基于LoRa的農作物病蟲害識別與監控系統設計

潘寧

摘要：為實時監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控系統。通過攝像頭和傳感器對農作物生長狀況和周圍環境進行實時監控，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，為智慧農業提供創新思路。

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）

保障農業生產一直是國家戰略的重點，影響農作物產量的因素除了氣候、環境，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種植和生長過程中出現了病蟲害問題[1]。傳統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的環境進行監控，觀察農作物病蟲害實體情況，一旦發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控系統，可以把農作物葉片病害圖像通過Wi-Fi發送給農民[3]。Yang等人基于聲發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，該系統使用移動電話或手持設備捕捉受病害影響的木瓜的圖像，圖像被發送到后端服務器進行識別，再通過前端軟件發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測系統，但要求使用移動端設備對準疑似病變部位進行檢測[6]。

這些研究對農業病蟲害和智慧農業的發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控系統。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。該系統可以將農作物生長過程和環境的相關數據進行采集和分析，對農業病蟲害進行監控，可以更好地滿足智慧農業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控系統，能夠及時預警農作物病蟲害，實時監控農作物是否遭受病蟲害，整個系統具備數據采集、數據傳輸和農作物病蟲害識別功能。本系統主要由LoRa采集節點、LoRa網關、物聯網云構成，系統的總體設計如圖1所示。

LoRa采集節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無線通信方式發送給LoRa網關。

利用LoRa遠距離無線通信技術將終端采集節點的數據匯總到網關節點，再通過4G/5G或Wi-Fi技術實現網關節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、節點功耗低等優點[7-8]。LoRa工作在非授權的頻段，LoRa終端節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采集節點硬件設計

針對農業病蟲害監控系統的應用場景和采集節點對于微控制器的需求，系統選擇國產支持LoRa通信的SoC ASR6502。該芯片集成了LoRa無線收發器、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?。?mm×7mm×0.9mm）、集成度高，可以較大程度地減少外圍器件，簡化采集節點設計并節省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不支持多字節的讀寫，每次傳輸只能寫入或讀取一個字節的數據。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定協議進行匯聚，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，完成網關與采集節點的信息交互。

3 云平臺

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

針對許多農業企業擁有大量的農業相關數據，但缺少使用人工智能的開發經驗，無法高效實現AI對農業的賦能。系統提出了使用 ModelArts平臺高效開發人工智能模型，以解決上述痛點。ModelArts是面向AI開發者的一站式開發平臺，提供包括海量數據預處理、算法開發、大規模分布式訓練、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、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

為了解決環境監測指標單一，通信距離短，應用場景局限的問題，本文設計了基于LoRa的農業病蟲害識別與監測系統，能夠實現在戶外環境下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設計實現了農業病蟲害的識別模型開發和云端部署。該系統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的發展需求，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，助力鄉村振興。

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害蟲圖像識別方法[J].中國農業科學，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測系統設計[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氣霧立體栽培環境數據監測系統設計[J].電子器件，2022，45（1）：244-250.

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

【通聯編輯：梁書】