基于人工智能的虫情监测系统设计论文

SCI论文（www.lunwensci.com）

　　摘 要：人工智能在农业领域的广泛应用,促进了智慧农业的高速发展。我国是一个农业大国,虫害造成了产量减少和 质量下降,导致农民的收入减少,从而虫情监测显得尤为重要。传统虫情监测需要依靠专业技术人员,导致耗费大量人力、物 力,无法满足及时虫情监测的需求。本文设计的基于人工智能的虫情监测系统为智慧农业提供精准预测和智能决策。本设计以 STM32F103 核心板为核心,结合图像采集模块、图像处理模块、图像分类模块,采用深度学习模型对捕获的虫体进行学习形 成训练模型,通过对虫体图像进行识别,让机器具有对虫体不同类别进行识别和判定的能力,将结果传输到 STM32 单片机, 进行计数处理操作,进而分析虫体种类和数量,对害虫的综合治理具有重要的指导意义。

　　【Abstract】：The wide application of Artificial intelligence is widely applied in the agricultural field to promote the rapid development of intelligent agriculture. China is a large agricultural country, the pest causes the reduction of production and quality, resulting in the reduction of farmers' income, so the pest monitoring is particularly important. Traditional pest monitoring needs to rely on professional and technical personnel, resulting in a large amount of manpower and material resources, and can not meet the needs of timely pest monitoring. However, the AI-based bug situation monitoring system designed in this paper provides accurate prediction and intelligent decision-making for smart agriculture. The design takes the STM32F103 core board as the core, combines the image acquisition module, image processing module and image classification module, and adopts deep learning model to learn the captured insect body and form a training model. By recognizing the image of the insect body, the machine has the ability to recognize and judge different categories of the insect body. The results are transmitted to STM32 microcontroller for counting and processing operation, and then the species and quantity of insect are analyzed, and it has an important guiding significance for the comprehensive control of insect pestsand.

　　【Key words】：insect monitoring;convolutional neural network;STM32;image recognition

　　农作物病虫害是我国农业生产中的主要灾害之一, 并且具有种类多、影响大、时常爆发成灾的特点,很容 易给农业生产造成重大损失。因此 , 农业要向商品化、 专业化、现代化转变,对农业的高产、优质、高效提出 了更高的要求 [1],病虫预测与防治作为农业生产中的重 要一环 [2]。与以往依靠专业技术人员,需要耗费大量人 力、物力,还无法满足虫情及时提供需求的虫情监测工作不同 [3],本文设计的基于人工智能的虫情监测系统是 以 STM32F103 核心板为核心,并结合深度学习、红外 计数技术等,实现图像采集、图像处理、图像分类、图 像显示、语音播报、计数等功能。其中,深度学习是推 动智能农业技术的机制 [4],赋予机器无须明确编程即可 学习的能力,机器可从数据中学习和提取知识,构建用 于预测或智能决策的框架 [5]。通过深度学习算法处理和分析获得的数据 [6],对病虫害未来发生趋势作出预测, 极大提高了劳动效率和监测结果的准确性,使农业实践 更加可控和优化,为广大科研人员和种植户提供准确、 及时的预报服务。

　　1 总体设计

　　基于人工智能的虫情检测系统以 STM32 单片机作 为主要控制元件,系统硬件设计方面主要包括图像采集 模块、图像处理模块、图像分类模块、语音播报模块、 图像显示模块和红外计数模块,如图 1 所示。本系统使 用 STM32 单片机作为系统的主控,在图像采集和处理 模块中对虫体进行图像采集和图像处理,在图像分类模 块中形成虫体识别模型进行虫体图像的识别,当成功识 别到虫体的种类后,将结果通过串口发送给 STM32 单 片机 ;DF Player 语音播报模块通过单片机进行控制, 负责播放每次虫体的识别结果 ;红外计数模块对识别的 虫体进行计数,将识别和计数结果通过 STM32 单片机 串口传输到图像显示模块上进行显示。

　　2 系统硬件设计

　　2.1 STM32 单片机

　　STM32F103C8T6 属于 STM32F103xx 产品, 内 置的高速存储器配备 128K 字节的闪存和 20K 字节的 SRAM, 大量地扩展 I/O 设备以及串联的两个 APB 总线 的外设让它具有了丰富的拓展性。该系列的每款设备都包 含2个12位的ADC、3个普通1位定时器和1个PWM 定时器,通讯端口均为按最新的国际标准配备并十分丰 富 ：具有多达 2 个 I2C 端口的 SPI 端口、1CAN 端口、1 个 USB 端口和 3 个 USART 端口。STM32F103C8T6 微 控制器带有 GPIO 引脚、处理器、内存、USB 端口、模 数转换器和其他外设。此外,它还具有 72MHz 惊人速 度和卓越能效的 ARM Cortex 内核。

　　STM32 单片机拥有了主控芯片、复位电路、时钟和 电源电路 4 个部分,即可开展正常工作。因为 STM32 单片机内部拥有时钟电路的特性,所以只需要加上复位 电路、电源电路即可运行。在本设计中,为使 STM32单片机更稳定可靠地运行,同时也能够实现复杂的功 能,最小系统还需要其他电路附加。基于人工智能的虫 情监测系统所使用的单片机最小系统电路如图 2 所示。

　　2.2 图像采集和处理模块

　　基于人工智能的虫情监测系统采用 OV5642 摄像头, 如图 3 所示。该摄像头拥有高达 300 万的像素以及 1/4 英 寸的传感器 ;它还具有手动调焦,自动曝光控制,自动白 平衡等特点。摄像头的色域包含多种常用的 RAWRGB、 RGB565、CCIR656、YUV422/420、YCbCr422 色域范 围 ;另外,在视频性能上可以实时地捕捉以下格式图片 ： QSXGA(2592x1944)、1080p、1280x960、VGA(640x480) 等。它与 STM32 单片机的适配性较好,同时视频格式 也满足图像识别的基本要求。因此,本设计选择它作为 本系统的采集装置。

　　2.3 图像分类模块

　　图像分类模块主要依靠 KPU 对卷积神经网络进行 计算。KPU 是通用的神经网络处理器,它可以在低功 耗的情况下实现卷积神经网络计算,实时获取被检测目 标的大小、坐标和种类,对人脸或者物体进行检测和分类。KPU 内置了部分运算操作器,可以实现以下几种 视觉任务 ：基于 CNN 的目标检测、基于 CNN 的图像 分类、目标测距和定位。KPU 处理器可以满足基于人 工智能的虫情监测系统设计的要求。因此,本设计选择 此为图像分类模块的主控。

　　2.4 语音播报模块

　　该部分设计主要由 DF Player 播放模块组成, DF Player 迷你 MP3 播放器 Arduino 是一种小巧而方便 的 MP3 模块,可以简化输出直接到音箱。此模组也可 当作单独模组使用,并具有电池、扬声器和指示灯等, 也可和 Arduino UNO 或任何另外具有 RX/TX 接口的 模组组合使用。目前,该播放器已在道路运输巡视员、 语音提示、银行营业厅语音提示、停车场车辆进出语音 提示等范围得到了广泛的使用。

　　播放器串口功能丰富,其中 VCC 口用于供电,两个 DAC 口分别用于左声道和右声道(用来连接耳机和放大 器), SPK 口接入喇叭, IO 口为触发端口, ADKEY 口 为 AD 出发端口, BUSY 口用于播放状态盲检测,高电 平意味着播放,低电平意味着空闲。RX 接口与 UART2 RX 接口相连接,用于传输数据,SPK1 和 SPK2 连接了 两个播放声音的小喇叭,另外需要与 5V 电源相连接。 DF Player Mini 播放器端口功能和本系统中该模块的 功能及引脚图如图 4 所示。

　　2.5 红外计数模块

　　捕杀害虫数量计数电路采用红外计数方式,使用漫 反射光电开关 E3Z-D61 实现,其接口电路设计如图 5 所 示。E3Z-D61 的工作电压为 5V DC, 工作于常开模式, 当 无被检测物时,E3Z-D61 输出高电平(5V), 三极管 S8050 不导通,STM32F103ZET6 的 PG9 为高电平(3.3V) ;当被 捕杀的害虫通过光电开关时, E3Z-D61 输出低电平, 三 极管 S8050 导通, STM32F103ZET6 的 PG9 为低电平。 因此, 当 PG9 由高电平跳变为低电平时, 表示有被捕 杀的害虫通过光电开关,捕杀害虫数量计数值增 1.

　　2.6 图像显示模块

　　在图像显示模块部分,本系统采用了 2.8 寸 LCD 显 示屏,用来进行菜单操作选择显示和实时显示虫体识别结果和计数情况。该显示屏拥有 50.00(W) ×69.2(H) ×2.45(T)mm 的外形尺寸,显示区域范围较广,达到了 43.2×57.60mm, 同时拥有 240×320dots 分辨率, 可 以较清晰地显示图像。其采用 a-Si TFT 材质的 LCD,可 以比较稳定地发光,它的可视视角参数为 12 o' clock, 即从各个方向都可以清楚地看到显示屏显示的内容,型 号为 T7789V 的驱动芯片提供了可达 120Hz 的刷新率 ; 接口类型为 MCU,提供了丰富的兼容性,让其与 K210 开发板完美地适配, 4 个 LED 提供了高达 950 尼特的 亮度, 在高亮环境下也能清晰地看到屏幕。LCD 显示 屏电路图如图 6 所示。

　　3 系统软件设计

　　基于人工智能的虫情监测系统的软件设计主要包括 图像处理模块程序设计、图像分类模块程序设计和虫体 计数模块程序设计。程序中需要实现图像的实时采集功 能,显示屏显示功能是用来选择当前模式是添加训练样 本模式还是进行实时分类模式。在虫体图像分类中,需 要事先编写图像分类软件模块,在该模块中,首先通过 图片训练集对虫体分类模型进行训练,同时需要编写实 时分类程序。虫体计数模块程序主要包括语音播报程序、 以及虫体红外计数的程序。整体软件设计如图 7 所示。

　　虫体图像处理模块程序设计运用边缘检测,边缘检 测是指从图像中寻找各种边界信息的任务。常用的边缘 检测算法 Canny 算子,其主要目的是提取出图像中的 高质量、稳定的边缘信息。该算法的主要步骤如下 ：高 斯滤波、计算梯度幅值和方向、非极大值抑制、双阈值 检测、连接边缘。相比于其他边缘检测算法, Canny 算 子可以在保留较高细节的同时,通过阈值选择来调整检 测的灵敏度,并且能够自适应地检测图像中的弱边缘。 它是一个广泛使用的边缘提取算法,在计算机视觉和图 像处理领域得到了广泛的应用。

　　分类模块设计运用卷积神经网络(Convolutional Neural Network,CNN),CNN 是目前用于图像分类 最常用的算法之一。它的核心是卷积操作,通过滤波器 来提取图像中的局部特征,然后再通过池化操作将特征 进行压缩和平移不变性处理,最后通过全连接层将所有 特征连接起来并输出最终的分类结果。具体操作步骤如 下 ：首先由摄像头获取数据,接着对数据进行预处理,预处理过程包括数据标注、数据格式转化,以达到进入 神经网络的要求,接着判断是否为训练样本,如果是的 话就进入多神经网络集成分类学习,学习之后得到最优 参数,输出分类结果后结束,如果不是训练样本,则标 记为测试样本,直接通过计算得到最优参数,之后得到 输出结果后结束。在进行分类模块之前,需要先对模型 完成训练,训练过程包括数据挑选、图像预处理、训练 模型和模型测试。

　　虫体计数模块运用红外计数算法,其原理是将一个 含有红外光源和红外传感器的计数器设备放置在需要统 计昆虫数量的区域内,当昆虫经过光源时会反射出一定 强度的红外光,并被传感器检测到。根据红外光信号的 强度大小和经过时间可以推算出昆虫的数量。

　　4 结语

　　本文设计基于人工智能的虫情监测系统,可实现 AI 昆虫自动识别、远程实时查看虫情、害虫种类自动 识别,接着进行区域虫情统计、虫情变化趋势分析,实 现了害虫的诱集、分类统计、实时报传、远程检测、虫 害预警和防治指导的自动化、智能化,同时具有性能 稳定、操作简便、设置灵活等特点。该系统可广泛应 用于 : 农田区、林业、牧业、菜园区、烟草种植区、茶 园、药材种植区、园林、果园区、城镇绿化区等领域。

　　参考文献

　　[1] 祥辰测报系列—农林虫情自动监测预防管理系统[J].山东 林业科技,2010.40(6):102.
　　[2] 杨保俊,叶卫京.人工智能技术在桑病虫预测预报中的应用 [J].蚕桑通报,2001(1):29-32.
　　[3] 张天鹏,侯凡博,李根.基于物联网的农田虫情及环境信息监 测系统设计[J].安阳工学院学报,2022.21(4):14-18.
　　[4] 白双,梁晨. “深度学习算法与实现”研究生课程的教学探 索与实践[J].工业和信息化教育,2023(5):21-25.
　　[5] 周继来.基于AI图像识别的烟草制品虫情监测系统的设计与 实现[J].电子技术与软件工程,2020(17):154-155.
　　[6] 赵晴,臧贺藏,张杰,等.基于物联网技术的作物虫情采集监测 预警系统构建[J].河南农业科学,2019.48(12):164-169.
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/65094.html