基于物聯(lián)網(wǎng)的智慧農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)分析

摘" 要：智能農(nóng)業(yè)系統(tǒng)的主要目標(biāo)是通過(guò)自動(dòng)灌溉和害蟲檢測(cè)框架自動(dòng)監(jiān)測(cè)農(nóng)田。傳統(tǒng)農(nóng)業(yè)方法存在作物產(chǎn)量低且需要大量人力。因此，該文提出一種基于物聯(lián)網(wǎng)的智慧農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)方案。該系統(tǒng)主要功能是自動(dòng)灌溉和植物病害檢測(cè)，利用機(jī)器學(xué)習(xí)算法準(zhǔn)確預(yù)測(cè)農(nóng)田所需的水量，并根據(jù)農(nóng)田的需求自動(dòng)識(shí)別害蟲。害蟲檢測(cè)模塊使用鄰近算法和支持向量機(jī)器學(xué)習(xí)算法，以精確預(yù)測(cè)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(jìn)行分類，有助于檢測(cè)植物是否感染害蟲。該系統(tǒng)能監(jiān)控、分析、評(píng)估和控制農(nóng)田，實(shí)現(xiàn)水的自動(dòng)灌溉和植物病害的識(shí)別。對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)值分析，分類的準(zhǔn)確性達(dá)到84%。

關(guān)鍵詞：深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；物聯(lián)網(wǎng)；分類；特征提取

中圖分類號(hào)：TP274" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：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(jī)，對(duì)人們的生活產(chǎn)生了深遠(yuǎn)影響。當(dāng)前全球人口約為72億人，預(yù)計(jì)到2050年將增至90億人。農(nóng)業(yè)過(guò)程主要消耗大量淡水，尤其是灌溉需求更為巨大。相對(duì)于發(fā)達(dá)國(guó)家，發(fā)展中國(guó)家在農(nóng)業(yè)方面缺乏先進(jìn)技術(shù)和設(shè)備，導(dǎo)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(shù)來(lái)實(shí)現(xiàn)高效灌溉[1]。植物疾病是農(nóng)民面臨的重要問(wèn)題。對(duì)植物疾病的早期檢測(cè)有助于農(nóng)民作出明智決策，提高作物產(chǎn)量。因此，更為精確的說(shuō)法是，有必要對(duì)農(nóng)田進(jìn)行持續(xù)監(jiān)測(cè)。

植物必須得到持續(xù)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)任何害蟲或其他植物疾病，以便立即采取相應(yīng)行動(dòng)。為了在無(wú)需人為干預(yù)的情況下迅速采取有效措施和適當(dāng)灌溉，機(jī)器學(xué)習(xí)算法（以下簡(jiǎn)稱KNN算法）成為檢測(cè)植物疾病的最佳選擇。技術(shù)的迅猛發(fā)展帶來(lái)了高精度的作物控制、先進(jìn)設(shè)備類型，以及從傳感器獲得有用數(shù)據(jù)的可能性，對(duì)全球產(chǎn)生了深遠(yuǎn)的影響。這些計(jì)算機(jī)化技術(shù)在很大程度上能夠解決各種問(wèn)題[2-3]。在實(shí)現(xiàn)智能農(nóng)業(yè)方法和提高農(nóng)業(yè)效率方面，物聯(lián)網(wǎng)發(fā)揮了關(guān)鍵作用。通過(guò)利用物聯(lián)網(wǎng)并結(jié)合機(jī)器學(xué)習(xí)算法，可以有效監(jiān)測(cè)農(nóng)田并提高產(chǎn)量。為了解決農(nóng)業(yè)領(lǐng)域面臨的問(wèn)題，如水資源短缺和農(nóng)田可用性，采用先進(jìn)技術(shù)和方法變得勢(shì)在必行。全球人口預(yù)計(jì)到2050年將增長(zhǎng)70%，對(duì)資源的需求和消耗不斷增加。物聯(lián)網(wǎng)能夠以更低的投入高效地解決這些問(wèn)題。在智慧農(nóng)業(yè)中，物聯(lián)網(wǎng)通過(guò)使用傳感器檢測(cè)作物生長(zhǎng)、土壤濕度以及牲畜飼料水平，實(shí)現(xiàn)了對(duì)與物聯(lián)網(wǎng)連接的收割和灌溉設(shè)備的精確控制和管理[4]。通過(guò)傳感器對(duì)農(nóng)田進(jìn)行智能監(jiān)測(cè)和控制，土壤狀況和植物健康得到了更加精確的監(jiān)測(cè)，發(fā)現(xiàn)任何問(wèn)題時(shí)能夠立即采取適當(dāng)?shù)木S護(hù)措施。

本文提出了一種基于物聯(lián)網(wǎng)的智能設(shè)備，通過(guò)采用機(jī)器學(xué)習(xí)算法監(jiān)測(cè)農(nóng)田，利用機(jī)器學(xué)習(xí)算法準(zhǔn)確預(yù)測(cè)農(nóng)田所需的適量水量，實(shí)現(xiàn)自動(dòng)灌溉以及自動(dòng)害蟲識(shí)別和農(nóng)藥噴灑，實(shí)時(shí)分析土壤狀況，實(shí)現(xiàn)植物的自動(dòng)澆水。

1" 系統(tǒng)架構(gòu)

系統(tǒng)的架構(gòu)設(shè)計(jì)如圖1所示，主要包括2個(gè)模塊，土壤監(jiān)測(cè)模塊和蟲害檢測(cè)模塊。

土壤監(jiān)測(cè)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(cè)定土壤中的水分量，并通過(guò)監(jiān)測(cè)土壤的濕度和濕度水平來(lái)了解土壤的狀態(tài)。這些信息反映了土壤的條件狀況。該模塊的主要功能是監(jiān)測(cè)土壤是否有灌溉需求。為了實(shí)現(xiàn)節(jié)水、節(jié)電，并避免過(guò)度灌溉，系統(tǒng)引入了自動(dòng)化灌溉系統(tǒng)[5-6]。因此，土壤監(jiān)測(cè)模塊通過(guò)使用傳感器感知土壤溫濕度狀況，根據(jù)傳感器輸入數(shù)據(jù)應(yīng)用KNN算法。系統(tǒng)建立了一個(gè)模型，以預(yù)測(cè)灌溉所需的適量水分，隨后激活水泵并進(jìn)行適當(dāng)?shù)墓喔取?/p>

蟲害檢測(cè)模塊：該模塊的任務(wù)是使用先進(jìn)的蟲害檢測(cè)技術(shù)，以及機(jī)器學(xué)習(xí)算法對(duì)植物進(jìn)行蟲害檢測(cè)[7]。一旦檢測(cè)到蟲害，系統(tǒng)將立即采取適當(dāng)?shù)拇胧鐕姙⑾x劑，以最小化作物受害程度，從而提高農(nóng)產(chǎn)品的產(chǎn)量。

這2個(gè)模塊共同構(gòu)成了一個(gè)智能、自動(dòng)化的系統(tǒng)，通過(guò)及時(shí)監(jiān)測(cè)土壤和檢測(cè)植物蟲害，提高了農(nóng)業(yè)生產(chǎn)的效率和產(chǎn)量。

蟲害檢測(cè)模塊以作物葉片圖像作為輸入，其使用圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法來(lái)檢測(cè)植物是否受到任何植物病害的影響。KNN算法用于對(duì)害蟲的類型進(jìn)行分類，以便采取必要的措施來(lái)根除它們并保護(hù)植物的健康。因此，機(jī)器學(xué)習(xí)算法KNN和SVM被用來(lái)準(zhǔn)確檢測(cè)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(jīng)過(guò)預(yù)處理，然后提取適當(dāng)?shù)奶卣鳌⒉渴鹚惴ǎ瑥亩_檢測(cè)出病害。

土壤監(jiān)測(cè)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(cè)定土壤中的水分量，并通過(guò)監(jiān)測(cè)土壤的溫度水平、濕度和濕度水平來(lái)了解土壤的狀態(tài)，這也反映了土壤的條件，其有助于估計(jì)土壤的灌溉水需求。

智能系統(tǒng)中使用的硬件包括ESP832微控制器、傳感器網(wǎng)絡(luò)（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(tǒng)中的傳感器用于感知土壤中的水量。為了實(shí)現(xiàn)節(jié)能目的，選擇了功耗較低的ESP832微控制器。在進(jìn)行土地灌溉時(shí)，當(dāng)水位低于預(yù)定義的閾值時(shí)，水泵會(huì)被激活。如果部署了這個(gè)系統(tǒng)，其可以顯著影響水資源的保護(hù)技術(shù)。無(wú)線傳感器節(jié)點(diǎn)被布置在田地中，用于收集進(jìn)一步處理的輸入數(shù)據(jù)。一旦檢測(cè)到任何植物病害，噴霧加濕器會(huì)被激活，并進(jìn)行殺蟲劑噴灑。所有數(shù)據(jù)都存儲(chǔ)在數(shù)據(jù)庫(kù)中。

2" 實(shí)驗(yàn)設(shè)置和實(shí)施細(xì)節(jié)

用于研究工作的數(shù)據(jù)集是“植物病害檢測(cè)圖像數(shù)據(jù)集”，這是一個(gè)包含圖像的圖像數(shù)據(jù)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(xì)菌性枯萎”等。該數(shù)據(jù)集主要用于識(shí)別不同類型的植物病害。在本文設(shè)計(jì)的系統(tǒng)中，檢測(cè)到了6種不同類型的植物病害。

機(jī)器學(xué)習(xí)算法能夠在無(wú)需人為干預(yù)的情況下從數(shù)據(jù)中學(xué)習(xí)并通過(guò)經(jīng)驗(yàn)不斷提升。這些算法是專為從輸入數(shù)據(jù)中學(xué)習(xí)和在經(jīng)驗(yàn)中改進(jìn)而開(kāi)發(fā)的程序。這種無(wú)需人類監(jiān)督的學(xué)習(xí)方式既節(jié)省時(shí)間又提高了預(yù)測(cè)的準(zhǔn)確性。這些算法的主要目標(biāo)是為輸入的數(shù)據(jù)構(gòu)建統(tǒng)計(jì)模型，用于分析數(shù)據(jù)并進(jìn)行進(jìn)一步的決策。由于它們并非為特定任務(wù)而設(shè)計(jì)，因此機(jī)器學(xué)習(xí)算法在學(xué)習(xí)新數(shù)據(jù)并在沒(méi)有人類交互的情況下進(jìn)行準(zhǔn)確預(yù)測(cè)方面表現(xiàn)出色。在處理新數(shù)據(jù)時(shí)，一些監(jiān)督學(xué)習(xí)算法使用帶有標(biāo)簽的數(shù)據(jù)訓(xùn)練函數(shù)，以生成能夠作出準(zhǔn)確預(yù)測(cè)的模型。這些算法包括線性回歸、邏輯回歸、決策樹(shù)、支持向量機(jī)（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(yīng)用于土壤濕度和植物疾病的檢測(cè)，同時(shí)也用于害蟲的分類。因此，其被認(rèn)為是解決分類和回歸問(wèn)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(jìn)行準(zhǔn)確的預(yù)測(cè)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(wèn)題的輸出始終是一個(gè)實(shí)數(shù)，而分類問(wèn)題的輸出要么是真，要么是假，沒(méi)有中間狀態(tài)。為了有效地決策制定，K均值聚類被采用，通過(guò)將值分組到不同的簇中，然后預(yù)測(cè)期望的結(jié)果。

KNN算法被認(rèn)為是最佳且簡(jiǎn)單的分類器之一，其利用相似性進(jìn)行分類，在分類任務(wù)中得到廣泛應(yīng)用。該算法通過(guò)在數(shù)據(jù)點(diǎn)的緊密鄰近區(qū)域創(chuàng)建聚類來(lái)實(shí)現(xiàn)，完成聚類后，能夠做出準(zhǔn)確的推測(cè)。歐幾里得距離公式用于確定數(shù)據(jù)點(diǎn)的最近鄰居，而k值表示最近鄰居的數(shù)量。選擇合適的k值對(duì)于獲得期望的輸出至關(guān)重要。

k值決定了最近鄰居的數(shù)量，對(duì)分類結(jié)果有著重要的影響，因此選擇k值時(shí)必須極為慎重，其是該算法的關(guān)鍵因素。在給定的數(shù)據(jù)中，樣本數(shù)據(jù)點(diǎn)被分組成一個(gè)包含4個(gè)數(shù)據(jù)點(diǎn)的簇，因?yàn)閗值為4。然后，新的數(shù)據(jù)對(duì)象被添加到其最近鄰居的簇中，進(jìn)一步完善了聚類結(jié)果。

為了找到適合數(shù)據(jù)的合適的k值，需要在不同的k值上多次應(yīng)用KNN算法，選擇k值的目標(biāo)是在減少不一致性的同時(shí)，確保算法在面對(duì)從未見(jiàn)過(guò)的新數(shù)據(jù)時(shí)能夠有效地進(jìn)行預(yù)測(cè)。隨著k值減小到1，預(yù)測(cè)變得不太穩(wěn)定。當(dāng)k=1時(shí)，查詢點(diǎn)周圍可能有幾個(gè)紅點(diǎn)和一個(gè)綠點(diǎn)，但綠點(diǎn)是唯一的最近鄰。在這種情況下，由于僅考慮一個(gè)最近鄰，KNN可能會(huì)錯(cuò)誤地預(yù)測(cè)查詢點(diǎn)的類別。相反，當(dāng)減小k值時(shí)，估計(jì)變得更加一致，因?yàn)槎鄶?shù)投票增加了生成更多正確預(yù)測(cè)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(shí)，需要平衡準(zhǔn)確性和模型的穩(wěn)定性。

最終，錯(cuò)誤的數(shù)量逐漸增多。每當(dāng)需要進(jìn)行多數(shù)投票（例如在分類問(wèn)題中選擇眾數(shù)）時(shí)，k被設(shè)置為奇數(shù)，以確保有一個(gè)多數(shù)意見(jiàn)。然而，這種方法的局限性在于，當(dāng)實(shí)例和屬性參數(shù)的數(shù)量增加時(shí)，算法的速度會(huì)顯著減慢。實(shí)施該算法的主要目的是比現(xiàn)有系統(tǒng)更有效、更節(jié)省時(shí)間和更具盈利性地改進(jìn)灌溉系統(tǒng)。KNN算法基于實(shí)時(shí)傳感器數(shù)據(jù)作出結(jié)論，實(shí)現(xiàn)了對(duì)水流的連續(xù)監(jiān)控。這一先進(jìn)系統(tǒng)消除了手工勞動(dòng)，減輕了農(nóng)民的負(fù)擔(dān)，消除了過(guò)度和不足的灌溉，減少了水的浪費(fèi)，并保護(hù)了土壤中的濕度。

3" 比較分析與結(jié)果討論

表1展示了各種機(jī)器學(xué)習(xí)算法的性能比較，包括KNN、決策樹(shù)、支持向量機(jī)（SVM）、隨機(jī)森林和樸素貝葉斯。對(duì)比了這些算法的F1分?jǐn)?shù)、準(zhǔn)確性、精度、訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間。研究結(jié)果顯示，KNN和SVM相較于其他算法，在更短的時(shí)間內(nèi)更準(zhǔn)確地預(yù)測(cè)了期望的結(jié)果，表現(xiàn)出更優(yōu)越的性能。在特定任務(wù)中選擇合適的機(jī)器學(xué)習(xí)算法的重要性，特別是對(duì)于需要快速而準(zhǔn)確預(yù)測(cè)的應(yīng)用場(chǎng)景。

SVM中集成了二分類器，其中之一是傳統(tǒng)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(chǔ)。在使用多類SVM進(jìn)行K均值聚類之后，采用機(jī)器學(xué)習(xí)方法對(duì)分割區(qū)域進(jìn)行分類，計(jì)算感染區(qū)域的準(zhǔn)確性。通過(guò)SVM分類器可以計(jì)算感染害蟲區(qū)域的準(zhǔn)確性。輸入圖像通過(guò)數(shù)字相機(jī)手動(dòng)捕捉，并經(jīng)過(guò)預(yù)處理。預(yù)處理后的圖像經(jīng)過(guò)K均值基于顏色的分割技術(shù)處理，以對(duì)感染害蟲區(qū)域進(jìn)行分類。最終，SVM分類器計(jì)算感染區(qū)域的準(zhǔn)確性。

擬議系統(tǒng)針對(duì)的植物病害是黃脈花葉病毒，導(dǎo)致黃脈花葉病，如圖4所示。該病通過(guò)使葉片中的整個(gè)脈絡(luò)變黃來(lái)表現(xiàn)。其還通過(guò)減小植物的大小影響植物的生長(zhǎng)。及早識(shí)別并預(yù)防這種疾病對(duì)植物的影響至關(guān)重要。該病可以通過(guò)使用植物的葉提取物進(jìn)行噴霧來(lái)有效地從植物中根除。

患有炭疽病的植物表現(xiàn)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(shí)間內(nèi)使整個(gè)莊稼腐爛成廢物。必須在早期檢測(cè)到該病害，并采取有效措施來(lái)根除，例如將植物從濕度較高的環(huán)境中移除。維持理想的溫度是防止病害進(jìn)一步擴(kuò)散的關(guān)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(jīng)過(guò)圖像預(yù)處理，包括自適應(yīng)直方圖均衡化、圖像分割，以及使用k均值聚類進(jìn)行分類。該系統(tǒng)能夠準(zhǔn)確檢測(cè)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(jié)果。對(duì)該圖像進(jìn)行了k均值聚類，得到了3個(gè)聚類。隨后，通過(guò)進(jìn)入第三個(gè)聚類，即包含受病害影響部分的聚類，成功準(zhǔn)確地檢測(cè)到了植物病害。

4" 結(jié)論

本研究提出的系統(tǒng)采用KNN算法來(lái)預(yù)測(cè)灌溉所需的適當(dāng)水量，主要關(guān)注自動(dòng)水灌溉和植物病害檢測(cè)。該系統(tǒng)能夠精確預(yù)測(cè)莊稼所需的水量，并利用機(jī)器學(xué)習(xí)算法根據(jù)農(nóng)田需求自動(dòng)識(shí)別害蟲。害蟲識(shí)別模塊采用KNN算法，以精確預(yù)測(cè)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(guò)提取適當(dāng)?shù)奶卣鞑⑦M(jìn)行分類，系統(tǒng)能夠判斷植物是否受到害蟲感染。本研究的系統(tǒng)在農(nóng)業(yè)領(lǐng)域?qū)崿F(xiàn)了自動(dòng)節(jié)水灌溉和植物病害檢測(cè)的調(diào)節(jié)。對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行了數(shù)值研究，并分析了分類準(zhǔn)確性的重要性。未來(lái)的工作可以考慮將KNN算法與其他聚類算法結(jié)合，以提高準(zhǔn)確性和決策的精確性。

參考文獻(xiàn)：

[1] 雷妍，魏璁琪.基于物聯(lián)網(wǎng)技術(shù)的智慧農(nóng)業(yè)環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].電子技術(shù)與軟件工程，2022（18）：246-249.

[2] 陸晶，林雪瓊.面向智慧農(nóng)業(yè)的物聯(lián)網(wǎng)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].科技風(fēng)，2023（14）：7-9.

[3] 張志娟，張德鳳.智慧農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].農(nóng)業(yè)與技術(shù)，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(nóng)業(yè)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].科學(xué)技術(shù)創(chuàng)新，2021（35）：101-103.

[7] 黃燦洋，滕道祥.智慧農(nóng)業(yè)的監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].電子技術(shù)，2020，49（12）：50-51.

基金項(xiàng)目：重慶市教委科學(xué)技術(shù)研究項(xiàng)目（KJQN202205404）

作者簡(jiǎn)介：黃曉艷（1983-），女，副教授。研究方向?yàn)檗r(nóng)業(yè)物聯(lián)網(wǎng)。