人工智能果蔬精準化種植技術的研究

韓兵 許張衡

摘? 要： 當前智慧溫室大棚系統過程數據利用率低，種植經驗與果蔬生長過程數據無法關聯，導致無法更好的控制果蔬生長過程。文章通過向量機等人工智能算法，對果蔬生長過程環境參數進行跟蹤和分析，動態選取策略子項進行組合，運用各種環境數據訓練多類別、分類回歸器和相鄰模型的一致性的方法，實現溫室大棚果蔬的種植環境的優化。實驗證明，該方法能夠有效地提升果蔬的成熟質量和有效控制生長周期，對果蔬的種植方法有較好的改進。

關鍵詞： 人工智能; 向量機; 策略模型; 分類回歸

中圖分類號：TP391.8? ? ? ? ? 文獻標識碼：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

隨著農業技術的進一步發展，大棚的應用越來越廣泛，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上市，為種植企業帶來可觀的收益。然而，當前的控制方式尚未根據具體農作物的生長過程進行分析、調整光照、通風和灌溉策略，導致大棚種植的產量偏低。因此，當前的大棚種植急需利用互聯網+人工智能技術將農業大棚的科技水平進一步提升，為農戶的種植保駕護航，并為數字農業經濟發展提供新動能[1]。

現代農業以現代科學技術、生產數據和經營管理方法為基礎。人工智能技術率先應用于經濟效益較高的農業生產領域，以此實現高技術規范和高效益集約化規模經營[2]。依托部署在農業生產現場的各種傳感節點（環境溫濕度、土壤水分、二氧化碳、圖像等）和無線通信網絡實現農業生產環境的智能感知、智能預警、智能決策、智能分析、專家在線指導，定時定量精準生產[3]，為農業生產提供精準化種植、可視化管理、智能化決策，提高農業水利化、機械化和信息化水平，提升農業競爭力[4]。

1 果蔬生長環境參數的分析

通過對市場有關大棚物聯技術的考察和分析，針對果蔬生長環境的具體要求，利用自動化控制技術和信息化管理策略為手段[5]，實現對農作物生長環境的空氣溫度、土壤濕度、光照情況、CO2濃度等農作物生長狀況等參數的實時監測、管理和控制[6]。在此基礎上建立果蔬種植模型庫并不斷優化，以此來提高種植產量和縮短種植周期，從過去的粗放式經營轉向精細化管理，解放生產力，實現提高整體收益和提升市場競爭性的目標。本文以對生長環境參數要求較高的大白菜、番茄、黃瓜為例來進行分析。

1.1 果蔬種植要求

以大白菜為例，主要是在秋季種植，根據品種不同播種時間可分為：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期對溫度有著明顯不同的要求。在萌發時，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;結球期對溫度的要求是12℃～18℃，空氣濕度需保持在50～60%，此時，需要日照充足，加強光合作用，有利于養分的制造。

同樣，對番茄和黃瓜的種植環境和生長周期進行跟蹤和考察，發現在各個生長階段對環境的要求各不相同，因此，針對不同的果蔬種植環境，需要在生長過程中不斷進行調整，以提高掛果率和成熟率。

1.2 比較與分析

通過對當前農業大棚最常種植的大白菜、番茄和黃瓜的不同階段對生長環境的溫度和濕度過程數據可以看出，每一種的果蔬的生長周期和階段時間都不一樣，而且每一種果蔬在不同的生長階段對不同環境參數要求也不盡相同，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種植經驗基礎上，通過不同的學習、優化、調整和驗證才能最終確定。

2 果蔬種植模型優化的研究

2.1 人工建立模型庫

由于果蔬種植具有一年多季的特點，因此，要求信息化系統按照作物生長建立模型，利用數據庫技術建立模型庫，針對農作物的生長特點，按照所需環境的各類參數，建立生長過程庫和培育方法庫。這個步驟主要依賴當前積累的種植經驗完成。對農業生產中的栽培方案、肥水運籌、病蟲草害防治、產量，以及生產力、經濟效益、環境質量等，進行系統地和動態地管理，再結合管理經驗做優化及綜合管理，為下一步策略庫的建立積累數據。

2.2 策略庫智能調優

初步采集相關環境參數信息后，按照作物生長模型的預測功能，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調控能力，對農業生產中的相關數據進行分析和調整，通過調整溫度、濕度、光照等環境參數進行逐步尋優，更進一步的完善種植環境參數的控制系統[7]。這樣有助于確立農業生產綜合管理，發展精確管理大棚，提高公司的綜合管理水平和生產能力，從而達到合理科學地利用資源，減少環境污染，提高農業生產力和生產效益，實現農業生產系統的可持續發展。該系統主要利用人工智能算法中的分類回歸器進行優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環境數據是相互分離的，通過對這些離散型隨機變量建?；蝾A測的監督學習，建立果蔬在生長過程中環境參數的過程集合[8]。從機器學習的觀點來看，每個訓練樣本的數據對象已經有類標識，通過學習可以形成表達數據對象與類標識間對應的知識。

⑵ 回歸方法 在種植過程中，針對生長周期中不同類型的環境數據的連續跟蹤、分析和學習，可以形成一個優化后的溫度、濕度或者其他參數的過程曲線[9]，根據評價體系進行適度調整、優化，然后通過回歸方法來驗證策略庫的有效性，可實現策略庫的動態升級。

2.3 精準控制種植

系統在實現對生長環境空氣溫度、土壤濕度、光照情況、CO2濃度等農作物生長狀況等參數的實時監測、管理和控制的同時，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現精準控制，同時納入天氣預報作為分析手段實現預判，在建立人為經驗的模型庫的基礎上，根據積累的數據進行模型分析、訓練和調優，最終形成更高一級的策略庫，最終實現不同果蔬環境參數的過程控制域，按照不同果蔬的生長階段完成科學種植。

綜上所述，精準化系統核心是通過人工建立的模型庫學習，以知識庫和方法庫為輔助條件，通過生產數據分析產生智能策略庫，實現人工粗放管理→精細化管理→精準化管理的提升。

3 機器學習系統的設計與實現

系統首先獲得果蔬種植的環境數據，并對得到的監控數據進行數據清洗，對符合訓練條件的數據放入訓練數據集。根據模型的標準參數和偏差值，得出當前果蔬種植環境的實際數據，按照學習策略給出果蔬種植環境的調整建議方案。

系統由以下四個子系統組成。

⑴ 環境采集子系統 用于連接各類傳感器監測果蔬種植環境的各項數據，監測數據是以接口的形式傳入系統，參數主要包括：溫度、濕度、光照強度、大棚CO2濃度、土壤的溫度和土壤濕度等。實時數據可以直接上傳到中心節點服務器中，形成果蔬生長過程的連續監測數據，以便后期能夠進行分析和學習。

⑵ 策略庫學習子系統 個性化果蔬在種植環境方面對具有非一致性特征進行自動、普適和精準的識別，利用智能尋優的導向算法進行模型庫的訓練和優化。首先將大棚分割為具有個性化的多特征點進行融合，構造訓練集;通過有關向量機算法，結合果蔬的自有信息動態選取策略子項進行組合，訓練多類別、分類回歸器和相鄰模型的一致性;從而在種植環境檢測的實時性與控制的精準度問題上實現尋優策略，為果蔬的短周期種植提供保障，同時提升產品的品質，學習訓練過程如圖1所示。

⑶ 種植控制子系統 系統按照種植不同的果蔬分成各個區域，并將各個區域按照果蔬品種劃分為相似的果蔬要求的各個參數，通過細分區域再進行分類以提高參數的使用效率，將個性化區域劃分為相對平均的小參數塊狀區域，并做鄰域特征比較，在保留區域邊緣和輪廓等重要信息的前提下，獲得區分性更好的種植環境特征，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境數據集。

⑷ 綜合評價子系統 環境數據1次/分鐘進行記錄，則一天會產生1440次的記錄結果，每天結束后可能和標準范圍會出現一定的偏差，按照學習的策略庫的參數設定，需要對果蔬的種植環境參數做出調整。通過對每次種植的結果與標準的大棚環境模型對比，給予策略庫優化建議，以便在種植中調整環境參數，通過人工評價體系實現不同果蔬生長過程域的最優種植環境參數集合。

4 實驗驗證

課題通過人工智能的向量機等算法，對果蔬生長過程環境參數進行跟蹤和分析，動態選取策略子項進行組合，按照各種環境數據訓練多類別、分類回歸器和相鄰模型的一致性，將人工智能運用在實際的項目之中，從而優化溫室大棚果蔬的種植環境的最優曲線，并且監控種植環境在某一時刻是否能符合一定的范圍之內，最大程度的保證果蔬種植過程的有效性。實驗證實，該方法能夠有效的提升果蔬的成熟質量和有效控制生長周期，對果蔬的種植有很大的幫助。

本項目獲得2019年度北京市科委創新券項目——基于人工智能智慧大棚尋優模型的研究的支持。

參考文獻（References）：

[1] 張國鋒，肖宛昂.大力推進人工智能在農業生產中的應用[J].中國國情國力，2020.4：6-8

[2] 張瑋.現代智慧農業設施大棚環境監測系統設計[J].計算機測量與控制，2020.28（8）：135-138

[3] 濮永仙.基于物聯網的精準農業果蔬種植預警系統[J].湖北農業科學，2016.55（14）：3741-3744，3786

[4] 楊常捷，劉任任.基于物聯網的智慧大棚種植系統的研究[J].計算技術與自動化，2018.3：150-154

[5] 陳利江，徐凱，王峻等.溫室大棚無線監控系統的設計與開發[J].江蘇農機化，2013.2：19-22

[6] 汪海波.人工智能背景下的智慧農業發展[J].中國高新科技，2020.5：33-34

[7] 田福忠，王宜磊，王德信，樊慶忠.物聯網和人工智能技術在智慧農業中的應用[J].農村經濟與科技，2020.31（5）：14-16

[8] 陳桂芬，李靜，陳航.大數據時代人工智能技術在農業領域的研究進展[J].吉林農業大學學報，2018.4：502-510

[9] 邢偉，竇霽虹，卜令杰，劉萌萌.基于果蔬消費種植優化模型的研究[J].數學的實踐與認識，2017.47（22）：111-122