人工智能果蔬精準(zhǔn)化種植技術(shù)的研究

韓兵 許張衡

摘? 要： 當(dāng)前智慧溫室大棚系統(tǒng)過程數(shù)據(jù)利用率低，種植經(jīng)驗(yàn)與果蔬生長過程數(shù)據(jù)無法關(guān)聯(lián)，導(dǎo)致無法更好的控制果蔬生長過程。文章通過向量機(jī)等人工智能算法，對果蔬生長過程環(huán)境參數(shù)進(jìn)行跟蹤和分析，動態(tài)選取策略子項(xiàng)進(jìn)行組合，運(yùn)用各種環(huán)境數(shù)據(jù)訓(xùn)練多類別、分類回歸器和相鄰模型的一致性的方法，實(shí)現(xiàn)溫室大棚果蔬的種植環(huán)境的優(yōu)化。實(shí)驗(yàn)證明，該方法能夠有效地提升果蔬的成熟質(zhì)量和有效控制生長周期，對果蔬的種植方法有較好的改進(jìn)。

關(guān)鍵詞： 人工智能; 向量機(jī); 策略模型; 分類回歸

中圖分類號：TP391.8? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ?文章編號：1006-8228（2021）02-01-03

Abstract： In view of the low utilization rate of the process data of the current intelligent greenhouse system， the planting experience cannot be linked with the growth process data of fruits and vegetables， results in the growth process of fruits and vegetables cannot be better controlled. In this paper， through the vector machine and other artificial intelligence algorithms， the environmental parameters during the growth process of fruits and vegetables is tracked and analyzed， strategy sub items are dynamically selected and combined. The optimization of greenhouse fruit and vegetable planting environment is realized by using various environmental data to train the consistency of multi category， classification regression and adjacent models. Experiments show that this method can effectively improve the quality of fruits and vegetables and effectively control the growth cycle. It has a good improvement on the planting method of fruits and vegetables.

Key words： artificial intelligence; vector machine; strategy model; classification regression

0 引言

隨著農(nóng)業(yè)技術(shù)的進(jìn)一步發(fā)展，大棚的應(yīng)用越來越廣泛，且管理水平越來越高，由于大棚有極好的保溫效果，能使蔬菜提前上市或反季節(jié)上市，為種植企業(yè)帶來可觀的收益。然而，當(dāng)前的控制方式尚未根據(jù)具體農(nóng)作物的生長過程進(jìn)行分析、調(diào)整光照、通風(fēng)和灌溉策略，導(dǎo)致大棚種植的產(chǎn)量偏低。因此，當(dāng)前的大棚種植急需利用互聯(lián)網(wǎng)+人工智能技術(shù)將農(nóng)業(yè)大棚的科技水平進(jìn)一步提升，為農(nóng)戶的種植保駕護(hù)航，并為數(shù)字農(nóng)業(yè)經(jīng)濟(jì)發(fā)展提供新動能[1]。

現(xiàn)代農(nóng)業(yè)以現(xiàn)代科學(xué)技術(shù)、生產(chǎn)數(shù)據(jù)和經(jīng)營管理方法為基礎(chǔ)。人工智能技術(shù)率先應(yīng)用于經(jīng)濟(jì)效益較高的農(nóng)業(yè)生產(chǎn)領(lǐng)域，以此實(shí)現(xiàn)高技術(shù)規(guī)范和高效益集約化規(guī)模經(jīng)營[2]。依托部署在農(nóng)業(yè)生產(chǎn)現(xiàn)場的各種傳感節(jié)點(diǎn)（環(huán)境溫濕度、土壤水分、二氧化碳、圖像等）和無線通信網(wǎng)絡(luò)實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)環(huán)境的智能感知、智能預(yù)警、智能決策、智能分析、專家在線指導(dǎo)，定時(shí)定量精準(zhǔn)生產(chǎn)[3]，為農(nóng)業(yè)生產(chǎn)提供精準(zhǔn)化種植、可視化管理、智能化決策，提高農(nóng)業(yè)水利化、機(jī)械化和信息化水平，提升農(nóng)業(yè)競爭力[4]。

1 果蔬生長環(huán)境參數(shù)的分析

通過對市場有關(guān)大棚物聯(lián)技術(shù)的考察和分析，針對果蔬生長環(huán)境的具體要求，利用自動化控制技術(shù)和信息化管理策略為手段[5]，實(shí)現(xiàn)對農(nóng)作物生長環(huán)境的空氣溫度、土壤濕度、光照情況、CO2濃度等農(nóng)作物生長狀況等參數(shù)的實(shí)時(shí)監(jiān)測、管理和控制[6]。在此基礎(chǔ)上建立果蔬種植模型庫并不斷優(yōu)化，以此來提高種植產(chǎn)量和縮短種植周期，從過去的粗放式經(jīng)營轉(zhuǎn)向精細(xì)化管理，解放生產(chǎn)力，實(shí)現(xiàn)提高整體收益和提升市場競爭性的目標(biāo)。本文以對生長環(huán)境參數(shù)要求較高的大白菜、番茄、黃瓜為例來進(jìn)行分析。

1.1 果蔬種植要求

以大白菜為例，主要是在秋季種植，根據(jù)品種不同播種時(shí)間可分為：早熟品種在8月上、中旬播種，中晚熟品種在8月下旬至9月初播種，生長周期大約55～60天左右。

大白菜在不同生長時(shí)期對溫度有著明顯不同的要求。在萌發(fā)時(shí)，需要的溫度是20℃～25℃，空氣濕度保持在50～60%，即保持土壤濕潤，三天后，幼苗就能出齊;蓮座期的適宜溫度是17℃～22℃，空氣濕度保持在50～70%較為適宜;結(jié)球期對溫度的要求是12℃～18℃，空氣濕度需保持在50～60%，此時(shí)，需要日照充足，加強(qiáng)光合作用，有利于養(yǎng)分的制造。

同樣，對番茄和黃瓜的種植環(huán)境和生長周期進(jìn)行跟蹤和考察，發(fā)現(xiàn)在各個(gè)生長階段對環(huán)境的要求各不相同，因此，針對不同的果蔬種植環(huán)境，需要在生長過程中不斷進(jìn)行調(diào)整，以提高掛果率和成熟率。

1.2 比較與分析

通過對當(dāng)前農(nóng)業(yè)大棚最常種植的大白菜、番茄和黃瓜的不同階段對生長環(huán)境的溫度和濕度過程數(shù)據(jù)可以看出，每一種的果蔬的生長周期和階段時(shí)間都不一樣，而且每一種果蔬在不同的生長階段對不同環(huán)境參數(shù)要求也不盡相同，如表1所示。

因此，對于大棚種植的各種果蔬來說，為了更好的種植果蔬和提高果蔬的質(zhì)量，按照要求縮短或延長果蔬的成熟周期，需要不同的生長過程庫才能滿足要求，而生長過程庫必須在常規(guī)種植經(jīng)驗(yàn)基礎(chǔ)上，通過不同的學(xué)習(xí)、優(yōu)化、調(diào)整和驗(yàn)證才能最終確定。

2 果蔬種植模型優(yōu)化的研究

2.1 人工建立模型庫

由于果蔬種植具有一年多季的特點(diǎn)，因此，要求信息化系統(tǒng)按照作物生長建立模型，利用數(shù)據(jù)庫技術(shù)建立模型庫，針對農(nóng)作物的生長特點(diǎn)，按照所需環(huán)境的各類參數(shù)，建立生長過程庫和培育方法庫。這個(gè)步驟主要依賴當(dāng)前積累的種植經(jīng)驗(yàn)完成。對農(nóng)業(yè)生產(chǎn)中的栽培方案、肥水運(yùn)籌、病蟲草害防治、產(chǎn)量，以及生產(chǎn)力、經(jīng)濟(jì)效益、環(huán)境質(zhì)量等，進(jìn)行系統(tǒng)地和動態(tài)地管理，再結(jié)合管理經(jīng)驗(yàn)做優(yōu)化及綜合管理，為下一步策略庫的建立積累數(shù)據(jù)。

2.2 策略庫智能調(diào)優(yōu)

初步采集相關(guān)環(huán)境參數(shù)信息后，按照作物生長模型的預(yù)測功能，利用后期生長過程庫的專家決策能力及培育方法庫的系統(tǒng)調(diào)控能力，對農(nóng)業(yè)生產(chǎn)中的相關(guān)數(shù)據(jù)進(jìn)行分析和調(diào)整，通過調(diào)整溫度、濕度、光照等環(huán)境參數(shù)進(jìn)行逐步尋優(yōu)，更進(jìn)一步的完善種植環(huán)境參數(shù)的控制系統(tǒng)[7]。這樣有助于確立農(nóng)業(yè)生產(chǎn)綜合管理，發(fā)展精確管理大棚，提高公司的綜合管理水平和生產(chǎn)能力，從而達(dá)到合理科學(xué)地利用資源，減少環(huán)境污染，提高農(nóng)業(yè)生產(chǎn)力和生產(chǎn)效益，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)系統(tǒng)的可持續(xù)發(fā)展。該系統(tǒng)主要利用人工智能算法中的分類回歸器進(jìn)行優(yōu)化和升級種植模型庫。

⑴ 分類方法 在種植過程中，溫度、濕度、光照、CO2濃度、土壤的pH值和土壤微量元素的含量等各項(xiàng)環(huán)境數(shù)據(jù)是相互分離的，通過對這些離散型隨機(jī)變量建模或預(yù)測的監(jiān)督學(xué)習(xí)，建立果蔬在生長過程中環(huán)境參數(shù)的過程集合[8]。從機(jī)器學(xué)習(xí)的觀點(diǎn)來看，每個(gè)訓(xùn)練樣本的數(shù)據(jù)對象已經(jīng)有類標(biāo)識，通過學(xué)習(xí)可以形成表達(dá)數(shù)據(jù)對象與類標(biāo)識間對應(yīng)的知識。

⑵ 回歸方法 在種植過程中，針對生長周期中不同類型的環(huán)境數(shù)據(jù)的連續(xù)跟蹤、分析和學(xué)習(xí)，可以形成一個(gè)優(yōu)化后的溫度、濕度或者其他參數(shù)的過程曲線[9]，根據(jù)評價(jià)體系進(jìn)行適度調(diào)整、優(yōu)化，然后通過回歸方法來驗(yàn)證策略庫的有效性，可實(shí)現(xiàn)策略庫的動態(tài)升級。

2.3 精準(zhǔn)控制種植

系統(tǒng)在實(shí)現(xiàn)對生長環(huán)境空氣溫度、土壤濕度、光照情況、CO2濃度等農(nóng)作物生長狀況等參數(shù)的實(shí)時(shí)監(jiān)測、管理和控制的同時(shí)，以單一種植的大棚為單位建立各種果蔬一年多季的模型庫實(shí)現(xiàn)精準(zhǔn)控制，同時(shí)納入天氣預(yù)報(bào)作為分析手段實(shí)現(xiàn)預(yù)判，在建立人為經(jīng)驗(yàn)的模型庫的基礎(chǔ)上，根據(jù)積累的數(shù)據(jù)進(jìn)行模型分析、訓(xùn)練和調(diào)優(yōu)，最終形成更高一級的策略庫，最終實(shí)現(xiàn)不同果蔬環(huán)境參數(shù)的過程控制域，按照不同果蔬的生長階段完成科學(xué)種植。

綜上所述，精準(zhǔn)化系統(tǒng)核心是通過人工建立的模型庫學(xué)習(xí)，以知識庫和方法庫為輔助條件，通過生產(chǎn)數(shù)據(jù)分析產(chǎn)生智能策略庫，實(shí)現(xiàn)人工粗放管理→精細(xì)化管理→精準(zhǔn)化管理的提升。

3 機(jī)器學(xué)習(xí)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

系統(tǒng)首先獲得果蔬種植的環(huán)境數(shù)據(jù)，并對得到的監(jiān)控?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗，對符合訓(xùn)練條件的數(shù)據(jù)放入訓(xùn)練數(shù)據(jù)集。根據(jù)模型的標(biāo)準(zhǔn)參數(shù)和偏差值，得出當(dāng)前果蔬種植環(huán)境的實(shí)際數(shù)據(jù)，按照學(xué)習(xí)策略給出果蔬種植環(huán)境的調(diào)整建議方案。

系統(tǒng)由以下四個(gè)子系統(tǒng)組成。

⑴ 環(huán)境采集子系統(tǒng) 用于連接各類傳感器監(jiān)測果蔬種植環(huán)境的各項(xiàng)數(shù)據(jù)，監(jiān)測數(shù)據(jù)是以接口的形式傳入系統(tǒng)，參數(shù)主要包括：溫度、濕度、光照強(qiáng)度、大棚CO2濃度、土壤的溫度和土壤濕度等。實(shí)時(shí)數(shù)據(jù)可以直接上傳到中心節(jié)點(diǎn)服務(wù)器中，形成果蔬生長過程的連續(xù)監(jiān)測數(shù)據(jù)，以便后期能夠進(jìn)行分析和學(xué)習(xí)。

⑵ 策略庫學(xué)習(xí)子系統(tǒng) 個(gè)性化果蔬在種植環(huán)境方面對具有非一致性特征進(jìn)行自動、普適和精準(zhǔn)的識別，利用智能尋優(yōu)的導(dǎo)向算法進(jìn)行模型庫的訓(xùn)練和優(yōu)化。首先將大棚分割為具有個(gè)性化的多特征點(diǎn)進(jìn)行融合，構(gòu)造訓(xùn)練集;通過有關(guān)向量機(jī)算法，結(jié)合果蔬的自有信息動態(tài)選取策略子項(xiàng)進(jìn)行組合，訓(xùn)練多類別、分類回歸器和相鄰模型的一致性;從而在種植環(huán)境檢測的實(shí)時(shí)性與控制的精準(zhǔn)度問題上實(shí)現(xiàn)尋優(yōu)策略，為果蔬的短周期種植提供保障，同時(shí)提升產(chǎn)品的品質(zhì)，學(xué)習(xí)訓(xùn)練過程如圖1所示。

⑶ 種植控制子系統(tǒng) 系統(tǒng)按照種植不同的果蔬分成各個(gè)區(qū)域，并將各個(gè)區(qū)域按照果蔬品種劃分為相似的果蔬要求的各個(gè)參數(shù)，通過細(xì)分區(qū)域再進(jìn)行分類以提高參數(shù)的使用效率，將個(gè)性化區(qū)域劃分為相對平均的小參數(shù)塊狀區(qū)域，并做鄰域特征比較，在保留區(qū)域邊緣和輪廓等重要信息的前提下，獲得區(qū)分性更好的種植環(huán)境特征，通過多種特征的融合方式來描述不同的果蔬種植生長過程環(huán)境數(shù)據(jù)集。

⑷ 綜合評價(jià)子系統(tǒng) 環(huán)境數(shù)據(jù)1次/分鐘進(jìn)行記錄，則一天會產(chǎn)生1440次的記錄結(jié)果，每天結(jié)束后可能和標(biāo)準(zhǔn)范圍會出現(xiàn)一定的偏差，按照學(xué)習(xí)的策略庫的參數(shù)設(shè)定，需要對果蔬的種植環(huán)境參數(shù)做出調(diào)整。通過對每次種植的結(jié)果與標(biāo)準(zhǔn)的大棚環(huán)境模型對比，給予策略庫優(yōu)化建議，以便在種植中調(diào)整環(huán)境參數(shù)，通過人工評價(jià)體系實(shí)現(xiàn)不同果蔬生長過程域的最優(yōu)種植環(huán)境參數(shù)集合。

4 實(shí)驗(yàn)驗(yàn)證

課題通過人工智能的向量機(jī)等算法，對果蔬生長過程環(huán)境參數(shù)進(jìn)行跟蹤和分析，動態(tài)選取策略子項(xiàng)進(jìn)行組合，按照各種環(huán)境數(shù)據(jù)訓(xùn)練多類別、分類回歸器和相鄰模型的一致性，將人工智能運(yùn)用在實(shí)際的項(xiàng)目之中，從而優(yōu)化溫室大棚果蔬的種植環(huán)境的最優(yōu)曲線，并且監(jiān)控種植環(huán)境在某一時(shí)刻是否能符合一定的范圍之內(nèi)，最大程度的保證果蔬種植過程的有效性。實(shí)驗(yàn)證實(shí)，該方法能夠有效的提升果蔬的成熟質(zhì)量和有效控制生長周期，對果蔬的種植有很大的幫助。

本項(xiàng)目獲得2019年度北京市科委創(chuàng)新券項(xiàng)目——基于人工智能智慧大棚尋優(yōu)模型的研究的支持。

參考文獻(xiàn)（References）：

[1] 張國鋒，肖宛昂.大力推進(jìn)人工智能在農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J].中國國情國力，2020.4：6-8

[2] 張瑋.現(xiàn)代智慧農(nóng)業(yè)設(shè)施大棚環(huán)境監(jiān)測系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)測量與控制，2020.28（8）：135-138

[3] 濮永仙.基于物聯(lián)網(wǎng)的精準(zhǔn)農(nóng)業(yè)果蔬種植預(yù)警系統(tǒng)[J].湖北農(nóng)業(yè)科學(xué)，2016.55（14）：3741-3744，3786

[4] 楊常捷，劉任任.基于物聯(lián)網(wǎng)的智慧大棚種植系統(tǒng)的研究[J].計(jì)算技術(shù)與自動化，2018.3：150-154

[5] 陳利江，徐凱，王峻等.溫室大棚無線監(jiān)控系統(tǒng)的設(shè)計(jì)與開發(fā)[J].江蘇農(nóng)機(jī)化，2013.2：19-22

[6] 汪海波.人工智能背景下的智慧農(nóng)業(yè)發(fā)展[J].中國高新科技，2020.5：33-34

[7] 田福忠，王宜磊，王德信，樊慶忠.物聯(lián)網(wǎng)和人工智能技術(shù)在智慧農(nóng)業(yè)中的應(yīng)用[J].農(nóng)村經(jīng)濟(jì)與科技，2020.31（5）：14-16

[8] 陳桂芬，李靜，陳航.大數(shù)據(jù)時(shí)代人工智能技術(shù)在農(nóng)業(yè)領(lǐng)域的研究進(jìn)展[J].吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018.4：502-510

[9] 邢偉，竇霽虹，卜令杰，劉萌萌.基于果蔬消費(fèi)種植優(yōu)化模型的研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2017.47（22）：111-122