一种基于大数据的农业四情智能监测系统

张海滨

（四创电子股份有限公司，安徽 合肥 230031）

0 引言

农业“四情”是指墒情、苗情、病虫情、灾情。农业“四情”监测预警系统以先进的无线传感器、物联网、云平台、大数据以及互联网等信息技术为基础，由墒情传感器、苗情灾情摄像机、虫情测报灯、网络数字摄像机、作物生理生态监测仪，以及预警预报系统、专家系统、信息管理平台组成。系统对每个监测点的病虫状况、作物生长情况、灾害情况、空气温度、空气湿度、露点、土壤温度、光照强度等各种作物生长过程中重要的参数进行实时监测、管理。系统联合作物管理知识、作物图库、灾害指标等模块，对作物实时远程监测与诊断，提供智能化、自动化管理决策，是农业技术人员管理农业生产的“千里眼”和“听诊器”。

1 主要技术原理

监测点的数据采集终端采用稳定的Linux作为运行环境，采集终端直接通过移动互联网将视频及土壤空气传感器的实施信息上报给监控指挥中心的数据。

数据接入系统采用稳定高效安全的Linux作为运行环境，采用Java作为开发语言，采用智能网关技术[1]将数据接入，并根据设备的传输协议和数据类型，对监测点上报信息进行解码、拆分、清洗、转存、归档。

图像识别和检测系统采用稳定高效安全的 Linux作为运行环境，以Python作为开发语言，利用 Tensorf low作为深度学习框架，利用Keras作为高层 API，实现对视频中病害，虫害及植株的识别和检测。

数据管理分析与存储子系统作为平台数据分析和处理的核心系统，采用云主机+Linux+Tomcat作为应用运行环境，通过弹性计算和负载均衡进行计算资源调度管理。采用成熟的J2EE+SSH作为Web 后台应用开发框架，利用云平台提供的CDN，对象存储，云数据库，高速缓存，消息推送服务实现对海量数据的切片、整合、识别、分析和存储。

业务门户作为平台对外的管理门户，采用云主机+Linux+Tomcat作为应用运行环境，采用成熟的 J2EE+SSH作为Web后台应用开发框架，前端采用H5+Ajax作来做数据获取和呈现，同时利用云平台提供的运维监控，安全管理监控服务，实现对监测数据，业务流程，统计分析表报，用户权限，系统日志等的综合管理。

2 系统设计实现

农业“四情”智能监测系统采用全省一级平台的架构，即在省一级建库、集中部署，全省系统用户依据不同层级、不同级别、不同业务，通过互联网利用浏览器或手机APP访问，使用不同的应用功能，访问不同范围的数据。

图1 系统总体架构

整个系统主要分为监测点和省级监控指挥中心2个部分。监测点部署有智能球型摄像头、土壤墒情传感器、温湿度传感器和无线传输设备等，主要负责大气温湿度、土壤含水量、视频图像等监测数据的实时采集。监测数据经由高速无线网络接入监控指挥中心，由图像识别和检测子系统进行识别检测后，将识别结果报送数据管理分析系统进行数据分析并存储在中央数据库。最终由业务门户子系统通过大屏，工作PC以及手机App呈现给用户。

2.1 数据接入

接收监测点的视频和环境监控设备上报的视频、温湿度、土壤墒情等数据。管理员可以在系统中添加或维护监测监控设备，用智能为监控设备配置接入参数，设置数据解码、数据处理单元、数据阈值等。收到监测站上报的实时视频或环境监测数据后，首先这些数据加载到高速缓存中，之后再由不同的数据适配器对数据进行解码，形成内存数据对象，并根据时间、区域、监测内容分类进行归类。

监测站通过墒情传感器测量土壤的体积含水量（VWC）、土壤温度、土壤电导率、地下水位、空气温湿度、太阳辐射、降雨量等众多相关传感器。监测数据统一由自动监测站发送到网络数据平台，数据按照统一的格式进行存储。

2.2 图像识别检测

2.2.1 病虫害监测

基于TensorFlow深度学习框架开发适合小麦常见病虫害（目前主要针对白粉病、赤霉病、锈病、纹枯病、麦蜘蛛、蚜虫、吸浆虫等）的识别算法。在物种外形差异不大的细分类条件下，也能达到较高识别精度，这是因为综合吸收了学术界先进模型的思路理念：非对称卷积，通道1x1卷积（Inception）；残差Block（ResNet）；模块熔接（Deeply Fusion MR）；Fine-Grained语义分割重构（FC）；Feature Map拼接（Inception，Part-Stacked CNN）。

图2 图像识别架构图

基于TensorFlow的目标检测技术并结合GPS和GIS，对视频中发病植株的数目，范围进行智能识别和检测[2]，实现对小麦大田长时间、大范围的野外自动监测和数据采集。首先经过小麦的目标检测，即输入图像将小麦框出。目标检测后，采用深度学习中的卷积神经网络模型训练分类器，将图像通过一系列的卷积、非线性、池（采样）、全连接层，可克服场景多样性带来的特 征多样性，实现目标识别。利用卷积神经网络训练足量的数据，进行足量的训练迭代[3]，实现更多的权重更新，对神经网络进行更好的调参，可以获得较理想的检测结果。图3即识别小麦是否正常或患有病虫害的深度学习 CNN模型图，输入检测为小麦的图像，经过数据初始化后，经过CNN模型的卷积层池化层等特征值提取过程后全连接层分类，得到预测结果百分比：

图3 小麦图像目标识别图

2.2.2 生长期监测

传统的生长期监测方法是以野外观测为基础的，通过目视观察法来记录典型生物个体年复一年的差异。本文通过在监测点设置多光谱高清定点拍摄设备，在中小尺度模式下对特定的植物植株整体、主干、局部枝叶多个点位进行长时间的定点拍摄，通过与参照尺寸标的物对比，实现对植株的高度、宽度等自动测量。

本文通过深度学习图像识别技术对小麦植株出苗、返青、抽穗、灌浆等物候状态进行智能识别，自动形成物候发育的检测数据。实现物候观测由手工到自动、由点到面的转换，使得区域大范围的宏观物候监测成为可能。

通过卷积神经网络CNN（如图4所示），本文在ImageNet上预训练的模型如Z F、VGG16以及ResNet上进行Fine-tune，结合特有的植物图像特点，学习每个周期的特征表示，最后得到输入植物图像对应的预测生长周期。

图4 具有选择分集、EGC和MRC的Rayleigh衰落信道中BPSK调制误码率性能的仿真

图4 小麦图像生长周期预测图

2.3 数据管理存储

业务数据的存取通过2种方式进行：用于归档存储的监控数据，通过文件的方式进行存储；用于实时查询的数据，通过K-V型内存数据库来进行。数据管理分析系统对各类监控数据进行切分后，形成基础元数据，这部分数据首先通过高速缓存来保存，之后根据时间区域整合成统计分析报表并存储到块存储中。

系统定期将监控数据及形成的数据分析报表进行归档，将超过1个月的数据转储至归档服务器，采用2点冗余备份，年整体数据备份量为50 T。提供标准的RESTful API接口，方便上传/下载、检索，支持流式写入和读出，特别适合大文件的边写边读业务场景。对系统内的生产的数据分析报告进行管理，支持各种形式数据产品信息的列表和查询，提供对数据产品生产情况的统计。

2.4 业务门户

基于WebGIS的可视化数据综合管理，所有监控点直观显示，监测数据一目了然。具备空间差值分析功能，利用专用软件自动绘制系统数据等级评价空间等值线面图，并实现图形管理。提供基于位置、时间、数据类型、数据范围等多维度的查询接口。历史数据可按曲线、报表形式展现，清晰直观查看所有监测设备的监测数据。实现对野生动物分布及活动范围的大数据图谱、植物物候监测分析报告等的呈现。基于B/S结构，按访问权限为用户提供所辖区域内野生动植物监测数据的个性化查询和统计接口，提供多维度的查询条件，满足林业管理统计业务需要。

3 结束语

通过建立农业四情智能监测系统，可以通过精确、科学的数字化控制手段进行农业生产和管理，提高农作物的产量和品质，并且保护了生态环境，有效避免用药、施肥、灌溉等行为的过度化和滥用。同时可以为政府、科研单位及用户提供详细准确的农业“四情”数据，以便于专家及时诊断提出解决方法。还可以大幅减少水、电、人力等能源和资源使用，减少农业生产的成本，有效解决农民增产不增收等问题。