基于ZigBee和机器学习的作物生长状态监测系统设计_陈洪生.pdf

第 nullnull 卷 第 null 期 湖北科技学院学报 nullnullnullnullnullnull nullnullnullnull nullnullnullnull 年 nullnull 月 nullnullnullnullnullnullnull nullnull nullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull 引文格式 陈洪生 余佳德 田凤霞 等 null 基于 nullnullnullnullnullnull 和机器学习的作物生长状态监测系统设计 null null 湖北科技学院学报 nullnullnullnull nullnull null nullnullnull nullnullnullnullnull 基于 nullnullnullnullnullnull 和机器学习的作物生长状态监测系统设计 null 陈洪生 余佳德 null 田凤霞 吴春辉 李钰明 李俊腾 湖北科技学院 计算机科学与技术学院 湖北 咸宁 nullnullnullnullnullnull 摘 要 本文设计了一种基于 nullnullnullnullnullnull 和龙芯处理器的作物生长状态监测系统 通过物联网 nullnullnull 和 机器学习技术 旨在提高智慧农业系统的效率和可靠性 系统主要包括四个部分 数据采集端 计 算和上传端 云端及移动端 数据采集端通过 nullnullnullnullnullnull 技术组建传感网络 实时收集大棚内的环境数 据 计算和上传端利用龙芯处理器对环境数据和作物图像进行分析 并通过 nullnullnullnull 协议将数据上 传至阿里云平台 云端负责数据存储和管理 支持远程监控和自动化控制 移动端应用则为用户 提供了直观便捷的界面 实现对农田环境数据和作物生长状态的实时监控 实验结果表明 系统在 实时性 低功耗和长传输距离方面具有明显优势 对于未来智能农业大棚的设计具有参考价值 关键词 物联网 机器学习 作物模型 nullnullnullnullnullnull 龙芯 中图分类号 nullnullnullnullnull 文献标识码 null 文章编号 nullnullnullnull nullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnull nullnullnull 开放科学 资源服务 标识码 nullnullnullnull 随着全球人口的增长和对食品需求的不断增 加 传统农业面临着前所未有的挑战 为了解决这 些问题 智慧农业 nullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull 作为一种新兴 的农业管理方式 正在逐渐被广泛接受和应用 智 慧农业通过集成物联网 nullnullnull 和机器学习技术 实现 了对农业生产的精细化管理 提高了农业的生产效 率和资源利用率 null 在智慧农业系统中 传感器网络是关键组成部 分 它们能够实时监测农田的环境参数 如温度 湿 度 土壤湿度和光照强度等 基于这些数据 对作物 生长做出更加科学和及时的决策 而 nullnullnullnullnullnull 作为一 种低功耗 低成本且具备网状网络能力的无线通信 技术 适合应用于智慧农业中的传感器网络 null 机器学习技术在智慧农业中的应用 为农田管 理提供了强有力的支持 通过对传感器数据进行分 析和建模 机器学习算法能够预测作物生长情况 病 虫害发生情况等 null 这些预测和识别结果可以帮助 农业生产者优化管理措施 减少资源浪费 提高产量 和质量 null 此外 龙芯 nullnullnullnullnullnullnullnull 处理器作为中国自主研 发的高性能计算芯片 也在智慧农业等国家关键发 展领域中展现出重要作用 龙芯处理器具备强大的 计算能力和高效的能耗管理 能够为大规模数据处 理和复杂机器学习算法提供坚实的硬件支持 将龙 芯集成到智慧农业系统中 不仅提升了系统的整体 性能 还增强了系统的自主可控性 null 本论文旨在探讨基于 nullnullnullnullnullnull 和机器学习的物联 网智慧农业系统的设计与实现 特别是在龙芯处理 null 收稿日期 nullnullnullnull nullnullnull nullnullnull 基金项目 国家级大学生创新创业训练计划项目 基于龙芯和机器学习的物联网智慧农业系统 nullnullnullnullnullnullnullnullnullnullnullnull 湖北 科技学院大学生创新创业重点孵化培育项目 基于龙芯的智慧农业 大棚卫士 通信作者 余佳德 邮箱 nullnullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnull DOI 10 16751 ki hbkj 2025 06 011 器支持下的系统性能优化 本文将详细介绍 nullnullnullnullnullnull 技术在智慧农业中的应用场景 以及机器学习算法 如何处理和分析传感器数据 进而实现智能决策和 管理 此系统将为农业生产提供一种较为高效 可 持续的解决方案 为推动农业向智能化 现代化方向 发展提供参考 一 作物生长状态监测系统总体设计 本文设计了一种基于 nullnullnullnullnullnull 的作物生长状态 监测系统 通过 nullnullnullnullnullnull 技术组建分布传感网络终端 来采集数据 再由协调器转发至龙芯派 龙芯派利用 预训练的农业生长状态检测模型和病虫害识别模型 对采集的环境数据和作物图像进行分析 通过 nullnullnullnull 协议连接阿里云进行数据上报 云平台接收 流转数据 用户端的软件端连接云平台实现远程监 控和控制 图 null 系统架构图 基于龙芯和机器学习的 nullnullnullnullnullnull 作物生长状态 监测系统主要分四个部分构成 第一部分为采集端 通过 nullnullnullnullnullnull 技术组建分布传感网络终端负责采集 作物生长环境内的数据 再由协调器汇总信息 第 二部分为计算端和上传端 龙芯派利用预训练的农 业生长状态检测模型和病虫害识别模型对协调器上 报的环境数据和作物图像进行分析 通过 nullnullnullnull 协 议连接阿里云进行数据上报 充当中心设备的角 色 主要负责机器学习和生长数据和环境数据的上 报 第三部分为云端 主要负责数据的存储和下发 第四部分为移动端 移动端通过网络接口实现与云 平台连接 远程查看作物生长状态与种植环境信 息 null 一 采集端 在农业环境检测中需要大量节点设备进行数据 采集 而 nullnullnullnullnullnull 具有低成本 低功耗 高安全性的特 点 因此采集端主要由 nullnullnullnullnullnull 采集终端传感器节点 和网络协调器 采集的主要数据是大棚内的温度 湿度 光照值 土壤湿度 nullnull 值和二氧化碳浓度等影 响植物生长的绝大多数环境因素 二 计算端和上传端 系统采用龙芯派作为系统的计算端和上传端 龙芯派二代的核心就是龙芯 nullnullnullnullnullnull 处理器 这种处 理器采用 nullnullnullnull 工艺 片内集成 null 个 nullnullnullnullnull 处理器 核 主频 nullnullnullnull 并采用 nullnull 位 nullnullnullnull 控制器 采集端 的 nullnullnullnullnullnull 协调器连接至龙芯派的 nullnullnullnull 将环境数 据传输至龙芯派内 通过龙芯传感器数据以及图像 信息进行模型推理得出结果 并将推理结果通过 nullnullnullnull 协议上传至阿里云平台 三 云端 在本系统中云端部分主要使用了阿里云的物联 网平台 nullnullnull nullnullnullnullnullnullnullnull 和对象存储服务 nullnullnull 阿里云物联网平台 nullnullnull nullnullnullnullnullnullnullnull 提供了强大的 设备管理功能 实现对 nullnullnullnullnullnull 传感器和龙芯派终端 设备的远程配置 监控和管理 通过平台 管理员用 户可以查看设备的运行状态 进行固件升级和配置 nullnullnull nullnullnullnull 年第 null 期 陈洪生 余佳德 田凤霞 吴春辉 李钰明 李俊腾 基于 nullnullnullnullnullnull 和机器学习的作物生长状态监测系统设计 调整 物联网平台支持数据的实时处理和规则引擎 设置 传感器采集到的数据通过龙芯派处理后 上 报到物联网平台 平台可以根据预设的规则进行数 据分析和处理 如异常情况报警 自动化操作指令下 发等 物联网平台支持 nullnullnullnull 等协议 确保设备与 云端之间的数据通信稳定可靠 龙芯派通过 nullnullnullnull 协议将处理后的数据上传到平台 同时接收云端下 发的控制指令 阿里云对象存储服务 nullnullnull 用于存储从龙芯派 终端上传的环境数据 作物生长状态数据和作物图 像等 nullnullnull 提供高可用性和高可靠性的存储解决方 案 确保数据的安全和持久性 nullnullnull 能够高效管理和 存储大规模的农业数据 支持各种数据类型的存储 和访问 nullnullnull 还具备自动备份和快速恢复功能 确 保数据的完整性和安全性 在发生意外情况时 可以 快速恢复数据 保障系统的连续运行 四 移动端 本系统移动端小程序通过 nullnullnullnullnullnullnullnullnullnullnullnull 开发 为 用户提供了一个直观 便捷的界面 使得农业管理变 得更为高效和智能 以下是从用户角度出发 nullnullnullnullnullnull nullnullnullnullnullnullnull 在系统中的具体应用 用户可以通过移动端小程序实时查看农田的环 境数据 包括温度 湿度 土壤湿度和光照强度等 数据通过图表和仪表盘的形式直观展示 帮助用户 快速了解当前状况 小程序提供实时的作物生长状态和病虫害监测 信息 用户可以通过图像和文字描述了解作物的健 康状况和生长情况 并远程控制和管理农田中的传 感器和其他设备 如调节灌溉系统 控制温室的通风 设备等 用户可以查看一段时间内的历史数据 了解环 境参数的变化趋势 小程序还提供了多种图表和数 据分析工具 帮助用户做出科学的农业决策 同时 还可以自动生成农田管理的报告 包含关键数据和 分析结果 用户可以下载或分享这些报告 用于记 录和参考 二 系统的硬件设计 本系统硬件主要分为 nullnullnullnullnullnull 通信模块 传感器 采集模块 龙芯派和其他模块四部分 一 nullnullnullnullnullnull 通信模块 系统 nullnullnullnullnullnull 部分采用 nullnullnullnullnullnullnullnull 芯片实现 该 芯片内置了先进的 nullnull 位 nullnullnullnullnullnull nullnullnull 集成了 nullnullnull 和浮点运算扩展指令 nullnullnullnullnullnull nullnull null 统一了之前的多 个 nullnullnullnullnullnull 规范 确保了不同设备之间的兼容性和互 操作性 支持不同传感器 控制器和网关之间的无 缝协同工作 也大大简化了系统集成和维护 同时还可以支持更大规模的网络 可以连接更 多的设备 通过网状网络拓扑结构 实现更广泛的覆 盖范围 在农业种植环境中尤为重要 能够确保远 程和分散的传感器设备都能稳定连接和通信 同一 作物区域内 nullnullnullnullnullnull 通信模块包括 null 个协调器 多个 传感器终端节点与路由节点 负责将传感器采集模 块采集的数据传输至龙芯派 二 传感器采集模块 本系统主要采用以下几类传感器进行数据采 集 nullnull 温湿度传感器 检测大棚内空气的温度以及 湿度 nullnull 二氧化碳浓度传感器 检测大棚内空气二氧 化碳的浓度 nullnull 土壤 nullnull 值采集传感器 检测大棚内土壤的 nullnull 值 nullnull 土壤湿度采集传感器 检测大棚内土壤的湿 度 nullnull 光照传感器 检测大棚内光照强度 nullnull 北斗定位模块 定位节点所在的地理位置 nullnull 摄像头模块 实现对大棚内作物长势的实时 监控 三 龙芯派 龙芯 nullnullnullnullnullnull 是面向工业控制与终端等领域的 低功耗通用处理器 并且龙芯派具有以下优点 nullnull 高性能计算 龙芯处理器具备强大的计算能 力 能够高效处理大规模传感器数据和复杂机器学 习算法 nullnull 自主可控 龙芯是中国自主研发的高性能芯 片 具备完全自主知识产权 增强系统安全性和稳定 性 nullnull 低功耗 龙芯采用先进的低功耗设计 适合长 时间运行且能耗敏感的智慧农业系统 nullnull 机器学习优化 对机器学习算法进行优化 提 升数据分析和预测的效率 龙芯派接收 nullnullnullnullnullnull 协调器所上传的数据后 实 时上传至物联网平台 同步更新环境数据 龙芯派 接入摄像头模块 实时上传摄像头采集的视频信息 nullnullnull 湖北科技学院学报 总第 nullnull 卷 至物联网平台对象储存 nullnullnull 内 用户端下发例如浇 水 增氧等指令时 龙芯派首先响应并同步发送指令 信息到 nullnullnullnullnullnull 协调器 最后向对应 nullnullnullnullnullnull 节点模块 发送控制操作指令 实现控制操作 龙芯派可根据 上传的环境数据自动分析 根据提前设置的阈值 当 某时刻的数据值超出或低于此阈值时 龙芯派可自 动下发控制指令操作 完成自动控制 nullnullnullnullnullnull 协调器连接至龙芯派的串口 将环境数 据传输到龙芯派内 通过机器学习来计算出植物生 长模型的植物生长平均状态 null 龙芯派将计算出的 植物生长平均状态和环境因素通过 nullnullnullnull 协议上传 至阿里云平台 四 太阳能充电模块 nullnullnullnullnullnull 节点具有自动休眠功能 续航时间长 能 源消耗少 每个节点 nullnullnullnullnullnull 由太阳能充电模块利 用日光转换电能为 nullnullnullnullnullnull 节点提供电源 五 监控模块 将农业环境监控接入龙芯派 利用图像信息进 行后续病虫害识别以及用户端的远程监控 三 机器学习技术的应用 一 病虫害识别模型 利用公开玉米叶片虫害数据集进行模型训练 图 null 病虫害识别模型 如图 null 所示 此次机器学习的目标是分类出病 害的玉米叶子 可看作二分类问题 训练模型的过 程 先进行数据准备 使用公开的玉米叶子虫害数据 集 总量为 nullnullnull 对图像数据进行预处理 包括清洗 和初始整理 对数据集划分与标记 将数据按 nullnullnull 比例划分 为训练集和验证集 对数据进行标记 分为两类 健 康 null 和感染 null 数据增强与加载 定义数据增强 策略 通过 nullnullnullnullnullnullnullnullnullnullnullnullnullnullnull 函数进行处理 使用 nullnullnullnull nullnullnullnullnullnullnull 将数据高效加载到内存中 准备进行训练 图像处理与归一化 将图像调整为 nullnullnull nullnullnullnull 像素 并进行中心裁剪至 nullnullnull nullnullnullnull 将处理后的图像转化 为张量 形 式 对图像数据进行归一化 均 值 为 nullnullnullnullnull nullnullnullnullnull nullnullnullnullnull 标准差为 nullnullnullnullnull nullnullnullnullnull nullnullnullnullnull 模型初始化与准备 使用 nullnullnullnullnullnullnullnull 预训练模型 进行迁移学习 并新增一个适应任务的全连接层 定 义 nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull 函数以设置和初始化模型 选择 nullnullnull nullnullnullnull 年第 null 期 陈洪生 余佳德 田凤霞 吴春辉 李钰明 李俊腾 基于 nullnullnullnullnullnull 和机器学习的作物生长状态监测系统设计 性地训练网络结构 先训练全连接层 再训练其他 层 定义优化器和损失函数 使用 nullnullnullnull 优化器 以 适应动态学习率调整 定义负对数似然损失函数 nullnullnullnullnullnullnull 来计算训练损失 训练模型 使用 nullnullnullnullnullnullnullnullnullnullnull 函数 在多个 nullnullnullnullnull 上进行训练 在每个 nullnullnullnullnull 后记录损失和准确率 并 保存验证集上准确率最高的模型 预测与评估 在训 练结束后 利用模型进行批次预测 可视化预测结 果 正确预测的图像标注为绿色 错误预测的标注为 红色 最后 记录和总结训练结果和模型性能 准备部 署或进行进一步优化 nullnull nullnullnullnullnullnullnullnull 的网络结构和参数 图 null nullnullnullnullnullnullnullnull 的网络结构和参数 nullnullnullnullnullnull 在深度学习领域被广泛应用 成为许多 深度学习模型的基础架构之一 nullnullnullnullnullnull 被应用于图 像处理领域 对各类图像有着非常不错的分类效 果 null 第一 nullnullnullnullnullnull 引入了残差连接 nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnull 使得网络可以更深地训练 避免了传统深 层网络中梯度消失或梯度爆炸的问题 第二 根据 残差连接的特性 可以减少整体网络中需要优化的 参数数量 同时在训练和推断时减少计算量 大幅减 少训练时间 第三 nullnullnullnullnullnull 的残差块设计使得网络 更容易优化 有利于网络训练过程中快速收敛 同时 也有助于提升模型的泛化能力 避免过拟合问题 对 nullnullnullnullnull 多张的玉米图片进行虫害分类 采用 nullnullnullnull nullnullnullnullnull 的网络结构是较为有效的 如图 null 的 nullnullnullnullnullnullnullnull 模型包括 卷积层 nullnullnullnullnull 一个 null nullnull 的卷积层 输出尺寸 为 nullnullnull null nullnullnull 后接批标准化 nullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnull 激活和 null nullnull 的最大池化层 nullnullnullnullnullnull null 残差块 nullnullnullnullnull 包含 null 个残差块 每个残差块 由两个 null nullnull 卷积层组成 输出尺寸为 nullnull nullnullnull 残差块 nullnullnullnullnull 包含 null 个残差块 每个残差块 由两个 null nullnull 卷积层组成 输出尺寸为 nullnull nullnullnull 残差块 nullnullnullnullnull 包含 null 个残差块 每个残差块 nullnullnull 湖北科技学院学报 总第 nullnull 卷 由两个 null nullnull 卷积层组成 输出尺寸为 nullnull nullnullnull 残差块 nullnullnullnullnull 包含 null 个残差块 每个残差块 由两个 null nullnull 卷积层组成 输出尺寸为 null nullnull 全局平均池化和全连接层 全局平均池化 将特 征图降维为 null null null 经过 nullnullnullnull 个节点的全连接层 nullnullnullnullnullnullnull 层得到最终的分类结果 引入 nullnullnullnullnullnullnullnull 模型后 即使不进行梯度更新也 先冻结前面的网络结构 只更新新增的全连接网络 的参数 nullnullnullnullnull null 对其训练多个 nullnullnullnullnull 轮次 之 后 再解冻前面的网络结构 对整个网络进行参数更 新 再逐步下调学习率可以加速收敛 避免过拟合 nullnull 实验结果 对数据集进行 null null 的随机分类划分为训练集和 验证集 每个图片进行标注标签 nullnullnullnullnullnullnull nullnullnullnull 为 null nullnullnullnullnullnullnullnull nullnullnullnull 为 null 并且创建 nullnullnullnullnullnullnullnullnullnull 保证高效取 一个批次 null 每次训练的 nullnullnullnullnull 都会一个个批次的 去取数据直至取完训练集的所有图片用于训练 并 且每完成一次 nullnullnullnullnull 则对验证集进行预测 计算正 确率来评估模型 完成多个 nullnullnullnullnull 后只保留在验证 集上表现好的模型 图 null 病虫害识别模型训练损失及验证损失 图 null 病虫害识别模型训练集及验证集正确率 如图 null 在第一次训练和验证中 损失就降到了 null 以下 这表明模型从预训练的 nullnullnullnullnullnullnullnull 中得到了 良好的初始化 能够快速收敛到较低的损失值 在之 后的几个 nullnullnullnullnull 中 验证损失始终低于训练损失 模 型在验证数据上表现良好 并没有过拟合到训练数 据 由于冻结了模型的大部分参数 使得模型在新 数据上的泛化能力增强 降低了调参时需要优化参 数的难度 并且提高了实际应用的稳定性 null 如图 null 最好的一次模型在验证集上的正确率 已经达到了 nullnullnullnullnull 由此可见此模型可以对玉米叶 子虫害进行分类 如图 null 所示识别结果 能对玉米 生长过程中的病虫害感染情况进行识别 并将患病 情况反馈至用户端 实现作物生长自动监管识别 图 null 玉米患病识别结果 二 作物生长模型训练 作物以玉米为主要实验作物 利用公开玉米生 长数据集 作物生长环境量与产量数据集 进行作 物生长模型训练 如图 null 所示 本次机器学习的目标是预测出植 物的生长状况 可以看作回归问题 训练模型的过 程 首先 利用传感器收集数据 包括温度 空气湿度 和土壤水分 数据预处理 对数据进行 nullnullnull 划分 分 别用于训练集和验证集 数据标准化处理 以便于模 型训练 构建神经网络 定义网络结构 包括层级和 节点数量 null nullnullnull nullnull nullnullnull nullnull nullnull 定义损失函数与 优化器 选择均方误差 nullnullnull 作为损失函数 nullnullnullnull 作为优化器 训练模型 nullnullnullnull nullnullnullnullnull 模型训练和更 新 计算模型的损失值以评估性能 根据评估结果调 nullnullnull nullnullnullnull 年第 null 期 陈洪生 余佳德 田凤霞 吴春辉 李钰明 李俊腾 基于 nullnullnullnullnullnull 和机器学习的作物生长状态监测系统设计 整模型参数以优化性能 最 后 实 际 预 测 生 长 nullnullnullnullnullnull 使用训练好的模型进行实际预测 图 null 作物生长模型训练流程 nullnull 数据预处理 通过 nullnullnullnullnullnull 中 nullnullnullnullnullnull 将温度 nullnullnullnullnullnullnullnullnullnullnull 空 气湿度 nullnullnullnullnullnullnullnull 土壤水分 nullnullnullnullnullnullnullnullnullnullnullnullnull 三类物 理量作为特征值提取 再将 nullnullnullnullnullnull 作为标签值提 取 定义 nullnullnullnullnull 函数 对特征值和标签值进行 nullnullnull 划分 训练集和验证集 nullnull 定义神经网络 全连接层函数实际为线性变换 null 为张量 null 为 偏置 公式原理 null null nullnull null null null null nullnullnullnull 函数主要提高计算效率 公式原理 null null nullnullnull null null null 输入特征为三个值 而标签值是个连续值 所以 使用回归模型 网络结构为 nullnull nullnull nullnullnull nullnull nullnullnull null 定 义前向传播函数采用 nullnullnullnull 函数来激活隐藏层 nullnull 定 义 优 化 器 和 损 失 函 数 使 用 nullnullnullnull 和 nullnullnullnullnullnullnull nullnullnullnull 原理 给定学习率 null null 阶动量超参数 null null null 阶动量超参数 null null 以及很小的常数 null 用于防止除 零 nullnullnullnull 参数更新步骤如下 null 初始化 nullnull nullnull nullnull nullnull null 对每个时间步 null 计算梯度 null null 更新一阶矩 null null null null null nullnullnull null nullnull null null null null 更新二阶矩 null null null null null nullnullnull null nullnull null null null null null 偏差校正 null null null null null null nullnull null null null null null null null null null nullnull null null null 更新参数 null null nullnullnull null null null null null null null null null null nullnullnullnull 可以为每个参数计算适当的学习率 而不 像传统的 nullnullnull 那样使用全局学习率 它使用了一 阶矩估计和二阶矩估计的移动均值来自适应地调整 学习率 nullnullnullnull 类似含动量的 nullnullnull 因此它可以加速收 敛 在处理高曲率的损失函数或非凸优化问题时效 果显著 nullnullnullnullnullnullnull 原理 根据预测值 null null null 和 null null 真实目标值 进行计算 均方误差的计算公式为 nullnullnull null null null null null null nullnull null null null nullnull null null null 对于回归问题 nullnullnullnullnullnullnull 根据公式 nullnullnull 通常能够 收敛到全局最优解 并且 nullnullnullnullnullnullnull 的导数在大多数 情况下都是连续且平滑的 这有助于优化过程的稳 定性和收敛速度 使波动趋于平稳 null nullnull 训练模型 对 nullnullnullnull 个数据进行的训练 设计训练步数为 nullnullnull 湖北科技学院学报 总第 nullnull 卷 nullnullnullnull 步可收敛 将模型设置为训练模式 由于 nullnullnull nullnullnullnullnull 框架会累计梯度 所以需要定义 nullnullnullnullnullnullnullnullnull 函 数 每次计算之后将梯度清零避免梯度爆炸和为保 证优化器能正常更新参数 完成训练之后 再定义 nullnullnullnullnullnullnullnullnullnull 函数对模型进行评估 通过计算平均绝对 误差高低来判断模型的好坏 并绘制损失和步数的 图来对模型性能做可视化 如图 null 图 null 作物生长模型训练损失及验证损失 将上述相关模型部署于龙芯派 对协调器实时 上传的作物生长环境信息进行实时预测并反馈给用 户 并根据模型训练结果进行自动干预以达到更高 产量 四 系统试验调试 一 传感器节点调试 测试每个传感器的读数 确保其在各种环境条 件下的准确性 对传感器进行了必要的校准 例如 温度传感器在不同温度下的校准 湿度传感器在不 同湿度条件下的校准 保证每个传感器节点能够通 过 nullnullnullnullnullnull 模块与协调器稳定通信 测试传感器节 点在不同距离和障碍物条件下的通信质量和信号强 度 二 协调器调试 协调器能够正确接收并汇总来自各个传感器节 点的数据 测试协调器在高频率数据传输条件下的稳定性 和处理能力 通过串口与龙芯派进行数据通信 测 试数据在传输过程中丢包率与时延 三 计算端 龙芯派 调试 确认龙芯派能够正确接收来自协调器的数据 并对数据进行预处理 龙芯派上的机器学习模型能 够准确识别作物生长状态和病虫害 并通过 nullnullnullnullnull 与阿里云平台进行数据通信 测试了数据上传的稳 定性和实时性 确保数据能够及时上传至云端 四 云端和移动端软件调试 阿里云物联网平台确认能够正确接收并存储来 自龙芯派的数据 测试数据处理和规则引擎的配 置 确保能够实时处理和响应上传的数据 移动端应用能够正确显示和分析云端的数据 测试用户界面的交互性和响应速度 确保用户 能够方便地查看和管理数据 五 系统集成测试 进行全系统的端到端测试 确认传感器数据能 够通过传感器节点 协调器 龙芯派上传至云端 并 最终在移动端应用中显示 测试系统在不同负载 环境条件下运行时的稳定性和各项性能 nullnull 五 结语 智慧农业作为农业发展的新方向 通过深度融 合物联网技术和机器学习算法 为农业生产带来了 前所未有的变革 能够显著提升农业生产的效率和 精准度 本文详细探讨并实现了一种基于龙芯处理 器和机器学习的作物生长状态监测系统 该系统不 仅实现了对作物生长环境的实时监测与数据分析 还通过引入先进的机器学习算法 如 nullnullnullnullnullnullnullnull 病虫 害识别模型和神经网络作物生长模型 显著提高了 病虫害识别的准确率和作物生长预测的精度 实验结果表明 本系统在实时性 低功耗和长传 输距离方面展现出明显优势 这些特点对于构建高 效 可靠的智能农业大棚具有较高的参考价值 通 过 nullnullnullnullnullnull 构建高效的传感器网络 nullnull 实现了对大棚 内环境参数的精准采集 而龙芯处理器则提供了强 大的计算能力和高效的能耗管理 确保了系统能够 长时间稳定运行 同时 系统引入阿里云平台 进一 步提升了数据的存储 处理和分析能力 使得农业生 产者能够随时随地通过移动端应用查看农田环境数 据和作物生长状态 以便及时作出科学决策 此系统的设计使得农业生产者能够实现更精细 化的管理 资源得到更合理的利用 减少了环境影 响 最终提高了作物产量和质量 因此 将来智慧农 业将成为推动农业现代化和可持续发展的重要力 量 本文的研究成果能为智慧农业领域的进一步探 nullnullnull nullnullnullnull 年第 null 期 陈洪生 余佳德 田凤霞 吴春辉 李钰明 李俊腾 基于 nullnullnullnullnullnull 和机器学习的作物生长状态监测系统设计 索和实践提供一定的参考 为我国农业的可持续发 展贡献力量 参考文献 null 刘飞飞 徐隆姬 马礼然 null 基于 nullnullnullnullnullnull 的分布式农业环 境监测系统设计 null null 传感器与微系统 nullnullnullnull nullnull null nullnull nullnullnullnull null 杨忠华 何向锋 null 基于 nullnullnullnullnullnull 技术的农业大棚环境监 测控制系统设计 null null 乡村科技 nullnullnullnull nullnull null nullnullnull null nullnullnullnull null 张晓茜 徐勇军 null 面向零功耗物联网的反向散射通信综 述 null null 通信学报 nullnullnullnull nullnull nullnull nullnullnull nullnullnullnullnull null 王莎莎 null 计算机视觉技术在智能化农业机械中的应用 研究 null null 南方农机 nullnullnullnull nullnull nullnull nullnull nullnullnullnull null