基于LoRa的农作物病虫害识别与监控系统设计_潘宁.pdf

Computer Knowledge and Technology电脑知识与技术第19卷第6期(2023年2月)第19卷第6期(2023年2月)本栏目责任编辑：梁书工程应用基于LoRa的农作物病虫害识别与监控系统设计潘宁（武汉学院信息工程学院，湖北 武汉 430212）摘要：为实时监控农作物生长状况并及时预警农作物病虫害，设计了一种农作物病虫害识别和监控系统。通过摄像头和传感器对农作物生长状况和周围环境进行实时监控，数据通过LoRa远距离无线通信技术上传到云服务器，然后由ModelArts平台构建出农作物病虫害识别模型，判断农作物是否患病以及患病的种类，为农作物病虫害防治提供支持，降低人工识别工作量，提高识别效率，为智慧农业提供创新思路。关键词：LoRa；嵌入式；图像识别；ModelArts中图分类号：TP274；TP391.41；S126文献标识码：A文章编号：1009-3044(2023)06-0082-03开放科学（资源服务）标识码（OSID）:保障农业生产一直是国家战略的重点，影响农作物产量的因素除了气候、环境，另一个很重要的因素是农作物病虫害，每年都会有超过四成的自然损失是由于农业种植和生长过程中出现了病虫害问题1。传统人工经验识别的方法，在效率和准确率上都不够理想2。如果不能及时判断农作物所患病虫害的种类和严重程度，就可能耽误农作物治疗时间，导致灾情扩大。此外，错误的诊断和治疗，可能造成人力物力财力的损失和浪费。针对病虫害的防治，直接有效的方式是对农作物种植区的环境进行监控，观察农作物病虫害实体情况，一旦发现及时进行识别和处理，从而避免扩散。目前，在农作物病虫害识别领域已有相关应用案例，取得了一定的阶段性成果。Thorat等人设计了叶片病害的远程监控系统，可以把农作物叶片病害图像通过Wi-Fi发送给农民3。Yang等人基于声发射理论和植物病害应激理论，通过无线传感器网络（WSN），采集了室外植物声源信号，对植物的健康状况，疾病的早期、中期和晚期进行分类4。Habib等人提出基于机器视觉识别木瓜病害的在线专家系统，该系统使用移动电话或手持设备捕捉受病害影响的木瓜的图像，图像被发送到后端服务器进行识别，再通过前端软件发送到用户的手持设备5。沈凯文等人提出了基于GIS平台的农作物病虫害智能监测系统，但要求使用移动端设备对准疑似病变部位进行检测6。这些研究对农业病虫害和智慧农业的发展起到积极推动作用，然而针对实际应用仍存在一些问题。（1）无线数据传输中多采用Wi-Fi和ZigBee等无线通信技术，存在着通信距离短、需提前完成Wi-Fi覆盖等问题，导致很多使用场景受到限制。（2）系统采集端采集的数据类型较单一，需要使用手持设备进行现场数据采集，自动化程度不高。（3）现有病虫害的识别方案大多是在现场应用，缺少对农作物现场实时图像的远程采集、传输以及自动识别病虫害进行预警。针对上述存在的问题，提出了基于LoRa的农作物病虫害识别与监控系统。在感知层实现了传感器数据及图像数据的自动采集与上传；网络层通过LoRa远距离通信，实现了广域网覆盖，通过LoRa网关实现数据上云；云端利用人工智能技术，判断农作物是否患病以及农作物患病的种类，并给出相应治疗方案。该系统可以将农作物生长过程和环境的相关数据进行采集和分析，对农业病虫害进行监控，可以更好地满足智慧农业在病虫害防治的需求。1 整体方案设计图1 系统整体设计框图收稿日期：2022-10-12基金项目：武汉学院校级科研一般项目：基于LoRa和RFID的智慧农业信息溯源系统设计（项目编号：X2022024）作者简介：潘宁（1980）男，湖北十堰人，硕士，工程师，主要研究方向为物联网、嵌入式开发、人工智能。E-mail：http：/Tel：+86-551-65690963 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.19,No.6,February202382DOI:10.14004/ki.ckt.2023.0306Computer Knowledge and Technology电脑知识与技术第19卷第6期(2023年2月)第19卷第6期(2023年2月)工程应用本栏目责任编辑：梁书本文设计的农作物病虫害识别与监控系统，能够及时预警农作物病虫害，实时监控农作物是否遭受病虫害，整个系统具备数据采集、数据传输和农作物病虫害识别功能。本系统主要由LoRa采集节点、LoRa网关、物联网云构成，系统的总体设计如图1所示。LoRa采集节点作为传感器和图像的采集前端，承担了传感器和图像的数据采集功能。传感器负责气象数据和土壤温湿度数据等农业基础数据，可以根据实际需要增加和更换不同的传感器。图像数据通过CMOS摄像头拍摄农作物图像，本系统选用OV5640摄像头，通过SCCB（Serial Camera Control Bus）总线进行通讯，将摄像头图像数据通过LoRa无线通信方式发送给LoRa网关。利用LoRa远距离无线通信技术将终端采集节点的数据汇总到网关节点，再通过4G/5G或Wi-Fi技术实现网关节点和物联网云的通信，实现了传感器和图像数据上传至物联网云端。云端服务器接收到农作物图像信息，通过云端部署训练完成的农作物病虫害识别模型，得出农作物患病种类，反馈给用户并推荐合适的防治措施。2 系统硬件设计2.1 LoRa无线通信LoRa是一种新兴LPWAN（低功耗广域网）技术，该技术是基于 Chirp 的扩频调制技术。与 ZigBee、WirelessHart等传统WSN技术相比，LoRa具有无线通信距离远(可达10公里)、抗干扰能力强、抗频偏、节点功耗低等优点7-8。LoRa工作在非授权的频段，LoRa终端节点和网关的成本较低，网络的基础建设和运营成本低。此外，LoRa组网灵活，支持星状、树状、Mesh等多种组网形式。2.2 LoRa采集节点硬件设计针对农业病虫害监控系统的应用场景和采集节点对于微控制器的需求，系统选择国产支持LoRa通信的SoC ASR6502。该芯片集成了LoRa无线收发器、调制解调器和ARM架构的32位MCU，是全频段LoRa芯片。ASR6502的封装体积小（7mm7mm0.9mm）、集成度高，可以较大程度地减少外围器件，简化采集节点设计并节省PCB面积。摄像头采用了CMOS数字图像传感器 OV5640。OV5640 摄像头支持输出图像可达500万像素(25921944分辨率)，能够给用户提供清晰的图像。此外，摄像头带有自动对焦功能，可以满足农作物的图像采集的需求。ASR6502可通过SCCB总线配置OV5640相关寄存器，从而进行摄像头各参数设置。SCCB属于简化的I2C总线，ASR6502可以通过GPIO模拟SCCB总线的方式与摄像头进行通讯。SCCB不支持多字节的读写，每次传输只能写入或读取一个字节的数据。通过操作SCCB的指令实现自动聚焦功能，输出图像时选择 JPEG 格式。采 集 节 点 的 硬 件 部 分 主 要 由 低 功 耗 芯 片ASR6502、OV5640摄像头、外部ADC和DAC接口电路组成，其硬件电路结构如图2所示:图2 采集节点硬件设计框图2.3 LoRa网关硬件设计LoRa网关又称为LoRa基站，位于网络核心位置，是LoRa采集节点上传的数据和云平台信息交互的桥梁。LoRa网关设备负责将传感器和摄像头的采集的数据解析并按照规定协议进行汇聚，通过 Wi-Fi 网络、4G或5G移动网络实现数据上云端。LoRa网关硬件结构如图3所示。图3 LoRa网关硬件设计框图网关主要由主控制器、LoRa通信模块、Wi-Fi通信模块、4G或5G通信模块组成。主控制器采用国产中科芯的32位MCU，CKS32F407微处理器，其采用高性能的ARM Cortex M4的32位RISC内核，最高工作频率为168MHz，用于完成数据处理与控制功能。LoRa网关通信模组选择SX1302，该模组支持16个上行并发通道与 2 个下行通道，通过射频前端芯片SX1250，完成网关与采集节点的信息交互。3 云平台云平台主要展示农作物环境监测等相关信息，包括空气温湿度、土壤湿度、土壤养分、光照强度和农作物生长过程图片等信息。通过对农作物监测数据进行存储、分析，建立可视化模型，为农业精细化管理提供大数据支撑。针对许多农业企业拥有大量的农业相关数据，但83Computer Knowledge and Technology电脑知识与技术第19卷第6期(2023年2月)第19卷第6期(2023年2月)本栏目责任编辑：梁书工程应用缺少使用人工智能的开发经验，无法高效实现AI对农业的赋能。系统提出了使用 ModelArts平台高效开发人工智能模型，以解决上述痛点。ModelArts是面向AI开发者的一站式开发平台，提供包括海量数据预处理、算法开发、大规模分布式训练、自动化模型生成和部署都可以在ModelArts上完成9。通过在ModelArts上进行农作物病虫害图像识别的开发和部署，完成农作物病虫害图像识别模型并将其部署到了网页端和手机端。ModelArts的算法开发、模型训练和部署流程如图4所示。图4 ModelArts算法训练和部署流程通过ModelArts平台进行农作物病虫害识别的具体设计步骤如下：（1）创建数据集根据现有农作物图像资料构建农作物病虫害的基础数据集，本文采用的数据集是AI Challenger 2018竞赛农作物叶子图像的数据集。该数据集标注了包含常见农作物的病害种类，例如苹果、樱桃、葡萄、柑桔、桃、草莓、番茄、辣椒、玉米、马铃薯等10种植物的27种病害。将这些植物的图像数据导入到ModelArts，通过自动标注或手动标注标签，生成农作物病害的基础数据集。（2）使用预置算法训练数据集并生成模型将农作物病害的基础数据集按照训练集和验证集进行划分，划分比例为4:1，设置好最大训练时长和训练偏好即可进行完成训练设置。模型训练结果可以提供整个模型的召回率、精确率、准确率和F1值。（3）模型部署和测试当模型训练完成后，即可使用训练好的模型进行部署。ModelArts支持各种部署场景一键部署，可以将农作物病害训练模型部署为云端的在线推理服务，也可以推送部署到边缘设备中。LoRa节点采集的农作物图像可在云端进行存储和分析，上传到训练好的模型中即可进行农作物病害识别，图5为葡萄叶片病害的识别预测结果示例，在预测结果中可以得到每一种病害类别的细粒度量化的置信度。ModelArts提供了一个可调用的API接口，通过编写POST语句对API发起预测请求，即可预测服务返回的结果。此外，ModelArts在AI Gallery中贡献了开源数据集，分享了大量的算法和模型，比如YOLOv5,Mask-RCNN，ResNet50等，可以针对不同应用选择不同算法模型，进行快速训练和模型部署。图5 葡萄叶片病害识别结果4 结束语为了解决环境监测指标单一，通信距离短，应用场景局限的问题，本文设计了基于LoRa的农业病虫害识别与监测系统，能够实现在户外环境下24 小时自动化采集气象信息、病虫害图像信息，并上传至云端进行农作物病虫害识别。通过ModelARTs设计实现了农业病虫害的识别模型开发和云端部署。该系统具有广阔的市场空间和应用前景，可以更好地满足我国智慧农业的发展需求，解决农作物病虫害的诊断、识别和防治的问题，实现精准农业，助力乡村振兴。参考文献：1 李林,周晗,郭旭超,等.基于多源信息融合的中文农作物病虫害命名实体识别J.农业机械学报,2021,52(12):253-263.2 张永玲,姜梦洲,俞佩仕,等.基于多特征融合和稀疏表示的农业害虫图像识别方法J.中国农业科学,2018,51(11):2084-2093.3 Thorat A,Kumari S,Valakunde N D.An IoT based smart solution for leaf disease detectionC/2017 Internat