基于RT-thread的小麥病蟲(chóng)害檢測(cè)系統(tǒng)的研究與應(yīng)用

朱曉智 張 蕾 韓媛媛 郭騰佐 李洪瑛

（衡水學(xué)院數(shù)學(xué)與計(jì)算機(jī)學(xué)院，河北 衡水 053000）

0 引言

我國(guó)已有五千多年的小麥種植史，是世界上小麥種植面積及產(chǎn)量最大的國(guó)家。小麥在我國(guó)居民飲食結(jié)構(gòu)中占據(jù)著重要地位，是日常生活中最常食用的糧食作物，尤其是在我國(guó)北方，小麥所占比例更重。目前，我國(guó)小麥種植區(qū)主要位于北方。北方小麥種植具有種植面積大、生產(chǎn)現(xiàn)代化的特征。而病蟲(chóng)害問(wèn)題會(huì)對(duì)北方小麥產(chǎn)量造成嚴(yán)重影響，等發(fā)現(xiàn)小麥發(fā)病時(shí)，往往都為時(shí)已晚，給農(nóng)業(yè)生產(chǎn)帶來(lái)不可估量的損失。

隨著人工智能技術(shù)的快速發(fā)展，各種檢測(cè)系統(tǒng)也層出不窮。本研究設(shè)計(jì)的小麥病蟲(chóng)害檢測(cè)系統(tǒng)是基于RT-thread 的實(shí)時(shí)操作系統(tǒng)，能實(shí)時(shí)監(jiān)測(cè)農(nóng)業(yè)作物健康狀況，并將數(shù)據(jù)上云，用戶可在手機(jī)端或電腦端實(shí)時(shí)查看農(nóng)作物健康情況數(shù)據(jù)，具有較高的實(shí)用價(jià)值［1］。

1 小麥病蟲(chóng)害檢測(cè)系統(tǒng)總體設(shè)計(jì)

該系統(tǒng)的軟硬件均采用模塊化設(shè)計(jì)，硬件系統(tǒng)以高性能STM32H750XBH6 為核心主控板，由神經(jīng)網(wǎng)絡(luò)模型模塊、數(shù)據(jù)上云顯示模塊、系統(tǒng)外設(shè)模塊、RT-thread 模塊組成，采用神經(jīng)網(wǎng)絡(luò)對(duì)小麥病蟲(chóng)害進(jìn)行識(shí)別。神經(jīng)網(wǎng)絡(luò)模型模塊采用的是卷積神經(jīng)網(wǎng)絡(luò)，并使用大量數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，對(duì)其進(jìn)行編譯評(píng)估，并保存模型，從而生成移動(dòng)端tflite 模型文件。通過(guò)對(duì)采集到的圖片和模型文件進(jìn)行對(duì)比，可準(zhǔn)確識(shí)別出小麥的健康情況。該系統(tǒng)可部署在多種惡劣環(huán)境中，為適應(yīng)環(huán)境，其采用的是防水防風(fēng)沙材質(zhì)，并由多種能源進(jìn)行持續(xù)供能。該系統(tǒng)采用OneNET 物聯(lián)網(wǎng)云平臺(tái)來(lái)實(shí)現(xiàn)數(shù)據(jù)的上行，并使用OneNET view 組件實(shí)現(xiàn)對(duì)數(shù)據(jù)的二維顯示。在獲取特征集識(shí)別到的小麥健康狀況的基礎(chǔ)上，通過(guò)調(diào)用數(shù)據(jù)庫(kù)，給出該健康狀況下的解決方案。

2 檢測(cè)系統(tǒng)設(shè)計(jì)

2.1 整體設(shè)計(jì)

該系統(tǒng)以STM32H750XBH6 為核心主控板，由神經(jīng)網(wǎng)絡(luò)模塊、數(shù)據(jù)上云顯示模塊、系統(tǒng)外設(shè)模塊、RT-thread 模塊組成。在神經(jīng)網(wǎng)絡(luò)模塊中，運(yùn)用python Numpy 工具和tensorflow 神經(jīng)網(wǎng)絡(luò)框架來(lái)搭建卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)恢復(fù)keras 模型來(lái)預(yù)測(cè)推理得到的移動(dòng)端tflite 模型文件。通過(guò)RT-AK 套件將模型文件部署到嵌入式中，數(shù)據(jù)上云顯示模塊中的項(xiàng)目采用OneNET 物聯(lián)網(wǎng)云平臺(tái)來(lái)實(shí)現(xiàn)數(shù)據(jù)上行，并使用OneNET view 組件對(duì)數(shù)據(jù)進(jìn)行二維顯示。系統(tǒng)外設(shè)模塊由圖像獲取顯示部分組成。神經(jīng)網(wǎng)絡(luò)模型模塊如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)模塊

2.2 模塊設(shè)計(jì)

2.2.1 主控模塊硬件設(shè)計(jì)。以STM32H750XBH6 為系統(tǒng)的主控模塊，STM32H750XBH6 是一款超低功耗、高性能的微控制器，采用Cortex-M7內(nèi)核，主頻高達(dá)480 MHz，支持各種第三方軟件包和SDK 擴(kuò)展功能，采用2 個(gè)USB Type-C 接口、4 路UART,支持“BT4.2+WiFi 單頻+FM”，并采用博通BCM43438A1 方案。相較于其他類型的STM32 單片機(jī)，STM32H750XBH6 使用層次化系統(tǒng)安全架構(gòu)，在保障應(yīng)用和系統(tǒng)安全的基礎(chǔ)上，也能滿足各種外設(shè)系統(tǒng)的功能。主控板整體結(jié)構(gòu)如圖2所示。

圖2 主控板整體結(jié)構(gòu)

2.2.2 系統(tǒng)外設(shè)模塊。系統(tǒng)外設(shè)模塊由gc0328攝像頭和ili9488顯示屏組成，攝像頭模塊通過(guò)FPC 線連接到ART-Pi 多媒體擴(kuò)展板的Camera FPC 接口上，并將攝像頭模塊拍攝到的畫(huà)面在ART-Pi 多媒體擴(kuò)展板屏幕上顯示。系統(tǒng)外設(shè)模塊如圖3所示。

圖3 系統(tǒng)外設(shè)模塊

2.2.3 數(shù)據(jù)上云顯示模塊。系統(tǒng)將數(shù)據(jù)上云顯示模塊連接到OneNET 網(wǎng)絡(luò)平臺(tái)，從而完成設(shè)備的接入與連接。將系統(tǒng)外設(shè)模塊采集到的信息經(jīng)網(wǎng)絡(luò)上傳到云端，管理員通過(guò)網(wǎng)絡(luò)或本地查詢記錄，能隨時(shí)隨地查詢系統(tǒng)頁(yè)面。該系統(tǒng)還使用OneNET view 組件對(duì)數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理。數(shù)據(jù)上云顯示模塊如圖4所示［2］。

圖4 數(shù)據(jù)上云顯示模塊

2.2.4 RT-thread 模塊。RT-thread 為嵌入式實(shí)時(shí)多線程操作系統(tǒng)，物聯(lián)網(wǎng)操作系統(tǒng)以操作系統(tǒng)內(nèi)核（如RTOS、Linux 等）為基礎(chǔ)，包括文件系統(tǒng)、圖形庫(kù)等中間件組件的軟件平臺(tái)。實(shí)際上，RTthread 是一個(gè)IoT OS，基本屬性之一是支持多任務(wù)。在RT-thread 系統(tǒng)中，通過(guò)線程來(lái)完成任務(wù)。RTthread 系統(tǒng)主要由C 語(yǔ)言進(jìn)行編寫(xiě)。RT-thread 模塊如圖5所示。

圖5 RT-thread模塊

RT-thread 可使用在線軟件包管理工具。本研究用到OneNET、as608、fal、littlefs、easvflash 等軟件包。配合系統(tǒng)配置工具，可實(shí)現(xiàn)快速直觀的模塊化裁剪，并無(wú)縫導(dǎo)入豐富的軟件功能包，從而實(shí)現(xiàn)類似Android 的圖形界面及觸摸滑動(dòng)效果、智能語(yǔ)音交互效果等功能。相較于Linux 操作系統(tǒng)，RTthread 具有體積小、成本低、功耗低、啟動(dòng)快速等優(yōu)點(diǎn)。此外，RT-thread 還具有實(shí)時(shí)性高、占用資源小等特點(diǎn)，適合應(yīng)用于各種資源受限（如成本、功耗限制等）的場(chǎng)合中。與RTOS（如FreeRTOS、uC∕oS）相比，RT-thread 不僅是一個(gè)實(shí)時(shí)內(nèi)核，還具有豐富的中間層組件。RT-thread結(jié)構(gòu)如圖6所示［3］。

圖6 RT-thread結(jié)構(gòu)

通過(guò)對(duì)RT-thread 實(shí)時(shí)操作系統(tǒng)進(jìn)行軟件開(kāi)發(fā)，調(diào)用RT-AK的AI套件，可將事先訓(xùn)練好的深度AI學(xué)習(xí)模型一鍵部署到RT-thread實(shí)時(shí)操作系統(tǒng)的開(kāi)發(fā)項(xiàng)目中，部署好后，可生成神經(jīng)網(wǎng)絡(luò)模型文件。根據(jù)生成的神經(jīng)網(wǎng)絡(luò)模型文件，調(diào)用模型量化代碼。

2.2.5 神經(jīng)網(wǎng)絡(luò)模型模塊。利用python Numpy 工具和tensorflow 框架構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，導(dǎo)入訓(xùn)練集，定義標(biāo)簽處理。對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作，利用tensorflow框架對(duì)模型進(jìn)行三層卷積操作，并定義輸出變量。在完成數(shù)據(jù)集定義和卷積層構(gòu)建后，對(duì)模型進(jìn)行訓(xùn)練，原則上，訓(xùn)練次數(shù)要定義準(zhǔn)確，否則容易出現(xiàn)過(guò)擬合的現(xiàn)象。在此次訓(xùn)練中，將訓(xùn)練次數(shù)定義為100 次，并保存訓(xùn)練好的模型文件.h5［3］。通過(guò)tensorflow 完成圖像的構(gòu)建，并導(dǎo)入預(yù)測(cè)圖片文件，對(duì)比預(yù)測(cè)準(zhǔn)確度數(shù)值，模型達(dá)到結(jié)果預(yù)測(cè)。模型精度代碼如下。

模型精度如圖7所示。

圖7 模型精度曲線

Loss曲線代碼如下。

Loss曲線模型如圖8所示。

圖8 loss曲線模型

由圖7、圖8 可知，構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果的精確度較高，預(yù)期效果良好。

將轉(zhuǎn)換成的移動(dòng)端tflite 模型文件部署到嵌入式系統(tǒng)中，通過(guò)卷積網(wǎng)絡(luò)構(gòu)建已生成的模型文件（.h5 文件）。在部署到嵌入式前，要轉(zhuǎn)換成.tflite 文件，先將模型恢復(fù)成keras 模型，并預(yù)測(cè)模型大小，再進(jìn)行模型推理，從而生成.tflite 模型文件。詳細(xì)技術(shù)代碼如下。

3 結(jié)語(yǔ)

在實(shí)際運(yùn)行中，本研究設(shè)計(jì)的系統(tǒng)能實(shí)時(shí)快速地獲取小麥的健康狀態(tài)，從而檢測(cè)出小麥病蟲(chóng)害情況，并通過(guò)OneNET 模塊將數(shù)據(jù)上傳到云平臺(tái)，對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)。數(shù)據(jù)采集端是基于RT-thread 物聯(lián)網(wǎng)操作系統(tǒng)進(jìn)行設(shè)計(jì)的，相對(duì)裸機(jī)系統(tǒng)，本研究設(shè)計(jì)的系統(tǒng)具有較強(qiáng)的穩(wěn)定性和抗干擾能力，能在一定程度上滿足客戶對(duì)小麥病蟲(chóng)害檢測(cè)系統(tǒng)安全性的要求，并有效節(jié)省人力物力。