劉佳輝，劉 強，李彤召

（北京科技大學(xué)天津?qū)W院，天津 301830）

0 引 言

近年來，物聯(lián)網(wǎng)技術(shù)的大力發(fā)展極大便利了我們的生活[1]。對于農(nóng)業(yè)而言，智慧農(nóng)業(yè)也是當(dāng)下物聯(lián)網(wǎng)發(fā)展的熱門方向，很多地方已經(jīng)建立了智慧農(nóng)業(yè)的規(guī)模化產(chǎn)業(yè)園。隨著人們對農(nóng)副產(chǎn)品質(zhì)量要求的不斷提高，以及產(chǎn)品質(zhì)量檢測技術(shù)的不斷完善，規(guī)?；O(shè)施農(nóng)業(yè)病蟲害的防治已經(jīng)成為一大問題，對防止病蟲害提前采樣預(yù)警相關(guān)技術(shù)的應(yīng)用和發(fā)展也提出了更高、更新的要求。目前，國內(nèi)絕大多數(shù)地區(qū)對于農(nóng)業(yè)病蟲害的防治大多在病蟲害發(fā)生之后進行農(nóng)藥殺蟲[2]。此法已經(jīng)不適應(yīng)當(dāng)今形勢的發(fā)展[3]。本文介紹了一款芯片國產(chǎn)化，可以實時檢測農(nóng)業(yè)病蟲害是否發(fā)生，并將識別結(jié)果上傳到服務(wù)器的物聯(lián)網(wǎng)設(shè)備，以供用戶通過采樣分析等方式提前做出病蟲害防治的相應(yīng)決策[4]。

1 基于國產(chǎn)芯片和RTOS的農(nóng)業(yè)病蟲害檢測系統(tǒng)及總體設(shè)計方案

1.1 系統(tǒng)總體設(shè)計

系統(tǒng)主要分為模型訓(xùn)練和物聯(lián)網(wǎng)平臺搭建兩部分，模型訓(xùn)練使用基于YOLOv3的視覺識別算法，物聯(lián)網(wǎng)平臺主要包括堪智K210主控板，ESP8285 WiFi模塊，OV2650攝像頭模塊，LCD顯示屏等硬件模塊，以及視覺識別實現(xiàn)和基于MQTT通信協(xié)議的數(shù)據(jù)傳輸[5]。系統(tǒng)框圖如圖1所示。

圖1 系統(tǒng)框圖

1.2 基于國產(chǎn)芯片和RTOS的農(nóng)業(yè)病蟲害檢測系統(tǒng)的軟硬件組成

基于國產(chǎn)芯片和RTOS的農(nóng)業(yè)病蟲害檢測系統(tǒng)的硬件選用國產(chǎn)堪智K210開發(fā)板，其采用了RISC-V處理器架構(gòu)，可編程能力強，搭配國產(chǎn)的RT-Thread實時操作系統(tǒng)。RTThread實時操作系統(tǒng)秉承著小而美的設(shè)計理念，進行了設(shè)備端和云端的一體化設(shè)計，便于接入各類主流的物聯(lián)網(wǎng)設(shè)備云平臺[6]。

2 物聯(lián)網(wǎng)層級設(shè)計

2.1 感知識別層設(shè)計

感知識別層選擇使用OV5040傳感器，其支持輸出最大為500萬像素的圖像，并且支持直接輸出jpeg格式的圖像，在進行圖像傳輸時可以大大減小數(shù)據(jù)量，方便進行網(wǎng)絡(luò)傳輸，還可以對圖像進行補償以傳輸更加清晰的圖像[7]。

2.2 網(wǎng)絡(luò)構(gòu)建層

網(wǎng)絡(luò)構(gòu)建層在物聯(lián)網(wǎng)架構(gòu)上承擔(dān)著承上啟下的作用，在本項目中將搭建基于MQTT協(xié)議的網(wǎng)絡(luò)傳輸鏈路，硬件部分使用ESP8285 WiFi模塊，此通信協(xié)議具有帶寬占用小、傳輸速度快、丟包率低等特點[8]。

2.3 平臺管理層設(shè)計

平臺管理層依托國產(chǎn)的RT-Thread實時操作系統(tǒng)，通過部署到開發(fā)板上的農(nóng)業(yè)病蟲害識別模型實時識別結(jié)果，然后通過MQTT通信協(xié)議將識別結(jié)果上傳到遠程服務(wù)器，以實現(xiàn)客戶端與設(shè)備端的無線連接。

2.4 綜合應(yīng)用層

綜合應(yīng)用層作為物聯(lián)網(wǎng)工程的最頂層，在本項目中，其將攝像頭捕捉的信息分析結(jié)果在云端平臺進行處理，得出相應(yīng)的農(nóng)業(yè)病蟲害是否發(fā)生的結(jié)論，以及發(fā)生病蟲害的概率，用戶就可以根據(jù)病蟲害發(fā)生的概率進行決策。

2.5 垃圾桶的監(jiān)測控制硬件設(shè)計

垃圾桶的軟硬件設(shè)計整體依托國產(chǎn)芯片以及國產(chǎn)實時操作系統(tǒng)，為提高圖像的檢測效率，提高檢測精準度，本項目采用堪智K210系列芯片，且其板載通用神經(jīng)網(wǎng)絡(luò)加速器（KPU），可以實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的計算，時時獲取被檢測目標的大小、坐標和種類[9]。

嵌入式軟件部分采用RT-Thread實時操作系統(tǒng)，其占用資源極少，使物聯(lián)網(wǎng)開發(fā)變得簡單、高效。

3 應(yīng)用實現(xiàn)

3.1 基于百度飛漿的模型訓(xùn)練

視覺識別的基礎(chǔ)在于模型的搭建，本項目將模型訓(xùn)練任務(wù)搭建在了百度飛槳深度學(xué)習(xí)平臺，因為YOLOv3具有模型小、速度快等特點，非常適合在單片機上運行，故選擇YOLOv3算法。

將事先準備好的模型導(dǎo)入百度飛漿平臺，數(shù)據(jù)包含訓(xùn)練集所需圖片（對圖片標注文件）。標注可以借助labelImg工具等，這里不再贅述。標注文件是對圖片的說明，包含圖片尺寸，昆蟲名稱以及在圖上出現(xiàn)的位置等信息[10]。

從數(shù)據(jù)集中讀取xml文件，將每張圖片的標注信息讀取出來。在讀取具體的標注文件之前，需要將昆蟲的類別名字（字符串）轉(zhuǎn)化成數(shù)字表示的類別。因為神經(jīng)網(wǎng)絡(luò)計算時需要的輸入類型是數(shù)值型，所以需要將字符串表示的類別轉(zhuǎn)化成具體的數(shù)字。例如昆蟲類別名稱的列表是：[‘a(chǎn)nt’， ‘bee’，‘fly’， ‘a(chǎn)phid’， ‘a(chǎn)rmandi’， ‘cabbage caterpillar’]，這里我們約定此列表中：‘a(chǎn)nt’對應(yīng)類別0，‘bee’對應(yīng)類別1，…，‘cabbage caterpillar’對應(yīng)類別5。

數(shù)據(jù)準備好后要進行數(shù)據(jù)的讀取和預(yù)處理，這對于訓(xùn)練神經(jīng)網(wǎng)絡(luò)而言非常重要。數(shù)據(jù)預(yù)處理是將圖片進行一些隨機變化，比如變亮、變暗或者建材填充等，以產(chǎn)生更多相似樣本，達到擴大數(shù)據(jù)集、抑制過擬合、提升模型泛化能力的目的。

等所有數(shù)據(jù)集準備完成后就可以進行模型搭建了，本項目使用YOLOv3進行模型設(shè)計，該算法包含兩部分，第一部分是按照一定規(guī)則產(chǎn)生候選區(qū)域，根據(jù)產(chǎn)生的候選區(qū)域與圖片上物體真實框之間的位置關(guān)系對候選區(qū)域進行標注。第二部分是根據(jù)候選區(qū)域使用卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征，并對候選區(qū)域位置和類別進行預(yù)測。YOLOv3的算法流程如圖2所示，預(yù)測流程如圖3所示。

圖2 YOLOv3算法訓(xùn)練流程

圖3 預(yù)測流程

3.2 模型部署實現(xiàn)

由于得到的基于YOLOv3訓(xùn)練的模型在K210單片機上并不能識別，所以在部署之前需要使用NNCase工具將tflite模型轉(zhuǎn)換成kmodel模型，然后使用K210官方提供的kflash_gui工具將kmodel模型下載到K210的FLASH中。圖4、圖5為模型部署完之后的測試結(jié)果。

圖4 發(fā)生病蟲害的葉片

圖5 未發(fā)生病蟲害的葉片

3.3 遠程監(jiān)控的實現(xiàn)

使用MQTT協(xié)議實現(xiàn)遠程監(jiān)控功能。MQTT是基于發(fā)布/訂閱模式的輕量級通信協(xié)議，其具有低開銷/低寬帶等特點，適合部署在大片農(nóng)田進行多點數(shù)據(jù)傳輸。使用K210開發(fā)板自帶的ESP8285透傳模式將識別結(jié)果實時上傳至服務(wù)器供客戶端訂閱，測試結(jié)果如圖6、圖7所示。

圖6 無病蟲害

圖7 有病蟲害

4 結(jié) 語

本文設(shè)計的基于國產(chǎn)芯片和操作系統(tǒng)的農(nóng)業(yè)病蟲害實時檢測系統(tǒng)，將視覺識別技術(shù)與單片機技術(shù)相結(jié)合，實現(xiàn)了自動化農(nóng)業(yè)病蟲害檢測功能，為開發(fā)者提供了新的問題解決方案。