基于物联网（IoT）的深度学习监测草菇受控环境生长管理系统

《Applied Research》：An IoT-Enabled Growth Management System With Deep Learning-Based Monitoring for Volvariella volvacea Mushroom Cultivation in Controlled Environments

　　

草菇（Volvariella volvacea）的营养构成与药用特性使其在马来西亚具有较高市场需求。然而随着需求增长，传统栽培方法常难以维持最优生长所需理想环境条件，导致产量与品质波动。为应对上述挑战，研究人员开发了一套物联网（IoT）环境控制系统与基于深度学习的生长阶段监测系统相结合的草菇栽培系统。所提IoT系统采用ESP32微控制器与DHT22传感器（测温度与相对湿度）、MQ135传感器（测二氧化碳（CO2））及HW-038传感器（测水位）通信。系统通过超声波雾化器、水泵、加热器与通风风扇等执行器持续监测并自动调控关键环境参数，将最优栽培条件维持在28°C–35°C、75%–95% RH、CO2低于1000 ppm范围。研究人员训练YOLOv8深度学习模型检测蘑菇生长阶段，使用标注了tiny、button、egg、mature四阶段的蘑菇图像。实验结果显示，所提环境控制系统在约85%栽培周期内将目标参数保持在目标范围；生长阶段识别模型总体分类准确率93.12%，宏平均F1分数87.9%，平均精度均值（mAP@0.5）0.78。通过Blynk移动应用实现实时监测与控制，支持远程监管并显著减少持续人工干预。研究观察到被动通风效应，但系统在轻微环境波动下仍提供良好生长条件与较高栽培可靠性。智能环境控制与基于视觉的分析提升了产量可重复性、品质，减少人为误差与手动操作。结果表明所提系统具备可扩展性与可持续性，可提升农业生产率与粮食安全。

研究背景方面，草菇（Volvariella volvacea）因其高蛋白、维生素与抗氧化特性在东南亚尤其马来西亚具有重要经济与营养价值。传统栽培依赖人工观测温湿度与通风，难以在热带昼夜波动环境中维持28°C–35°C、75%–95% RH及CO₂＜1000 ppm的适宜区间，严重案例产量损失可达90%。现有IoT农业方案多止步于数据上云显示，未闭环控制CO₂与水位，且计算机视觉（CV）生长阶段识别常与环境调控互相独立，缺乏单平台集成。为此，研究人员在《Applied Research》报道了该文，提出将IoT感知执行、云端远程监管与YOLOv8视觉识别融合于单一草菇受控栽培平台的智能生长管理系统。

关键技术方法上，硬件以ESP32微控制器（microcontroller）为中枢，配DHT22（温湿度）、MQ135（CO₂与空气质量）、HW-038（水位）传感器，执行端经4路继电器驱动超声波雾化器、PTC加热器、通风风扇与补水泵；闭环算法按阈值比较实时传感值并反向触发执行器，数据经Wi-Fi上行Blynk Cloud实现网页与移动端可视化。视觉侧在栽培舱内布设网络摄像头，采集实际栽培图像共96张，由Roboflow标注tiny、button、egg、mature四类边界框，按70/20/6划分为训练/验证/测试集，采用YOLOv8n预训练权重在Google Colab做迁移学习，训练50 epoch，推理结果由OpenCV绘制置信度与类别反馈。

研究结果部分，按原文小节浓缩如下。

环境监控与控制性能：9天栽培连续记录显示，温度经初期37.4°C瞬态后回归28°C–35°C，夜间降至32.5°C时PTC加热器启动回温；相对湿度围绕85%波动，最低81%–82%由雾化器补偿，峰值94%未超限；CO₂前6日＜90 ppm，第6日起因引入酵母发酵模拟生物产气升至峰值186 ppm，仍远低于1000 ppm，通风扇周期排散有效；HW-038监到D5水位降至54%触发水泵回补。全周期环境合规率约85%。

云端监测与远程可及性：Blynk Cloud同步推送温度、湿度、水位、空气质量指数（AQI）至Web与手机仪表盘，例值35.4°C、83% RH、65%水位实时可达，历史趋势可查，免除高频现场巡检。

蘑菇生长与发育分析：菌丝在调控环境下均匀白化定植，pinhead（原基）同步涌现，成熟子实体形态匀称无污染畸形，证实28°C–35°C与高湿区间支撑从营养生长到生殖发育完整过渡。

YOLOv8生长阶段检测性能：混淆矩阵得总体分类准确率93.12%，mature类precision与recall均100%，tiny类F1 97.5%，egg类F1 89.3%，button与egg因形态接续易互判；mAP@0.5为0.78，训练50 epoch框损失与分类损失平稳下降，实时推理解置信度0.82–0.93，受光照与遮挡影响小。

讨论部分指出，单舱单批次96图虽小，但经增强与迁移学习已支撑实用级识别；局限在于未含病害、污染与产量预测，且YOLOv8运行于云端而非边缘端（edge device）。未来应扩数据集、嵌边缘AI与预测分析。

结论部分翻译：本研究设计并验证了一种面向草菇的智能生长管理系统，将基于IoT的环境自动化与YOLOv8生长阶段识别集成于统一平台。系统通过ESP32联动传感器与执行器持续调控温度、相对湿度、CO₂与水位，闭环控制使全周期环境合规率达约85%；YOLOv8四阶段分类准确率93.12%、mAP@0.5为0.78，满足实时栽培监测需求；Blynk云端监管降低人工介入。该框架以低成本硬件与开源技术可复现，为精准农业与自主农作系统的边缘AI、病害检测及规模化商用奠定基础。