鄧夢(mèng)怡，俞 龍，周 波，黃浩宜，吳旺春

（1.華南農(nóng)業(yè)大學(xué)電子工程學(xué)院，廣東 廣州 510642；2.廣東省農(nóng)業(yè)科學(xué)院茶葉研究所，廣東 廣州 510640）

0 引言

蟲情信息是生態(tài)茶園的重要指標(biāo)，對(duì)茶園蟲情的監(jiān)測(cè)有益于生態(tài)茶園的健康發(fā)展、維持生態(tài)環(huán)境的穩(wěn)定性。目前，通過農(nóng)藥等方式使害蟲數(shù)量驟減有可能導(dǎo)致蟲害出現(xiàn)耐藥性、數(shù)量反彈等現(xiàn)象。而將農(nóng)業(yè)信息化技術(shù)應(yīng)用于茶園蟲害的監(jiān)測(cè)有利于持續(xù)高效地進(jìn)行蟲害監(jiān)測(cè)，有效預(yù)防大規(guī)模蟲害的爆發(fā)，從而提升茶葉的品質(zhì)[1-2]。

茶園蟲害數(shù)量一般呈現(xiàn)爆發(fā)式增長(zhǎng)，目前主要通過設(shè)置誘蟲板誘集、采集腐爛脫落果實(shí)監(jiān)測(cè)等方式人工監(jiān)測(cè)蟲害的發(fā)生情況[3]?，F(xiàn)有的農(nóng)用滅蟲器，除了采用化學(xué)殺蟲方法外，大都以燈光誘捕害蟲。這種設(shè)備雖然環(huán)保，捕蟲效果也不錯(cuò)，但功能較為單一且易受環(huán)境影響，不利于蟲害的長(zhǎng)期監(jiān)測(cè)與預(yù)警[4-7]。近年來，隨著人工智能與物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，機(jī)器視覺通過機(jī)器代替人眼做出決策，被廣泛應(yīng)用于病蟲害診斷、作物長(zhǎng)勢(shì)監(jiān)測(cè)之中；4G 通信具有速度快、覆蓋范圍廣等優(yōu)勢(shì)，為農(nóng)業(yè)物聯(lián)網(wǎng)的發(fā)展提供了良好的技術(shù)支撐[8-11]。施盛華[12]應(yīng)用STM32、4G 通信技術(shù)和改進(jìn)的MPPT 光伏充電控制技術(shù)研發(fā)蟲情監(jiān)測(cè)終端，為遠(yuǎn)程蟲情信息的獲取奠定了基礎(chǔ)；李震等[13]設(shè)計(jì)了一套基于物聯(lián)網(wǎng)的果園實(shí)蠅監(jiān)測(cè)系統(tǒng)，通過在果園中安裝多個(gè)智能捕蟲器遠(yuǎn)程采集果蠅信息、BP 神經(jīng)網(wǎng)絡(luò)識(shí)別圖像，但圖像中的實(shí)蠅體態(tài)和角度容易影響識(shí)別效果；趙文宏等[14]通過傳感器采集各項(xiàng)環(huán)境數(shù)據(jù)，通過GPRS 網(wǎng)絡(luò)傳輸至數(shù)據(jù)中心，但未對(duì)蟲害進(jìn)行特征分析；王書獻(xiàn)等[15]通過4 種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)分組訓(xùn)練試驗(yàn)對(duì)比訓(xùn)練效果，得出YOLOV5l 效果更為理想。

為克服目前捕蟲計(jì)數(shù)方法對(duì)圖像特征分析過少、易受環(huán)境影響等不足，本研究在太陽能風(fēng)吸式誘捕器的基礎(chǔ)上，增設(shè)圖像采集裝置和渦輪蝸桿減速電機(jī)、4G 通信等配置，得到茶園蟲情監(jiān)測(cè)終端，該終端具有維護(hù)簡(jiǎn)便、可靠性高、檢測(cè)準(zhǔn)確以及不易受環(huán)境影響等優(yōu)點(diǎn)。本研究構(gòu)建基于“互聯(lián)網(wǎng)+生態(tài)茶園”的蟲情視覺監(jiān)測(cè)軟硬件平臺(tái)，設(shè)計(jì)捕蟲器結(jié)構(gòu)并將4G 和YOLOV5 目標(biāo)檢測(cè)技術(shù)應(yīng)用于蟲害的監(jiān)測(cè)、計(jì)算中，建立數(shù)據(jù)庫存儲(chǔ)蟲害數(shù)據(jù)，有助于持續(xù)高效地進(jìn)行蟲害監(jiān)測(cè)，從而減少農(nóng)藥的使用以及對(duì)環(huán)境的污染，同時(shí)也為進(jìn)一步研究小綠葉蟬、茶尺蠖等害蟲的預(yù)警和監(jiān)測(cè)提供技術(shù)支持。

1 系統(tǒng)總體設(shè)計(jì)

系統(tǒng)設(shè)計(jì)如圖1 所示，具體實(shí)現(xiàn)過程為：捕蟲燈通過特定光源誘捕害蟲后，風(fēng)扇將害蟲吸至拍照視野區(qū)域，漏斗形穿孔導(dǎo)風(fēng)罩內(nèi)匯集害蟲后，啟動(dòng)攝像頭拍攝圖片，STM32 獲取圖片存至本地TF 卡備份并同時(shí)將圖片通過4G 模塊以HTTP 協(xié)議的形式上傳至云端，云端將數(shù)據(jù)流解碼成圖片并進(jìn)行計(jì)算、存儲(chǔ)，與樣本數(shù)據(jù)庫進(jìn)行對(duì)比并識(shí)別害蟲種類以及數(shù)量，供應(yīng)用單元的終端設(shè)備訪問。經(jīng)過一系列處理后，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析，最終達(dá)到蟲害智能識(shí)別、數(shù)據(jù)實(shí)時(shí)監(jiān)控以及數(shù)據(jù)可視化的目的。

圖1 系統(tǒng)整體示意圖

1.1 本地機(jī)構(gòu)設(shè)計(jì)

捕蟲器利用害蟲的趨光性，通過紫光燈把害蟲引誘至燈體附近。當(dāng)進(jìn)入吸蟲風(fēng)扇的有效區(qū)域時(shí)，害蟲被吸入倒錐形穿孔導(dǎo)風(fēng)罩內(nèi)，由大圓孔進(jìn)小圓孔出，經(jīng)過有機(jī)玻璃圓柱通道后匯集在漏斗形穿孔導(dǎo)風(fēng)罩底部，經(jīng)攝像頭拍照后渦輪蝸桿減速電機(jī)偏轉(zhuǎn)進(jìn)而轉(zhuǎn)移害蟲，結(jié)構(gòu)設(shè)計(jì)如圖2 所示。捕蟲器的漏斗形穿孔導(dǎo)風(fēng)罩下部連接等邊三角形槽體，有機(jī)玻璃圓柱通道置于等邊三角形槽體中央，漏斗形穿孔導(dǎo)風(fēng)罩頂部長(zhǎng)板中間為圓形，用于搭載攝像頭以及發(fā)光電路板，由漏斗形穿孔導(dǎo)風(fēng)罩貫通至等邊三角形槽體底部，漏斗形穿孔導(dǎo)風(fēng)罩底部有一定數(shù)量的釋壓孔，用于降低風(fēng)壓，阻止害蟲不通過此釋壓孔，渦輪蝸桿減速電機(jī)用于控制害蟲的轉(zhuǎn)移。

圖2 捕蟲器設(shè)計(jì)

1.2 功能電路設(shè)計(jì)

功能電路由STM32 微控制器控制，主要由PTC2M0B 攝像頭、4G 通信模塊、鋰電池及太陽能充電電路、渦輪蝸桿減速電機(jī)、風(fēng)扇、紫光燈組成，結(jié)構(gòu)如圖3 所示。其中Tracer2610BP 控制器控制輔助電源供電，STM32 通過I/O 口與紫光燈、CGD150B-12HL風(fēng)扇、28BYJ48 相連；通過UART 通信協(xié)議實(shí)現(xiàn)圖像信息從PTC2M0B 到STM32 進(jìn)而通過4G 模塊發(fā)出至云服務(wù)器。

圖3 功能電路結(jié)構(gòu)示意圖

渦輪蝸桿減速電機(jī)采用減速比1∶16 的28BJY48步進(jìn)電機(jī)，驅(qū)動(dòng)電路由DRV8841 芯片構(gòu)成。DRV8841是一款集成的電機(jī)驅(qū)動(dòng)解決方案，集成了雙H 橋電機(jī)驅(qū)動(dòng)電路，內(nèi)置2 個(gè)N 溝道功率MOSFET 通過1個(gè)簡(jiǎn)單的PWM 接口即可方便的控制步進(jìn)電機(jī)。同時(shí)，DRV8841 提供一種低功率睡眠模式，可以保證當(dāng)處于睡眠模式時(shí)功耗很低；還集成了電流感知、調(diào)節(jié)電路與保護(hù)裝置，支持過熱、過電流與欠壓保護(hù)，從而保證電路的穩(wěn)定可靠。

1.3 圖像的采集與傳輸

圖像抓取采用PTC2M0B 攝像頭，像素為200萬。當(dāng)捕蟲器誘捕到蟲子以后，觸發(fā)拍攝系統(tǒng)工作，通過STM32 控制補(bǔ)光燈，補(bǔ)光同時(shí)對(duì)捕蟲器中的蟲子進(jìn)行抓拍，其中補(bǔ)光燈通過PWM 控制亮暗，PTC2M0B 通過UART 通信協(xié)議來控制拍攝圖片和傳輸圖片信息。數(shù)據(jù)傳輸采用傳統(tǒng)的4G 技術(shù)，使用EC20 模塊，穩(wěn)定可靠。STM32 通過UART 獲取圖片信息，將圖片存儲(chǔ)至本地TF 卡，同時(shí)通過UART 將圖片信息經(jīng)EC20 模塊將數(shù)據(jù)以HTTP 方式轉(zhuǎn)發(fā)至云服務(wù)器。云服務(wù)器將數(shù)據(jù)重組解碼得到原蟲子的圖片，根據(jù)模型判別蟲子是否為害蟲。

2 云服務(wù)器

云端后臺(tái)服務(wù)通過HTTP 接口接收?qǐng)D片并保存在數(shù)據(jù)庫中。模型部署在服務(wù)器中，對(duì)外提供HTTP 接口以及識(shí)別回調(diào)接口，在識(shí)別完成之后，調(diào)用回調(diào)接口返回識(shí)別結(jié)果，從而實(shí)現(xiàn)茶尺蠖的識(shí)別和計(jì)數(shù)。用戶可以通過登錄云服務(wù)器查看拍攝的圖像、識(shí)別結(jié)果以及相關(guān)統(tǒng)計(jì)信息。統(tǒng)計(jì)信息可以通過相應(yīng)的配置作為預(yù)警信息發(fā)給相關(guān)用戶，如圖4 所示。

圖4 云服務(wù)器架構(gòu)示意圖

2.1 YOLOV5算法簡(jiǎn)介

首先將圖像歸一化成608×608 的大小，通過Backbone（骨干網(wǎng)絡(luò)）提取出3 個(gè)不同尺寸的特征圖，通過深淺層融合最終得出3 個(gè)不同大小的特征圖，最后根據(jù)不同大小的特征圖判斷對(duì)應(yīng)像素點(diǎn)是否符合深度層的相應(yīng)類別，并做出類別判斷。

2.2 數(shù)據(jù)集制作

通過攝像頭拍攝茶尺蠖并通過90°旋轉(zhuǎn)總共得到600 張圖片，隨機(jī)篩選500 張為訓(xùn)練集，100 張為測(cè)試集。使用LabelImg 工具及其依賴包，選用YOLO 選項(xiàng)標(biāo)注圖片并構(gòu)建COCO 數(shù)據(jù)集，標(biāo)注后的文件即為txt 格式。txt 格式的標(biāo)簽文件第1 個(gè)數(shù)字代表標(biāo)簽的種類，另外通過4 個(gè)歸一化后的數(shù)值表達(dá)蟲害的位置信息，其中分別為圖像坐標(biāo)歸一化后的中心點(diǎn)橫坐標(biāo)、縱坐標(biāo)，歸一化后寬度、高度。標(biāo)注后統(tǒng)計(jì)目標(biāo)相對(duì)位置圖和目標(biāo)相對(duì)大小分別如圖5a 和5b 所示。

圖5 樣本數(shù)據(jù)統(tǒng)計(jì)結(jié)果

2.3 模型的選擇

由 于YOLOV5s、YOLOV5m、YOLOV5l、YOLOV5x 4 種模型深度、寬度上的差異，為提高識(shí)別準(zhǔn)確率，設(shè)置Epoch 為300，將標(biāo)注好的數(shù)據(jù)集導(dǎo)入訓(xùn)練，各網(wǎng)絡(luò)模型的mAP、Precision、Recall、box_loss 等參數(shù)均在300 輪次內(nèi)達(dá)到收斂，收斂效果如圖6 所示，分析收斂效果可得，YOLOV5s 在本次訓(xùn)練中存在較大的不確定性。在上述各參數(shù)中，0.5 廣義交并比閾值下多類別平均精度值mAP@0.5、變化交并比閾值下多類別平均精度值mAP_0.5:0.95、準(zhǔn)確率Precision、召回率Recall 是反應(yīng)模型準(zhǔn)確率也是衡量模型優(yōu)劣的重要指標(biāo)[16-22]，最終通過訓(xùn)練得到的各模型參數(shù)如表1 所示。

表1 各模型最終參數(shù)

圖6 收斂效果圖

由表1 分析可知，YOLOV5x 模型最終的各項(xiàng)參數(shù)均優(yōu)于其他網(wǎng)絡(luò)模型且收斂性較好。云服務(wù)器選用YOLOV5x 模型，對(duì)100 張測(cè)試集進(jìn)行目標(biāo)檢測(cè)，識(shí)別效果如圖7 所示，除對(duì)個(gè)別殘缺蟲害或重疊情況識(shí)別效果不佳外，92%的圖片可以被準(zhǔn)確識(shí)別。

圖7 云端識(shí)別效果

3 總結(jié)

基于物聯(lián)網(wǎng)與圖像識(shí)別蟲害信息的研究思路，能夠科學(xué)準(zhǔn)確的觀察蟲害的實(shí)時(shí)變化，并實(shí)現(xiàn)茶園蟲害的監(jiān)測(cè)以及有效預(yù)防大規(guī)模蟲害的爆發(fā)。本系統(tǒng)通過物聯(lián)網(wǎng)以及YOLOV5 云識(shí)別對(duì)采集的蟲害數(shù)據(jù)進(jìn)行傳輸、分析，不僅可以解放人工減少人力資源的浪費(fèi)，還為進(jìn)一步研究害蟲的預(yù)警、區(qū)域發(fā)生、遷移影響規(guī)律提供技術(shù)支持。