新闻中心

EEPW首页 > 智能计算 > 设计应用 > 基于机器学习农田驱鸟系统设计与实现*

基于机器学习农田驱鸟系统设计与实现*

作者:徐 溢,钱 成,王泽海,郑 英 (东南大学成贤学院,南京 211800)时间:2021-04-27来源:电子产品世界收藏
编者按:粮食经常因为各类鸟类的啄食而丢失,研究发现鸟眼对532 nm的绿色激光束最敏感,通过绿色激光束可以达到驱鸟效果。本课题通过3D打印机械模型,利用嵌入式系统完成鸟类识别算法,通过机器学习的方式识别鸟类,用双自由度舵机控制系统驱赶鸟类。精准的激光束定位“打击”,很好实现了驱鸟的任务。

*本论文基于江苏省大学生创新实践项目scx1901 《一个通过卷积神经网络进行鸟类识别的农田系统》。

本文引用地址:http://www.eepw.com.cn/article/202104/424913.htm

1   课题介绍

1.1 题目来源

据可考数据,每年农田里已经成熟的农作物差不多会有25% 被鸟儿偷偷地啄食。经过鸟类学家无数试验证明,鸟眼对最敏感[1]扫射过来时,鸟类犹如看到一根绿色大棒,可以达到效果,并且国内外并没有针对农田成熟的方案。

1.2 应用背景

目前市面上已存在一些具有相同功能的产品,大多都使用红外传感器、微波运动传感器来探测是否有鸟飞入,其均能实现探测是否有鸟类存在的效果,但是都具有以下缺点:探测范围小,多数产品探测半径小于 10 m,只有少数能达到 20~30 m;探测目标不明确,仅能够探测是否有温度较高的运动物体靠近,无法判断靠近的物体是鸟类还是人类。而通过的算法使用摄像头识别鸟类的方法即可以完美克服这些缺点。

2   平台选择

2.1 嵌入式平台选择

2.1.1 NVIDIA Jetson Nano

NVIDIA Jetson Nano 是NVIDIA 为新一代自主机器设计的嵌入式系统,是一个低成本的AI 计算机,具备的性能和能效可以运行现代 AI 工作负载,并行运行多个神经网络,以及同时处理来自多个高清传感器的数据,开发板价格在600~700 元之间。

2.1.2 勘智K210

勘智K210 采用RISC-V出库器架构,具备试听一体,自主IP 核与可编程能力强三大特点,支持机器视觉与听觉的多模态识别,可广泛应用于智能家居、智能园区、智能能耗和智能农业等场景,价格相对较低,开发板价格在70~150 元之间。

2.1.3 Rockchip RK3399 SoC

RK3399 是瑞芯微推出的一款低功耗、高性能的应用处理器芯片,该芯片基于big.LITTLE 架构,即具有独立的NEON 协同处理器的双核Cortex-A72 及四核Cortex-A53 组合架构,主要应用于计算机、个人互联网移动设备、VR、广告机等智能终端设备。RK3399 内置多个高性能硬件处理引擎,能够支持多种格式的视频解码,如:4K×2K@60 fps 的H.264/H.265/VP9,也支持1 080 P@30 fps 的H.264/MVC/VP8 以及高质量的JPEG编解码和图像的前后处理器。芯片价格昂贵,开发板价格在900~1 000 元之间。

综合考究,我们决定在初步搭建中选择成本较低的K210 作为开发平台,如果后期想要增加探测半径,可以使用价格相对昂贵,性能更加强悍,可以驱动更优秀摄像头的嵌入式系统。

2.2 模型选择

2.2.1 官方模型

使用官方已经训练好的20class.kfpkg 下载进K210的kflash 来检测检测鸟类,因为是识别20 种物体的检测模型,经常出现误判,识别不及时等现象。

2.2.2 自己训练的鸟类模型

自己在网上下载包含20 978 个鸟类的15 698 张照片作为训练集,使用yolo 算法进行训练,再转化成可以下载进K210 的kflash 的Kmodel 文件,解决了误判,识别不及时等问题。

显而易见,我们选择了自己训练的BIRD.kmodel 作为我们鸟类模型的选择。

3   采用方案

3.1 研究方案

第1 步: 由于使用Haar、SSD、YOLO、R-CNN等算法均能通过鸟类本身的形状对鸟类进行识别,算法的开发流程[2-3]:

1) 收集一组正样本(鸟类图片)和负样本(非鸟类的图片)作为训练集;

2) 选择一个合适的算法(可根据实际应用进行一定的修改);

3) 把训练集作为样本,去训练模型,并评估模型性能,不断优化;

4) 当模型的性能能够满足一定要求后,部署模型。最后形成的算法模型即可以用来进行鸟类识别。

第2 步:通过算法给出鸟类的坐标,利用双舵机系统驱动激光器进行全方位立体的精确“打击”。

3.2 系统架构

该嵌入式系统的主处理器是K210,该处理器与用于捕获图像的相机、双舵机控制电路、步进电机驱动电路连接。它还连接到显示屏之类的外围设备,以方便用户观看设备状态,图1 是驱鸟系统总体架构。图2 是驱鸟系统成品图。

image.png

图1 驱鸟系统图

image.png

图2 驱鸟系统成品图

3.3 硬件平台设计

3.3.1 双自由度云台舵机驱动电路

舵机控制精度对于本系统的关键部件,舵机的输出准确性直接关系到本系统是否可以完成预定动作指令,因此我们设计了这一块双自由度云台舵机驱动电路板。硬件电路设计在软件上完成,包括电路原理图的绘制和印刷电路板文件的制作,电子元器件选型和焊接由人工完成。

该模块( 如图3) 具有以下的电气参数:输入电压:3.6~23 V;输出电压:0.8 V~VIN;输出最大电流:5 A。

1619504156994428.png

图3 舵机驱动电路电路原理图

3.3.2 步进电机驱动电路

A4988 是一款带转换器和过流保护的DMOS 微步驱动器( 如图4), 可在全、半、1/4、1/8 及1/16 步进模式时操作双极步进电动机,输出驱动性能可达35±2 V,A4988 包括一个固定关断时间电流稳压器,该稳压器可在慢或混合衰减模式下工作。转换器是A4988 易于实施的关键。只要在“步进”输入中输入一个脉冲,即可驱动电动机产生微步。无须进行相位顺序表、高频率控制行或复杂的界面编程。该模块具有以下的电气参数:工作电压:8~35 V;连续电流:1 A;最大电流:2 A。

image.png

图4 A4988模块

3.3.3 激光模组

选择了符合输出 波长,达到驱鸟目的的绿色激光器,使用绿光TTL 调制(如图5)。该模块具有以下的电气参数:波长:;输出功率:30 mW;工作电压:2.7~5.0 V;工作电流:<280 mA。



image.png

图5 激光模组

3.4 机械结构

3.4.1 升降机

部分机械结构设计在SolidWorks 软件上完成,包括零部件设计和整体运动仿真,零部件选型和装配由人工完成,机械结构制作由3D 打印完成(如图6、图7)。

image.png

图6 机械建模


image.png

图7 3D打印实物

3.4.2 自由度云台

使用由多功能支架、长U 型支架、平面轴承和铝板组成的2 自由度云台,如图9。

image.png

图9 自由度云台

3.5 软件设计

3.5.1 模型训练

在计算机上创建虚拟环境,并安装必要软件包与库。将互联网上下载的包含20 978 个鸟类的15 698 张照片作为训练集,使用labelImg 进行注释,再通过yolo 算法进行训练获得.tfile 文件,通过ncc_0.1_win 将.tfile文件转为可以烧录进K210 flash 的.kmodel 文件[4]

3.5.2 模型部署

在K210 上移植最新的可以运行micropython 的MaixPy-0.5.0,然后将训练好的.kmodel 模型烧录进K210,再使用K210 通过双自由度云台舵机驱动电路控制舵机,使用识别到鸟类获得的坐标与捕获到图像中点进行误差分析,通过PID 算法控制激光模块一直锁定鸟类(如图10)。

image.png

图10 程序设计框图

4   实验评估

4.1 仿真测试

使用鸟模型对系统的瞄准精确度进行多次实验,发现在10 m内系统的瞄准精度非常高,识别速度非常快,激光瞄准运动鸟类十分平滑,每秒帧率达到10 帧以上。

4.2 进步空间

当前系统使用QVGA 的图像,分辨率非常的低,如果使用性能更加优秀的类似于NVIDIA Jetson Nano的嵌入式平台,并且提升下分辨率,再修改下PID 参数,这套方案完全可以解决半径50 m 以上的驱鸟任务,

5   结论

为了解决农田驱鸟这一问题,参考了鸟眼对532 nm的敏感这一研究结果,设计出了一套既可以低成本又可以高成本的解决方案,将来使用这一方案的农田驱鸟系统一定会在驱鸟领域占有一席之地。

参考文献:

[1] 于建友.一种基于532nm激光技术的智能驱鸟方法:中国,CN201510832622.5[P].2017-6-6,

[2] HINTON G E,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets[J]. Neural Comput., 2006(18):1527-1554.

[ 3 ] 周志华. 机器学习: = M a c h i n elearning[M].北京:清华大学出版社,2016.

[4] JOSEPH R,FARHADI A.YOLOv3: An incremental improvement [ Z ] . p r e p r i n t ,arXiv:1804.02767.

(本文来源于《电子产品世界》杂志2021年3月期)



评论


相关推荐

技术专区

关闭