朱曉智 張 蕾 韓媛媛 郭騰佐 李洪瑛

（衡水學院數(shù)學與計算機學院，河北 衡水 053000）

0 引言

我國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)量最大的國家。小麥在我國居民飲食結(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，尤其是在我國北方，小麥所占比例更重。目前，我國小麥種植區(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。而病蟲害問題會對北方小麥產(chǎn)量造成嚴重影響，等發(fā)現(xiàn)小麥發(fā)病時，往往都為時已晚，給農(nóng)業(yè)生產(chǎn)帶來不可估量的損失。

隨著人工智能技術(shù)的快速發(fā)展，各種檢測系統(tǒng)也層出不窮。本研究設(shè)計的小麥病蟲害檢測系統(tǒng)是基于RT-thread 的實時操作系統(tǒng)，能實時監(jiān)測農(nóng)業(yè)作物健康狀況，并將數(shù)據(jù)上云，用戶可在手機端或電腦端實時查看農(nóng)作物健康情況數(shù)據(jù)，具有較高的實用價值［1］。

1 小麥病蟲害檢測系統(tǒng)總體設(shè)計

該系統(tǒng)的軟硬件均采用模塊化設(shè)計，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)對小麥病蟲害進行識別。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)集對模型進行訓練，對其進行編譯評估，并保存模型，從而生成移動端tflite 模型文件。通過對采集到的圖片和模型文件進行對比，可準確識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，為適應環(huán)境，其采用的是防水防風沙材質(zhì)，并由多種能源進行持續(xù)供能。該系統(tǒng)采用OneNET 物聯(lián)網(wǎng)云平臺來實現(xiàn)數(shù)據(jù)的上行，并使用OneNET view 組件實現(xiàn)對數(shù)據(jù)的二維顯示。在獲取特征集識別到的小麥健康狀況的基礎(chǔ)上，通過調(diào)用數(shù)據(jù)庫，給出該健康狀況下的解決方案。

2 檢測系統(tǒng)設(shè)計

2.1 整體設(shè)計

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，運用python Numpy 工具和tensorflow 神經(jīng)網(wǎng)絡(luò)框架來搭建卷積神經(jīng)網(wǎng)絡(luò)模型，通過恢復keras 模型來預測推理得到的移動端tflite 模型文件。通過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目采用OneNET 物聯(lián)網(wǎng)云平臺來實現(xiàn)數(shù)據(jù)上行，并使用OneNET view 組件對數(shù)據(jù)進行二維顯示。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

2.2.1 主控模塊硬件設(shè)計。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480 MHz，支持各種第三方軟件包和SDK 擴展功能，采用2 個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，STM32H750XBH6 使用層次化系統(tǒng)安全架構(gòu)，在保障應用和系統(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FPC 線連接到ART-Pi 多媒體擴展板的Camera FPC 接口上，并將攝像頭模塊拍攝到的畫面在ART-Pi 多媒體擴展板屏幕上顯示。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，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，管理員通過網(wǎng)絡(luò)或本地查詢記錄，能隨時隨地查詢系統(tǒng)頁面。該系統(tǒng)還使用OneNET view 組件對數(shù)據(jù)進行結(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 為嵌入式實時多線程操作系統(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)、圖形庫等中間件組件的軟件平臺。實際上，RTthread 是一個IoT OS，基本屬性之一是支持多任務(wù)。在RT-thread 系統(tǒng)中，通過線程來完成任務(wù)。RTthread 系統(tǒng)主要由C 語言進行編寫。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，可實現(xiàn)快速直觀的模塊化裁剪，并無縫導入豐富的軟件功能包，從而實現(xiàn)類似Android 的圖形界面及觸摸滑動效果、智能語音交互效果等功能。相較于Linux 操作系統(tǒng)，RTthread 具有體積小、成本低、功耗低、啟動快速等優(yōu)點。此外，RT-thread 還具有實時性高、占用資源小等特點，適合應用于各種資源受限（如成本、功耗限制等）的場合中。與RTOS（如FreeRTOS、uC∕oS）相比，RT-thread 不僅是一個實時內(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)

通過對RT-thread 實時操作系統(tǒng)進行軟件開發(fā)，調(diào)用RT-AK的AI套件，可將事先訓練好的深度AI學習模型一鍵部署到RT-thread實時操作系統(tǒng)的開發(fā)項目中，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。對訓練集進行訓練，導入訓練集，定義標簽處理。對構(gòu)建的神經(jīng)網(wǎng)絡(luò)進行卷積操作，利用tensorflow框架對模型進行三層卷積操作，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，對模型進行訓練，原則上，訓練次數(shù)要定義準確，否則容易出現(xiàn)過擬合的現(xiàn)象。在此次訓練中，將訓練次數(shù)定義為100 次，并保存訓練好的模型文件.h5［3］。通過tensorflow 完成圖像的構(gòu)建，并導入預測圖片文件，對比預測準確度數(shù)值，模型達到結(jié)果預測。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，預期效果良好。

將轉(zhuǎn)換成的移動端tflite 模型文件部署到嵌入式系統(tǒng)中，通過卷積網(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，先將模型恢復成keras 模型，并預測模型大小，再進行模型推理，從而生成.tflite 模型文件。詳細技術(shù)代碼如下。

3 結(jié)語

在實際運行中，本研究設(shè)計的系統(tǒng)能實時快速地獲取小麥的健康狀態(tài)，從而檢測出小麥病蟲害情況，并通過OneNET 模塊將數(shù)據(jù)上傳到云平臺，對數(shù)據(jù)進行存儲。數(shù)據(jù)采集端是基于RT-thread 物聯(lián)網(wǎng)操作系統(tǒng)進行設(shè)計的，相對裸機系統(tǒng)，本研究設(shè)計的系統(tǒng)具有較強的穩(wěn)定性和抗干擾能力，能在一定程度上滿足客戶對小麥病蟲害檢測系統(tǒng)安全性的要求，并有效節(jié)省人力物力。