基于“云—边—端”的果园信息监测平台研究

作     者：刘凯 

作者单位：吉林大学 

学位级别：硕士

导师姓名：齐江涛;刘慧力

授予年度：2022年

学科分类：0810[工学-信息与通信工程] 082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 081002[工学-信号与信息处理] 

主      题：精准农业 果园 注意力机制 信息监测 目标检测 

摘      要：苹果是我国主要水果之一,其种植规模大、面积广。苹果生产过程中,果园田间管理影响着整个果园的产量,及时获取墒情信息、监测病虫害信息、预测果园产量等是实现果园高效管理的重要前提。传统的人工监测往往信息滞后、效率低,且易受到主观因素的影响。随着科学技术的进步,信息技术、深度学习和物联网等技术的发展为果园智能化管理提供了思路。本文研究设计了一种基于“云-边-端技术模式的物联网平台,基于典型的目标检测算法YOLOv5进行改进,结合注意力机制改进得到了SK-YOLOv5目标检测算法模型,在此基础上搭建了果园信息监测平台网站。本文的主要研究内容包括以下几个方面:（1）确定基于“云-边-端的果园信息监测平台方案为实现基于“云-边-端技术模式的果园信息监测平台,探究了基于“云-边-端技术模式的农业物联网的结构,提出依据“云-边-端技术模式的果园监测平台的实现方式,确定了果园信息监测平台的详细技术路线,使用“云-边-端配合方式实现了果园的目标检测,确定了果园信息监测平台的技术方案。（2）研究基于注意力机制的SK-YOLOv5果园目标检测算法为实现“云-边-端中的果实和病害等果园典型目标的检测,本文对目标检测算法进行了研究,分析了YOLOv5算法模型的结构和特点,探究了SKnet注意力机制的工作原理,针对果园图像采取了多尺度的SK注意力机制,将注意力机制融入YOLOv5目标检测算法,得到了改进的SK-YOLOv5模型。为获得良好的训练效果,使用hub范围调节、饱和度变化、明暗度变化、旋转、翻转、放大等方式对数据集进行数据增强,送入SK-YOLOv5网络模型训练分别得到了果实计数和病害检测模型,分析对比了YOLOv5、SSD和SK-YOLOv5三种算法模型的性能。结果表明,本文的SK-YOLOv5网络针对果实计数的检测精确度为87.28%,检测速度为45.31ms,针对病害检测的检测精确度为83.19%,检测速度为56.45ms,针对果实计数和病害检测,相比SSD网络模型,检测速度分别提高了38.33ms和34.01ms,准确率分别提高了8.14%和13.06%,有显著提升;对比原YOLOv5网络,检测的准确率也有提升。（3）搭建基于“云-边-端的果园信息监测平台网站为完成平台的“云-边-端的技术模式,本文分析了构建网站的相关技术,设计了平台网站系统的整体架构和数据库模型,基于Java编程语言,完成了网站平台各个模块的设计,开发了“果园信息监测平台网站,将其作为“云-边-端果园信息监测平台的载体,并对网站平台的可用性进行了系统测试,为农业物联网的实现方式提供了参考借鉴。本文设计实现的基于“云-边-端技术模式的果园信息监测平台,融合了SK注意力机制改进的SK-YOLOv5网络模型,使用平台网站作为重要载体,实现了墒情监测、病害识别和果实计数等果园高效管理的多种功能,为现代农业物联网模式的发展提供了思路。