基于Jetson Nano的農業監測系統的設計與實現

荊旭君, 郭永剛*，李 峰

（1. 西藏農牧學院水利土木工程學院，林芝 860000；2. 西藏土木水利電力工程技術研究中心，林芝 860000）

0 引言

隨著物聯網、大數據和人工智能等技術的現代農業管理系統的逐步發展，很多學者為了更好地了解農田環境信息，設計農業監測系統旨在通過實時監測和分析農田環境參數,為農作物提供良好的生長環境，保障農產品的質量，提高農業生產效率［1-4］。人工智能技術在智能農業監測系統方面有著廣泛的應用前景，可以幫助人們更加準確、及時地分析預測農作物生長環境，有效地降低自然環境造成的損失［5-6］。丁奇安等［7］采用優化后的模型，利用Jetson Nano在嵌入式開發平臺上進行了有效的推理驗證；許龍銘等［8］利用Jetson Nano 平臺驅動進行實時目標檢測，通過搭建的卷積神經網絡模型，主要完成水果識別；李揚等［9］將改進后的模型在Jetson Nano 2款嵌入式開發板上進行測試，充分利用圖像識別技術提取草莓各階段生長狀況；黃河清等［10］在嵌入式平臺Jetson Nano 優化算法后，試驗結果表明，目標檢測系統對柑橘果實的識別平均準確率達93.01%。目前大多數的學者研究傾向于用目標檢測技術監測某種水果特征，測試結果單一。本文將Jetson Nano 遷移到農作物病蟲害的監測，通過對多種農作物蟲害相關的圖像進行識別，可以快速準確地發現和定位農作物蟲害（主要利用目標檢測技術進行蟲害識別）。

綜上所述，結合大量設計及實際應用，本文研究并設計了一款基于Jetson Nano 的農業監測系統。相比現有智能農業監測系統，該設計通過Jetson Nano 識別蟲害信息，通過智能手機和Web 網頁實現數據共享和交互操作，系統的總體框架如圖1 所示。借助人工智能技術,智能農業監測系統可以不斷地學習和優化決策模型，提高預測和管理建議的準確性［11-12］。此外，通過分析歷史數據和現有農業知識，系統還可以輔助農業科研、政策制定和市場分析等工作［13］。

圖1 農業監測系統總體架構圖

1 系統硬件結構設計

1.1 系統總體架構

本文綜合分析農作物生長環境中的電導率、pH 值和蟲害等相關參數，并且考慮各電路之間的信號干擾、各個傳感器和主控制芯片電源共用等因素，將電路進行模塊化設計，方便電路之間進行信號傳送［14］。如圖2 所示，本系統的設計核心是一套覆蓋農田環境的傳感器網，以STC12C5A60S2 作為主控制系統，采用土壤溫濕度傳感器、風速風向變送器、光照溫濕度傳感器以及Jetson Nano 作為農田環境監測模塊，通過接入不同類型的傳感器和設備,系統可以監測各種作物生長情況和各種農業生長環境信息，利用RS-485 串口，通過modbus 總線讀取傳感器數據，最終由4G 網絡通信模塊將數據發送到遠程計算機［15］。本次設計選擇一塊封閉式、免維護的12 V 蓄電池以及太陽能板作為監測系統的電源，提供12 V 電壓以保證傳感器工作穩定，電源電路設計了穩壓處理，12 V 電壓通過穩壓電路后再輸出。

圖2 農業監測系統硬件架構圖

1.2 RS-485通信模塊

TTL to RS485 module 模塊是RS-485 通信模塊的一種常用的通信模塊，其主要作用是實現不同設備之間的數據傳輸和通信［16］。TTL 電平信號通常用于單片機內部的數據傳輸，而RS-485 電平信號則用于單片機與外部設備之間的通信。如圖3 所示，TTL to RS485 模塊通常由一個MAX3845 芯片和一些外圍電路組成，其中RXD1、TXD1 管腳是發送和接收引腳，直接連接與STC12C5A60S2單片機的P1.1和P1.2 I/O口，其中A1 端和B1 端分別是接收和發送的差分信號端，直接與傳感器的A 端和B 端相連，由一個0.1 μF 的電容進行濾波，可以提供穩定的電源和保證信號質量。

圖3 TTL to RS485 module 模塊電路圖

1.3 傳感器監測模塊

為了監測土壤的溫濕度、電導率、pH 值等數據，需要土壤綜合傳感器，可以感應并測量出土壤溫濕度、pH 值、電導率等參數的變化，提供土壤狀況的實時數據；光溫濕度傳感器可以測量周圍環境的光、溫度、濕度等信息，根據周圍環境狀況的變化，提供相關研究參數的實時變化；風速和風向變送器是測量氣體流體中的風速和風向的傳感器，根據氣體流體的速度變化，將風速和風向轉換成標準電信號輸出。這些傳感器通常由兩個部分組成，一個是感應器，另一個是數據采集器。如表1所示，傳感器的技術參數保證了傳感器監測模塊在農田環境中穩定工作。如圖4所示，將所有傳感器組合在一條RS-485 總線上，通過RS-485 通信模塊將數據傳輸到單片機或其他設備進行分析處理。

表1 各傳感器技術參數

圖4 傳感器監測模塊實物圖

1.4 4G網絡傳輸模塊

4G 網絡傳輸模塊實現串口設備上傳網絡服務器，利用LTE Cat-1 網絡互傳數據所開發出的產品只需簡單地設定AT 指令就可以方便地利用該產品在串口與網絡之間實現雙向的數據上傳。農業監測系統需要實時收集傳感器數據并將其傳輸至服務器。需要將WH-LTE-7S1網絡傳輸模塊、傳感器與單片機連接，并通過TTL 串口實現數據通信，將收到的TTL 數據轉換為4G 信號，通過無線網絡將數據發送至遠程服務器。

1.5 視覺處理單元模塊

基于Jetson Nano 的蟲害目標檢測系統主要包括以下幾個部分：圖像采集模塊、Jetson Nano開發板、AI 模型以及監測與控制系統［17-20］。如圖5所示為Jetson Nano工作流程，圖像采集模塊進行初始化，保證正常運行后，利用圖像采集器對不同的蟲害進行動態拍攝，它基于Jetson Nano 的SSD 圖像識別技術實現，將圖像進行預處理，再通過深度學習模型訓練對目標進行定位分類。明確植物蟲害的分類信息并進行訓練，再采用重復驗證方式進行分類并歸集處理。通過不斷訓練，提高系統對圖像的識別率。

圖5 Jetson Nano工作流程圖

2 系統軟件設計

2.1 單片機軟件設計

傳感器和Jetson Nano 軟件程序在Keil 中使用STC 系列單片機配套的開發環境編程，主要采用模塊化進行設計，對傳感器數據采集、目標檢測系統以及4G 網絡通信上傳部分分別使用C語言編程，各個功能模塊單獨工作，方便調試和采集。系統完整程序的工作流程圖如圖6 所示。該部分主要是完成了傳感器監測系統各部分初始化，獲取傳感器和Jetson Nano 數據程序、顯示數據程序、發送數據和其他函數程序的調用，風速、風向、光照溫濕度和土壤中的溫度、濕度、電導率以及pH 值信號的采集。主程序是整個控制系統的運行步驟，體現了農業監測系統的控制過程。

圖6 單片機程序流程圖

2.2 Web網頁設計

本文采用MySQL 數據庫，用于存儲傳感器監測模塊和Jetson Nano 采集到的數據，并向用戶提供響應速度快、查詢質量高的數據服務。Web 網頁主要由前端交互界面和后端數據處理兩部分組成，在計算機終端登錄本系統后，能夠瀏覽系統數據監測界面，并在此界面查詢各個傳感器和Jetson Nano 的監測數據，具有訪問快捷、操作簡單的優點，如圖7所示。為了提高用戶體驗，還設計了用戶交互功能，通過智能手機掃描二維碼可以隨時查看農田環境信息，幫助用戶輕松掌握各個環境參數。

圖7 Web網頁數據監測界面

3 目標檢測技術在植物蟲害檢測中的應用

3.1 植物蟲害檢測功能設計

Jetson Nano 開發板負責圖像處理和目標檢測任務，搭載了強大的GPU，可以快速運行深度學習和計算機視覺算法。植物蟲害目標檢測采用SSD模型，本文的SSD是在原有SSD目標檢測架構的基礎上進行優化。最初SSD 采用在ImageNet 上預先訓練的VGG 模型并將VGG 模型的全連接層更換為全卷積層，最終增加部分新卷積層來繼續對圖像進行特征提取。如圖8 所示，經過模型訓練，不同角度、光照條件和背景環境條件下，可以成功識別出這些與植物顏色比較相近的蟲害。模型分析圖像，識別出圖像中的害蟲，并將識別結果以邊界框、標簽等形式標記在原始圖像上，同時記錄識別到的蟲害數量、位置等信息（SSD300 中的300 表示輸入圖像的尺寸為300×300）。為了能夠有效地驗證植物蟲害識別的效果，選用18 種昆蟲特征圖，每一層特征圖上的先驗框尺寸為

圖8 視覺識別檢測目標圖

式中：Sk表示先驗框大小相對于圖片的比例；Smin和Smax表示比例的最小值與最大值均為超參數；其中里面取0.2 和0.9；Sk為第k個特征參數圖像上驗框的最大尺寸占原始圖像邊長的比例；m表示選取的檢測特征圖的數量減去1；k為特征圖的序號。

3.2 植物蟲害檢測測試結果

本文選取了7839 張圖片作為訓練集，首先將每一張圖片進行了標注，隨機打亂順序后抽取其中90%（大約7055 張圖片）作為訓練集，選擇其中10%（大約784張圖片）作為測試集，總共進行了200 次epoch 訓練，每一次訓練，都會進行一次驗證。表2 展示了訓練過程中每個epoch訓練完成后網絡的損失函數值和平均精確率，為了便于觀察測試集、平均精確率和驗證集數據變化，每進行10 次訓練，在表格中記錄一次數據，SSD-loss、SSD-mAP、SSD-val-loss 分別代表SSD在訓練集上損失函數值、SSD的平均精確度、SSD在測試集上的損失函數值。

表2 各網絡模型的損失函數值和平均精確度

網絡學習模型在每個epoch 訓練結束后計算出平均精度值和損失函數值，并繪制成折線圖，圖9 的左圖中x軸代表訓練的epoch，y軸為模型在測試集上的AP 值，右圖中x軸代表訓練的epoch，y軸為模型的loss值。SSD 網絡模型訓練和測試使用的輸入圖像分辨率為300*300。SSD 訓練過程中每完成一個epoch 采集一次loss和mAP。訓練初期loss呈現平緩下降的趨勢，而精確率快速上升；訓練達到50次以后，隨著訓練次數的逐漸增加loss值會逐漸減小，精確率變化率逐漸增大，在學習率衰減后loss快速下降，精確率快速上升，最終loss為28.0，mAP為0.80。

圖9 SSD模型訓練過程變化折線圖

4 結語

本文從農業生產環境的實際應用角度出發，主要研發了基于Jetson Nano 的農業監控系統，以便實時準確監測農田環境數據。經過測試，系統已經實現設計需求，采集的數據精度較高。本文以農作物生長環境為研究對象，采用以RS-485 通信的傳感器，通過串口接收、發送和上傳數據，利用機器學習中的目標檢測技術進行植物蟲害方面的監測，檢測結果是SSD300 訓練過程中loss 和mAP 呈現出相關性，并搭建了簡潔的Web 界面，以便于向用戶呈現實時數據。針對現代農業監測系統的智能化特點，我們需要進一步推廣目標檢測技術在智能農業技術中的應用，可以通過應用目標檢測技術繼續檢測農作物疾病和農作物長勢，并且進一步研究基于Web 技術的多終端訪問。基于Jetson Nano 的農業監測系統可以為實現可持續農業發展和現代農業的轉型升級提供有力支撐。