图片来源：北卡罗莱纳州立大学

能够及早发现作物问题可以在保存作物和损失作物之间做出区分，但是高科技解决方案的成本可能很高。一个跨学科的研究小组认为，利用现有技术的新方法可能是解决方案的一部分。

具体而言，作物和土壤科学系以及电气与计算机工程系的NC State研究人员正在推出一种廉价的摄像头系统，该系统可以远程监控作物的压力。

玉米和大豆是北卡罗来纳州乃至世界的重要商品。两者都是新鲜食用，加工成各种食品，然后制成动物饲料。在某些阶段缺水会给植物造成压力，并可能严重影响产量。

作物与土壤科学系的计算机视觉和机器学习专家Paula Ramos-Giraldo在过去的一年中一直在研究一种摄像头系统，该系统的成本低于普通智能手表，用于追踪玉米和大豆田的干旱压力。

Ramos-Giraldo说：“我们的目标特别是要构建一种低成本传感器，以通过植物行为追踪田间土壤湿度水平。”

这些低成本的传感器可以帮助研究人员研究使农业系统更具弹性的方法。植物育种者培育出更多的耐旱品种；而且有一天可能会提醒农民何时需要灌溉田地。

构造StressCam

StressCam系统是由Raspberry Pi构成的，该系统由成本约为150美元的零件构成。Raspberry Pi是一种纤巧，便宜且易于编程的计算机，最初设计用于教授计算机科学。

拉莫斯-吉拉尔多说，这种微型的支持WiFi的计算机包括一个用于拍照的相机，并连接了一个定时器，该定时器可以在早上打开系统，晚上关闭系统。对于玉米，该摄像机以90度角安装在整个田野上，每30分钟拍摄一次照片以观察叶子是否卷曲。对于大豆，将摄像机以45度角安装在田地上，每15分钟拍照一次以观察枯萎。该系统采用太阳能供电，并在阴天使用备用电池。

微型计算机在照片上运行机器学习算法，对照片进行分析以寻找干旱压力的迹象。她说，然后它将这些信息发送到研究人员，育种人员或农民的网络平台。

机器学习算法和网络平台都是在电气和计算机工程系的学生的帮助下构建的。

在2019年秋季学期期间，拉莫斯-吉拉尔多（Ramos-Giraldo）与电气和计算机工程学系副教授埃德加·洛巴顿（Edgar Lobaton）合作，邀请学生参加他的神经网络课程，以设计能够查看大豆田地照片和得分的机器学习算法她说，干旱压力严重。

机器学习算法可以在数据中找到模式，而无需明确编程要寻找的重要特征。相反，它们是根据预先定义的数据进行“训练”的，在这种情况下，有5,000张大豆田的照片显示了不同数量的干旱胁迫，由美国农业部农业研究服务部（USDA-ARS）大豆专家Anna Locke注释。作物与土壤科学系。

然后，在2019年夏季，对该类的算法在StressCam拍摄的数千张其他照片上进行了测试。StressCam中编程了最好的算法之一。

2020年秋天，Lobaton将在其神经网络课程中进行另一场比赛，以尝试开发更高效的算法，例如需要较少计算机内存的算法，从而在小型Raspberry Pi上运行得更好。

同样在2019年秋天，拉莫斯-吉拉尔多（Ramos-Giraldo）开始与一支由高级电气和计算机工程专业的学生组成的团队合作，设计了一个基于云的Web平台，以允许农民，大豆育种者和研究人员管理StressCams并监控田地。

该团队包括Artem Minin，Nathan Libner，Stephanie Sierra和Manish Goud。

米宁说：“我们花了头三周的时间来集中精力解决如何建立一个平台来解决宝拉·拉莫斯·吉拉尔多（Paula Ramos-Giraldo）遇到的问题。” 计算机工程硕士学位。“这是该项目真正困难的部分之一，因为我们中没有人真正构建过具有如此众多组件，技术和要求的多样化系统。”

该网络平台允许用户检查StressCam是否已打开且没有过热，更改照片计划，重要的是，可以查看StressCam的过去图像和干旱胁迫严重程度得分。总体而言，该平台将为植物育种者和研究复原力的研究人员节省时间并提高干旱数据收集的准确性。

除了产生StressCam 网络平台的预期技术和项目管理挑战之外，ECE老年人团队还必须应对大流行的意外挑战。

图片来源：北卡罗莱纳州立大学

米宁说：“在大流行之前，我们小组每周会面一次，这是我们取得最佳成果的时候。” “ COVID-19还增加了我们无法像我们想要的那样测试系统的困难。最初，我们计划在Sandhill Research Station设置一个测试站点，但是显然没有发生。相反，Paula设置了在她后院的测试场上。”

尽管存在与COVID-19相关的所有挑战，但Minin发现从事农业问题的工作非常有意义。

Minin说：“我认为工程学最酷的事情之一就是将科学和技术应用于可以从中受益的行业，因为否则，这只是纸上的数学。” “我真的很喜欢在农业领域工作，我认为农业技术领域有很多应用尚未得到充分探索。”

Ramos-Giraldo同意跨学院合作的价值。

拉莫斯-吉拉尔多说：“我们与欧洲经委会部门作出了令人惊奇的努力，并将继续下去。” “最重要的是，学生们对他们的成绩非常热情。在我们学习很多东西的过程中，不仅是学生，还有我们自己。当我们一起工作时，我们可以产生令人惊讶的结果。 ”

StressCam平台以IBM的物联网云平台为核心。此外，IBM赞助了高级设计项目，并在北卡罗来纳州立大学百年校区的IBM创新中心提供了两名研究人员的技术指导。

使用压力凸轮

去年夏天，Ramos-Giraldo在Sandhills研究站部署了20多个StressCam，用于不同大豆品种的田间。除了提供神经网络课程设计机器学习算法所用的图像外，StressCam图像还将帮助NC State和USDA-ARS大豆育种者，包括Locke和Tommy Carter，跟踪它们的哪一种菌株对干旱条件的响应最佳。

今年夏天，该团队拥有50个StressCam，并计划将它们部署在玉米田上。其中十二台摄像机将在马里兰州的贝尔茨维尔农业研究中心部署，其余摄像机将部署在克莱顿（Clayton）的中央作物研究站等研究站，这些摄像机将利用新的无线互联网基础设施；位于戈尔兹伯勒的樱桃研究农场；以及位于金斯顿的Caswell研究农场。

最终目标是将StressCams推广到精准可持续农业研究网络，该网络是22个州的农场和研究站的网络，部分获得美国农业部农业与食品研究计划拨款的支持，以发展有韧性的农业系统。

作物与土壤科学系教授，研究网络的共同负责人克里斯·雷伯格-霍顿说，应力相机将在种植遮盖作物或其他替代性文化习俗后监测经济作物的干旱压力。

Reberg-Horton说：“ StressCams的最终目标是使用它们来监视美国许多许多农场的水质状况。” “这些摄像机将帮助我们研究覆盖农作物覆盖物在捕获多余雨水方面的有效性。它们将帮助我们了解如何管理该系统以捕获最多的水并将其保持在农民的田地上。”