jù)通道，并進(jìn)行與上述相同的實(shí)驗(yàn)。傳感器輔助網(wǎng)絡(luò)和一般網(wǎng)絡(luò)的對(duì)比結(jié)果顯示在表2中。這表明環(huán)境數(shù)據(jù)確實(shí)有助于分類。

表2 性能比較結(jié)果 %

3.3 控制終端模塊

主控制器可根據(jù)花卉識(shí)別方法判別出的花卉生長(zhǎng)狀況，自動(dòng)生成合理的控制方案。再通過(guò)通信線路把控制指令向控制機(jī)構(gòu)傳送，進(jìn)行各部件的開關(guān)操作。表3為花卉各環(huán)境特征以及控制策略的對(duì)應(yīng)關(guān)系。

表3 控制策略

4 系統(tǒng)應(yīng)用與分析

在花盆的周圍部署了空氣溫濕度傳感器，以及在花盆里部署了其他相關(guān)的傳感器來(lái)構(gòu)建模擬的實(shí)驗(yàn)平臺(tái)，土壤材料則選取了普通的適合花卉生長(zhǎng)的泥土，花卉則選取喜濕的吊蘭，圖8為系統(tǒng)測(cè)試平臺(tái)圖。在系統(tǒng)工作了一段時(shí)間之后，可以提取出寄存器中存儲(chǔ)的花卉環(huán)境數(shù)據(jù)。圖9為未使用系統(tǒng)檢測(cè)到的部分花卉環(huán)境數(shù)據(jù)值，圖10為系統(tǒng)工作后自動(dòng)養(yǎng)護(hù)模式下的部分花卉環(huán)境數(shù)據(jù)值。

圖8 環(huán)境模擬平臺(tái)

圖9 未使用系統(tǒng)部分環(huán)境數(shù)據(jù)

圖10 使用系統(tǒng)后的部分環(huán)境數(shù)據(jù)

通過(guò)比較未使用系統(tǒng)的部分環(huán)境數(shù)據(jù)值和系統(tǒng)工作后的部分環(huán)境數(shù)據(jù)值，可以看出使用系統(tǒng)后自動(dòng)養(yǎng)護(hù)模式能夠自動(dòng)判別出花卉當(dāng)前的生長(zhǎng)狀況并能夠及時(shí)地對(duì)花卉的環(huán)境進(jìn)行改善，使得花卉的生長(zhǎng)環(huán)境參數(shù)穩(wěn)定在最佳環(huán)境值附近，從而可以讓花卉能夠很好地生長(zhǎng)。測(cè)試結(jié)果表明，該系統(tǒng)能夠?qū)崿F(xiàn)自主養(yǎng)花護(hù)花的功能，并且能夠達(dá)到智能養(yǎng)花的目的。

5 結(jié) 語(yǔ)

本文提出的一種基于深度學(xué)習(xí)的智能花卉養(yǎng)護(hù)系統(tǒng)，突破了原始花卉養(yǎng)護(hù)中的只能通過(guò)人工觀測(cè)來(lái)判別花卉生長(zhǎng)狀況的局限，擺脫了花卉養(yǎng)護(hù)需要高度專業(yè)化的花卉養(yǎng)護(hù)知識(shí)的限制，降低了花卉養(yǎng)護(hù)的成本。將該系統(tǒng)應(yīng)用到辦公室花卉養(yǎng)護(hù)裝置中，在不需要專人干預(yù)的情況下，能夠提高花卉養(yǎng)護(hù)的成功率，減輕花卉養(yǎng)護(hù)的工作量，從而降低花卉養(yǎng)護(hù)的成本，該系統(tǒng)也可應(yīng)用在農(nóng)作物的種植中，同樣也能幫助農(nóng)作物更好地生長(zhǎng)。