基于物聯網監控的煙葉精準種植管理系統設計與實踐

農英雄，陸瑛，陳智斌，黃聰，黃崇峻，梁冬*，陳寧江，陳玉華

1 廣西中煙工業有限責任公司，信息中心，廣西南寧市北湖南路28號 530001；

2 廣西大學，計算機與電子信息學院，廣西南寧市大學東路100號 530004；

3 廣西中煙工業有限責任公司，原料供應部，廣西南寧市北湖南路28號 530001

物聯網在作物灌溉、監測、病蟲防治、產品追溯等農業領域具有廣泛用途，通過感知設備能夠識別、監測、定位以及獲取各種作物信息數據，并實現農業精準種植和管理[1-3]。烤煙的生產包括選種育苗、田間種植、采收初烤、分揀收購、打葉復烤和原料入庫等環節，其中選種育苗和田間種植階段對煙葉的質量和產量有著直接關系。李文卿等[4]發現推遲煙草移栽期，由于溫度提高和光照增強，可以提高煙葉產量；陸永恒[5]研究和總結了影響煙葉品質的田間氣候、土壤類型和海拔高度等主要生態條件；侯壯偉等[6]研究土壤pH值對烤煙的生長發育和干物質的影響；此外，烤煙的耕種方式和灌溉模式對煙草生長和煙葉品質也有不同作用[7-8]。煙草作為一種對環境敏感的經濟作物，移栽期、氣候、土壤和耕作方式等因素與煙葉的質量、產量有密切關系。

近年來，行業采用物聯網技術在烤煙的復烤、倉儲和產品追溯等環節都有相關研究，但該技術在煙草種植和管理方面的研究應用相對較少[9-10]。吳波等[11]在烤煙物流管控方面構建了一套基于RFID技術的精益物流管理體系，提高了作業效率；陶健等[12]研究遙感技術在大面積煙田種植和管理方面的應用；李光雷等[13]設計的煙葉信息系統對煙地、育苗點和烤房等信息進行采集，提高數據錄入效率和信息化管理水平，但采用物聯網技術實現對煙草種植全生命周期監控的工作還不夠充分。

在煙草種植數據的獲取和監控方面，目前是由農技人員到田間手動采集種植數據，該方式存在采集周期長、人力成本高、數據滯后和效率低等問題。本文所關注的“智慧煙葉”模式，即在煙葉全產業鏈的產前、產中及產后等環節以大數據分析、人工智能、農業物聯網等技術作為支撐，推動生產精準化和智能化。為了實現煙草精準種植和智能管理，本文研發了一套基于物聯網監控的煙葉精準種植管理系統，設計了基于物聯網技術的多源異構種植數據采集和傳輸機制，提出了基于機器學習的煙草精準種植和智能管理方法，同時構建了煙區煙草種植信息數據庫，為煙草精準種植管理和烤煙原料生產提供有效數據支撐。

1 系統架構設計

基于物聯網監控的煙葉精準種植管理系統采用層次結構，由感知與網絡層、存儲層、數據服務層、業務邏輯層和表示層構成，以物聯網、云計算和大數據等技術作為支撐，實現煙田多源異構種植數據的實時采集、傳輸、存儲、處理和分析。

如圖1所示，感知與網絡層是關鍵層，實現基于物聯網技術的煙田氣象數據、環境數據、土壤數據和作物長勢圖像等多源異構數據的精準采集和可靠傳輸，表1展示了本系統主要采集的數據；存儲層主要實現存儲傳感器數據、圖像數據和煙草業務領域數據；數據服務層主要是處理大量的種植數據和煙草領域數據，向上為核心業務提供模型支撐，向下為構建煙區種植知識數據庫提供有效的數據分析服務；業務邏輯層是系統功能和應用實現的核心部分，主要功能包括實時監控、數據可視化、種植管理、用戶管理、監控點管理等；表示層采用響應式架構，實現界面渲染和前后端數據的響應，為移動端和電腦端用戶提供良好的交互體驗。

圖1 系統的體系結構Fig.1 System architecture

表1 數據采集內容Tab. 1 Data acquisition content

2 關鍵技術

煙草大田種植時期包括移栽期、團棵期、開花期和成熟期，以往煙農依靠歷年種植經驗耕作，種植過程不夠精細，對煙葉生長狀況、產量和品質監控缺乏數據依據；通過農技人員定期到煙田采集和檢測土壤樣本、記錄煙株生長狀況信息、收集錄入氣象數據的方式存在數據采集滯后、精度低、問題反饋不及時等問題。為了實現煙草精準種植和智能管理，本系統主要通過兩個方面的關鍵技術來解決上述問題：（1）針對采集和傳輸煙田數據，設計了一套基于物聯網技術的多源異構種植數據采集和傳輸機制，實現種植數據的實時采集和低能耗穩定傳輸；（2）針對煙草種植管理，提出了基于機器學習的煙草精準種植和智能管理方法，訓練兩個煙草模型，智能識別煙草大田各個生長周期，并提供種植管理建議，為煙田管理人員提供決策支持。

2.1 基于物聯網技術的多源異構種植數據采集和傳輸機制

煙草植株的生長受田間氣壓、溫度、濕度、降雨量等因素的影響，煙草不同生長期間對各類生態條件的要求也不同。若適當推遲移栽期，則可縮短大田生長期；若過早或過遲移栽，則對煙草的生長會產生不利的影響[14]。通過物聯網傳感器實時監測和采集煙田的各類種植數據，可以為植株在不同生長階段準確提供合適條件。系統主要采集氣象、環境、土壤和作物長勢圖像四類數據，氣象數據包括氣壓、大氣濕度、光照輻射量、紫外線強度、大氣溫度、風速和風向等；環境數據包括降雨量和蒸騰量等；土壤數據包括土壤溫度、相對濕度和土壤pH值等；作物長勢圖像包括煙草作物的各種長勢圖像數據。面向這四類多源異構的數據，首先在數據采集方面設計了物聯網設備部署與采集規范；其次，針對戶外大田能源和網絡有限的情況，設計低能耗、精準和穩定的數據傳輸方案。

2.1.1 物聯網設備部署與采集規范

面向數據采集需求，設計物聯網設備部署和采集規范。首先，在基于統一地塊、煙株和耕作方式的原則下，在煙田部署氣象和環境數據采集傳感器。其次，根據煙株根系生長發育特點，在土壤數據采集方面，設計了一種分層土壤監測采集傳感器，用于監測和采集土壤狀況。煙株根系的生長發育和生長環境關系到植株對養分的吸收，直接影響到煙葉的產量和品質[15]。在煙株旺長前期，根系的根重和根長僅分布在0～20 cm的土層；在旺長期至打頂期，根系生長到20～40 cm的土層；在成熟期，根系在0～40 cm土層內迅速增加，并開始深入到40～80 cm土層內。煙草的根重、根長、根表面積及活躍吸收面積主要集中在0～20 cm的土層中，其次是20～40 cm的土層[16]。因此，本系統的分層土壤監測采集傳感器設計如下：在煙田放置傳感器時分別在15cm和30cm處放置土壤溫濕度和pH值傳感器，監測和采集煙草根系的生長環境信息，如圖2所示。

圖2 分層土壤傳感器示意圖Fig.2 Schematic of layered soil sensor

2.1.2 基于物聯網技術的數據傳輸方案

為了適應野外田間用電問題和保證數據穩定可靠傳輸，系統采用低能耗和穩定的數據傳輸方案，采用太陽能供電、低能耗通信技術，傳感器采用低能耗無線通信ZigBee技術的傳輸模塊，并組網。種植數據通過ZigBee技術匯集到數據網關，并通過蜂窩移動網絡以4G/3G網絡的方式傳輸到遠程存儲服務器并進行數據持久化，如圖3所示。煙田的氣象傳感器、環境傳感器和土壤傳感器的采集周期為2次/每小時，監控相機拍攝圖像周期2次/每天，當數據匯集到數據網關之后就會進入待機模式。至此，實現了多源異構種植數據的采集和傳輸。

2.2 基于機器學習的煙草精準種植和智能管理

基于機器學習的煙草精準種植和智能管理方法，包括兩個部分：大田種植期分類模型和基于決策樹算法的智能管理模型。首先，通過歷年采集到的作物長勢數據，采用神經網絡技術訓練大田種植期分類模型，對種植時期進行分類；其次，關聯大田種植分類模型的輸出數據，訓練基于決策樹算法的煙草智能管理模型，根據實時種植數據，反饋最佳種植管理建議，為煙田管理提供數據依據。

圖3 數據采集示意圖Fig.3 Schematic of data collection

2.2.1 大田種植期分類模型

為了訓練煙草大田種植期分類模型，通過采集設備收集足夠的煙葉圖像數據，把圖像數據劃分為4個類別：團棵前期、旺長期、開花期和成熟期，并將其作為標注數據集。為了增加圖像數據的多樣性以及提高模型的泛化性，通過圖像增強技術對圖像數據進行隨機色彩變更、旋轉、縮放和加噪，進一步擴充數據集。模型采用基于ResNet-50[17]和MobileNet[18-19]的卷積神經網絡結構，以4種時期的標注數據作為輸入，其中訓練集占70%，測試集為20%，驗證集為10%，共計10080張圖像數據，訓練煙草大田種植期分類模型。通過對數據的圖像處理，模型性能得到增強，最終模型準確率從83%提高到95%。表2為使用圖像增強處理數據集前后模型準確率對比表。

表2 模型效果Tab. 2 Effect of model

在模型測試過程中，發現模型對于相鄰的煙草生長期圖像分類準確率不高，例如旺長期與開花期的過渡階段，模型難以準確分類。為此，通過設置多個分類器模型對不同方向和角度的n個圖像數據集分類，第i類圖像數據集為di , i∈n，訓練后的n個分類模型為f1(d1)，f2(d2)，…fn(dn)，然后計算多個分類器模型識別圖像的結果，將多數類的模型結果作為最終的識別效果，大田種植期分類模型結果計為Result，如式（1）所示。

最終通過多張不同圖片作為輸入選取多數類模型結果Result，優化模型分類效果，至此完成大田種植期分類模型的訓練。該模型可以通過煙田作物圖片，識別大田種植期，為種植管理提供服務支撐。圖4為使用圖像增強技術生成的圖像數據；圖5為模型識別的煙草生長期，其中（a）為團棵前期，（b）為旺長期，（c）為開花期，（d）為成熟期。

圖4 圖像增強Fig.4 Image enhancement

2.2.2 基于決策樹算法的煙草智能管理模型

在大田種植期分類模型的基礎上，結合模型輸出的煙草大田種植期數據和采集的氣象數據、環境數據、土壤數據以及種植管理數據，訓練生成煙草智能管理模型。該模型采用決策樹算法[20-21]訓練。模型訓練分為兩步：第一步是通過訓練數據集進行學習，構建決策樹模型；第二步是利用構建的決策樹模型進行驗證和測試應用。在使用決策樹模型對新數據樣本進行分類時，從根節點開始逐步對該樣本的屬性進行測試，并沿著相應的分支向下行走，直至到達某個葉節點，此時葉節點所代表的類型即為該樣本的類型。表3展示了模型數據集樣本信息。

表3 數據樣本Tab. 3 Data sample

計算信息增益的方法為：

其中，數據集S的經驗熵（empirical entropy）H(S)如下計算：

計算特征A對數據集S的經驗條件熵（empirical conditional entropy）H(S|A)：

通過計算信息增益，取最大信息增益率的屬性作為測試屬性，基于決策樹算法的煙草智能管理模型自上而下地完成決策樹的建樹過程，以煙草大田種植期數據、氣象數據、環境數據、土壤數據、煙區農技人員田間管理數據作為模型輸入。該模型對超過生長期指標的閾值參數進行警報，并根據煙草種植的進程指標、生長狀況指標和生態影響因子，動態反饋給系統管理員和技術人員，為精準種植提供依據。同時把實時采集煙葉種植數據，進行清洗、關聯和融合，存儲到數據庫中，形成煙草生長種植信息數據庫。模型構建流程如圖6所示。

圖6 煙草智能管理模型構建流程Fig.6 Construction process of smart tobacco management model

3 系統實驗

通過在靖西煙區建立實驗基地部署系統，對系統效果進行驗證。

圖7為系統實時采集的煙田種植數據界面，數據采集間隔為一小時；圖8是數據可視化界面，對多維數據可視化展示。

表4對比了系統部署前后的應用效果。

系統應用后，在數據采集方式上，改變了人工采樣、送檢、記錄的方式，大大減少了農技人員出工的次數和工作量。原來在煙草種植期間，每名農技人員負責和管理500畝煙田，平均每周要用4天時間到煙田采集數據。系統替代了人工數據采集的方式后，農技人員只需要針對問題煙田進行實地考察和記錄，平均每周用時1天，節省了75%工時。采集頻率由原來每周采集一次，轉變為實時采集，效率大大提高。同時，擴大了數據采集種類，包括了氣象數據、環境數據、土壤數據以及煙草長勢數據，每個監測點平均每天產生不少于270條數據，由此可以建立煙草生長信息數據庫和管理知識庫。

圖7 實時監控界面Fig.7 Real-time monitoring interface

圖8 數據可視化Fig.8 Data visualization

表4 系統應用效果Tab. 4 Effect of the system application

農技人員根據系統反饋信息，可實時了解煙田種植情況，督促和推進各個環節的進度，省去了多部門匯報或實地探察等環節，工作效率得到很大提高。表5為農技人員工作效果對比表，對比了系統應用前后的變化。

表5 農技人員工作效果對比Tab. 5 Comparison of working effect of agricultural technical personnel

4 結束語

系統采用物聯網技術對煙田煙草生長全生命周期監測，實時采集種植數據和監測煙田環境，推進了煙草種植向數字化、精準化發展，在廣西靖西基地試驗取得良好效果。在現有基礎上，下一步對煙草生長期干預條件進行實驗，探索影響煙葉產量、質量的關鍵影響因子，為智慧煙葉生產提供科學支撐。