[论文解读] sCrop: A Internet-of-Agro-Things (IoAT) Enabled Solar Powered Smart Device for Automatic Plant Disease Prediction

U. Venkanna, Saraju P. Mohanty+2 more|arXiv (Cornell University)|May 9, 2020

Smart Agriculture and AI参考文献 44被引用 6

一句话总结

该论文提出 sCrop 系统，这是一种基于太阳能供电、嵌入式传感器节点与摄像头及 ESP8266 微控制器的农业物联网（IoAT）系统，通过卷积神经网络（CNN）实现实时、自动化的植物病害预测。该系统在真实环境部署两个月后，对作物病害的检测测试准确率达到 99.2%，表现出卓越的能效与鲁棒性。

ABSTRACT

Internet-of-Things (IoT) is omnipresent, ranging from home solutions to turning wheels for the fourth industrial revolution. This article presents the novel concept of Internet-of-Agro-Things (IoAT) with an example of automated plant disease prediction. It consists of solar enabled sensor nodes which help in continuous sensing and automating agriculture. The existing solutions have implemented a battery powered sensor node. On the contrary, the proposed system has adopted the use of an energy efficient way of powering using solar energy. It is observed that around 80% of the crops are attacked with microbial diseases in traditional agriculture. To prevent this, a health maintenance system is integrated with the sensor node, which captures the image of the crop and performs an analysis with the trained Convolutional Neural Network (CNN) model. The deployment of the proposed system is demonstrated in a real-time environment using a microcontroller, solar sensor nodes with a camera module, and an mobile application for the farmers visualization of the farms. The deployed prototype was deployed for two months and has achieved a robust performance by sustaining in varied weather conditions and continued to remain rust-free. The proposed deep learning framework for plant disease prediction has achieved an accuracy of 99.2% testing accuracy.

研究动机与目标

• 为解决传统农业中因微生物病害导致高达 80% 的作物损失，实现早期、自动化的病害检测。
• 开发一种节能、太阳能供电的传感器节点，消除对电池的依赖，支持在偏远农业环境中持续监测。
• 将实时数据采集（土壤湿度、作物图像）与基于云的深度学习病害预测相结合，为农户提供可操作的洞察。
• 通过低成本、可扩展且可靠的物联网解决方案，降低运营成本并提升精准农业的可持续性。
• 通过移动应用程序与云分析，为农户提供作物健康状况的及时预警，提升决策能力。

提出的方法

• 系统采用太阳能供电的 NodeMCU（ESP8266）微控制器作为中央处理单元，通过内置 Wi-Fi 实现与云端的连接，无需额外通信硬件。
• 集成的传感器包括：用于测量温湿度的 DHT11，一种自主研发的防锈土壤湿度传感器，以及用于拍摄叶片图像的 OV7670 摄像头模块。
• 图像数据被传输至 ThingSpeak 云平台进行存储与处理，由预训练的 CNN 模型执行自动病害分类。
• CNN 模型基于包含 54,306 张图像的数据库进行训练，涵盖 38 种不同的作物病害，实现端到端的自动病害预测。
• 移动应用程序用于可视化实时传感器数据与病害预测结果，使农户能够监控田间状况并采取预防措施。
• 系统配备备用电池，确保在光照不足条件下仍能持续运行，提升在多变天气下的可靠性。

实验结果

研究问题

• RQ1 太阳能供电、低成本的传感器节点是否能在真实农业环境中实现对作物健康与环境参数的可靠、持续监测？
• RQ2 基于 CNN 的图像分类模型在田间拍摄的叶片图像上，对植物病害的检测准确度如何？
• RQ3 太阳能供电与具备 Wi-Fi 功能的微控制器的集成，如何提升基于物联网的农业系统在能效与部署可行性方面的表现？
• RQ4 使用自研的防锈土壤湿度传感器对系统在户外环境中的使用寿命与数据准确性有何影响？
• RQ5 移动应用程序界面在帮助农户解读并响应实时作物病害预测方面效果如何？

主要发现

• 所提出的 sCrop 系统在使用基于 54,306 张多样化叶片图像的深度 CNN 模型训练后，对植物病害的分类测试准确率达到 99.2%。
• 太阳能供电的传感器节点在真实天气条件下连续稳定运行两个月，未出现锈蚀，功能正常。
• ESP8266 微控制器内置 Wi-Fi 功能，无需额外通信模块，显著降低了系统成本与复杂度。
• 自研土壤湿度传感器展现出更高的耐用性与抗腐蚀性能，在户外部署中优于传统传感器。
• 移动应用程序实现了传感器数据与病害预测结果的实时可视化，支持农户及时采取干预措施。
• 该系统在能效、成本与准确性方面显著优于现有解决方案，原型成本低，且在田间条件下表现出高可靠性。