Plant Disease Detection and Automated Spraying Robot: A CNN and IoT-Based Approach for Precision Agriculture

方法

CNN图像分类、ESP32控制、超声波导航、Firebase云监控。

发现

病害置信度超60%时喷药准确率100%，响应小于5秒。

机会点

可研究低置信度样本的主动学习与多病害田间实时检测鲁棒性提升。

农业是直接影响粮食安全与经济稳定的重要产业，但作物生产力受到植物病害的显著影响。传统的病害检测方法依赖人工观察，耗时、主观且往往不准确，尤其是在大面积农田中。为克服这些局限，本文提出了一种植物病害检测与自动喷洒机器人，融合图像处理、深度学习与机器人自动化技术，以实现精准农业。该系统利用智能相机实时采集植物叶片图像，并通过经训练用于分类健康叶片与患病叶片（如锈病、白粉病和病毒感染）的卷积神经网络（CNN）进行分析。基于检测结果，由ESP32控制的机构自动启动针对性农药喷洒，确保对感染植株进行准确及时的处理。障碍物检测与导航通过超声波传感器和电机驱动器实现，使系统能够在田间自主移动。借助Firebase的云端集成，可通过Web仪表板实时监测，显示病害类型和系统状态。实验结果表明，平均检测置信度为76–85%，当病害置信度超过60%阈值时喷洒激活准确率为100%，系统总响应时间低于5秒。所提出的系统减少了人工劳动，最大限度地减少了农药浪费，降低了农民接触有害化学品的风险，并提高了作物产量。