果园灌溉物联网实时监控系统的研制与试验

目的 简化果园网络部署，延伸信号覆盖范围，提供精细、实时的灌溉监控，并提高其对传统设备的兼容性。方法 通过窄带物联网(NB-IoT)和LoRa混合组网实现远程数据传输、延伸基站信号覆盖范围。采用终端电学参数检测电路及标定功率，结合异常检测算法，精准监测设备运行状态，并将异常状态即时上传，降低数据上传频率。同时在保证处理能力的前提下降低处理器主频，从而延长待机时长。结果 果园现场监测系统实现了150 ms内上报异常状态，并将上报次数限制为每年2万次。校正检测功率后，功率的线性回归预测决定系数(R²)为0.999 8。通过宏生成JSON数据，生成时长为cJSON方法的10%，进一步降低MCU计算需求。在满足计算和控制需求的前提下，2 MHz的微处理器主频和200 mA·H锂电池可以满足果园灌溉监控系统计算和持续工作的最低要求，采用低功耗微处理器可以进一步延长工作时间。结论 监控系统延伸了NB-IoT网络的覆盖范围，可实现精准、低成本和实时的远程监控。     

采用改进YOLOv4-Tiny模型的柑橘木虱识别

黄龙病是一种以柑橘木虱为传播媒介的毁灭性病害，其关键预防措施是在果园现场环境对柑橘木虱识别监测，辅助果农进行早期防治。该研究基于YOLOv4-Tiny模型提出一种适用于嵌入式系统的柑橘木虱识别模型。通过改进YOLOv4-Tiny模型的颈部网络，利用浅层网络的细节信息以提高模型识别柑橘木虱的平均精度；采用交叉小批量归一化（Cross mini-Batch Normalization，CmBN）方法代替批归一化（Batch Normalization，BN）方法，通过累计卷积层的输出，提升统计信息的准确度；针对柑橘木虱易被遮挡的问题，模型训练时使用Mosaic数据增强，提升模型对遮挡目标的识别能力。通过自行建立的柑橘木虱图像数据集完成模型的试验验证。结果表明，该模型的柑橘木虱平均识别精度为96.16%，在图形处理器（Graphics Processing Unit, GPU）上的推理速度为3.63 ms/帧，模型大小为24.5 MB，实现了果园环境下快速准确地识别柑橘木虱，可为黄龙病防治技术的进一步发展提供参考。