基于物聯網的智慧農業監測系統分析

摘" 要：智能農業系統的主要目標是通過自動灌溉和害蟲檢測框架自動監測農田。傳統農業方法存在作物產量低且需要大量人力。因此，該文提出一種基于物聯網的智慧農業監測系統方案。該系統主要功能是自動灌溉和植物病害檢測，利用機器學習算法準確預測農田所需的水量，并根據農田的需求自動識別害蟲。害蟲檢測模塊使用鄰近算法和支持向量機器學習算法，以精確預測植物疾病。先從植物葉片中提取方便的特征，然后利用這些特征進行分類，有助于檢測植物是否感染害蟲。該系統能監控、分析、評估和控制農田，實現水的自動灌溉和植物病害的識別。對機器學習算法進行數值分析，分類的準確性達到84%。

關鍵詞：深度學習；神經網絡；物聯網；分類；特征提取

中圖分類號：TP274" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2024）05-0009-04

Abstract： The main goal of the smart agricultural system is to automatically monitor farmland through automatic irrigation and pest detection framework. Traditional agricultural methods have low crop yields and require a lot of manpower. Therefore， this paper proposes a scheme of smart agricultural monitoring system based on the Internet of Things. The main function of the system is automatic irrigation and plant disease detection， using machine learning algorithm to accurately predict the amount of water needed in farmland， and automatically identify pests according to the needs of farmland. The pest detection module uses proximity algorithm and support vector machine learning algorithm to accurately predict plant diseases. Extracting convenient features from plant leaves and then using these features for classification is helpful to detect whether plants are infected with insect pests. The system monitors， analyzes， evaluates and controls farmland to realize automatic irrigation of water and identification of plant diseases. The machine learning algorithm is numerically analyzed， and the accuracy of classification is up to 84%.

Keywords： deep learning; neural network; Internet of Things; classification; feature extraction

隨著人口的增加，水資源匱乏成為主要危機，對人們的生活產生了深遠影響。當前全球人口約為72億人，預計到2050年將增至90億人。農業過程主要消耗大量淡水，尤其是灌溉需求更為巨大。相對于發達國家，發展中國家在農業方面缺乏先進技術和設備，導致水資源消耗加劇，尤其是在灌溉方面。因此，迫切需要采用最新技術來實現高效灌溉[1]。植物疾病是農民面臨的重要問題。對植物疾病的早期檢測有助于農民作出明智決策，提高作物產量。因此，更為精確的說法是，有必要對農田進行持續監測。

植物必須得到持續監測，及時發現任何害蟲或其他植物疾病，以便立即采取相應行動。為了在無需人為干預的情況下迅速采取有效措施和適當灌溉，機器學習算法（以下簡稱KNN算法）成為檢測植物疾病的最佳選擇。技術的迅猛發展帶來了高精度的作物控制、先進設備類型，以及從傳感器獲得有用數據的可能性，對全球產生了深遠的影響。這些計算機化技術在很大程度上能夠解決各種問題[2-3]。在實現智能農業方法和提高農業效率方面，物聯網發揮了關鍵作用。通過利用物聯網并結合機器學習算法，可以有效監測農田并提高產量。為了解決農業領域面臨的問題，如水資源短缺和農田可用性，采用先進技術和方法變得勢在必行。全球人口預計到2050年將增長70%，對資源的需求和消耗不斷增加。物聯網能夠以更低的投入高效地解決這些問題。在智慧農業中，物聯網通過使用傳感器檢測作物生長、土壤濕度以及牲畜飼料水平，實現了對與物聯網連接的收割和灌溉設備的精確控制和管理[4]。通過傳感器對農田進行智能監測和控制，土壤狀況和植物健康得到了更加精確的監測，發現任何問題時能夠立即采取適當的維護措施。

本文提出了一種基于物聯網的智能設備，通過采用機器學習算法監測農田，利用機器學習算法準確預測農田所需的適量水量，實現自動灌溉以及自動害蟲識別和農藥噴灑，實時分析土壤狀況，實現植物的自動澆水。

1" 系統架構

系統的架構設計如圖1所示，主要包括2個模塊，土壤監測模塊和蟲害檢測模塊。

土壤監測模塊：該模塊配備了不同的傳感器，包括土壤溫濕度傳感器和流量傳感器，用于測定土壤中的水分量，并通過監測土壤的濕度和濕度水平來了解土壤的狀態。這些信息反映了土壤的條件狀況。該模塊的主要功能是監測土壤是否有灌溉需求。為了實現節水、節電，并避免過度灌溉，系統引入了自動化灌溉系統[5-6]。因此，土壤監測模塊通過使用傳感器感知土壤溫濕度狀況，根據傳感器輸入數據應用KNN算法。系統建立了一個模型，以預測灌溉所需的適量水分，隨后激活水泵并進行適當的灌溉。

蟲害檢測模塊：該模塊的任務是使用先進的蟲害檢測技術，以及機器學習算法對植物進行蟲害檢測[7]。一旦檢測到蟲害，系統將立即采取適當的措施，例如噴灑殺蟲劑，以最小化作物受害程度，從而提高農產品的產量。

這2個模塊共同構成了一個智能、自動化的系統，通過及時監測土壤和檢測植物蟲害，提高了農業生產的效率和產量。

蟲害檢測模塊以作物葉片圖像作為輸入，其使用圖像處理技術和機器學習算法來檢測植物是否受到任何植物病害的影響。KNN算法用于對害蟲的類型進行分類，以便采取必要的措施來根除它們并保護植物的健康。因此，機器學習算法KNN和SVM被用來準確檢測植物病害。KNN算法用于分類，而SVM算法用于確定植物是否受感染。輸入的圖像經過預處理，然后提取適當的特征、部署算法，從而精確檢測出病害。

土壤監測模塊包含不同的傳感器，如DHT11傳感器、土壤濕度傳感器和流量傳感器，如圖2所示。這些傳感器用于測定土壤中的水分量，并通過監測土壤的溫度水平、濕度和濕度水平來了解土壤的狀態，這也反映了土壤的條件，其有助于估計土壤的灌溉水需求。

智能系統中使用的硬件包括ESP832微控制器、傳感器網絡（包括DHT11傳感器、土壤濕度傳感器、流量傳感器、蜂鳴器、水泵和噴霧加濕器），如圖3所示。系統中的傳感器用于感知土壤中的水量。為了實現節能目的，選擇了功耗較低的ESP832微控制器。在進行土地灌溉時，當水位低于預定義的閾值時，水泵會被激活。如果部署了這個系統，其可以顯著影響水資源的保護技術。無線傳感器節點被布置在田地中，用于收集進一步處理的輸入數據。一旦檢測到任何植物病害，噴霧加濕器會被激活，并進行殺蟲劑噴灑。所有數據都存儲在數據庫中。

2" 實驗設置和實施細節

用于研究工作的數據集是“植物病害檢測圖像數據集”，這是一個包含圖像的圖像數據集，如“白粉病”“卷葉蜜蜂”“斑枯病葉”“黃脈花葉駁斑病”“健康”“炭疽病”和“細菌性枯萎”等。該數據集主要用于識別不同類型的植物病害。在本文設計的系統中，檢測到了6種不同類型的植物病害。

機器學習算法能夠在無需人為干預的情況下從數據中學習并通過經驗不斷提升。這些算法是專為從輸入數據中學習和在經驗中改進而開發的程序。這種無需人類監督的學習方式既節省時間又提高了預測的準確性。這些算法的主要目標是為輸入的數據構建統計模型，用于分析數據并進行進一步的決策。由于它們并非為特定任務而設計，因此機器學習算法在學習新數據并在沒有人類交互的情況下進行準確預測方面表現出色。在處理新數據時，一些監督學習算法使用帶有標簽的數據訓練函數，以生成能夠作出準確預測的模型。這些算法包括線性回歸、邏輯回歸、決策樹、支持向量機（SVM）、K-最近鄰（KNN）和樸素貝葉斯等。具體而言，KNN 和 SVM 算法已成功應用于土壤濕度和植物疾病的檢測，同時也用于害蟲的分類。因此，其被認為是解決分類和回歸問題的重要算法之一。

KNN算法采用的方法是聚類，即將附近相似的事物分組形成簇，然后利用這些簇進行準確的預測以生成所需的輸出。在KNN算法中，使用了相似性概念（也稱為距離、接近度和相似度）。回歸問題的輸出始終是一個實數，而分類問題的輸出要么是真，要么是假，沒有中間狀態。為了有效地決策制定，K均值聚類被采用，通過將值分組到不同的簇中，然后預測期望的結果。

KNN算法被認為是最佳且簡單的分類器之一，其利用相似性進行分類，在分類任務中得到廣泛應用。該算法通過在數據點的緊密鄰近區域創建聚類來實現，完成聚類后，能夠做出準確的推測。歐幾里得距離公式用于確定數據點的最近鄰居，而k值表示最近鄰居的數量。選擇合適的k值對于獲得期望的輸出至關重要。

k值決定了最近鄰居的數量，對分類結果有著重要的影響，因此選擇k值時必須極為慎重，其是該算法的關鍵因素。在給定的數據中，樣本數據點被分組成一個包含4個數據點的簇，因為k值為4。然后，新的數據對象被添加到其最近鄰居的簇中，進一步完善了聚類結果。

為了找到適合數據的合適的k值，需要在不同的k值上多次應用KNN算法，選擇k值的目標是在減少不一致性的同時，確保算法在面對從未見過的新數據時能夠有效地進行預測。隨著k值減小到1，預測變得不太穩定。當k=1時，查詢點周圍可能有幾個紅點和一個綠點，但綠點是唯一的最近鄰。在這種情況下，由于僅考慮一個最近鄰，KNN可能會錯誤地預測查詢點的類別。相反，當減小k值時，估計變得更加一致，因為多數投票增加了生成更多正確預測的概率，盡管在某種程度上保持了模型的靈活性。因此，在選擇k值時，需要平衡準確性和模型的穩定性。

最終，錯誤的數量逐漸增多。每當需要進行多數投票（例如在分類問題中選擇眾數）時，k被設置為奇數，以確保有一個多數意見。然而，這種方法的局限性在于，當實例和屬性參數的數量增加時，算法的速度會顯著減慢。實施該算法的主要目的是比現有系統更有效、更節省時間和更具盈利性地改進灌溉系統。KNN算法基于實時傳感器數據作出結論，實現了對水流的連續監控。這一先進系統消除了手工勞動，減輕了農民的負擔，消除了過度和不足的灌溉，減少了水的浪費，并保護了土壤中的濕度。

3" 比較分析與結果討論

表1展示了各種機器學習算法的性能比較，包括KNN、決策樹、支持向量機（SVM）、隨機森林和樸素貝葉斯。對比了這些算法的F1分數、準確性、精度、訓練時間和預測時間。研究結果顯示，KNN和SVM相較于其他算法，在更短的時間內更準確地預測了期望的結果，表現出更優越的性能。在特定任務中選擇合適的機器學習算法的重要性，特別是對于需要快速而準確預測的應用場景。

SVM中集成了二分類器，其中之一是傳統的多類分類方法。如表2所示，任何大于或等于閾值的SVM輸出值都被記錄為“true”，而任何小于或等于閾值的SVM輸出值都被記錄為“1”。圖像的二元分類是SVM分類器的基礎。在使用多類SVM進行K均值聚類之后，采用機器學習方法對分割區域進行分類，計算感染區域的準確性。通過SVM分類器可以計算感染害蟲區域的準確性。輸入圖像通過數字相機手動捕捉，并經過預處理。預處理后的圖像經過K均值基于顏色的分割技術處理，以對感染害蟲區域進行分類。最終，SVM分類器計算感染區域的準確性。

擬議系統針對的植物病害是黃脈花葉病毒，導致黃脈花葉病，如圖4所示。該病通過使葉片中的整個脈絡變黃來表現。其還通過減小植物的大小影響植物的生長。及早識別并預防這種疾病對植物的影響至關重要。該病可以通過使用植物的葉提取物進行噴霧來有效地從植物中根除。

患有炭疽病的植物表現為深色、水浸的病斑。這種疾病非常破壞性，完全摧毀莊稼，并在很短的時間內使整個莊稼腐爛成廢物。必須在早期檢測到該病害，并采取有效措施來根除，例如將植物從濕度較高的環境中移除。維持理想的溫度是防止病害進一步擴散的關鍵。液體銅噴霧可以有效治療炭疽病。感染炭疽病的植物圖像被用作輸入，經過圖像預處理，包括自適應直方圖均衡化、圖像分割，以及使用k均值聚類進行分類。該系統能夠準確檢測植物病害。

圖5展示了受炭疽病害影響的葉片圖像的分類結果。對該圖像進行了k均值聚類，得到了3個聚類。隨后，通過進入第三個聚類，即包含受病害影響部分的聚類，成功準確地檢測到了植物病害。

4" 結論

本研究提出的系統采用KNN算法來預測灌溉所需的適當水量，主要關注自動水灌溉和植物病害檢測。該系統能夠精確預測莊稼所需的水量，并利用機器學習算法根據農田需求自動識別害蟲。害蟲識別模塊采用KNN算法，以精確預測植物疾病。從植物葉片中提取了有用的特征，并將這些特征用于分類。通過提取適當的特征并進行分類，系統能夠判斷植物是否受到害蟲感染。本研究的系統在農業領域實現了自動節水灌溉和植物病害檢測的調節。對機器學習算法進行了數值研究，并分析了分類準確性的重要性。未來的工作可以考慮將KNN算法與其他聚類算法結合，以提高準確性和決策的精確性。

參考文獻：

[1] 雷妍，魏璁琪.基于物聯網技術的智慧農業環境監測系統設計[J].電子技術與軟件工程，2022（18）：246-249.

[2] 陸晶，林雪瓊.面向智慧農業的物聯網監測系統設計[J].科技風，2023（14）：7-9.

[3] 張志娟，張德鳳.智慧農業監測系統設計[J].農業與技術，2022（20）：48-51.

[4] MISHRA M，CHOUDHURY P，PATI B. Modified ride-NN optimizer for the IoT based plant disease detection[J].Journal of ambient intelligence and humanized computing，2021，12（1）：691-703.

[5] UDENDHRAN R， BALAMURUGAN M. Towards secure deep learning architecture for smart farming-based applications[J].Complex Intelligent Systems，2021，7（2）：659-666.

[6] 胡浩明，陳康.智慧農業監測系統設計[J].科學技術創新，2021（35）：101-103.

[7] 黃燦洋，滕道祥.智慧農業的監測系統設計[J].電子技術，2020，49（12）：50-51.

基金項目：重慶市教委科學技術研究項目（KJQN202205404）

作者簡介：黃曉艷（1983-），女，副教授。研究方向為農業物聯網。