1. 设计背景

随着全球人口持续增长和城市化进程加快，传统农业面临提高产量与保障质量的双重压力。大棚种植能够在一定程度上维持稳定的生长环境，但仍依赖大量人力进行巡检、病害识别与环境调控，不仅劳动强度高，而且难以及时、准确地发现潜在问题。近年来，结合自动化机器人与深度学习图像识别的智慧农业理念逐步成熟，已成为有效提升农作物管理精度与效率的关键途径。通过构建巡护机器人并集成相关传感器、通信模块与云端深度学习系统，可以实现实时、系统化的农情监测与智能决策。

为应对上述需求，本设计在硬件层面采用ESP32主控板与OpenMV辅助视觉模块，结合差速驱动底盘和多种环境传感器，确保机器人具备自主巡航、环境数据采集和作物图像获取能力；在软件层面通过调用DeepSeek图像识别API对病虫害进行深度学习检测，并将识别结果及环境数据上传至云端，最后通过微信小程序完成数据可视化与远程管理。

2. 总体方案

2.1 系统目标与功能

（1） 自主巡航：在大棚特定区域内，机器人能够沿预设轨迹线覆盖主要种植行，并在遇到障碍物时及时避让。

（2） 病虫害识别：利用摄像头采集作物图像，调用DeepSeek图像识别服务进行病虫害诊断，并返回具体病害类型与置信度。

（3） 环境数据采集：搭载温湿度、光照、CO₂等传感器，实时监测并记录大棚环境参数，为精细化调控提供依据。

（4） 远程数据可视化：通过WiFi或4G网络将巡护过程中的环境数据与图像识别结果上传至云端，并在微信小程序中进行图表或文本的动态展示，提供远程监测与报警功能。

2.2 系统架构

整套系统包括机器人端、云端服务器、DeepSeek识别服务和用户端四个核心部分。

机器人端：基于ESP32主控进行传感器采集、巡航控制、摄像头图像获取并上传。OpenMV执行轨迹线检测，提供即时的航向与偏移量信息，辅助机器人保持行进路线。

云端服务器：接收机器人上传的环境数据与作物图像，调用DeepSeek API进行推理，存储识别结果，并管理与微信小程序之间的数据交互。

DeepSeek识别服务：基于改进的深度学习模型，对病虫害图像进行特征提取与分类，输出对应病害种类及置信度。

用户端：通过微信小程序查看识别结果与环境数据，若发生病害或环境异常，可及时得到告警消息。

该架构在硬件资源、网络通讯和算法推理之间进行了合理分工，减少了机器人端的计算负荷，同时确保检测的准确性与系统的可扩展性。

3. 硬件设计

3.1 机器人底盘与运动系统

本项目选用两轮差速驱动形式，底盘结构采用铝合金型材以兼顾坚固性和轻量化，外形尺寸约为40 cm × 40 cm，高度约为25 cm。两台直流减速电机安装在左右两侧，工作电压为12 V，空载转速约300 rpm，通过TB6612FNG电机驱动芯片与主控板交互，实现前进、后退及转向调节。前后各有一个万向轮用于平衡支撑，保证机器人在大棚地面小范围不平整状况下也能平稳行驶。为了适应带有水渍或肥料残留的环境，在轮胎表面增加了深纹理以增强抓地力，并留有3 cm左右的离地间隙减少底盘与地面摩擦或碰撞。

机器人采用容量为5000 mAh的锂电池组作为主要供电电源，并配备电池管理保护电路对充放电状态进行监测。经实测，满电状态下可支持持续巡航约4小时；当电量低于阈值时，系统会自动向云端发送低电量通知，供用户及时安排充电。

3.2 主控板与传感器子系统

（1） 主控板：ESP32搭载双核240 MHz处理器与内置WiFi，可方便地进行HTTP或MQTT通信，同时兼容多种外围模块。通过多路GPIO与串口接口，ESP32分别与摄像头模块、OpenMV、传感器和电机驱动连接，统一管理巡航控制、图像采集以及数据上传。

（2） 摄像头：使用OV2640图像传感器的ESP32-CAM模块，默认拍摄分辨率640×480，以JPEG格式保存后上传至云端。该分辨率在图像清晰度与网络带宽占用之间达到平衡，经测试在WiFi良好环境下可实现每隔5～10秒上传一张图像。

（3） OpenMV H7：在机器人前方安装OpenMV模块，用于识别事先铺设的黑色导引线，并实时计算偏移量和转向角度。OpenMV内置的MicroPython固件可自行编写脚本，对摄入的图像进行颜色阈值分割与线条拟合。

（4） 环境传感器：

温湿度：SHT30数字传感器，通过I²C通信获取温度和湿度数值。

光照强度：BH1750模块，测量范围0～65535 lx，配合大棚人工补光装置评估光照情况。

CO₂气体：NDIR原理CO₂传感器，量程400～5000 ppm，I²C接口。

（5） 避障检测：前部配备HC-SR04超声波测距模块，若与前方障碍物距离低于30 cm，系统将执行减速绕行，避免碰撞并尝试再次捕捉导引线继续巡航。

3.3 通信模块与电源管理

（1） 无线传输：机器人默认使用ESP32内置WiFi模块连接至大棚中的路由器进行数据交换；若大棚面积大或WiFi信号不稳，则另行加装合宙780E 4G模块，保障可用网络带宽和覆盖范围。

（2） 电源管理：电池输出12 V电压，经降压模块得到5 V和3.3 V为各部件供电。主控板和传感器工作电流相对低，摄像头拍照与电机动作时会出现瞬时电流峰值，故在电路布局时采用充足滤波电容和稳压模块，以确保系统稳定可靠。

4. 软件设计

4.1 自主巡航与路径规划

在大棚地面铺设黑色贴条形成导引线。OpenMV通过阈值分割算法提取导引线像素，并使用最小二乘线性拟合得出当前帧导引线的中心位置与倾斜角。主控根据OpenMV输出的偏移量与角度，采用模糊控制算法来计算左右电机转速差，实现平稳循迹。若在巡航过程中超声波检测到障碍物，系统会执行避障逻辑：减速并进行小角度转向尝试绕过障碍后，再恢复循迹状态。

该巡线+避障双模式参考了Mac等人在温室机器人中的做法，通过模糊控制可有效降低因转弯带来的抖动，提高行进精度与效率。实验中，地面轨迹线在粉尘或积水覆盖不严重的情况下，OpenMV仍能正确识别；当轨迹线丢失时，机器人会上报异常状态到云端服务器，提示工作人员进行处理。

4.2 图像采集与云端识别

巡护机器人在每段路径末端或按照固定时间间隔触发图像采集。ESP32-CAM拍摄JPEG图像后，通过HTTP POST请求发送到云服务器。服务器将图像转发至DeepSeek图像识别接口，该接口运行改进ResNet网络或其他定制深度模型识别农作物常见病害（包括番茄晚疫病、黄瓜霜霉病等），并返回病害类型与置信度。若置信度大于0.8，系统标记为置信检出，并将结果存入数据库。

为提高识别的通用性，研究阶段已在DeepSeek平台上使用约2000张病斑图像进行数据增广（旋转、裁剪、光照变换），扩充至6000张后进行迁移学习训练。经测试，单张640×480分辨率图像的平均识别响应时间低于1.5秒，识别准确率约在90%～95%之间。

4.3 环境数据采集与可视化

机器人每隔60秒读取SHT30温湿度、BH1750光照度和CO₂传感器数值，随同机器人位置、时间戳等信息打包后经WiFi/4G上传。服务器接收并插入MySQL数据库，供微信小程序调用。

小程序采用mpVue框架进行开发，提供登录认证、数据浏览、历史曲线及警报推送功能。当识别到病虫害类型或检测到温湿度、CO₂浓度超出阈值时，服务器主动向该小程序用户发送消息通知，帮助用户及时采取处理措施。

4.4 病虫害识别算法改进

针对复杂或相似病害的分类难题，本系统在DeepSeek服务中加载了改进的ResNet-50网络结构，并在其卷积层后增加注意力机制模块，以便更加突出病斑区域的特征，减少叶片背景或噪声的干扰。对比传统ResNet-18与SVM分类器，改进ResNet-50模型在多类病害数据集上的准确度可提升约5个百分点；在罕见病害上，准确率亦有明显提高。

5. 测试效果

5.1 巡航与避障测试

在校内模拟大棚环境中铺设一条总长度30 m的导引线，并放置若干障碍物。巡护机器人以0.4 m/s的速度进行多次往返测试，结果表明：

（1） 平均路线偏差维持在2 cm以内，转弯最大偏差不超过5 cm；

（2） 20次避障操作中，成功避让率为95%，失败的1次由地面水渍覆盖导引线所致；

（3） 轨迹丢失触发异常报警2次，机器人正常恢复后继续巡航。

5.2 病虫害识别准确度

采集大棚中实际作物病斑图像300张，包括霜霉病、灰霉病、晚疫病和菌核病等四大类病害。系统识别的准确率在88%左右；在光照充足、叶片清晰的环境中准确率可达92%，光照不佳或叶片重叠时识别效果略有下降。若将数据增广后改进ResNet-50模型应用于DeepSeek后台，则平均准确率提升至93%，识别速度稳定在1～2秒。

5.3 环境监测与远程查看

经温湿度计对比测量，SHT30传感器的温度偏差在±0.4 ℃以内，湿度偏差在±3.0%RH以内。BH1750在强光时（>10000 lx）存在一定偏差，误差约为±8%，弱光条件下测量相对准确。CO₂检测在2000 ppm以内时误差较小，实用性较好。测试期间，机器人上传数据平均间隔60秒，丢包率低于1%。

微信小程序界面可查询温湿度、光照强度、CO₂浓度趋势图，并对识别到的病害进行图文展示，辅助种植者及时了解作物健康状态。

6. 问题与解决方法

（1） 网络覆盖不足：在大棚面积较大或隔墙较多的情况下，WiFi信号衰减严重导致上行速度不稳定。方案是在大棚内多点部署WiFi AP；若仍无法保证稳定性，则加装4G通信模块。

（2） 光照差异对图像质量的影响：强光或背光环境下，叶片容易出现过曝或阴影。为此，可在摄像头端增加LED补光灯，同时在训练数据中扩充不同光照条件下的作物图像。

（3） 导引线被灰尘或水渍遮挡：在长时间使用后，轨迹线易被污渍覆盖。可定期对大棚内的轨迹线进行清洁，或在机器人前方设置简易清扫装置，以保持线条可见度。

（4） 罕见病害识别不足：某些病害样本较少，模型难以学习其特征。后续可继续收集相关图片并进行数据增广；亦可探索采用生成对抗网络生成虚拟样本，以增强算法对罕见病害的识别能力。

结语

本项目面向大棚种植的需求，设计并实现了一套基于ESP32、OpenMV及深度学习图像识别的巡护机器人系统。机器人依靠地面导引线与模糊控制算法实现自主巡航，借助OV2640摄像头拍摄作物图像并调用DeepSeek平台进行病虫害识别，通过SHT30、BH1750、CO₂等传感器采集环境信息并上传到云端。远程端使用微信小程序实时展示监测数据与识别结果，并在出现异常时进行报警。实验结果表明，该系统能够较准确地识别多种常见病害，并满足温室环境的巡检需求。未来将进一步改进巡航导航方法（如引入激光雷达进行SLAM）与病害识别算法，以增强在大型大棚中推广应用的适用性，并力图实现自动化喷药装置与灌溉联动，推动农业生产的智能化与精细化管理。