基于物聯(lián)網(wǎng)的智慧農(nóng)業(yè)監(jiān)測管理系統(tǒng)研究

摘要：為構(gòu)建農(nóng)作物環(huán)境信息實時監(jiān)測系統(tǒng)，實現(xiàn)農(nóng)作物生長的智慧管理，構(gòu)建了一種智慧農(nóng)業(yè)監(jiān)測管理系統(tǒng)。首先，基于物聯(lián)網(wǎng)技術(shù)從感知層、傳輸層、應(yīng)用層3個維度，以STM32為控制核心搭建智慧農(nóng)業(yè)監(jiān)測管理系統(tǒng)，通過傳感器收集環(huán)境溫濕度、土壤溫濕度、光照強度、空氣質(zhì)量等環(huán)境數(shù)據(jù)，利用無線模塊將其傳輸至服務(wù)器，實現(xiàn)對環(huán)境因子的監(jiān)測和遠程控制；其次，基于OpenCV庫的圖像處理算法和SVM模型實現(xiàn)對作物病害圖像的分類、識別；最后，基于QT平臺完成上位機UI界面的設(shè)計。通過試驗測試，該系統(tǒng)在信息傳輸和設(shè)備控制方面準確、可靠，對病害圖像分類平均準確率為96.3%，對石榴褐斑病的識別準確率最高，達97.4%。

關(guān)鍵詞：物聯(lián)網(wǎng)；智慧農(nóng)業(yè)；監(jiān)測管理系統(tǒng)；圖像識別；SVM

中圖分類號：S126；S127；TN926" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0176-06

DOI：10.14088/j.cnki.issn0439-8114.2024.08.030 開放科學(xué)（資源服務(wù)）標識碼（OSID）：

Research on intelligent agricultural monitoring and management system"based on Internet of Things

HE Jian-qiang1，2， ZHANG Ying1， XU Xing1

（1.College of Electronic Information and Electrical Engineering， Shangluo University， Shangluo" 726000， Shaanxi， China；

2.Shangluo Intelligent Agriculture Research Center， Shangluo" 726000， Shaanxi， China）

Abstract： In order to build a real-time monitoring system of crop environmental information and realize intelligent management of crop growth， an intelligent agricultural monitoring and management system was constructed. Firstly， based on the Internet of Things technology， the intelligent agricultural monitoring and management system was built with STM32 as the control core from three dimensions of perception layer， transmission layer and application layer. The environmental data such as environmental temperature and humidity， soil temperature and humidity， light intensity and air quality， etc， were collected through sensors， and transmitted to the server using a wireless module to achieve monitoring and remote control of environmental factors. Secondly， the image processing algorithm and SVM model based on OpenCV database were used to classify and recognize crop disease images. Finally， the upper computer UI interface was designed based on the QT platform. Through experimental tests， the system was accurate and reliable in information transmission and equipment control. The average accuracy rate of the system for disease image classification was 96.3%， and the accuracy rate of pomegranate brown spot recognition was the highest， reaching 97.4%.

Key words： Internet of Things； intelligent agriculture； monitoring and management system； image recognition； SVM

中國是農(nóng)業(yè)大國，農(nóng)業(yè)是國民經(jīng)濟發(fā)展和社會穩(wěn)定的基礎(chǔ)。在傳統(tǒng)農(nóng)業(yè)生產(chǎn)模式中，長期存在“靠天吃飯”、投入高、產(chǎn)量低等問題。隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，無線傳感器網(wǎng)絡(luò)、無線通信、遠程監(jiān)控管理等技術(shù)不斷成熟，被逐步應(yīng)用于農(nóng)業(yè)生產(chǎn)，使農(nóng)業(yè)生產(chǎn)的效率和經(jīng)濟效益得到明顯提升。國外的一些國家采取各種方式出臺、落地支持智慧農(nóng)業(yè)發(fā)展的政策法規(guī)以高位引導(dǎo)智慧農(nóng)業(yè)發(fā)展。率先提出“精確農(nóng)業(yè)”構(gòu)想的美國，先后出臺了6項相關(guān)的法律法規(guī)和發(fā)展計劃促進農(nóng)業(yè)信息化建設(shè)，在信息、科研、教育、基礎(chǔ)設(shè)施、投資等方面都以法律法規(guī)形式明確推進農(nóng)業(yè)發(fā)展，為智慧農(nóng)業(yè)及其產(chǎn)業(yè)鏈條的發(fā)展提供了良好的政策環(huán)境和財政支持［1］。世界各國的農(nóng)業(yè)科技研發(fā)系統(tǒng)組成主體多樣化，但都基本以政府、高校的農(nóng)業(yè)科技研發(fā)機構(gòu)為重要主體?！笆奈濉币?guī)劃中，強調(diào)要加快農(nóng)業(yè)農(nóng)村現(xiàn)代化建設(shè)，但目前中國的農(nóng)業(yè)現(xiàn)代化發(fā)展還相對滯后，物聯(lián)網(wǎng)、人工智能等技術(shù)在農(nóng)業(yè)生產(chǎn)中還未全面推廣應(yīng)用，如何應(yīng)用物聯(lián)網(wǎng)技術(shù)開展農(nóng)業(yè)生產(chǎn)，實現(xiàn)生長環(huán)境自動監(jiān)測和控制、病蟲害自動識別與消殺是當前亟需解決的問題。因此，本研究基于物聯(lián)網(wǎng)技術(shù)，利用無線傳感器網(wǎng)絡(luò)實現(xiàn)對作物生長環(huán)境的自動監(jiān)測及對灌溉、通風(fēng)等設(shè)備的智能控制，并通過圖像處理技術(shù)和SVM模型完成對作物病蟲害的識別與分類，并對其中一些關(guān)鍵問題進行研究，對中國智慧農(nóng)業(yè)的發(fā)展具有一定的價值。

1 系統(tǒng)整體設(shè)計

該系統(tǒng)以STM32為主控核心，可收集環(huán)境溫濕度、土壤溫濕度、光照強度、空氣質(zhì)量等環(huán)境監(jiān)測數(shù)據(jù)，控制器將收集到的數(shù)據(jù)進行打包，通過無線傳輸協(xié)議將數(shù)據(jù)傳輸至物聯(lián)網(wǎng)通信平臺上，同時平臺可以通過下發(fā)指令對農(nóng)業(yè)中的調(diào)控設(shè)備進行操作，實現(xiàn)對農(nóng)業(yè)環(huán)境的遠程檢測和控制。環(huán)境數(shù)據(jù)因子傳感系統(tǒng)、控制傳輸系統(tǒng)和應(yīng)用管理系統(tǒng)都是該設(shè)計的三層結(jié)構(gòu)控制方案的一部分。系統(tǒng)整體框架如圖1所示。

1.1 系統(tǒng)硬件設(shè)計

系統(tǒng)硬件設(shè)計主要包括傳感器部分、主控芯片部分、無線網(wǎng)絡(luò)傳輸部分和環(huán)境調(diào)節(jié)控制系統(tǒng)部分。數(shù)據(jù)感知節(jié)點主要由傳感器組件和無線傳輸網(wǎng)絡(luò)組成，傳感器在收集環(huán)境數(shù)據(jù)因子信息后，通過STM32F103ZET6處理器處理數(shù)據(jù)信息，最后通過無線傳輸模塊將數(shù)據(jù)發(fā)送至PC端的數(shù)據(jù)管理系統(tǒng)［2］。管理系統(tǒng)對數(shù)據(jù)進行分析后，通過環(huán)境調(diào)控設(shè)備調(diào)節(jié)環(huán)境因子。系統(tǒng)硬件架構(gòu)如圖2所示。

采用STM32F103ZET6處理器處理數(shù)據(jù)信息，數(shù)據(jù)處理電路如圖3所示。采用ESP8266作為無線數(shù)據(jù)傳輸芯片，使用TCP/IP通信協(xié)議作為系統(tǒng)數(shù)據(jù)的網(wǎng)絡(luò)傳輸協(xié)議，其中ESP_TXD、ESP_RXD分別連接主控芯片的USART_RXD、USART_TXD引腳進行數(shù)據(jù)的交互［3，4］，通過AMS1117-3.3正向低壓降穩(wěn)壓器將系統(tǒng)供電由5.0 V降至3.3 V，為ESP8266提供合適的電壓，電路如圖4所示。溫濕度傳感器為DHT11，數(shù)據(jù)以單總線的方式傳輸數(shù)據(jù)，數(shù)據(jù)輸出口HU_TH與主控的PB0引腳相連接采集數(shù)據(jù)［5，6］。采用SHT30傳感器采集土壤數(shù)據(jù)，其中SHT_SDA引腳連接主控的PB7引腳，SHT_SCL連接主控的PB6引腳［7］。

環(huán)境調(diào)節(jié)系統(tǒng)主要由給水系統(tǒng)、排風(fēng)系統(tǒng)和加濕系統(tǒng)構(gòu)成。通過與主控芯片相連接，使用MOS管充當開關(guān)作用，實現(xiàn)環(huán)境調(diào)節(jié)，電路如圖5所示［8］。

1.2 系統(tǒng)軟件設(shè)計

系統(tǒng)軟件部分主要包括信息采集和處理、監(jiān)測中心數(shù)據(jù)管理和圖像采集3個部分。當系統(tǒng)啟用時，首先完成硬件上的初始化，比如時鐘、各模塊初始化等。系統(tǒng)可以設(shè)置各項環(huán)境因素的閾值，當環(huán)境數(shù)據(jù)值大于閾值時，系統(tǒng)會自動開啟相應(yīng)的調(diào)控設(shè)備調(diào)整當前環(huán)境因子，軟件流程如圖6所示。

上位機軟件功能共分為系統(tǒng)調(diào)配、信息采集、控制輸出和信息管理。通過下位機采集數(shù)據(jù)后將數(shù)據(jù)上傳至上位機顯示、管理和控制。為方便信息管理以及設(shè)備的操作，本系統(tǒng)使用QT進行簡單的UI設(shè)計，系統(tǒng)上位機結(jié)構(gòu)如圖7所示。

系統(tǒng)通過調(diào)用QT平臺的QCamera模塊實現(xiàn)攝像頭信息的調(diào)取，通過Start（）函數(shù)開啟攝像頭，進而將采集到的畫面實時顯示到上位機，通過按鍵可將某一幀的圖像保存在固定的目錄文件下，起到了視頻監(jiān)控的作用，也完成了圖像信息的采集［9］。

2 基于OpenCV的植物圖像處理

考慮到植物葉部病害診斷圖像處理算法研究的可重復(fù)性和可移植性，選擇基于OpenCV庫的圖像處理和識別算法進行研究。由于不同作物的葉部病害有很多可比性狀，所以可以通過圖像處理和識別工作研究不同植物的某些類似病害［10］。本研究中特定的植物葉部病害識別算法如圖8所示。以石榴褐斑病、法桐黃化病、芒果炭疽病3種葉部病害為主要研究對象，研究圖像算法的創(chuàng)建過程。

對采集的原始圖像進行去噪處理，取去噪后圖像RGB模型中的G分量模型，并將其轉(zhuǎn)化為灰度圖。通過應(yīng)用OTSU閾值法實現(xiàn)圖像二值化的操作，利用此方法完成對圖像病斑和背景的分割運算。再通過開運算、腐蝕、膨脹等圖像處理操作，得到形態(tài)學(xué)處理的二值圖像，在與原始圖像進行異或運算得到病斑圖像，與原始圖像進行對比得到病斑的彩色圖像，結(jié)果如圖9、圖10所示。從圖9、圖10可以看出，圖像分割的處理過程，OTSU閾值分割法對原始圖像的G分量分割可以產(chǎn)生較好的病斑提取效果，再通過形態(tài)學(xué)處理可以去除一些小的毛刺，最后通過對原始圖像進行操作，可以還原出植物葉片的病斑圖像。

3 基于SVM的病害圖像分類

SVM是一種監(jiān)督式學(xué)習(xí)的方法，可廣泛地應(yīng)用于統(tǒng)計分類以及回歸分析，具有解決小樣本、非線性和高維回歸以及二分類問題的優(yōu)勢，且分類效果好、分類器簡潔。SVM常用的核函數(shù)包括線性核函數(shù)、非線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)（RBF）和sigmoid［11-13］。結(jié)合該系統(tǒng)圖像識別和分類特點，考慮到徑向基核函數(shù)具有可實現(xiàn)非線性映射和需要確定的參數(shù)少、分類準確率高等優(yōu)點，選取RBF核函數(shù)。決策函數(shù)公式和徑向基核函數(shù)公式如下。

[h（x）=sgn（i∈SVa*iyiK（xi，xj）+b*）] " " （1）

[K（x，y）=exp（-γx-y2）]" " " " " "（2）

式中，h（x ）為決策函數(shù)；K（xi，xj）為樣本向量集；ai*為拉格朗日乘子；b*為偏置項；SV為樣本數(shù)量集合。[K（x，y）]為核函數(shù)；x、y分別為樣本數(shù)據(jù)向量和測試數(shù)據(jù)向量；γ為RBF核函數(shù)的半徑。

以SVM分類模型對病害圖像分類，共選取1 217張植物圖像作為訓(xùn)練樣本，其中560張為健康葉片，657張為病害葉片。從樣本中選取80%的圖像（共973張圖像，其中448張為健康葉片，525張為病害葉片）作為訓(xùn)練集數(shù)據(jù)，其余20%的圖像（共244張圖像，其中112張為健康葉片，132張為病害葉片）作為測試集數(shù)據(jù)。通過訓(xùn)練集樣本數(shù)據(jù)對SVM分類器進行訓(xùn)練，多次試驗得出最優(yōu)的識別率參數(shù)，如表1所示。在取不同的最優(yōu)懲罰參數(shù)（C）、核半徑（γ）和 損失參數(shù)（r）時，以RBF（徑向基）作為SVM 的核函數(shù)準確率最高，因此以RBF作為SVM 的核函數(shù)建立分類模型，以石榴、芒果、法桐葉片為例進行試驗，結(jié)果如表2所示。在設(shè)置合理的參數(shù)后得到的分類器可以對圖像進行有效分類，平均準確率為96.3%，對石榴褐斑病的識別準確率達97.4%。

4 系統(tǒng)功能測試

為驗證系統(tǒng)在信息采集、傳輸、顯示和對病蟲害圖片識別等方面的可靠性和準確性，對系統(tǒng)進行測試。系統(tǒng)啟動后，向服務(wù)器發(fā)送數(shù)據(jù)信息，在軟件中查看數(shù)據(jù)的采集情況，通過下發(fā)環(huán)境中的數(shù)據(jù)閾值，使得系統(tǒng)在自動模式下運行，通過平臺對調(diào)控設(shè)備進行開啟和關(guān)閉的操作［14，15］。上位機和下位機信息顯示如圖11所示，數(shù)據(jù)采集以及設(shè)備工作情況如表3所示。

在對圖像數(shù)據(jù)集預(yù)處理后，設(shè)置相應(yīng)的數(shù)據(jù)參數(shù)，系統(tǒng)會將每張圖像數(shù)據(jù)歸類劃分，分為健康圖像和病斑圖像，測試結(jié)果如圖12所示，可以看出系統(tǒng)能夠準確地識別葉片情況。

5 小結(jié)

本研究基于物聯(lián)網(wǎng)技術(shù)構(gòu)建了智慧農(nóng)業(yè)監(jiān)測管理系統(tǒng)，完成了系統(tǒng)軟硬件的搭建、配置和調(diào)試，基于QT平臺完成了上位機和視頻監(jiān)測系統(tǒng)軟件的開發(fā)，采用OpenCV的葉面病害信息處理與鑒定方法完成了對病斑圖像的處理，選用SVM模型完成了對健康圖像、病斑圖像的識別，平均準確率為96.3%，對石榴褐斑病的識別準確率達97.4%。該系統(tǒng)能夠自動監(jiān)測和控制農(nóng)作物生長的環(huán)境因素，讓其處于生長所需要的最佳環(huán)境中，系統(tǒng)的植物病害識別功能能夠讓智慧農(nóng)業(yè)系統(tǒng)更加完善，以便管理者做出管理決策，帶來較好的管理效益。

參考文獻：

［1］ 鄭紀業(yè)，阮懷軍，封文杰.農(nóng)業(yè)物聯(lián)網(wǎng)體系結(jié)構(gòu)與應(yīng)用領(lǐng)域研究進展［J］.中國農(nóng)業(yè)科學(xué)，2017，50（4）：657-668.

［2］ 賴俊桂，孫道宗.基于無線傳感器網(wǎng)絡(luò)的山地柑橘園灌溉控制系統(tǒng)設(shè)計［J］.江蘇農(nóng)業(yè)科學(xué)，2020，48（7）：245-249.

［3］ 何建強，楊振寶，王邊馳.基于物聯(lián)網(wǎng)技術(shù)的智能消防控制系統(tǒng)設(shè)計［J］.商洛學(xué)院學(xué)報，2021，35（4）：15-19.

［4］ 楊偉志，孫道宗，劉建梅.基于物聯(lián)網(wǎng)和人工智能的柑橘灌溉專家系統(tǒng)［J］.節(jié)水灌溉， 2019（9）：116-120.

［5］ 何燦隆，沈明霞.基于NB-IoT的溫室溫度智能調(diào)控系統(tǒng)設(shè)計與實現(xiàn)［J］.華南農(nóng)業(yè)大學(xué)學(xué)報， 2018，39（2）： 117-124.

［6］ 余國雄，王衛(wèi)星.基于物聯(lián)網(wǎng)的荔枝園信息獲取與智能灌溉專家決策系統(tǒng)［J］.農(nóng)業(yè)工程學(xué)報， 2016，32（20）：144-152.

［7］ 施苗苗，宋建成.基于物聯(lián)網(wǎng)的設(shè)施農(nóng)業(yè)遠程智能化信息監(jiān)測系統(tǒng)的開發(fā)［J］.江蘇農(nóng)業(yè)科學(xué)， 2016，26（11）：392-395.

［8］ 何建強，韓美林.基于物聯(lián)網(wǎng)技術(shù)的丹江流域水質(zhì)監(jiān)測預(yù)警系統(tǒng)設(shè)計［J］.自動化與儀表，2022，37（6）：84-89，95.

［9］ 曾德生，駱金維.基于邊緣計算模型的智能視頻監(jiān)控系統(tǒng)的設(shè)計［J］.智能計算機與應(yīng)用，2019，9（6）：254-261，265.

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

［11］ 馬佳佳，陳友鵬，王克強.基于優(yōu)化SVM的蟲害圖像識別研究［J］.中國糧油學(xué)報，2022，37（5）：10-15.

［12］ 張亞軍.基于改進支持向量機算法的農(nóng)業(yè)害蟲圖像識別研究［J］.中國農(nóng)機化學(xué)報，2021，42（2）：146-152.

［13］ 趙玉清，楊慧麗，張 悅.基于特征組合與SVM的小粒種咖啡缺陷生豆檢測［J］.農(nóng)業(yè)工程學(xué)報，2022，38（14）：295-302.

［14］ 白魯堯，楊培宏.基于物聯(lián)網(wǎng)技術(shù)的智慧農(nóng)業(yè)系統(tǒng)開發(fā)與實現(xiàn)［J］.電工技術(shù)，2021（18）：19-21，23.

［15］ 李寶生.一種基于物聯(lián)網(wǎng)技術(shù)的智慧農(nóng)業(yè)大棚遠程監(jiān)控系統(tǒng)設(shè)計［J］.中國科技信息，2022（15）：95-96.

基金項目：陜西省教育廳2022年度專項科學(xué)研究計劃項目（22JK0356）；陜西省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（S202311396068）

作者簡介：何建強（1987-），男，陜西商洛人，副教授，碩士，主要從事物聯(lián)網(wǎng)技術(shù)研究，（電話）18220970121（電子信箱）hejianqiang@slxy.edu.cn。