【《大棚蔬菜作物疾病监测小车控制系统设计》开题报告5200字】

第1页共31页大棚蔬菜作物疾病监测小车控制系统设计开题报告1.1研究背景与意义大棚别名温室，是指具有墙体或塑料等保温结构，可以为作物提供适宜生长环境的农业设施。在大棚内种植作物，能够降低气候因素所带来的负面影响，保证作物健康成长，提高作物产量。由于大棚所具有的优势，在二十世纪六十年代起，世界各国便开始大力发展温室设施。截至2013年，全世界已拥有温室约65万公顷，其中塑料薄膜温室占比最多为60万公顷，其余一些为玻璃温室或新型材料温室[1]。在世界所有国家中，中国的蔬菜大棚面积居首位，据最新统计，2018年温室面积已经达到370万公顷，可产蔬菜约1亿吨。在十三五规划中，我国农业的发展计划是从传统农业向现代农业进行转变，不断向着自动化和智能化的方向迈进，通过科学技术的不断发展与创新，提高人们的生活水平并最终实现小康。随着农业机械设备不断更新换代，农业生产越来越省时省力，许多机械性劳作都被机器所替代，在大棚中种植蔬菜正是典型的劳动密集型产业，因此大棚种植人员对于应用在大棚内的自动化设施有着大量需求。尤其是在物联网快速发展的时代，以荷兰为代表的许多欧美国家的大棚已经能够做到对大棚中的空气温湿度，土壤温湿度，光照强度，二氧化碳浓度甚至土壤肥沃情况等指标进行监控并自动调节。这一整套的作物环境指标检测系统已经发展相当成熟，国内也是在逐步应用这些高新技术。在满足蔬菜作物基本生长环境的前提下，病虫害已成为影响蔬菜产量的关键因素。据统计，受病害的影响，我国蔬菜年产量下降约10%-30%。为了减少病害造成的损失，早发现早治疗是相当必要的。一般来说，为了能够及时发现疾病，菜农必须时刻监测蔬菜病害，每天巡视蔬菜长势，留意作物颜色、形状上的变化。通过这种人工方式监测疾病既费时又费力，且有些菜农本身缺乏疾病识别经验，导致不能对症下药，从而延长治疗周期，加重疾病造成的损失。这一现象在包括中国，印度在内的一些发展中国家较为常见。所以，对于蔬菜大棚病害的自动监测系统被迫切需求。疾病检测的自动化不仅有助于及时地发现疾病，控制疾病，提高作物质量。还能够降低生产成本，减少农场工人和检查员接触杀虫剂的机会，并提高可持续性。移动机器人技术已经在工业、军事和交通领域以及本文所涉及的农业领域逐步显示出其优势。它主要通过物联网技术以及机器视觉技术，自动或是手动方式移动作业，完成一些较为复杂工作。此领域的研究能够有效发展我国温室蔬菜种植的机械智能化，并使其朝着现代化农业迈进。一方面机器人可以辅助种植与收割环节，减少人力成本；另一方面，它还可以用于监控大棚内环境指标，检测温室作物的病虫害，采集病虫害特征，进行疾病监控等。因此，本文利用物联网和人工智能技术，设计了一个蔬菜大棚疾病自动监测机器人来监控蔬菜大棚的疾病。此机器人可以自动巡查，对蔬菜进行拍照以及疾病识别，在引入智能化、自动化的同时极大减少人工劳动力消耗，极大方便了种植户。1.2国内外研究现状1.2.1农业机器人研究综述对于蔬菜大棚内疾病自动监测小车的研究可分为两个子领域：采样机器人研究领域和疾病识别算法研究领域。采样机器人的功能为对大棚内所种植的蔬菜进行拍照采样，目标是得到蔬菜的全方位清晰图片；疾病识别算法的功能为对蔬菜图片进行疾病识别，目标是对疾病的高准确率识别。此二者整合在一起共同完成对于疾病的自动检测任务，如果缺少了疾病识别算法，则采样的图片仍需要通过人眼来识别，这就要求菜农掌握足够的疾病识别方面的知识；而如果缺少了采样机器人，则需要菜农每日亲自去拍照采样，极大的浪费了劳动力。在目前的学术领域，对于蔬菜作物疾病识别方面的相关研究相对较多，对于农业采样机器人方面的研究也正在逐步开展。下面首先介绍农业机器人领域研究的最新进展。目前对于应用在大田中的农业机器人的研究相对较多，Pilli等人设计了一个名为eAGROBOT（原型）的一种基于地面信息进行导航的农业机器人[2]，它克服了基于卫星进行导航和基于移动通讯服务的解决方案所存在的挑战。文中提出了一个小型、便携、可靠的平台，可以自动进行农田调查、疾病检测和农药喷洒。文中的机器人用于在室外环境中对花生和棉花作物的早期病害进行识别，该机器人能够利用神经网络技术识别棉花的白叶枯病、缺镁元素和花生的黄斑病等疾病。eAGROBOT的功能组成包括一个捕捉植物图片的摄像头，基于人工智能的嵌入式算法，农药喷洒模块，Wi-Fi连接模块等。机器人本身可以根据指定的动作在农田上自动移动，也可以进行远程控制。在对于温室机器人的研究中，比较有效的为Aravind的研究[3]，其论文中提出并设计了一种简易的农作物状态与病害监测机器人，使用数码相机拍照监测苗圃内的小型园艺作物及幼苗。在导航方面，机器人使用简单的基于视觉传感器的线跟随算法来检测温室中预先布置的线。文中使用一个名为虚拟机器人实验的开源软件中设计和模拟的平台（V-REP）进行实验，将所设计的机器人模拟在包含40种作物的实验田中，作物按一定的间隔放置，机器人利用相机进行图像的捕捉并通过基于纹理的分析来识别健康作物中的病害作物。用于疾病识别的图像处理算法在MATLABR2011B中实现了界面并通过socket通信与V-REP工具交互。最终实验表明了其疾病识别的有效性。上述研究有其优秀之处但也存在一些问题。首先应用于大田的机器人往往难以直接应用于温室。一是因为温室中环境狭小，故而机器人需要具有较小的外形体积并且较高的移动控制精度。二是因为大棚材料会遮挡GPS信号，因此在大田中比较有效的GPS导航在温室内将会失效。其次蔬菜大棚内移动机器人的导航方式最好不依赖于对环境的预先布置，例如铺设线路等。因为不同作物对于田垄的高度宽度要求不同，故在更换种植作物时需要预先改变田垄，导航线路也就需要跟着改变，此方式灵活性不足。1.2.2蔬菜疾病识别综述蔬菜疾病识别领域通常是通过识别植物叶片上的症状来确认疾病，识别的算法可分为传统的机器学习算法以及深度学习算法。在Radovanović的论文中对比了几种传统机器学习算法和神经网络的准确度[4]，其中包括SVM,KNN,FCNN和CNN四种算法。对于机器学习算法，首先对图像分割出感染部位，然后使用GLCM进行特征提取，最后放到算法中进行训练。对于卷积神经网络则不需要这些步骤，论文中使用神经网络模型为GoodLeNet。实验展开使用了公开数据集PlantVillage，训练结果表明，卷积神经网络表现优良，准确度达到99.1%，高出其他算法约11%，而最低的算法为KNN，准确率仅仅为72.4%。依据此结果本文选择卷积神经网络作为蔬菜疾病的识别算法。Osama等人的文章研究了深度学习对于温室中作物疾病的识别[5]。他们在实验室设计了一个小型温室模型并在其中种植西红柿作为研究对象。在西红柿成长一段时间后，文中对于温室中出现的多种疾病使用神经网络进行识别，准确度达到了94.8%。为了让疾病识别算法从学术走向实践，更好的为人们所使用。Hlaing和Zaw在他们的研究中提出了一个能够区分番茄六种病害的系统[6]。这些病害有叶霉病、叶斑病、蜘蛛螨病、晚疫病、细菌斑和靶斑病。该系统的使用很简单，用手机摄像头拍下患病植物叶子的图像，系统将自动输出疾病的名称。文中的算法流程为：首先，对输入图像通过预处理算法去除叶片图像的背景；其次，使用广义极值分布（GEV）表示图像的信息并使用SIFT特征提取；最后通过支持向量机进行分类识别。实验准确率为84.7%。Sabrol和Satish提出了一个基于图像处理的系统来检测和分类植物的疾病[7]。该系统仅将番茄的晚疫病、黑斑病、细菌性斑病、细菌性溃疡病和叶曲病5种不同类型的病害进行分类。该数据集是植物叶片和茎的组合图像，分为5种疾病类和1种健康类共6个类别。利用神经网络和支持向量机等技术对感染植物进行模式识别。利用分类树6种类型的番茄图像进行分类，准确率达到97.3%。虽然他们取得了很高的精度，但他们的局限为使用的植物图像的数据集较小。上述文章以及一些目前的研究存在一些需要改进的问题，其一，对于移动机器人的设计，许多研究并没有根据蔬菜大棚内的狭小种植环境进行相应的改进，以至于机器人可能出现无法接收导航信号或是因移动控制精度不足而毁坏作物的情况；其二，在疾病识别方面，上述研究并没有论述在蔬菜大棚这一特殊环境下疾病的发病种类及规律，仅仅是选取了作物在开放耕作环境下的常见疾病或是直接使用公开数据集中包含的疾病。且公开数据集中的图片均为专业拍摄，经过预处理，与机器人真实拍摄图像存在较大差异，这就导致实验与现实脱轨。1.3本文主要工作本文在总结前人研究的基础上，针对于上文所述此领域内目前存在的问题，设计出了一款应用于蔬菜大棚的疾病自动检测小车，此小车可以通过自动或手动的方式在大棚内移动拍照，并通过无线网络将图片传输至计算机，随后计算机使用疾病识别算法对图片进行疾病识别，并将识别结果通过用户图形界面展示出来，以供用户查看。本文具体工作如下：（1）首先，对小车的机械结构进行设计。基于大棚的相对封闭狭小环境以及田垄式种植地貌，统计了种植不同作物时田垄的高度宽度和田垄间距，选取合适的骨架组装了小车，使得其外形适合于在大棚内移动。（2）其次，对小车的硬件结构进行设计。根据功能需求选取了小车的控制器和传感器以及电机驱动设备，设计电路图将器件连接并进行调试，为小车的移动导航、通信、拍照等功能搭建硬件环境。（3）再次，对核心算法进行设计。包括自动导航算法、故障检测算法和蔬菜疾病识别算法。自动导航算法基于超声波传感器测距，并采用最小二乘法进行路径拟合，使得小车能够在田垄内自主移动巡检。故障检测算法基于FAST特征点匹配，可以方便的对小车是否发生移动故障进行检测。蔬菜疾病识别算法基于卷积神经网络，此算法包括预处理，去除模糊图像，病斑提取以及神经网络识别等模块，实验表明，本算法可以对蔬菜大棚常见疾病进行有效识别。（4）最后，进行系统的集成与测试。购买器件组装小车，设计出完整软件系统，编写用户界面，并对此检测小车的重要功能进行实验与分析。1.4论文组织结构论文一共包括六个章节，论文结构介绍如下：第1章：绪论。本章首先介绍了此论文的研究背景与意义，其次论述了国内外的研究现状并指出所存在的问题，最后概括性的列出本文的主要工作。第2章：相关技术。此章介绍了此领域的一些基础技术背景。首先谈及机器人方面的基础技术，包括机器人导航以及控制器方面的知识。其次对蔬菜疾病相关知识进行介绍。最后介绍了神经网络方面的知识。第3章：小车机械与硬件设计：此章分析了小车的功能需求，提出了总体设计思路，并对小车的机械与硬件结构进行了详细设计。第4章：核心算法设计。此章依次介绍了三个核心算法的设计与实验，分别为自动导航算法、故障检测算法和蔬菜疾病识别算法。第5章：系统设计与集成。本章首先对软件系统进行设计，随后组装小车，将软硬件与机械三者集成，最后设计实验测试小车的性能。第6章：总结与展望。本章对本文的主要工作进行总结，客观评价其所存在的问题以及未来所应进行的改进。参考文献[1]钟钢.国内外温室发展历程,现状及趋势[J].农业科技与装备,2013(09):68-69.[2]S.K.Pilli,B.Nallathambi,S.J.GeorgeandV.Diwanji.eAGROBOT-Arobotforearlycropdiseasedetectionusingimageprocessing[J].

2014InternationalConferenceonElectronicsandCommunicationSystems(ICECS),Coimbatore,India,2014,pp.1-6.[3]K.R.AravindandP.Raja.Designandsimulationofcropmonitoringrobotforgreenhouse[J].2016InternationalConferenceonRobotics:CurrentTrendsandFutureChallenges(RCTFC),Thanjavur,India,2016,pp.1-6.[4]D.RadovanovićandS.Đukanovic.Image-BasedPlantDiseaseDetection:AComparisonofDeepLearningandClassicalMachineLearningAlgorithms[J].202024thInternationalConferenceonInformationTechnology(IT),Zabljak,Montenegro,2020,pp.1-4.[5]R.Osama,N.E.-H.Ashraf,A.Yasser,S.AbdelFatah,N.ElMasryandA.AbdelRaouf.Detectingplant’sdiseasesinGreenhouseusingDeepLearning[J].20202ndNovelIntelligentandLeadingEmergingSciencesConference(NILES),Giza,Egypt,2020,pp.75-80.[6]ChitSuHlaingandSaiMaungMaungZaw.Model-basedstatisticalfeaturesformobilephoneimageoftomatoplantdiseaseclassification[J].In201718thInternationalConferenceonParallelandDistributedComputing,ApplicationsandTechnologies(PDCAT),pages223–229,Taipei,Taiwan,2017.IEEE[7]HSabrolandKSatish.Tomatoplantdiseaseclassificationindigitalimagesusingclassificationtree[J].In2016InternationalConferenceonCommunicationandSignalProcessing(ICCSP),pages1242–1246,Melmaruvathur,Tamilnadu,India,2016.IEEE.[8]徐磊,蒋丽云,王志强.气象因素对蔬菜病害发病期的影响[J].现代农业,2013(02):34.[9]J.Sun,LiZhengming,WangYinghai,LuWenjuanandJiangBo.TheSystemDesignofMonitoringabnormalEnvironmentParameterofVegetableGreenhousebasedonShortMessage[J].2009IEEE/INFORMSInternationalConferenceonServiceOperations,LogisticsandInformatics,Chicago,IL,2009,pp.709-712.[10]H.Zhao,Y.Cui,F.Yang,R.Yang,D.PanandL.Zhao.DesignoftheFacilityVegetableEnvironmentMonitorSystemofGreenhouseBasedonInternetofThings[J].20192ndWorldConferenceonMechanicalEngineeringandIntelligentManufacturing(WCMEIM),Shanghai,China,2019,pp.752-755.[11]K.Zhang,Y.R.Guo,X.S.Wang,etal.MultiplefeaturereweightDenseNetforimageclassification[J].IEEEAccess,2019,7:9872-9880.[12]YANGL,YISJ,YONGZ,etal.Identificationofricediseasesusingdeepconvolutionalneuralnetworks[J].Neurocomputing,2017,267:378-384.[13]S.Mathulaprangsan,K.Lanthong,D.Jetpipattanapong,S.SateanpattanakulandS.Patarapuwadol,RiceDiseasesRecognitionUsingEffectiveDeepLearningModels[J].2020JointInternationalConferenceonDigitalArts,MediaandTechnologywithECTINorthernSectionConferenceonElectrical,Electronics,ComputerandTelecommunicationsEngineering(ECTIDAMT&NCON),Pattaya,Thailand,2020,pp.386-389.[14]A.Hidayatuloh,M.NursalmanandE.Nugraha.IdentificationofTomatoPlantDiseasesbyLeafImageUsingSqueezenetModel[J].2018InternationalConferenceonInformationTechnologySystemsandInnovation(ICITSI),Bandung,Indonesia,2018,pp.199-204.[15]B.Thuilot,C.Cariou,L.Cordesses,etal.Automaticguidanceofafarmtractoralongcurvedpaths,usingauniqueCP-DGPS[C].Proceedings2001IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.ExpandingtheSocietalRoleofRoboticsinthetheNextMillennium(Cat.No.01CH37180).IEEE,2001,2:674-679.[16]T.Hellström.Autonomousnavigationforforestmachines[J].Aprojectpre-studyintheDepartmentofComputerScience,UmeaUniversity,Sweden,2002,3:560-564.[17]Y.Song,X.Duan,Y.Ren,J.Xu,L.LuoandD.Li.IdentificationoftheAgriculturalPestsBasedonDeepLearningModels[J].2019InternationalConferenceonMachineLearning,BigDataandBusinessIntelligence(MLBDBI),Taiyuan,China,2019,pp.195-198.[18]S.Mathulaprangsan,K.Lanthong,D.Jetpipattanapong,S.SateanpattanakulandS.Patarapuwadol.RiceDiseasesRecognitionUsingEffectiveDeepLearningModels[J].2020JointInternationalConferenceonDigitalArts,MediaandTechnologywithECTINorthernSectionConferenceonElectrical,Electronics,ComputerandTelecommunicationsEngineering(ECTIDAMT&NCON),Pattaya,Thailand,2020,pp.386-389.[19]T.Bai,Q.Jiang,W.XingandH.Meng.ARecognitionModelofRedJujubeDiseaseSeverityBasedonImprovedPSO-BPNeuralNetwork[J].2012InternationalConferenceonComputerScienceandElectronicsEngineering,Hangzhou,2012,pp.670-673.[20]I.Codreanu.AProposedAutomaticSpeechandSentimentRecognitionSeriousGameforOlderAdultswithParkinson’sDisease[J].201921stInternationalSymposiumonSymbolicandNumericAlgorithmsforScientificComputing(SYNASC),Timisoara,Romania,2019,pp.343-344.[21]H.Hong,J.LinandF.Huang.TomatoDiseaseDetectionandClassificationbyDeepLearning[J].2020InternationalConferenceonBigData,ArtificialIntelligenceandInternetofThingsEngineeri