基于物联网与图像识别的太阳能果园虫害监测系统研发

发布时间：2020-05-31 22:38

【摘要】：果园虫害种类与数量的监测是实现果园虫害精准化防治的基础。目前的虫害监测大部分是由植保人员现场调查和统计完成,这种方法费时费力且覆盖面有限。随着信息技术的不断发展,太阳能、物联网与图像识别技术为虫害监测系统提供了新的发展方向。其中,太阳能技术提供电能,满足监测系统野外使用需求,物联网技术为信息采集与传输提供了高、准、快的实施方案,图像识别技术完成虫害自动分类与计数。本文在分析国内外物联网虫害监测和图像虫害识别研究的基础上结合太阳能充电技术,以桃柱螟、梨小食心虫、桃小食心虫和美国白蛾为虫害研究对象,研发了基于物联网与图像识别的太阳能果园虫害监测系统。监测系统由物联网太阳能虫害监测终端和远程监测云平台组成,其中监测终端以STM32、4G通信技术和改进的MPPT光伏充电控制技术研发而成,实现了高效光伏充电、环境信息监测、虫害诱杀、虫害图像采集和远程信息传输等功能,远程监测云平台基于阿里云服务器构建而成,负责完成信息监测、数据存储、监测终端控制和虫害图像处理识别等工作。针对传统的MPPT光伏控制算法造成的充电效率不高且不稳定的问题,提出了一种自适应步长扰动观测法的MPPT光伏算法,通过自适应调节步长更快更准地追踪最大功率点,从而满足高效稳定地光伏充电要求。由于果园虫害图像存在多目标虫害的情况,通过对图像灰度化、图像增强、背景去除、形态学处理和连通域标记等处理方法的分析比较后,形成一种多目标虫害分割方案。在对目标虫害的形态、颜色、纹理特点的分析基础上,建立以目标图像的复杂度、偏心率、占空比、延伸率、球形性、颜色矩和灰度共生矩阵为虫害特征的特征选择方法。针对BP神经网络存在收敛速度慢、训练时间长以及识别率不高等问题,提出了一种改进的BP神经网络算法(AGA-IBP)。通过引入动量项改进BP神经网络自身、利用自适应遗传算法优化BP神经网络初始权值和阈值,从而加快模型网络的收敛速度,降低局部最小值发生可能,提高果园虫害识别准确率和效率。最后利用监测云平台进行了实验测试,测试结果表明:采用自适应步长扰动观察的MPPT光伏控制算法比传统扰动观察的MPPT光伏控制算法在光伏电池输出功率上提高了5.1%,果园虫害计数平均误差率为2.6%,桃柱螟识别率73%,梨小食心虫识别率65%,桃小食心虫识别率66%,美国白蛾识别率77%,验证了果园虫害监测系统的有效性可靠性。
【图文】：

农业,虫害

第 2 章系统关键技术及总体方案设计对当前果园虫害监测存在的人工识别工作量大、效率低及应用程度设计了一套基于物联网与图像识别的太阳能果园虫害监测系统，该技术、图像识别技术、光伏充电技术为依托，实现了远程图像数据的测、虫害的分类、识别以及野外供电等功能。系统关键技术农业物联网业物联网[36]是一种建立在物联网模型基础之上且应用在农业生产其模型架构分为三层，分别为感知层、网络层、应用层。如图 2-1

流程图,图像识别,流程图,层数

Zigbee 技术、基于 802.15.4 的 6LowP 和当前流行的 NB-IOT 以及正在研发的使得感知层数据传输更加可靠稳定。联网的最顶层[39-40]，主要负责实现对信现对感知层数据的计算和处理，，还能构统、作物种植监测系统、畜禽水产养殖工管理系统以及病虫害测报系统等等处理和计算机机器视觉领域中的热门广泛研究，图像识别技术一般有以下-42]。图 2-2 为图像识别流程：
【学位授予单位】：浙江科技学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;S436.6

【参考文献】