鐘 聲，劉木華，袁海超，趙進輝*
（1.江西農業大學 工學院，江西 南昌 330045；
2.江西省現代農業裝備重點實驗室，江西 南昌 330045）
【研究意義】水稻是我國重要的糧食作物，在我國約有60%的人口以水稻為食。由于稻田環境溫熱、陽光充足，病蟲災害也尤為明顯，其中典型的有稻瘟病[1]。稻瘟病又稱稻熱病，是世界上水稻生產的主要病害，其防治主要采用稻瘟靈殺菌劑[2]。稻瘟靈又叫異丙硫環，是一種高效內吸殺菌劑，是防治水稻稻瘟病的特效藥劑，同時對水稻紋桔病和白葉標桔病有一定的防效，屬于高效、低毒、低殘留的有機殺菌劑[3]。其持效期長，廣泛用于谷物保護劑。由于我國水稻種植范圍大，目前許多地方都在使用稻瘟靈作為殺菌劑[4]。稻瘟靈的大量施用，有可能污染周圍環境，未被利用的農藥會在水體與土壤中富集[5]。隨著水資源的循環，稻田水體最終會流入江河湖泊，污染破壞環境水資源，同時危害水生動物與威脅人們的飲用水安全[6-7]。【前人研究進展】目前檢測稻瘟靈主要采用氣相色譜法和高效液相色譜法[8-10]。根據這些方法，國內外也開展了許多的相關研究，這兩種方法具有檢測準確度高、檢測濃度限低等優點。但是檢測過程復雜且設備成本高，難以推廣普及且難實現快速檢測和物聯網在線檢測等要求。
【本研究切入點】而有相關電學方法如介電特性法，介電特性檢測法（dielectric spectroscopy）是一種利用物質的介電特性來檢測其性質和成分的方法，具有簡單、快捷等優點[11-13]。其主要原理是：水中不同的污染物對其介電常數有著一定的影響，導致最后的水體導電特性和電容特性都有著區別，其中稻瘟靈也不例外。在檢測水體中的農藥時，可以將水樣中的農藥分子看作是介電常數和介電損耗與水分子不同的微小介質體。當交變電場作用于水樣時，水中的農藥分子會受到電場的作用而發生極化，其介電常數和介電損耗也會發生變化。通過測量水樣在不同頻率下的介電常數和介電損耗，可以得到水樣中農藥分子的特征參數，如極化強度、旋轉速率等，進而推斷水樣中農藥的種類和濃度。介電特性檢測法具有非侵入性、非破壞性、快速準確等優點，適用于檢測水體中低濃度的農藥殘留，是一種較為常用的檢測方法。【擬解決的關鍵問題】綜上所述，基于稻瘟靈濃度會對稻田水體介電特性產生影響，通過建立稻田水體稻瘟靈濃度的頻率特性模型，本研究探索一種稻田水體中稻瘟靈含量的快速檢測方法。結合該方法開發一種可全天候工作、能快速準確的監測稻田水體中稻瘟靈含量的裝置，并對該裝置的性能進行了試驗驗證。為水體稻瘟靈濃度情況監測提供方案，同時為實現精準農業、科學農業具有現實研究意義。
1.1 電路硬件設計
本監測裝置電路硬件分為信號部分和電源部分。信號部分主要由STM32 主控模塊、激勵信號源模塊、檢測與信號采集模塊、輸入輸出模塊，主控模塊負責整體的數據處理與信號控制，激勵信號源產生特征頻率的掃頻激勵信號，檢測與信號采集模塊主要負責頻率特性的采集與轉換，輸入輸出模塊負責程序下載與檢測結果顯示；
電源部分由升降壓穩壓模塊和鋰電池充電模塊組成。裝置整體結構框如圖1所示。
圖1 裝置整體結構框Fig.1 Overall structure block diagram of the device
1.1.1 STM32 主控模塊 本裝置采用ARM Cortex-M4 內核的32 位STM32F405RG 單片機作為核心控制器。該芯片具有1 MB Flash、168 MHz CPU運行頻率和ART加速器，同時具有動態功耗調整功能，能實現超低功耗的不間斷運行。
STM32 外設接口情況如圖2 所示。外部高速時鐘采用8 MHz 的石英晶振，片上USART 通信速度可達10.5 Mb∕s，通過板載CH340E 連接至PA9、PA10 的串口1 實現通過USB 接口與計算機數據交互；
片上SPI接口速度可達42 Mb∕s，外接LCD顯示屏連接至PA4-PA7引腳的SPI1接口上。
圖2 STM32主控模塊Fig.2 STM32 main control module
1.1.2 激勵信號源模塊 激勵信號源模塊由直接數字頻率合成器（direct digital frequency synthesis，DDS）和低通濾波器組成。DDS芯片采用ADI公司的AD9859，該芯片內部集成10位DAC，最高轉換頻率400 MHz，因此在200～120 MHz 信號內能保證優秀的信號穩定性，同時具有32 位可編程頻率調諧字（FTW），能精準控制輸出信號頻率。
輸出信號頻率由系統頻率（fs）與頻率調諧字（FTW）決定，系統頻率（fs）由連接在芯片引腳9 上的25 MHz 外部有源晶振（fosc）提供，配合芯片內部鎖相環（PLL）控制寄存器CFR2<7∶3>編程設置16 倍頻，實現最大400 MHz 系統頻率（fs）。輸出頻率（fout）與頻率調諧字（FTW）、鎖相環（PLL）間的計算公式如下[14-15]。
AD9859外圍電路如圖3所示，芯片采用1.8 V電壓供電。芯片采用外部晶振輸入源工作方式，9號引腳外接25 MHz 有源晶振，通過四線SPI 協議與STM32 主控通信實現掃頻控制，輸出信號通過21 號OUT引腳輸出。
圖3 AD9859外圍電路Fig.3 AD9859 peripheral circuit
由于DDS芯片的工作原理本質上是D∕A 轉換，因此輸出信號除基波外，同時附帶有二次三次等高次諧波與一定程度的雜散信號，輸出信號會呈現信號疊加的階梯狀，這會對激勵信號質量造成較大影響，需要添加低通濾波器以實現平滑的正弦激勵信號。
通過ADI 公司ADIsimDDS 軟件對信號進行分析，結果如圖4 所示。左圖為DDS 芯片直接輸出70 MHz正弦波的信號頻譜圖，由于D∕A轉換的疊加高次諧波影響，可知信號質量較差。而將輸出信號經過低通濾波器后的信號頻譜圖為右圖所示，可知施加低通濾波器后輸出信號明顯改善，可實現平滑的正弦輸出信號。
圖4 施加低通濾波器前后信號變化Fig.4 Signal change before and after applying low-pass filter
1.1.3 檢測與信號采集模塊 模塊整體電路如圖5所示，檢測電路與幅度和相位測量芯片構成了裝置的檢測模塊。檢測電路由精密可調電阻充當參考電阻，AD9859 信號輸入端的電容用來消除低頻直流干擾，傳感器探頭通過RF 射頻同軸線連接至檢測電路端的SMA 接頭，整體信號部分采用50 ohm 系統。幅度和相位測量芯片采用ADI 公司的AD8302 芯片，該芯片具有雙通道解調對數放大器和鑒相器，每個放大器具有60 dB測量范圍，在50 ohm 系統中，交流耦合輸入信號范圍為-60～0 dBm，具有精確的增益測量調整（30 mV∕dB）和相位測量調整（10 mV∕度）[16]。該芯片能實現對INPA 與INPB 兩處引腳的輸入信號求幅值比與相位差，通過VPHS與VMAG 端口輸出兩路0～1.8 v的模擬信號，為兩路輸入信號的相位差與幅值比。將兩路信號輸入STM32主控的ADC引腳，即可實現信號采集。
圖5 檢測與信號采集模塊Fig.5 Detection and signal acquisition module
1.1.4 輸入輸出模塊 本裝置包含程序調試的多個按鍵、數據通信相關的輸出模塊與實時顯示的LCD屏幕。裝置為全天候監測，其中按鍵僅用于設備的系統重置與開關機功能。數據通信輸出模塊包括串口-USB 模塊與LoRa 無線模塊[17-19]，如圖6 所示，串口-USB 模塊由12 腳的Type-C 口與CH340E 芯片組成，連接至STM32主控的串口1上，能快速穩定的將檢測數據輸出至上位機，同時還能程序下載；
LoRa無線模塊型號為E22-400T22S，以SX1262 為射頻芯片，連接至STM32 主控的串口1 上，配合高功率天線可實現最大10 km 的遠距離無線數據傳輸。LCD 屏幕采用一塊2.8 寸240×320 分辨率的TFT 液晶屏，通過SPI協議驅動。
圖6 串口-USB輸出模塊Fig.6 Serial port-USB output module
1.1.5 升降壓穩壓模塊 在本裝置中，需要+1.8 V、+3.3 V、+5 V 直流電壓供電，而設備電源儲備為3 節18650鋰電池并聯，電池電壓為4.2 V，因此需要設計升降壓模塊來實現裝置的電壓管理。
如圖7所示。本裝置采用PW5100型號的DC-DC同步升壓轉換器芯片將鋰電池升壓至+5 V，該芯片最大效率可達95%，±10 mV 的低紋波性能。隨后經過AMS1117CD-3.3 將+5 V 降壓即可得到+3.3 V，最后再經過AMS1117CD-1.8 將+3.3 V 降壓即可得到+1.8 V，該系列芯片為低壓差線性穩壓芯片，具有輸出紋波低、電壓穩定等優點，廣泛應用于各類儀器設備。
圖7 升壓降壓模塊Fig.7 Step-up and step-down module
1.1.6 鋰電池充電模塊 鋰電池充電模塊由充電管理電路和太陽能穩壓電路兩部分組成。充電管理電路輸入端為Type-C 端口或太陽能穩壓電路的輸出端，可以通過連接USB 接口以有線的方式或是太陽能為設備鋰電池充電。充電管理電路如圖8所示，其中充電管理芯片采用TP5100開關降壓型雙節8.4 V∕單節4.2 V 鋰電池充電管理芯片，本裝置采用單節4.2 V 模式，最大充電電流可達2 A，采用QFN16 小尺寸封裝，非常適用于小型儀器使用。太陽能穩壓電路如圖9 所示，其中穩壓芯片采用MP2315 高效率同步整流降壓開關變換器，該芯片具有4.5～24 V的寬工作電壓輸入和極低的靜態電流，適合全天候工作的太陽能供能的儀器設備。
圖8 充電管理電路Fig.8 Charging management circuit
1.2 裝置結構設計
裝置結構如圖10 所示。主要由太陽能面板、主控電路盒、支撐部件和檢測探頭盒4 個部分組成。太陽能面板尺寸為230 mm×350 mm，最大功率10 W，呈45°角安裝于不銹鋼支撐桿頂端；
主控電路盒外殼采用ABS 材質電器防水盒，尺寸為200 mm×120 mm×55 mm，安裝于不銹鋼支撐桿上端，內部安裝PCB 電路板與18650 鋰電池，側面安裝LCD 顯示屏，下部有Type-C 接口、裝置電源開關和進線防水接線頭；
支撐部件由不銹鋼支撐桿于三腳支撐架兩部分組成，保證設備穩定部署；
檢測探頭盒外殼采用光敏樹脂3D 打印制作，尺寸為100 mm×100 mm×100 mm，安裝于不銹鋼支撐桿底端，內部安裝介電監測探頭與溫度傳感器，外殼四面設置有濾棉，過濾泥沙與浮萍等雜質。
圖10 裝置整體結構設計Fig.10 Overall structure design of the device
以MDK 5.0為開發環境，采用C語言開發設計。程序主要初始化程序、AD9859 掃頻程序、數據采集程序、LibSVM 程序、串口發送程序、LoRa 配置程序和LCD 顯示程序組成。初始化程序用于設置STM32各外設及所使用到的GPIO 口的初始化配置；
AD9859 掃頻程序主要是STM32通過SPI協議發送頻率調諧字（FTW）給AD9859芯片，控制AD9859 輸出產生特定特征頻率的正弦波；
數據采集程序是通過ADC 采集AD8302 輸出的幅值比和相位差的模擬電壓值；
LibSVM 程序主要是將采集到的數據代入訓練好的支持向量機回歸模型中，調用LibSVM 算法對含量進行預測；
串口發送程序用于將數據發送至上位機和LoRa無線通信模塊；
LoRa配置程序用于配置LoRa 模塊的工作模式，配置工作信道、發送功率和相關組網信息；
LCD 顯示程序可以將溫度、預測結果實時顯示在LCD顯示屏上。程序總體流程如圖11所示。
圖11 程序運行流程Fig.11 Flow chart of program operation
3.1 試驗材料
試驗所用的稻田水樣本采集于江西農業大學試驗田。采集日期為七月下旬，采集晚稻田區處于插秧時期的農田灌溉水，使用液泵抽取采集3 個田區水體樣本，運回后放置實驗室1 d，沉淀其中較大泥沙與浮萍等雜質[20]。試驗前，對采集水體使用傳感器探頭過濾裝置過濾1遍，得到空白稻田水樣本。
3.2 研究方法
3.2.1 材料的制備 為了確保傳感器探頭能完全浸沒被測液體中，選取容量合適的樣本測量容器，確定樣本總量為700 mL以上。首先配制高濃度的稻瘟靈原液，其濃度確定為800 mg∕L，再逐步添加原液得到0～44 mg∕L的23個低濃度稻瘟靈溶液樣本。
為保證基底水樣一致性，試驗采取逐步添加原液配備各濃度檢測樣本。首先取700 mL 過濾后的稻田水加入檢測容器內，由于采集水體為插秧時期的農田灌溉水，而本設備檢測作用主要用于科學控制施藥量與稻瘟靈實時監測，因此將初始稻田水視為未含有稻瘟靈的空白樣本，待上一濃度檢測完成后對其添加適量原液配制為下一檢測樣本濃度，以此類推完成所有濃度樣本配制。
3.2.2 輸出信號的采集 將樣本測量容器放入恒溫水浴槽內，設定溫度25 ℃，樣本試驗期間保持恒溫狀態。將檢測探頭沒入被測液體中，待LCD 屏幕上顯示溫度達到設定溫度后，按下“開始檢測”按鍵，設備將采集200～120 MHz間的607個采樣頻率點下參考電阻兩端電壓信號間的幅值比與相位差信息，通過串口實時發送至上位機PC端。
對于每個濃度的檢測樣本，檢測數據有AD8302 芯片輸出的兩種原始電壓信號與轉換后的幅值比、相位差信號，每個樣本有4種共2 428個檢測數據。為了消除檢測過程中存在的噪聲與采樣誤差，原始數據AD 轉換時采集連續的24 個數據，采用冒泡排序法剔除4 個最大、最小值，對剩余20 個數據求平均值最后作為發送的1個數據。同時采用5組平行樣本進行試驗，總體試驗包含115份樣本數據。
4.1 原始數據劃分
根據濃度將原始數據2∶1 劃分為訓練集與預測集，首先人工保證最小濃度與最大濃度樣本為訓練集，然后采用隨機數生成器隨機選取14 組濃度為訓練集，剩余濃度為預測集，訓練集總計包括16 組濃度，80份樣本數據，預測集包含7組濃度35份樣本數據。
4.2 CARS特征提取
由于原始數據量大，主控芯片算力較低，直接采用原始數據進行預測耗時較長，實時性較差。因此在對數據進行訓練建模前，對PC 端接收到的原始數據采用競爭性自適應重加權采樣法（competitive adaptive reweighted sampling，CARS）進行特征數據的提取，對原始數據進行篩選，得到若干特征頻率點的特征數據[21-23]。圖12 為對幅值比數據的CARS 特征提取結果，圖中從上到下依次為提取的頻率個數、交叉驗證均方根（RMSEV）、回歸系數變化情況與交叉檢驗（Cross validation）運行次數之間的關系。其中提取的頻率個數隨著運行次數增加而減少，表示經過CARS 優選后實現了數據優選，同時頻率個數遞減速度逐漸變慢，表示特征頻率點數趨于穩定；
交叉驗證均方根（RMSEV）在頻率點較少后逐漸產生較大波動，在30次與43次運行都出現較大轉折，原因為部分關鍵頻率信息被剔除；
回歸系數變化情況可以看出在20 次運行前，各變量的回歸系數隨著交叉驗證次數變化無明顯變化。將幅值比數據經過CARS 特征提取后，特征頻率點由607個減少至72個，極大的簡化了模型，提高了運算速度。
圖12 幅值比CARS特征提取結果Fig.12 Amplitude ratio CARS feature extraction result
對其余3種數據也進行CARS特征提取后，分別得到各數據類型的特征頻率，表1為4種原始數據的CARS特征提取頻率數。
表1 幅值比與相位差CARS特征提取結果Tab.1 Amplitude ratio and phase difference CARS feature extraction results
4.3 SVR模型建立
隨后將訓練集部分80 份的4 種特征數據作為輸入，以配置的樣本濃度作為輸出，采用支持向量回歸（support vector regression，SVR）對以上4 種特征數據分別建立濃度預測模型。支持向量機采用的由臺灣大學林智仁（Lin Chih-Jen）教授等開發設計的LibSVM 軟件包，采用C 程序源碼進行模型訓練[24-25]。
通過結合The Unscrambler X 10.4 軟件提供的SVR 參數優化，采用nu-SVR 回歸類型，RBF 核函數對特征數據建立預測模型。在PC 端將稻田水提稻瘟靈濃度預測的SVR 模型建立好后，將其存入STM32程序源碼中，同時將LibSVM 函數包移植到STM32 嵌入式端，即可實現嵌入式端獨立調用LibSVM 模型預測。
在預測模型建立好后，將其寫入程序固件中，同時修改設備固件的掃頻程序，將建模階段的200～120 MHz頻率范圍改為CARS提取后的特定特征頻率點信號輸出。在采集完一組特征頻率信息后，即可調用內嵌的LibSVM 軟件包進行回歸預測，并將結果通過USB 接口或是LoRa無線模塊發送至上位機，同時顯示在LCD屏幕上。
為了驗證稻田水體稻瘟靈含量實時監測裝置的測量準確性，將寫入預測模型后的設備放入配置好的預測集樣本中，與樣本真實濃度進行對比。其中調用幅值比模型的實際測量結果與真實值的擬合曲線如圖13所示。圖中可知，測量結果擬合函數與45°線幾乎重合，可見本裝置對于稻田水體稻瘟靈含量具有較高檢測精度。
圖13 監測裝置檢測值與真實值對比（幅值比模型）Fig.13 Comparison between the measured value and the true value of the monitoring device（amplitude ratio model）
在對兩種原始電壓信號與轉換后的幅值比、相位差4種數據建立單獨預測模型，預測結果見表2。實際檢測中，在單獨調用4種模型預測時，每種數據的預測模型R2都在0.96 以上，同時由于已經提取特征頻率，實際檢測僅需檢測特征頻率點處的頻率特性，單次檢測僅需30 min，極大的縮減了檢測時間，同時檢測結果具有較高的精度。
表2 4種數據模型的單獨預測結果Tab.2 Individual prediction results of four data models
（1）根據稻田水體與稻瘟靈的介電特性頻率差異，開發了基于介電特性的稻田水體稻瘟靈含量實時監測裝置，該裝置能快速準確的測量稻田水體中稻瘟靈的濃度，并將其通過LoRa模塊上傳至上位機，實現遠程實時在線監測。
（2）通過對各種濃度下稻瘟靈稻田水體的頻率響應測量試驗，采用CARS 對頻率特征提取極大地減少了數據的運算量，提高了檢測速度，同時得到了對稻瘟靈在幅值比與相位差數據的特征頻率。
（3）對0～44 mg∕L 內的稻瘟靈稻田水體進行了多次試驗，對幅值比、相位差與其原始電壓信號4 種數據分別建立了SVR 回歸預測模型，試驗驗證模型判定系數R2高達0.995 9，每種數據的預測模型R2都在0.96以上；
同時測量速度極高，為研究水體稻瘟靈含量實時監測奠定基礎。