潘寧

摘要：為實時監(jiān)控農作物生長狀況并及時預警農作物病蟲害，設計了一種農作物病蟲害識別和監(jiān)控系統(tǒng)。通過攝像頭和傳感器對農作物生長狀況和周圍環(huán)境進行實時監(jiān)控，數據通過LoRa遠距離無線通信技術上傳到云服務器，然后由ModelArts平臺構建出農作物病蟲害識別模型，判斷農作物是否患病以及患病的種類，為農作物病蟲害防治提供支持，降低人工識別工作量，提高識別效率，為智慧農業(yè)提供創(chuàng)新思路。

關鍵詞：LoRa；嵌入式；圖像識別；ModelArts

中圖分類號：TP274；TP391.41；S126? ? ?文獻標識碼：A

文章編號：1009-3044（2023）06-0082-03

開放科學（資源服務）標識碼（OSID）

保障農業(yè)生產一直是國家戰(zhàn)略的重點，影響農作物產量的因素除了氣候、環(huán)境，另一個很重要的因素是農作物病蟲害，每年都會有超過四成的自然損失是由于農業(yè)種植和生長過程中出現了病蟲害問題[1]。傳統(tǒng)人工經驗識別的方法，在效率和準確率上都不夠理想[2]。如果不能及時判斷農作物所患病蟲害的種類和嚴重程度，就可能耽誤農作物治療時間，導致災情擴大。此外，錯誤的診斷和治療，可能造成人力物力財力的損失和浪費。針對病蟲害的防治，直接有效的方式是對農作物種植區(qū)的環(huán)境進行監(jiān)控，觀察農作物病蟲害實體情況，一旦發(fā)現及時進行識別和處理，從而避免擴散。

目前，在農作物病蟲害識別領域已有相關應用案例，取得了一定的階段性成果。Thorat等人設計了葉片病害的遠程監(jiān)控系統(tǒng)，可以把農作物葉片病害圖像通過Wi-Fi發(fā)送給農民[3]。Yang等人基于聲發(fā)射理論和植物病害應激理論，通過無線傳感器網絡（WSN），采集了室外植物聲源信號，對植物的健康狀況，疾病的早期、中期和晚期進行分類[4]。Habib等人提出基于機器視覺識別木瓜病害的在線專家系統(tǒng)，該系統(tǒng)使用移動電話或手持設備捕捉受病害影響的木瓜的圖像，圖像被發(fā)送到后端服務器進行識別，再通過前端軟件發(fā)送到用戶的手持設備[5]。沈凱文等人提出了基于 GIS平臺的農作物病蟲害智能監(jiān)測系統(tǒng)，但要求使用移動端設備對準疑似病變部位進行檢測[6]。

這些研究對農業(yè)病蟲害和智慧農業(yè)的發(fā)展起到積極推動作用，然而針對實際應用仍存在一些問題。（1）無線數據傳輸中多采用Wi-Fi和ZigBee等無線通信技術，存在著通信距離短、需提前完成Wi-Fi覆蓋等問題，導致很多使用場景受到限制。（2）系統(tǒng)采集端采集的數據類型較單一，需要使用手持設備進行現場數據采集，自動化程度不高。（3）現有病蟲害的識別方案大多是在現場應用，缺少對農作物現場實時圖像的遠程采集、傳輸以及自動識別病蟲害進行預警。

針對上述存在的問題，提出了基于LoRa的農作物病蟲害識別與監(jiān)控系統(tǒng)。在感知層實現了傳感器數據及圖像數據的自動采集與上傳；網絡層通過LoRa遠距離通信，實現了廣域網覆蓋，通過LoRa網關實現數據上云；云端利用人工智能技術，判斷農作物是否患病以及農作物患病的種類，并給出相應治療方案。該系統(tǒng)可以將農作物生長過程和環(huán)境的相關數據進行采集和分析，對農業(yè)病蟲害進行監(jiān)控，可以更好地滿足智慧農業(yè)在病蟲害防治的需求。

1 整體方案設計

本文設計的農作物病蟲害識別與監(jiān)控系統(tǒng)，能夠及時預警農作物病蟲害，實時監(jiān)控農作物是否遭受病蟲害，整個系統(tǒng)具備數據采集、數據傳輸和農作物病蟲害識別功能。本系統(tǒng)主要由LoRa采集節(jié)點、LoRa網關、物聯網云構成，系統(tǒng)的總體設計如圖1所示。

LoRa采集節(jié)點作為傳感器和圖像的采集前端，承擔了傳感器和圖像的數據采集功能。傳感器負責氣象數據和土壤溫濕度數據等農業(yè)基礎數據，可以根據實際需要增加和更換不同的傳感器。圖像數據通過CMOS攝像頭拍攝農作物圖像，本系統(tǒng)選用OV5640 攝像頭，通過SCCB（Serial Camera Control Bus）總線進行通訊，將攝像頭圖像數據通過LoRa無線通信方式發(fā)送給LoRa網關。

利用LoRa遠距離無線通信技術將終端采集節(jié)點的數據匯總到網關節(jié)點，再通過4G/5G或Wi-Fi技術實現網關節(jié)點和物聯網云的通信，實現了傳感器和圖像數據上傳至物聯網云端。

云端服務器接收到農作物圖像信息，通過云端部署訓練完成的農作物病蟲害識別模型，得出農作物患病種類，反饋給用戶并推薦合適的防治措施。

2 系統(tǒng)硬件設計

2.1 LoRa無線通信

LoRa是一種新興LPWAN（低功耗廣域網）技術，該技術是基于Chirp的擴頻調制技術。與ZigBee、WirelessHart等傳統(tǒng)WSN技術相比，LoRa具有無線通信距離遠（可達10公里）、抗干擾能力強、抗頻偏、節(jié)點功耗低等優(yōu)點[7-8]。LoRa工作在非授權的頻段，LoRa終端節(jié)點和網關的成本較低，網絡的基礎建設和運營成本低。此外，LoRa組網靈活，支持星狀、樹狀、Mesh等多種組網形式。

2.2 LoRa采集節(jié)點硬件設計

針對農業(yè)病蟲害監(jiān)控系統(tǒng)的應用場景和采集節(jié)點對于微控制器的需求，系統(tǒng)選擇國產支持LoRa通信的SoC ASR6502。該芯片集成了LoRa無線收發(fā)器、調制解調器和ARM架構的32位MCU，是全頻段LoRa芯片。ASR6502的封裝體積小（7mm×7mm×0.9mm）、集成度高，可以較大程度地減少外圍器件，簡化采集節(jié)點設計并節(jié)省PCB面積。

攝像頭采用了CMOS數字圖像傳感器 OV5640。OV5640 攝像頭支持輸出圖像可達500萬像素（2592×1944分辨率），能夠給用戶提供清晰的圖像。此外，攝像頭帶有自動對焦功能，可以滿足農作物的圖像采集的需求。

ASR6502可通過SCCB總線配置OV5640相關寄存器，從而進行攝像頭各參數設置。SCCB屬于簡化的I2C總線， ASR6502可以通過GPIO模擬SCCB總線的方式與攝像頭進行通訊。SCCB不支持多字節(jié)的讀寫，每次傳輸只能寫入或讀取一個字節(jié)的數據。通過操作SCCB的指令實現自動聚焦功能，輸出圖像時選擇 JPEG 格式。

采集節(jié)點的硬件部分主要由低功耗芯片ASR6502、OV5640攝像頭、外部ADC和DAC接口電路組成，其硬件電路結構如圖2所示：

2.3 LoRa網關硬件設計

LoRa網關又稱為LoRa基站，位于網絡核心位置，是LoRa采集節(jié)點上傳的數據和云平臺信息交互的橋梁。LoRa網關設備負責將傳感器和攝像頭的采集的數據解析并按照規(guī)定協(xié)議進行匯聚，通過Wi-Fi網絡、4G或5G移動網絡實現數據上云端。LoRa網關硬件結構如圖3所示。

網關主要由主控制器、LoRa通信模塊、Wi-Fi通信模塊、4G或5G通信模塊組成。主控制器采用國產中科芯的32位MCU，CKS32F407微處理器，其采用高性能的ARM Cortex M4的32位RISC內核，最高工作頻率為168MHz，用于完成數據處理與控制功能。LoRa網關通信模組選擇SX1302，該模組支持16個上行并發(fā)通道與2個下行通道，通過射頻前端芯片SX1250，完成網關與采集節(jié)點的信息交互。

3 云平臺

云平臺主要展示農作物環(huán)境監(jiān)測等相關信息，包括空氣溫濕度、土壤濕度、土壤養(yǎng)分、光照強度和農作物生長過程圖片等信息。通過對農作物監(jiān)測數據進行存儲、分析，建立可視化模型，為農業(yè)精細化管理提供大數據支撐。

針對許多農業(yè)企業(yè)擁有大量的農業(yè)相關數據，但缺少使用人工智能的開發(fā)經驗，無法高效實現AI對農業(yè)的賦能。系統(tǒng)提出了使用 ModelArts平臺高效開發(fā)人工智能模型，以解決上述痛點。ModelArts是面向AI開發(fā)者的一站式開發(fā)平臺，提供包括海量數據預處理、算法開發(fā)、大規(guī)模分布式訓練、自動化模型生成和部署都可以在ModelArts上完成[9]。通過在ModelArts上進行農作物病蟲害圖像識別的開發(fā)和部署，完成農作物病蟲害圖像識別模型并將其部署到了網頁端和手機端。ModelArts的算法開發(fā)、模型訓練和部署流程如圖4所示。

通過ModelArts平臺進行農作物病蟲害識別的具體設計步驟如下：

（1）創(chuàng)建數據集

根據現有農作物圖像資料構建農作物病蟲害的基礎數據集，本文采用的數據集是AI Challenger 2018競賽農作物葉子圖像的數據集。該數據集標注了包含常見農作物的病害種類，例如蘋果、櫻桃、葡萄、柑桔、桃、草莓、番茄、辣椒、玉米、馬鈴薯等10種植物的27種病害。將這些植物的圖像數據導入到ModelArts，通過自動標注或手動標注標簽，生成農作物病害的基礎數據集。

（2）使用預置算法訓練數據集并生成模型

將農作物病害的基礎數據集按照訓練集和驗證集進行劃分，劃分比例為4：1，設置好最大訓練時長和訓練偏好即可進行完成訓練設置。模型訓練結果可以提供整個模型的召回率、精確率、準確率和F1值。

（3）模型部署和測試

當模型訓練完成后，即可使用訓練好的模型進行部署。ModelArts支持各種部署場景一鍵部署，可以將農作物病害訓練模型部署為云端的在線推理服務，也可以推送部署到邊緣設備中。

LoRa節(jié)點采集的農作物圖像可在云端進行存儲和分析，上傳到訓練好的模型中即可進行農作物病害識別，圖5為葡萄葉片病害的識別預測結果示例，在預測結果中可以得到每一種病害類別的細粒度量化的置信度。

ModelArts提供了一個可調用的API接口，通過編寫POST語句對API發(fā)起預測請求，即可預測服務返回的結果。此外，ModelArts在AI Gallery中貢獻了開源數據集，分享了大量的算法和模型，比如YOLOv5， Mask-RCNN，ResNet50等，可以針對不同應用選擇不同算法模型，進行快速訓練和模型部署。

4 結束語

為了解決環(huán)境監(jiān)測指標單一，通信距離短，應用場景局限的問題，本文設計了基于LoRa的農業(yè)病蟲害識別與監(jiān)測系統(tǒng)，能夠實現在戶外環(huán)境下24 小時自動化采集氣象信息、病蟲害圖像信息，并上傳至云端進行農作物病蟲害識別。通過ModelARTs設計實現了農業(yè)病蟲害的識別模型開發(fā)和云端部署。該系統(tǒng)具有廣闊的市場空間和應用前景，可以更好地滿足我國智慧農業(yè)的發(fā)展需求，解決農作物病蟲害的診斷、識別和防治的問題，實現精準農業(yè)，助力鄉(xiāng)村振興。

參考文獻：

[1] 李林，周晗，郭旭超，等.基于多源信息融合的中文農作物病蟲害命名實體識別[J].農業(yè)機械學報，2021，52（12）：253-263.

[2] 張永玲，姜夢洲，俞佩仕，等.基于多特征融合和稀疏表示的農業(yè)害蟲圖像識別方法[J].中國農業(yè)科學，2018，51（11）：2084-2093.

[3] Thorat A，Kumari S，Valakunde N D.An IoT based smart solution for leaf disease detection[C]//2017 International Conference on Big Data，IoT and Data Science （BID）.December 20-22，2017，Pune，India.IEEE，2018：193-198.

[4] Yang Z Q，Ye H M，Liu Y Z.Research on plant disease detection technology based on wireless sensor network[C]//2021 IEEE 4th Advanced Information Management，Communicates，Electronic and Automation Control Conference （IMCEC）.June 18-20，2021，Chongqing，China.IEEE，2021：1928-1931.

[5] Habib M T，Majumder A，Jakaria A Z M，et al.Machine vision based papaya disease recognition[J].Journal of King Saud University-Computer and Information Sciences，2020，32（3）：300 -309.

[6] 沈凱文，李浩偉，韓進，等.基于卷積神經網絡的病蟲害可視化監(jiān)測系統(tǒng)設計[J].軟件導刊，2020，19（9）：122-126.

[7] 趙文舉.低功耗廣覆蓋LoRa系統(tǒng)的研究與應用[D].北京：北京郵電大學，2019.

[8] 歐洋，馬春燕，郝彥釗.基于LoRa氣霧立體栽培環(huán)境數據監(jiān)測系統(tǒng)設計[J].電子器件，2022，45（1）：244-250.

[9] 呂海龍，遲冬祥.基于華為AI開發(fā)平臺的圖像識別原型開發(fā)[J].數字技術與應用，2022，40（1）：183-188.

【通聯編輯：梁書】