利用人工智能和物联网抗击农作物病害
物联网传感器助力提高非洲玉米产量
作为一种耐旱性很强的农作物，玉米是干旱频发期间众多东非农民的食物和收入来源。在非洲，40% 的 GDP 来自农业，60% 的人口从事农业活动。农业产量如有波动，则会严重影响该地区的经济产出。
Theofrida Maginga 是卢旺达大学非洲物联网卓越中心的博士研究生。她强调，玉米具有双重价值。“玉米既是粮食来源，又是经济作物。它不仅给人们带来收入，而且能满足国内粮食需求，”她说道。
在理想情况下，每英亩土地的玉米产量最高可达 1,800 公斤。受病害和其他挑战的影响，该地区每英亩平均产量仅为 668 公斤。两者形成鲜明的对比，这凸显迫切需要创新的解决方案来应对这些问题。
卢旺达大学的研究人员推出了一种解决方案，即利用机器学习和物联网 (IoT) 传感器的强大功能来检测玉米病害的迹象。通过这种新颖的解决方案，能够实现早期干预，从而增加产量并降低抗击病害所带来的成本。
这款解决方案有助于应对该地区当前面临的经济挑战，同时为在其他领域应用先进技术铺平了道路。这标志着非洲农业部门向更繁荣的高科技未来迈出了可喜的一步。
检测病害
农民靠肉眼观察来检测农作物的病害情况。这种方法需要丰富的经验或专家的帮助，但许多农场地处偏远，专家难以亲临现场。另一种方法是用特殊设备采集样本，然后将其送到实验室进行分析。这是一种既费钱又费时的方法。如果耗时过长，则可能会加剧农作物的损失。
认识到这些挑战后，Maginga 和卢旺达大学的研究人员开始寻找解决方案来加快玉米病害的检测。一种显而易见的方法是，开发一款计算机视觉解决方案，该解决方案能够自动监控农作物和检测可见症状。
Maginga 和她的同事所做的实验表明，可见症状需要两到三周的时间才能在植株上显现。等检测到这些症状时，病害可能已经蔓延到大片农田。这种延误可能会导致重大的农作物损失，并增加干预和防治病害的成本。
“如果您能够在可见症状开始显现前检测到病害，农民就可以更快地开始干预，”她说道。
这支小组研究了在可见症状发展前显现的其他迹象。“我们确定了植株在对抗病原体时释放的气体，”Maginga 说道。“这与人体的工作原理相似。感染病毒会引起人体出现发热症状。”
该小组还使用玉米秸秆的超声波运动信号，作为早期染病的另一个潜在指标。其目的是创建一个机器学习系统，能够根据这些信号区分健康植株和染病植株。但假设该系统能够在可见症状显现前检测到病害。
“如果我们能够使用传感器和物联网设备远程监测病害并提供早期预警，则可以尽早开始干预，”Maginga 说道。“即使在没有农业推广官员支持的情况下，农民也可以开始耕种和管理他们的农田。”
“如果我们能够使用传感器和物联网设备远程监测病害并提供早期预警，则可以尽早开始干预。”
目前，玉米作物的病害由农民通过肉眼观察玉米叶来检测。（图片所有权：Theofrida Maginga）
让农田走向实验室
为了开发一种能够检测玉米作物早期病害迹象的机器学习模型，研究人员建立了一个实验室，从健康植株和染病植株采集训练数据。他们将部分植株暴露于病害环境中，并在一段时间内测量参数，以生成用于训练模型的时间序列数据。该小组选择重点研究北方玉米叶枯病，这是一种在非洲常见的病害，它会导致玉米作物大幅减产。
“使用 ThingSpeak，我们采集了超声波传感器的数据，并实时监控了其变化情况。”
“我们选择了一种易于在实验室中生成病原体的病害。北方玉米叶枯病往往会导致玉米作物大幅减产，”Maginga 说道。“一个更大的难题是，在植株显现可见症状之前，如何使用物联网传感器来测量这些信号。”
研究人员设立了两个不同试验组，每组包含四种玉米。对照组包含未暴露于病原体环境中的植株。测试组包含暴露于病害环境中的植株。他们在一个单独的实验室环境中培养这种病害，并通过在适当的时间感染实验植株来模拟接种过程。物联网传感器安装在两组植株上，用于采集数据。
Maginga 和她的同事将超声波传感器安装在植株附近来监控其运动情况，并将 NPK 传感器插入土壤中来监控化学成分的变化情况。她们使用 ThingSpeak 采集、监控和可视化 NPK 数据。（图片所有权：Theofrida Maginga）
“通过采集的数据，我们能够检查随时间的推移出现的各种模式，并确定在健康植株和染病植株之间，挥发性有机化合物的排放或玉米的超声波运动是否有所不同，”Maginga 说道。
为了监控玉米植株排放的气体，他们使用了挥发性有机化合物 (VOC) 空气质量传感器。他们将超声波传感器安装在植株附近来监控其运动情况，并将 NPK 传感器插入土壤中，以监测土壤中氮、磷和钾的变化情况。
研究人员使用了 ThingSpeak™，这是一种旨在监控、采集和可视化物联网传感器数据的平台。ThingSpeak 提供了多种工具，可通过云服务直接远程监控数据。
“使用 ThingSpeak，我们可以采集超声波传感器的数据，并实时监控其变化情况，”Maginga 说道。“使用 ThingSpeak 所收集的数据并与团队共享，是我们获得的最佳体验之一。”
空气质量传感器数据存储在本地 SD 卡上。而 NPK 传感器数据发送到温室实验室的一台本地计算机上。
训练机器学习模型
在执行了数据采集过程后，研究人员开始训练机器学习模型。在最初的探索性数据分析 (EDA) 阶段，他们决定不使用来自 NPK 传感器的数据。“一方面，这些数据并未显示出任何可用于区分健康植株和染病植株的特定模式，”Maginga 解释道。“另一方面，运行 NPK 传感器需要消耗大量电力。”
该团队将注意力转向了从空气质量传感器和超声波传感器采集的数据。在使用小波变换对数据进行预处理后，他们基于每个数据集训练了单独的机器学习模型。对于超声波数据，他们使用了长短期记忆 (LSTM) 网络。这种类型的深度学习模型对于处理顺序数据特别有效。“我们能够训练网络对数据进行异常检测，”Maginga 说道。
VOC 传感器数据呈现明显不同的模式，这就需要采用不同的方法来处理或分析这些数据。研究人员选择了通过卷积神经网络 (CNN) 层增强的 LSTM 网络。通过将 CNN 层与 LSTM 网络相结合，该模型能够捕获时空模式，并对数据执行更细致的分析。
“在我们引入预处理方法并纳入两个 LSTM 和 CNN 层后，该模型能够很好地区分健康植株与染病植株，经过几轮开发测试后，其性能有所提升。”
通过使用来自健康玉米植株和接种 NLB 的玉米植株的超声波数据进行训练和测试，获得了 99.97% 的准确度。（图片所有权：Theofrida Maginga）
“在我们引入预处理方法并纳入这两个 LSTM 和 CNN 层后，该模型能够很好地区分健康植株与染病植株，经过几轮开发测试后，其性能有所提升，”Maginga 说道。“现在，我们重新部署这些模型，看看他们在实地环境中的表现如何。”
在研究人员探索不同机器学习架构的过程中，该团队探索了神经网络的各种可能组合。
“MathWorks 提供了很多关于将 LSTM 和 CNN 结合使用的学习资源，”Maginga 说道。“尝试探索小波变换的想法也来自于这些资源。”
在田间部署传感器
Maginga 和她的团队开发的机器学习模型和物联网传感器有着非常广阔的应用前景。她们的系统在接种后的短短 4 到 5 天内就能检测出玉米作物中的病害，而可见症状通常需要长达 14 到 21 天才会显现，这无疑是一项重大的改进。
“安装此系统后，农民能够挽救一半原本因病害而损失的农作物。”
然而，成本可能成为在农民中推广这项技术的绊脚石。目前，一整套传感器和数据采集设备的成本约为 50 美元。要全面了解农作物的状况，农民需要购置若干成套设备并在农场内安装。研究人员正在想方设法降低这些部署成本。
“我们希望将安装成本削减一半。但实际回报是农作物产量的提高，”Maginga 说道。“安装此系统后，农民能够挽救一半原本因病害而损失的农作物。”
凭借安装每个成套设备所带来的投资回报，农民可在田间逐步安装更多传感器，从而提供更精确的数据，并改进病害检测和预防系统。从本质上讲，随着农作物产量的增加，农民可以收回该系统的成本。
助理聊天机器人
为了让农民更容易使用他们的系统，研究人员正在开发聊天机器人。这些数字助理可以简化系统的使用，为农民提供易于理解的信息和建议。Maginga 和她的团队开发了大型语言模型 (LLM) 聊天机器人 MkulimaGPT 以供农民使用。此平台以斯瓦希里语中的 mkulima（意指“农民”）一词命名。
该项目的最终目标是，将病害预测模型的结果转换为农民可以理解的简单消息。
像 ChatGPT 这样的 LLM 在英语等在线数据丰富的语言中表现良好。但许多坦桑尼亚农民的母语是斯瓦希里语，这种语言没有丰富的训练数据可供 LLM 使用。为了解决此问题，研究人员正在采集可用于自定义植株病害诊断模型的数据。
“我们建立了问答样本数据集。例如，如果您遇到一种病害，您如何表述它处于哪个阶段？您应怎样做来控制这种病害？在专家介入之前可采取哪些常见的干预措施？”Maginga 说道。“我们目前的研究方向是，使用现有的 ChatGPT 模型来提升用户体验。我们希望帮助小农场主以最简单的定制方式与这些最先进的技术进行交互。”
Maginga 和她的团队正在研究如何利用像 ChatGPT 这样的大型语言模型 (LLM) 诊断植株病害，并为农民提供建议和意见。（图片所有权：Theofrida Maginga）
该项目的最终目标是，将病害预测模型的结果转换为农民可以理解的简单消息。这对那些可能不具备数据科学和分析技能或无法即时联系到专家的农民来说尤为重要。他们所做的这些工作是为了让农民能够更早地进行干预，以保护农作物免遭病害的侵袭。这是一个经典案例，说明现代技术的应用能够对困扰某地区的一些地方性问题产生立竿见影的影响。
微调模型
在从实验室受控环境转向不可预测的实地条件的过程中，研究人员采集数据并微调模型，以更好地适应真实条件。在真实条件下，数据含噪程度更高，分布可能会随着时间的推移而变化。
“现在，我们正在重新训练和微调我们的模型，”Maginga 说道。“我们对 VOC 传感器寄予厚望，因为与实验室受控环境相比，在实地部署该设备会让我们面临许多不可控的因素。”
该团队还在考虑扩展其工作范围以涵盖其他农作物，例如西红柿，这些农作物也因病害而遭受重大损失。他们将融入更多专业知识，以进一步完善他们的技术。
“我注意到农业本身潜力巨大，有待进一步开发。同时，我也看到许多研究空白，需要由专家来填补，”Maginga 说道。
