一種基于大數據的農業四情智能監測系統

張海濱

（四創電子股份有限公司，安徽 合肥 230031）

0 引言

農業“四情”是指墑情、苗情、病蟲情、災情。農業“四情”監測預警系統以先進的無線傳感器、物聯網、云平臺、大數據以及互聯網等信息技術為基礎，由墑情傳感器、苗情災情攝像機、蟲情測報燈、網絡數字攝像機、作物生理生態監測儀，以及預警預報系統、專家系統、信息管理平臺組成。系統對每個監測點的病蟲狀況、作物生長情況、災害情況、空氣溫度、空氣濕度、露點、土壤溫度、光照強度等各種作物生長過程中重要的參數進行實時監測、管理。系統聯合作物管理知識、作物圖庫、災害指標等模塊，對作物實時遠程監測與診斷，提供智能化、自動化管理決策，是農業技術人員管理農業生產的“千里眼”和“聽診器”。

1 主要技術原理

監測點的數據采集終端采用穩定的Linux作為運行環境，采集終端直接通過移動互聯網將視頻及土壤空氣傳感器的實施信息上報給監控指揮中心的數據。

數據接入系統采用穩定高效安全的Linux作為運行環境，采用Java作為開發語言，采用智能網關技術[1]將數據接入，并根據設備的傳輸協議和數據類型，對監測點上報信息進行解碼、拆分、清洗、轉存、歸檔。

圖像識別和檢測系統采用穩定高效安全的 Linux作為運行環境，以Python作為開發語言，利用 Tensorf low作為深度學習框架，利用Keras作為高層 API，實現對視頻中病害，蟲害及植株的識別和檢測。

數據管理分析與存儲子系統作為平臺數據分析和處理的核心系統，采用云主機+Linux+Tomcat作為應用運行環境，通過彈性計算和負載均衡進行計算資源調度管理。采用成熟的J2EE+SSH作為Web 后臺應用開發框架，利用云平臺提供的CDN，對象存儲，云數據庫，高速緩存，消息推送服務實現對海量數據的切片、整合、識別、分析和存儲。

業務門戶作為平臺對外的管理門戶，采用云主機+Linux+Tomcat作為應用運行環境，采用成熟的 J2EE+SSH作為Web后臺應用開發框架，前端采用H5+Ajax作來做數據獲取和呈現，同時利用云平臺提供的運維監控，安全管理監控服務，實現對監測數據，業務流程，統計分析表報，用戶權限，系統日志等的綜合管理。

2 系統設計實現

農業“四情”智能監測系統采用全省一級平臺的架構，即在省一級建庫、集中部署，全省系統用戶依據不同層級、不同級別、不同業務，通過互聯網利用瀏覽器或手機APP訪問，使用不同的應用功能，訪問不同范圍的數據。

圖1 系統總體架構

整個系統主要分為監測點和省級監控指揮中心2個部分。監測點部署有智能球型攝像頭、土壤墑情傳感器、溫濕度傳感器和無線傳輸設備等，主要負責大氣溫濕度、土壤含水量、視頻圖像等監測數據的實時采集。監測數據經由高速無線網絡接入監控指揮中心，由圖像識別和檢測子系統進行識別檢測后，將識別結果報送數據管理分析系統進行數據分析并存儲在中央數據庫。最終由業務門戶子系統通過大屏，工作PC以及手機App呈現給用戶。

2.1 數據接入

接收監測點的視頻和環境監控設備上報的視頻、溫濕度、土壤墑情等數據。管理員可以在系統中添加或維護監測監控設備，用智能為監控設備配置接入參數，設置數據解碼、數據處理單元、數據閾值等。收到監測站上報的實時視頻或環境監測數據后，首先這些數據加載到高速緩存中，之后再由不同的數據適配器對數據進行解碼，形成內存數據對象，并根據時間、區域、監測內容分類進行歸類。

監測站通過墑情傳感器測量土壤的體積含水量（VWC）、土壤溫度、土壤電導率、地下水位、空氣溫濕度、太陽輻射、降雨量等眾多相關傳感器。監測數據統一由自動監測站發送到網絡數據平臺，數據按照統一的格式進行存儲。

2.2 圖像識別檢測

2.2.1 病蟲害監測

基于TensorFlow深度學習框架開發適合小麥常見病蟲害（目前主要針對白粉病、赤霉病、銹病、紋枯病、麥蜘蛛、蚜蟲、吸漿蟲等）的識別算法。在物種外形差異不大的細分類條件下，也能達到較高識別精度，這是因為綜合吸收了學術界先進模型的思路理念：非對稱卷積，通道1x1卷積（Inception）；殘差Block（ResNet）；模塊熔接（Deeply Fusion MR）；Fine-Grained語義分割重構（FC）；Feature Map拼接（Inception，Part-Stacked CNN）。

圖2 圖像識別架構圖

基于TensorFlow的目標檢測技術并結合GPS和GIS，對視頻中發病植株的數目，范圍進行智能識別和檢測[2]，實現對小麥大田長時間、大范圍的野外自動監測和數據采集。首先經過小麥的目標檢測，即輸入圖像將小麥框出。目標檢測后，采用深度學習中的卷積神經網絡模型訓練分類器，將圖像通過一系列的卷積、非線性、池（采樣）、全連接層，可克服場景多樣性帶來的特 征多樣性，實現目標識別。利用卷積神經網絡訓練足量的數據，進行足量的訓練迭代[3]，實現更多的權重更新，對神經網絡進行更好的調參，可以獲得較理想的檢測結果。圖3即識別小麥是否正?；蚧加胁∠x害的深度學習 CNN模型圖，輸入檢測為小麥的圖像，經過數據初始化后，經過CNN模型的卷積層池化層等特征值提取過程后全連接層分類，得到預測結果百分比：

圖3 小麥圖像目標識別圖

2.2.2 生長期監測

傳統的生長期監測方法是以野外觀測為基礎的，通過目視觀察法來記錄典型生物個體年復一年的差異。本文通過在監測點設置多光譜高清定點拍攝設備，在中小尺度模式下對特定的植物植株整體、主干、局部枝葉多個點位進行長時間的定點拍攝，通過與參照尺寸標的物對比，實現對植株的高度、寬度等自動測量。

本文通過深度學習圖像識別技術對小麥植株出苗、返青、抽穗、灌漿等物候狀態進行智能識別，自動形成物候發育的檢測數據。實現物候觀測由手工到自動、由點到面的轉換，使得區域大范圍的宏觀物候監測成為可能。

通過卷積神經網絡CNN（如圖4所示），本文在ImageNet上預訓練的模型如Z F、VGG16以及ResNet上進行Fine-tune，結合特有的植物圖像特點，學習每個周期的特征表示，最后得到輸入植物圖像對應的預測生長周期。

圖4 具有選擇分集、EGC和MRC的Rayleigh衰落信道中BPSK調制誤碼率性能的仿真

圖4 小麥圖像生長周期預測圖

2.3 數據管理存儲

業務數據的存取通過2種方式進行：用于歸檔存儲的監控數據，通過文件的方式進行存儲；用于實時查詢的數據，通過K-V型內存數據庫來進行。數據管理分析系統對各類監控數據進行切分后，形成基礎元數據，這部分數據首先通過高速緩存來保存，之后根據時間區域整合成統計分析報表并存儲到塊存儲中。

系統定期將監控數據及形成的數據分析報表進行歸檔，將超過1個月的數據轉儲至歸檔服務器，采用2點冗余備份，年整體數據備份量為50 T。提供標準的RESTful API接口，方便上傳/下載、檢索，支持流式寫入和讀出，特別適合大文件的邊寫邊讀業務場景。對系統內的生產的數據分析報告進行管理，支持各種形式數據產品信息的列表和查詢，提供對數據產品生產情況的統計。

2.4 業務門戶

基于WebGIS的可視化數據綜合管理，所有監控點直觀顯示，監測數據一目了然。具備空間差值分析功能，利用專用軟件自動繪制系統數據等級評價空間等值線面圖，并實現圖形管理。提供基于位置、時間、數據類型、數據范圍等多維度的查詢接口。歷史數據可按曲線、報表形式展現，清晰直觀查看所有監測設備的監測數據。實現對野生動物分布及活動范圍的大數據圖譜、植物物候監測分析報告等的呈現?；贐/S結構，按訪問權限為用戶提供所轄區域內野生動植物監測數據的個性化查詢和統計接口，提供多維度的查詢條件，滿足林業管理統計業務需要。

3 結束語

通過建立農業四情智能監測系統，可以通過精確、科學的數字化控制手段進行農業生產和管理，提高農作物的產量和品質，并且保護了生態環境，有效避免用藥、施肥、灌溉等行為的過度化和濫用。同時可以為政府、科研單位及用戶提供詳細準確的農業“四情”數據，以便于專家及時診斷提出解決方法。還可以大幅減少水、電、人力等能源和資源使用，減少農業生產的成本，有效解決農民增產不增收等問題。