Details

Работа посвящена исследованию распределенной системы промышленного интернета вещей для диагностики заболеваний растений и оценке ее характеристик. Цель работы – разработка системы с использованием микроконтроллера и нейросетевых алгоритмов. Для достижения поставленной цели решены следующие задачи: 1. Выполнен обзор существующих систем промышленного интернета вещей для диагностики заболеваний растений; 2. Выбраны модели и компоненты для реализации системы; 3. Выполнены обучение, сжатие и аппаратное тестирование нейросетевых моделей на микроконтроллере. 4. Оценены характеристики системы. В результате исследования разработана распределённая система промышленного интернета вещей на базе микроконтроллера с камерой. В результате исследования точность дообученной модели на реальных снимках – 91.25%, размер модели – 91.6 КБ, время обработки – 1.6 с. Надёжность доставки пакетов – 100%, автономность – 24.5 суток, стоимость узла – 2180 руб. Новизна – адаптация нейросети под микроконтроллер без аппаратного ускорителя с сохранением точности 89.4% в рамках системы. Область применения – цифровое сельское хозяйство. Использовались языки программирования Python и C++, библиотека TensorFlow Lite, среда разработки ESP IDF, набор изображений PlantVillage.

Object of study is a distributed Industrial Internet of Things system for plant disease diagnosis. Subject of study is its characteristics. The aim is to develop a system using a microcontroller and neural network algorithms. The following tasks were solved: 1. A review of existing Industrial Internet of Things systems for plant disease diagnosis was carried out; 2. Models and components for system implementation were selected; 3. Training, compression and hardware testing of neural network models on a microcontroller were performed. 4. The system characteristics were evaluated. As a result of the study, a distributed Industrial Internet of Things system based on a camera‑equipped microcontroller was developed. As a result of the study, the accuracy of the fine tuned model on real images is 91.25%, the model size is 91.6 KB, the processing time is 1.6 s. Packet delivery reliability is 100%, battery life is 24.5 days, the node cost is 2180 RUB. The novelty lies in adapting a neural network to a microcontroller without a hardware accelerator while maintaining an accuracy 89.4% within the system. The application area is digital agriculture. The programming languages Python and C++, the TensorFlow Lite library, the ESP‑IDF development environment, and the PlantVillage image dataset were used.