基于機(jī)器學(xué)習(xí)農(nóng)田驅(qū)鳥系統(tǒng)設(shè)計與實現(xiàn)*

*本論文基于江蘇省大學(xué)生創(chuàng)新實踐項目scx1901 《一個通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行鳥類識別的農(nóng)田驅(qū)鳥系統(tǒng)》。

1   課題介紹

1.1 題目來源

據(jù)可考數(shù)據(jù)，每年農(nóng)田里已經(jīng)成熟的農(nóng)作物差不多會有25% 被鳥兒偷偷地啄食。經(jīng)過鳥類學(xué)家無數(shù)試驗證明，鳥眼對532 nm 的綠色激光束最敏感^[1]，綠色激光束掃射過來時，鳥類猶如看到一根綠色大棒，可以達(dá)到驅(qū)鳥效果，并且國內(nèi)外并沒有針對農(nóng)田成熟的驅(qū)鳥方案。

1.2 應(yīng)用背景

目前市面上已存在一些具有相同功能的產(chǎn)品，大多都使用紅外傳感器、微波運(yùn)動傳感器來探測是否有鳥飛入，其均能實現(xiàn)探測是否有鳥類存在的效果，但是都具有以下缺點：探測范圍小，多數(shù)產(chǎn)品探測半徑小于 10 m，只有少數(shù)能達(dá)到 20~30 m；探測目標(biāo)不明確，僅能夠探測是否有溫度較高的運(yùn)動物體靠近，無法判斷靠近的物體是鳥類還是人類。而通過機(jī)器學(xué)習(xí)的算法使用攝像頭識別鳥類的方法即可以完美克服這些缺點。

2   平臺選擇

2.1 嵌入式平臺選擇

2.1.1 NVIDIA Jetson Nano

NVIDIA Jetson Nano 是NVIDIA 為新一代自主機(jī)器設(shè)計的嵌入式系統(tǒng)，是一個低成本的AI 計算機(jī)，具備的性能和能效可以運(yùn)行現(xiàn)代 AI 工作負(fù)載，并行運(yùn)行多個神經(jīng)網(wǎng)絡(luò)，以及同時處理來自多個高清傳感器的數(shù)據(jù)，開發(fā)板價格在600~700 元之間。

2.1.2 勘智K210

勘智K210 采用RISC-V出庫器架構(gòu)，具備試聽一體，自主IP 核與可編程能力強(qiáng)三大特點，支持機(jī)器視覺與聽覺的多模態(tài)識別，可廣泛應(yīng)用于智能家居、智能園區(qū)、智能能耗和智能農(nóng)業(yè)等場景，價格相對較低，開發(fā)板價格在70~150 元之間。

2.1.3 Rockchip RK3399 SoC

RK3399 是瑞芯微推出的一款低功耗、高性能的應(yīng)用處理器芯片，該芯片基于big.LITTLE 架構(gòu)，即具有獨(dú)立的NEON 協(xié)同處理器的雙核Cortex-A72 及四核Cortex-A53 組合架構(gòu)，主要應(yīng)用于計算機(jī)、個人互聯(lián)網(wǎng)移動設(shè)備、VR、廣告機(jī)等智能終端設(shè)備。RK3399 內(nèi)置多個高性能硬件處理引擎，能夠支持多種格式的視頻解碼，如：4K×2K@60 fps 的H.264/H.265/VP9，也支持1 080 P@30 fps 的H.264/MVC/VP8 以及高質(zhì)量的JPEG編解碼和圖像的前后處理器。芯片價格昂貴，開發(fā)板價格在900~1 000 元之間。

綜合考究，我們決定在初步搭建中選擇成本較低的K210 作為開發(fā)平臺，如果后期想要增加探測半徑，可以使用價格相對昂貴，性能更加強(qiáng)悍，可以驅(qū)動更優(yōu)秀攝像頭的嵌入式系統(tǒng)。

2.2 模型選擇

2.2.1 官方模型

使用官方已經(jīng)訓(xùn)練好的20class.kfpkg 下載進(jìn)K210的kflash 來檢測檢測鳥類，因為是識別20 種物體的檢測模型，經(jīng)常出現(xiàn)誤判，識別不及時等現(xiàn)象。

2.2.2 自己訓(xùn)練的鳥類模型

自己在網(wǎng)上下載包含20 978 個鳥類的15 698 張照片作為訓(xùn)練集，使用yolo 算法進(jìn)行訓(xùn)練，再轉(zhuǎn)化成可以下載進(jìn)K210 的kflash 的Kmodel 文件，解決了誤判，識別不及時等問題。

顯而易見，我們選擇了自己訓(xùn)練的BIRD.kmodel 作為我們鳥類模型的選擇。

3   采用方案

3.1 研究方案

第1 步： 由于使用Haar、SSD、YOLO、R-CNN等算法均能通過鳥類本身的形狀對鳥類進(jìn)行識別，算法的開發(fā)流程[2-3]：

1) 收集一組正樣本（鳥類圖片）和負(fù)樣本（非鳥類的圖片）作為訓(xùn)練集；

2) 選擇一個合適的機(jī)器學(xué)習(xí)算法（可根據(jù)實際應(yīng)用進(jìn)行一定的修改）；

3) 把訓(xùn)練集作為樣本，去訓(xùn)練機(jī)器學(xué)習(xí)模型，并評估模型性能，不斷優(yōu)化；

4) 當(dāng)模型的性能能夠滿足一定要求后，部署模型。最后形成的算法模型即可以用來進(jìn)行鳥類識別。

第2 步：通過算法給出鳥類的坐標(biāo)，利用雙舵機(jī)系統(tǒng)驅(qū)動激光器進(jìn)行全方位立體的精確“打擊”。

3.2 系統(tǒng)架構(gòu)

該嵌入式系統(tǒng)的主處理器是K210，該處理器與用于捕獲圖像的相機(jī)、雙舵機(jī)控制電路、步進(jìn)電機(jī)驅(qū)動電路連接。它還連接到顯示屏之類的外圍設(shè)備，以方便用戶觀看設(shè)備狀態(tài)，圖1 是驅(qū)鳥系統(tǒng)總體架構(gòu)。圖2 是驅(qū)鳥系統(tǒng)成品圖。

圖1 驅(qū)鳥系統(tǒng)圖

圖2 驅(qū)鳥系統(tǒng)成品圖

3.3 硬件平臺設(shè)計

3.3.1 雙自由度云臺舵機(jī)驅(qū)動電路

舵機(jī)控制精度對于本系統(tǒng)的關(guān)鍵部件，舵機(jī)的輸出準(zhǔn)確性直接關(guān)系到本系統(tǒng)是否可以完成預(yù)定動作指令，因此我們設(shè)計了這一塊雙自由度云臺舵機(jī)驅(qū)動電路板。硬件電路設(shè)計在軟件上完成，包括電路原理圖的繪制和印刷電路板文件的制作，電子元器件選型和焊接由人工完成。

該模塊( 如圖3) 具有以下的電氣參數(shù)：輸入電壓：3.6~23 V；輸出電壓：0.8 V~VIN；輸出最大電流：5 A。

圖3 舵機(jī)驅(qū)動電路電路原理圖

3.3.2 步進(jìn)電機(jī)驅(qū)動電路

A4988 是一款帶轉(zhuǎn)換器和過流保護(hù)的DMOS 微步驅(qū)動器（ 如圖4）， 可在全、半、1/4、1/8 及1/16 步進(jìn)模式時操作雙極步進(jìn)電動機(jī)，輸出驅(qū)動性能可達(dá)35±2 V，A4988 包括一個固定關(guān)斷時間電流穩(wěn)壓器，該穩(wěn)壓器可在慢或混合衰減模式下工作。轉(zhuǎn)換器是A4988 易于實施的關(guān)鍵。只要在“步進(jìn)”輸入中輸入一個脈沖，即可驅(qū)動電動機(jī)產(chǎn)生微步。無須進(jìn)行相位順序表、高頻率控制行或復(fù)雜的界面編程。該模塊具有以下的電氣參數(shù)：工作電壓：8~35 V；連續(xù)電流：1 A；最大電流：2 A。

圖4 A4988模塊

3.3.3 激光模組

選擇了符合輸出532 nm 波長，達(dá)到驅(qū)鳥目的的綠色激光器，使用綠光TTL 調(diào)制（如圖5）。該模塊具有以下的電氣參數(shù)：波長：532 nm；輸出功率：30 mW；工作電壓：2.7~5.0 V；工作電流：<280 mA。

圖5 激光模組

3.4 機(jī)械結(jié)構(gòu)

3.4.1 升降機(jī)

部分機(jī)械結(jié)構(gòu)設(shè)計在SolidWorks 軟件上完成，包括零部件設(shè)計和整體運(yùn)動仿真，零部件選型和裝配由人工完成，機(jī)械結(jié)構(gòu)制作由3D 打印完成（如圖6、圖7）。

圖6 機(jī)械建模

圖7 3D打印實物

3.4.2 自由度云臺

使用由多功能支架、長U 型支架、平面軸承和鋁板組成的2 自由度云臺，如圖9。

圖9 自由度云臺

3.5 軟件設(shè)計

3.5.1 模型訓(xùn)練

在計算機(jī)上創(chuàng)建虛擬環(huán)境，并安裝必要軟件包與庫。將互聯(lián)網(wǎng)上下載的包含20 978 個鳥類的15 698 張照片作為訓(xùn)練集，使用labelImg 進(jìn)行注釋，再通過yolo 算法進(jìn)行訓(xùn)練獲得.tfile 文件，通過ncc_0.1_win 將.tfile文件轉(zhuǎn)為可以燒錄進(jìn)K210 flash 的.kmodel 文件^[4]。

3.5.2 模型部署

在K210 上移植最新的可以運(yùn)行micropython 的MaixPy-0.5.0，然后將訓(xùn)練好的.kmodel 模型燒錄進(jìn)K210，再使用K210 通過雙自由度云臺舵機(jī)驅(qū)動電路控制舵機(jī)，使用識別到鳥類獲得的坐標(biāo)與捕獲到圖像中點進(jìn)行誤差分析，通過PID 算法控制激光模塊一直鎖定鳥類（如圖10）。

圖10 程序設(shè)計框圖

4   實驗評估

4.1 仿真測試

使用鳥模型對系統(tǒng)的瞄準(zhǔn)精確度進(jìn)行多次實驗，發(fā)現(xiàn)在10 m內(nèi)系統(tǒng)的瞄準(zhǔn)精度非常高，識別速度非?？欤す饷闇?zhǔn)運(yùn)動鳥類十分平滑，每秒幀率達(dá)到10 幀以上。

4.2 進(jìn)步空間

當(dāng)前系統(tǒng)使用QVGA 的圖像，分辨率非常的低，如果使用性能更加優(yōu)秀的類似于NVIDIA Jetson Nano的嵌入式平臺，并且提升下分辨率，再修改下PID 參數(shù)，這套方案完全可以解決半徑50 m 以上的驅(qū)鳥任務(wù)，

5   結(jié)論

為了解決農(nóng)田驅(qū)鳥這一問題，參考了鳥眼對532 nm的綠色激光束敏感這一研究結(jié)果，設(shè)計出了一套既可以低成本又可以高成本的解決方案，將來使用這一方案的農(nóng)田驅(qū)鳥系統(tǒng)一定會在驅(qū)鳥領(lǐng)域占有一席之地。

參考文獻(xiàn)：

[1] 于建友.一種基于532nm激光技術(shù)的智能驅(qū)鳥方法:中國,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 ] 周志華. 機(jī)器學(xué)習(xí): = M a c h i n elearning[M].北京:清華大學(xué)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.

（本文來源于《電子產(chǎn)品世界》雜志2021年3月期）