邓梦怡，俞 龙，周 波，黄浩宜，吴旺春

（1.华南农业大学电子工程学院，广东 广州 510642；2.广东省农业科学院茶叶研究所，广东 广州 510640）

0 引言

虫情信息是生态茶园的重要指标，对茶园虫情的监测有益于生态茶园的健康发展、维持生态环境的稳定性。目前，通过农药等方式使害虫数量骤减有可能导致虫害出现耐药性、数量反弹等现象。而将农业信息化技术应用于茶园虫害的监测有利于持续高效地进行虫害监测，有效预防大规模虫害的爆发，从而提升茶叶的品质[1-2]。

茶园虫害数量一般呈现爆发式增长，目前主要通过设置诱虫板诱集、采集腐烂脱落果实监测等方式人工监测虫害的发生情况[3]。现有的农用灭虫器，除了采用化学杀虫方法外，大都以灯光诱捕害虫。这种设备虽然环保，捕虫效果也不错，但功能较为单一且易受环境影响，不利于虫害的长期监测与预警[4-7]。近年来，随着人工智能与物联网技术的飞速发展，机器视觉通过机器代替人眼做出决策，被广泛应用于病虫害诊断、作物长势监测之中；4G 通信具有速度快、覆盖范围广等优势，为农业物联网的发展提供了良好的技术支撑[8-11]。施盛华[12]应用STM32、4G 通信技术和改进的MPPT 光伏充电控制技术研发虫情监测终端，为远程虫情信息的获取奠定了基础；李震等[13]设计了一套基于物联网的果园实蝇监测系统，通过在果园中安装多个智能捕虫器远程采集果蝇信息、BP 神经网络识别图像，但图像中的实蝇体态和角度容易影响识别效果；赵文宏等[14]通过传感器采集各项环境数据，通过GPRS 网络传输至数据中心，但未对虫害进行特征分析；王书献等[15]通过4 种深度学习神经网络模型，设计分组训练试验对比训练效果，得出YOLOV5l 效果更为理想。

为克服目前捕虫计数方法对图像特征分析过少、易受环境影响等不足，本研究在太阳能风吸式诱捕器的基础上，增设图像采集装置和涡轮蜗杆减速电机、4G 通信等配置，得到茶园虫情监测终端，该终端具有维护简便、可靠性高、检测准确以及不易受环境影响等优点。本研究构建基于“互联网+生态茶园”的虫情视觉监测软硬件平台，设计捕虫器结构并将4G 和YOLOV5 目标检测技术应用于虫害的监测、计算中，建立数据库存储虫害数据，有助于持续高效地进行虫害监测，从而减少农药的使用以及对环境的污染，同时也为进一步研究小绿叶蝉、茶尺蠖等害虫的预警和监测提供技术支持。

1 系统总体设计

系统设计如图1 所示，具体实现过程为：捕虫灯通过特定光源诱捕害虫后，风扇将害虫吸至拍照视野区域，漏斗形穿孔导风罩内汇集害虫后，启动摄像头拍摄图片，STM32 获取图片存至本地TF 卡备份并同时将图片通过4G 模块以HTTP 协议的形式上传至云端，云端将数据流解码成图片并进行计算、存储，与样本数据库进行对比并识别害虫种类以及数量，供应用单元的终端设备访问。经过一系列处理后，对试验数据进行分析，最终达到虫害智能识别、数据实时监控以及数据可视化的目的。

图1 系统整体示意图

1.1 本地机构设计

捕虫器利用害虫的趋光性，通过紫光灯把害虫引诱至灯体附近。当进入吸虫风扇的有效区域时，害虫被吸入倒锥形穿孔导风罩内，由大圆孔进小圆孔出，经过有机玻璃圆柱通道后汇集在漏斗形穿孔导风罩底部，经摄像头拍照后涡轮蜗杆减速电机偏转进而转移害虫，结构设计如图2 所示。捕虫器的漏斗形穿孔导风罩下部连接等边三角形槽体，有机玻璃圆柱通道置于等边三角形槽体中央，漏斗形穿孔导风罩顶部长板中间为圆形，用于搭载摄像头以及发光电路板，由漏斗形穿孔导风罩贯通至等边三角形槽体底部，漏斗形穿孔导风罩底部有一定数量的释压孔，用于降低风压，阻止害虫不通过此释压孔，涡轮蜗杆减速电机用于控制害虫的转移。

图2 捕虫器设计

1.2 功能电路设计

功能电路由STM32 微控制器控制，主要由PTC2M0B 摄像头、4G 通信模块、锂电池及太阳能充电电路、涡轮蜗杆减速电机、风扇、紫光灯组成，结构如图3 所示。其中Tracer2610BP 控制器控制辅助电源供电，STM32 通过I/O 口与紫光灯、CGD150B-12HL风扇、28BYJ48 相连；通过UART 通信协议实现图像信息从PTC2M0B 到STM32 进而通过4G 模块发出至云服务器。

图3 功能电路结构示意图

涡轮蜗杆减速电机采用减速比1∶16 的28BJY48步进电机，驱动电路由DRV8841 芯片构成。DRV8841是一款集成的电机驱动解决方案，集成了双H 桥电机驱动电路，内置2 个N 沟道功率MOSFET 通过1个简单的PWM 接口即可方便的控制步进电机。同时，DRV8841 提供一种低功率睡眠模式，可以保证当处于睡眠模式时功耗很低；还集成了电流感知、调节电路与保护装置，支持过热、过电流与欠压保护，从而保证电路的稳定可靠。

1.3 图像的采集与传输

图像抓取采用PTC2M0B 摄像头，像素为200万。当捕虫器诱捕到虫子以后，触发拍摄系统工作，通过STM32 控制补光灯，补光同时对捕虫器中的虫子进行抓拍，其中补光灯通过PWM 控制亮暗，PTC2M0B 通过UART 通信协议来控制拍摄图片和传输图片信息。数据传输采用传统的4G 技术，使用EC20 模块，稳定可靠。STM32 通过UART 获取图片信息，将图片存储至本地TF 卡，同时通过UART 将图片信息经EC20 模块将数据以HTTP 方式转发至云服务器。云服务器将数据重组解码得到原虫子的图片，根据模型判别虫子是否为害虫。

2 云服务器

云端后台服务通过HTTP 接口接收图片并保存在数据库中。模型部署在服务器中，对外提供HTTP 接口以及识别回调接口，在识别完成之后，调用回调接口返回识别结果，从而实现茶尺蠖的识别和计数。用户可以通过登录云服务器查看拍摄的图像、识别结果以及相关统计信息。统计信息可以通过相应的配置作为预警信息发给相关用户，如图4 所示。

图4 云服务器架构示意图

2.1 YOLOV5算法简介

首先将图像归一化成608×608 的大小，通过Backbone（骨干网络）提取出3 个不同尺寸的特征图，通过深浅层融合最终得出3 个不同大小的特征图，最后根据不同大小的特征图判断对应像素点是否符合深度层的相应类别，并做出类别判断。

2.2 数据集制作

通过摄像头拍摄茶尺蠖并通过90°旋转总共得到600 张图片，随机筛选500 张为训练集，100 张为测试集。使用LabelImg 工具及其依赖包，选用YOLO 选项标注图片并构建COCO 数据集，标注后的文件即为txt 格式。txt 格式的标签文件第1 个数字代表标签的种类，另外通过4 个归一化后的数值表达虫害的位置信息，其中分别为图像坐标归一化后的中心点横坐标、纵坐标，归一化后宽度、高度。标注后统计目标相对位置图和目标相对大小分别如图5a 和5b 所示。

图5 样本数据统计结果

2.3 模型的选择

由 于YOLOV5s、YOLOV5m、YOLOV5l、YOLOV5x 4 种模型深度、宽度上的差异，为提高识别准确率，设置Epoch 为300，将标注好的数据集导入训练，各网络模型的mAP、Precision、Recall、box_loss 等参数均在300 轮次内达到收敛，收敛效果如图6 所示，分析收敛效果可得，YOLOV5s 在本次训练中存在较大的不确定性。在上述各参数中，0.5 广义交并比阈值下多类别平均精度值mAP@0.5、变化交并比阈值下多类别平均精度值mAP_0.5:0.95、准确率Precision、召回率Recall 是反应模型准确率也是衡量模型优劣的重要指标[16-22]，最终通过训练得到的各模型参数如表1 所示。

表1 各模型最终参数

图6 收敛效果图

由表1 分析可知，YOLOV5x 模型最终的各项参数均优于其他网络模型且收敛性较好。云服务器选用YOLOV5x 模型，对100 张测试集进行目标检测，识别效果如图7 所示，除对个别残缺虫害或重叠情况识别效果不佳外，92%的图片可以被准确识别。

图7 云端识别效果

3 总结

基于物联网与图像识别虫害信息的研究思路，能够科学准确的观察虫害的实时变化，并实现茶园虫害的监测以及有效预防大规模虫害的爆发。本系统通过物联网以及YOLOV5 云识别对采集的虫害数据进行传输、分析，不仅可以解放人工减少人力资源的浪费，还为进一步研究害虫的预警、区域发生、迁移影响规律提供技术支持。