RU2723189C1 - Method for automatic selection of optimum parameters of plants growing based on methods of machine learning - Google Patents
Method for automatic selection of optimum parameters of plants growing based on methods of machine learning Download PDFInfo
- Publication number
- RU2723189C1 RU2723189C1 RU2019119348A RU2019119348A RU2723189C1 RU 2723189 C1 RU2723189 C1 RU 2723189C1 RU 2019119348 A RU2019119348 A RU 2019119348A RU 2019119348 A RU2019119348 A RU 2019119348A RU 2723189 C1 RU2723189 C1 RU 2723189C1
- Authority
- RU
- Russia
- Prior art keywords
- parameters
- value
- culture
- objective function
- new
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 title claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 230000008635 plant growth Effects 0.000 claims abstract description 12
- 230000012010 growth Effects 0.000 claims abstract description 7
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims abstract 2
- 238000005457 optimization Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 20
- 230000035784 germination Effects 0.000 description 6
- 230000007226 seed germination Effects 0.000 description 5
- 230000004083 survival effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Animal Husbandry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Forests & Forestry (AREA)
- Botany (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Linguistics (AREA)
- Agronomy & Crop Science (AREA)
- Environmental Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Greenhouses (AREA)
Abstract
Description
Область техники, к которой относится изобретениеFIELD OF THE INVENTION
Настоящее изобретение относится к автоматическому подбору оптимальных параметров выращивания растений и, в частности, к автоматическому подбору оптимальных параметров выращивания растений на основе методов машинного обучения.The present invention relates to the automatic selection of optimal parameters for growing plants and, in particular, to the automatic selection of optimal parameters for growing plants based on machine learning methods.
Уровень техникиState of the art
Источниками информации об условиях эффективного прорастания семян и приживаемости растений являются экспериментальные данные, полученные в экспериментах с конкретными видами растений при действии отдельных факторов окружающей среды, а также экспертные знания специалистов-агрономов о пределах допустимых значений внешних параметров.Sources of information on the conditions of effective seed germination and plant survival are experimental data obtained in experiments with specific plant species under the action of individual environmental factors, as well as expert knowledge of agronomists on the limits of permissible values of external parameters.
В патентном документе CN 107072152 A описана методика подбора освещения для выращивания растений в контролируемой среде с учетом оптимизации расходов на электроэнергию. В работе используются параметрические модели роста, неприменимые к проращиванию семян. The patent document CN 107072152 A describes a methodology for selecting lighting for growing plants in a controlled environment, taking into account the optimization of energy costs. The work uses parametric growth models that are not applicable to seed germination.
В патенте US 7472513 B2 описана методика выращивания картофельной культуры в контролируемой среде с варьируемыми параметрами температуры, влажности, освещенности и питания. Работа фокусируется на системе оптимального выращивания конкретной культуры в конкретных условиях.US 7472513 B2 describes a method for growing a potato crop in a controlled environment with varying parameters of temperature, humidity, light and nutrition. The work focuses on the system of optimal cultivation of a particular crop in specific conditions.
В патенте № US 7987632 B2 описана интеллектуальная камера роста, включающая в себя систему камер и датчиков для сбора данных о состоянии растений, а также систему контроля освещения среды. Подбор параметров для оптимального выращивания растений в реальном времени предлагается осуществлять на основе экспертной системы, обрабатывающей полученные данные.U.S. Pat. No. 7,987,632 B2 describes an intelligent growth chamber, including a camera system and sensors for collecting plant health data, as well as an environmental lighting control system. The selection of parameters for optimal plant growth in real time is proposed to be carried out on the basis of an expert system that processes the obtained data.
В патентном документе US 2017/0270817 A1 описана система мониторинга и принятия решений для оптимизации выращивания растений в закрытых и открытых условиях. Данные о состоянии окружающей среды снимаются с датчиков и отправляются в базу данных. Система принятия решений анализирует полученные показания, сравнивая их с характерными значениями из профиля выращиваемого растения, и предлагает пользователю необходимый набор действий.US 2017/0270817 A1 discloses a monitoring and decision making system for optimizing plant growth in closed and open conditions. Environmental data is collected from the sensors and sent to the database. The decision-making system analyzes the evidence obtained, comparing it with the characteristic values from the profile of the plant being grown, and offers the user the necessary set of actions.
В патентном документе CA 2859177 A1 описана система оптимизации освещения растений для улучшения роста и сокращения расходов на электричество. Система использует данные о необходимом количестве света для растений и производит точечное включение/выключение освещения на основе этих данных, а также расходов на электричество в конкретные моменты времени.Patent Document CA 2859177 A1 describes a system for optimizing plant lighting to improve growth and reduce electricity costs. The system uses data on the required amount of light for plants and makes a point on / off lighting based on these data, as well as electricity costs at specific points in time.
Ни одно из предлагаемых решений не обеспечивает эффективного и автоматического подбора параметров для оптимального выращивания растений. Соответственно, необходимо, чтобы подбор параметров выращивания растений был более эффективным и не требовал проведения множества экспериментов.None of the proposed solutions provides efficient and automatic selection of parameters for optimal plant growth. Accordingly, it is necessary that the selection of plant growing parameters is more efficient and does not require many experiments.
Раскрытие сущности изобретенияDisclosure of the invention
Уточнение и перенос знаний, относящихся к проращиванию растений, из дискретного набора значений, определенных экспериментально, к модели роста растений, основанной на методах машинного обучения, может существенно повысить эффективность производства и избавит от необходимости проведения множества экспериментов. Refining and transferring knowledge related to plant germination from a discrete set of experimentally determined values to a plant growth model based on machine learning methods can significantly increase production efficiency and eliminate the need for many experiments.
В соответствии с изобретением предлагается применение алгоритмов машинного обучения для автоматического подбора параметров проращивания, факторов влияющих на скорость, эффективность проращивания / приживаемости культур растений / семян в (частично) контролируемой окружающей среде. Подобное решение позволяет: а) находить параметры прорастания семян / приживаемости культур растений, позволяющие максимизировать эффективность, б) учитывать как контролируемые, так и неконтролируемые (но измеряемые) параметры окружающей среды, в) избавиться от ручного подбора параметров на основе экспертных знаний.In accordance with the invention, the use of machine learning algorithms for the automatic selection of germination parameters, factors affecting the speed, efficiency of germination / survival of plant / seed crops in a (partially) controlled environment is proposed. Such a solution allows you to: a) find the parameters of seed germination / survival of plant crops that maximize efficiency, b) take into account both controlled and uncontrolled (but measured) environmental parameters, c) get rid of manual selection of parameters based on expert knowledge.
В соответствии с одним вариантом осуществления изобретения предлагается способ подбора параметров выращивания растений, содержащий этапы, на которых: а) выбирают контролируемые параметры окружающей среды, влияющие на исследуемую культуру; б) выбирают целевую функцию, характеризующую рост растений; в) задают начальные значения параметров; г) применяют указанные начальные значения параметров к образцам исследуемой культуры; д) определяют значение целевой функции; е) определяют новые значения параметров на основе полученного значения целевой функции с использованием модели роста указанной культуры, основанной на алгоритме машинного обучения; ж) применяют указанные новые значения параметров к образцам исследуемой культуры; з) определяют новое значение целевой функции; и) если указанное новое значение целевой функции меньше заданного порогового значения или отличие указанного нового значения целевой функции от предыдущего значения целевой функции большего заданной величины, повторяют этапы е)–з); в противном случае считают текущие значения параметров оптимальными.In accordance with one embodiment of the invention, there is provided a method for selecting parameters for growing plants, comprising the steps of: a) selecting controlled environmental parameters that affect the culture of interest; b) choose the objective function characterizing the growth of plants; c) set the initial values of the parameters; d) apply the indicated initial parameter values to the samples of the studied culture; d) determine the value of the objective function; f) determine new parameter values based on the obtained value of the objective function using the growth model of the specified culture, based on the machine learning algorithm; g) apply the indicated new parameter values to the samples of the studied culture; h) determine the new value of the objective function; i) if the specified new value of the objective function is less than the specified threshold value or the difference between the specified new value of the objective function and the previous value of the objective function is greater than the specified value, repeat steps e) to 3); otherwise, the current parameter values are considered optimal.
Краткое описание чертежейBrief Description of the Drawings
На фиг. 1 представлена последовательность этапов выполнения способа подбора параметров выращивания растений.In FIG. 1 shows a sequence of steps for performing a method for selecting plant growth parameters.
Осуществление изобретенияThe implementation of the invention
На фиг. 1 представлена последовательность этапов выполнения способа подбора параметров выращивания растений. Указанный способ выполняется при помощи системы, представляющей собой программно-аппаратный комплекс, состоящий из оборудования для контроля и наблюдения параметров окружающей среды, в которой производится выращивание растений, а также алгоритма поиска оптимальных параметров на основе байесовской оптимизации.In FIG. 1 shows a sequence of steps for performing a method for selecting plant growth parameters. The specified method is performed using a system that is a hardware-software complex consisting of equipment for monitoring and observing the parameters of the environment in which the plants are grown, as well as an algorithm for searching for optimal parameters based on Bayesian optimization.
Оборудование для контроля параметров окружающей среды может быть выполнено в виде климатических камер или помещений, в которых контролируются показатели влажности, температуры, освещенности (одновременно, либо по отдельности). Система контроля предназначена для выращивания исследуемой культуры в заданных факторах окружающей среды, а именно: условиях температуры, влажности, концентрации элементов питания растений и других показателей, необходимых пользователю. Возможно параллельное использование нескольких (2 и более) систем контроля.Equipment for monitoring environmental parameters can be made in the form of climatic chambers or rooms in which indicators of humidity, temperature, and light are monitored (simultaneously, or separately). The control system is designed to grow the studied culture in predetermined environmental factors, namely: conditions of temperature, humidity, concentration of plant nutrients and other indicators necessary for the user. Perhaps the parallel use of several (2 or more) control systems.
Точность и диапазон контроля параметров окружающей среды может варьироваться в зависимости от технических возможностей и потребностей пользователя. Увеличение точности контроля, перечня контролируемых показателей и частоты наблюдений приводит к улучшению качества работы системы.The accuracy and range of control of environmental parameters may vary depending on the technical capabilities and needs of the user. Increasing the accuracy of control, the list of monitored indicators and the frequency of observations leads to an improvement in the quality of the system.
Поиск оптимальных параметров контролируемой системы осуществляется с помощью метода машинного обучения. Система принимает на вход предыдущие наблюдаемые результаты, а именно: а) значения наблюдаемых параметров системы контроля при отдельных значениях действующих факторов окружающей среды, б) значение целевой функции, например, суммарная биомасса выросших растений или количество проросших семян, длина корней или колеоптилей при отдельных значениях действующих факторов окружающей среды в) оценку неопределенности наблюдаемых, но не контролируемых параметров. В качестве целевой функции может выступать несколько значений, например, увеличение количества проросших семян, сырой биомассы надземной части растений и уменьшение расходов на освещение, либо полив. На выходе система выдает оптимальные значения контролируемых параметров (факторов окружающей среды) для следующего шага наблюдений. The search for the optimal parameters of the controlled system is carried out using the machine learning method. The system takes the input of the previous observed results, namely: a) the values of the observed parameters of the control system for individual values of the environmental factors, b) the value of the objective function, for example, the total biomass of grown plants or the number of sprouted seeds, the length of the roots or coleoptiles for individual values environmental factors c) assessment of the uncertainty of the observed, but not controlled parameters. Several values can serve as the objective function, for example, an increase in the number of germinated seeds, raw biomass of the aerial parts of plants, and a decrease in the cost of lighting or irrigation. At the output, the system gives the optimal values of the controlled parameters (environmental factors) for the next observation step.
В качестве центрального алгоритма машинного обучения внутри является алгоритм из семейства байесовской оптимизации, который может использовать (но не ограничен) для моделирования целевой функции параметрические и непараметрические модели:As a central machine learning algorithm, inside is an algorithm from the Bayesian optimization family that can use (but is not limited to) parametric and nonparametric models for modeling the objective function:
1) Гауссовские процессы;1) Gaussian processes;
2) Искусственные нейронные сети (artificial neural networks);2) Artificial neural networks (artificial neural networks);
3) Случайные леса (random forest).3) Random forests.
А также можно использовать (но без ограничений) для максимизации вспомогательные функции:And you can also use (but without limitation) auxiliary functions to maximize:
1) Ожидание улучшения (Expected Improvement);1) Expected Improvement;
2) Верхняя/нижняя граница определенности (Upper / Lower Confidence Bound);2) Upper / lower limit of certainty (Upper / Lower Confidence Bound);
3) Поиск энтропии (Entropy Search).3) Entropy Search.
Пример работы алгоритма. An example of the algorithm.
Пусть имеются начальные данные значений наблюдаемых параметров и соответствующих значений целевой функции D = {(x1, y1), (x2, y2), …, (xN, yN), N \in {0, 1, 2, …, }}; выбрана параметрическая (или непараметрическая) предиктивная вероятностная (или детерминистическая) модель f(D, x); а также вспомогательная функция a(f, x). Тогда, для выбора следующего набора параметров:Let there be initial data on the values of the observed parameters and the corresponding values of the objective function D = {(x1, y1), (x2, y2), ..., (xN, yN), N \ in {0, 1, 2, ...,}}; the parametric (or nonparametric) predictive probabilistic (or deterministic) model f (D, x) was selected; and also the auxiliary function a (f, x). Then, to select the following set of parameters:
а) по имеющимся данным строится предиктивная модель f(D, x);a) according to the available data, a predictive model f (D, x) is constructed;
б) строится “ленивым” образом вспомогательная функция a(f, x);b) the auxiliary function a (f, x) is constructed in a “lazy" way;
c) запускается оптимизатор вспомогательной функции, который ищет её максимум.c) the optimizer of the auxiliary function is launched, which searches for its maximum.
На выходе алгоритма получаются значения наблюдаемых параметров, которые максимизируют выбранную вспомогательную функцию в соответствие с выбором предиктивной модели.At the output of the algorithm, the values of the observed parameters are obtained that maximize the selected auxiliary function in accordance with the choice of the predictive model.
Изобретение позволяет оптимизировать факторы окружающей среды, влияющие на показатели проращивания семян (всхожесть, энергия прорастания, длина корней, длина колеоптиля и др), приживаемости и роста растений посредством алгоритмов байесовской оптимизации.The invention allows to optimize environmental factors affecting the parameters of seed germination (germination, germination energy, root length, coleoptile length, etc.), survival and plant growth through Bayesian optimization algorithms.
На первом этапе происходит инициализация алгоритма. Выбираются контролируемые факторы окружающей среды (параметры), влияющие на исследуемую культуру, и показатель (целевую функцию), который необходимо оптимизировать. Границы показателей и начальные значения параметров задаются с использованием экспертных знаний, и таким образом производится тестирование первых образцов исследуемой культуры. Для инициализации алгоритма необходимо наличие экспериментально измеренных значений целевых показателей для различного набора факторов (не менее трех значений). At the first stage, the algorithm is initialized. The controlled environmental factors (parameters) that influence the culture under study and the indicator (objective function) that need to be optimized are selected. The boundaries of the indicators and the initial values of the parameters are set using expert knowledge, and thus the first samples of the studied culture are tested. To initialize the algorithm, it is necessary to have experimentally measured target values for a different set of factors (at least three values).
В результате работы алгоритма на основе экспериментальных данных, пользователи получают рекомендации по выбору последующих значений контролируемых факторов, которые используют для тестирования следующих образцов. Процесс получения экспериментальных данных, машинного обучения модели, тестирования влияния «рекомендуемых» машинным алгоритмом значений контролируемых факторов на показатели роста растений продолжают до тех пор, пока прогнозируемое значение целевой функции не превысит заданное пороговое значение (например, прогнозируемое количество проросших семян превышает 100%), или отличие значения целевой функции от предыдущего значения целевой функции меньше заданной величины. При этом выведенные с применением машинного алгоритма значения факторов окружающей среды считают оптимальными и используют на практике для достижения наилучших целевых показателей роста растений.As a result of the algorithm based on experimental data, users receive recommendations on the choice of subsequent values of controlled factors, which are used to test the following samples. The process of obtaining experimental data, machine learning of the model, testing the influence of the “recommended” by the machine algorithm values of controlled factors on plant growth indicators continues until the predicted value of the objective function exceeds a predetermined threshold value (for example, the predicted number of germinated seeds exceeds 100%), or the difference in the value of the objective function from the previous value of the objective function is less than a given value. In this case, the values of environmental factors derived using a machine algorithm are considered optimal and are used in practice to achieve the best target indicators of plant growth.
Полученные данные сохраняются в базу данных, в простейшем случае представляющую собой таблицу значений.The received data is stored in a database, in the simplest case a table of values.
Пример работы системы.An example of the system.
Задача пользователя найти оптимальные значения температуры воздуха и объёма добавляемой воды в негерметично замкнутой емкости с семенами для их наилучшего прорастания за период в 3 (трое) суток в климатической системе (например, климатической камере Binder). Суммарно контролируется 7 параметров (четыре дискретных значения температуры и три различных варианта объема внесенной воды для проращивания семян в замкнутых емкостях). В качестве целевой функции выбирается доля проросших семян за трое суток. Границы поиска параметров выставляются как [0, 40] градусов Цельсия по температуре и [0,00, 10,00] см3 для вносимого количества воды в замкнутые емкости. На вход подаются эти границы контролируемых показателей и, если доступно, другие параметры (например, уровень освещенности в люксах, либо концентрация элементов питания растений в воде), а также результаты предыдущих опытов в рамках данного эксперимента (при наличии экспериментальных данных). На выход выдается набор параметров, например, 24,7; 21,5; 24,2; 22,7°C для температуры и 10,00; 9,50; 9,00 см3 вносимого объема жидкости. Пользователь выставляет соответствующие значения температуры и производит внесение требуемого количества воды в негерметичные контейнеры для проращивания семян в момент постановки эксперимента. The user's task is to find the optimal values of the air temperature and the volume of added water in an unsealed container with seeds for their best germination over a period of 3 (three) days in a climate system (for example, a Binder climate chamber). A total of 7 parameters are monitored (four discrete temperature values and three different options for the volume of introduced water for germinating seeds in closed containers). As the objective function, the proportion of germinated seeds for three days is selected. The boundaries of the search parameters are set as [0, 40] degrees Celsius in temperature and [0.00, 10.00] cm 3 for the amount of water to be introduced into closed containers. These boundaries of monitored indicators and, if available, other parameters (for example, the level of illumination in lux, or the concentration of plant nutrients in water), as well as the results of previous experiments in the framework of this experiment (if experimental data are available) are input. The output is a set of parameters, for example, 24.7; 21.5; 24.2; 22.7 ° C for temperature and 10.00; 9.50; 9.00 cm 3 of the applied volume of liquid. The user sets the appropriate temperature values and makes the required amount of water into the leaky containers for seed germination at the time of the experiment.
По истечении 3 суток, производится подсчет количества проросших семян в планшете и оценка иных ростовых признаков (например, длина корней, количество побочных корней, длина колеоптиля). На основании экспериментальных данных производят вычисление усредненной по серии наблюдений целевой функции (например, доля проросших семян 0,73, а длина корней 35,4 мм); эти данные сохраняются и подаются на вход в модель при проведении последующих опытах. Проводится серия опытов, направленных на достижение наилучших значений целевых показателей и обучение алгоритма на полученных экспериментальных значениях. Если прогнозируемое значение целевой функции превышает заданное пороговое значение (например, прогнозируемое количество проросших семян превышает 1), или отличие значения целевой функции от предыдущего значения целевой функции меньше заданной величины, то выведенные с применением алгоритма значения факторов окружающей среды считают оптимальными и используют на практике для достижения целевых показателей. After 3 days, the number of germinated seeds in the tablet is counted and other growth characteristics are evaluated (for example, root length, number of side roots, coleoptile length). Based on the experimental data, the objective function averaged over a series of observations is calculated (for example, the proportion of sprouted seeds is 0.73, and the root length is 35.4 mm); these data are stored and fed to the model during subsequent experiments. A series of experiments is carried out aimed at achieving the best values of the target indicators and training the algorithm on the obtained experimental values. If the predicted value of the objective function exceeds a predetermined threshold value (for example, the predicted number of germinated seeds exceeds 1), or the difference in the value of the objective function from the previous value of the objective function is less than the specified value, then the environmental factors derived using the algorithm are considered optimal and used in practice for achievement of targets.
Изобретение обеспечивает получение следующих технических результатов:The invention provides the following technical results:
1) Оптимизация контролируемых параметров осуществляется на основе итогового результата эксперимента (собранный урожай, число проросших семян) и не требует наблюдения промежуточных состояний системы. Как следствие, возможно применение к системам с трудно наблюдаемыми состояниями, например, к семенам.1) Optimization of the controlled parameters is carried out on the basis of the final result of the experiment (harvested crop, number of germinated seeds) and does not require observation of intermediate states of the system. As a result, it is possible to apply to systems with difficultly observable states, for example, to seeds.
2) Возможно использование в случае систем с наблюдаемыми, но лишь частично-контролируемыми параметрами (к примеру, только количество растворов с элементами питания растений, либо отдельные климатические показатели).2) It is possible to use in the case of systems with observable, but only partially controlled parameters (for example, only the number of solutions with plant nutrients, or individual climatic parameters).
3) Использование экспертных знаний хотя и улучшает эффективность поиска оптимальных параметров, однако не является необходимым.3) The use of expert knowledge, although it improves the efficiency of the search for optimal parameters, is not necessary.
Claims (13)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019119348A RU2723189C1 (en) | 2019-06-21 | 2019-06-21 | Method for automatic selection of optimum parameters of plants growing based on methods of machine learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019119348A RU2723189C1 (en) | 2019-06-21 | 2019-06-21 | Method for automatic selection of optimum parameters of plants growing based on methods of machine learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2723189C1 true RU2723189C1 (en) | 2020-06-09 |
Family
ID=71067446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019119348A RU2723189C1 (en) | 2019-06-21 | 2019-06-21 | Method for automatic selection of optimum parameters of plants growing based on methods of machine learning |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2723189C1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2758768C1 (en) * | 2020-12-10 | 2021-11-01 | Сергей Борисович Огнивцев | Method for controlling the production and technological processes of cultivation of agricultural crops |
| CN116720633A (en) * | 2023-08-11 | 2023-09-08 | 安徽农业大学 | Method for optimizing edible fungus breeding growth parameters |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100042234A1 (en) * | 2005-12-21 | 2010-02-18 | Innovative Imaging & Research | Expert System for Controlling Plant Growth in a Contained Environment |
| WO2015105523A1 (en) * | 2014-01-12 | 2015-07-16 | Kevin Friesth | Automated hybrid aquaponics and bioreactor system including product processing and storage facilities with integrated robotics, control system, and renewable energy system cross-reference to related applications |
| WO2016040662A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
| US20170270817A1 (en) * | 2016-03-17 | 2017-09-21 | Alex K. Kasravi | Plant Growth Advisor Device and System |
| RU2688234C1 (en) * | 2015-05-26 | 2019-05-21 | Цзисян СЮЙ | Smart growing control method and smart device for growing |
-
2019
- 2019-06-21 RU RU2019119348A patent/RU2723189C1/en active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100042234A1 (en) * | 2005-12-21 | 2010-02-18 | Innovative Imaging & Research | Expert System for Controlling Plant Growth in a Contained Environment |
| WO2015105523A1 (en) * | 2014-01-12 | 2015-07-16 | Kevin Friesth | Automated hybrid aquaponics and bioreactor system including product processing and storage facilities with integrated robotics, control system, and renewable energy system cross-reference to related applications |
| WO2016040662A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
| RU2688234C1 (en) * | 2015-05-26 | 2019-05-21 | Цзисян СЮЙ | Smart growing control method and smart device for growing |
| US20170270817A1 (en) * | 2016-03-17 | 2017-09-21 | Alex K. Kasravi | Plant Growth Advisor Device and System |
Non-Patent Citations (1)
| Title |
|---|
| ВАЖЕНИН А.Н. И ДР. Оптимизация технической оснащенности производственных процессов в растениеводстве с учетом условий их функционирования. Вестник ФГОУ ВПО МГАУ, N 3, 2008, с. 72-76. * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2758768C1 (en) * | 2020-12-10 | 2021-11-01 | Сергей Борисович Огнивцев | Method for controlling the production and technological processes of cultivation of agricultural crops |
| CN116720633A (en) * | 2023-08-11 | 2023-09-08 | 安徽农业大学 | Method for optimizing edible fungus breeding growth parameters |
| CN116720633B (en) * | 2023-08-11 | 2023-10-27 | 安徽农业大学 | Method for optimizing edible fungus breeding growth parameters |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101811640B1 (en) | Prediction apparatus and method for production of crop using machine learning | |
| Chaudhary et al. | Application of wireless sensor networks for greenhouse parameter control in precision agriculture | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| JP6580334B2 (en) | Information processing apparatus, program, and information processing method | |
| JP6132269B2 (en) | Plant growing device | |
| CN112906298B (en) | Blueberry yield prediction method based on machine learning | |
| RU2723189C1 (en) | Method for automatic selection of optimum parameters of plants growing based on methods of machine learning | |
| CN106408132A (en) | Method and device of crop yield prediction based on plantation device | |
| KR20180022159A (en) | Nutrient solution control apparatus and methods using maching learning | |
| CN115529987B (en) | Air port regulating and controlling method, device, equipment and storage medium for crop facility | |
| Ali et al. | Wireless sensor network and deep learning for prediction greenhouse environments | |
| CN105446142A (en) | Greenhouse CO2 gas fertilizer increasing method, device and system | |
| Ting et al. | Universality of an improved photosynthesis prediction model based on PSO-SVM at all growth stages of tomato | |
| US20220155298A1 (en) | Method for predicting yield performance of a crop plant | |
| JP6860773B2 (en) | Internet of Things system and modeling method for predicting soil condition of agricultural land | |
| CN105913326B (en) | Constrain the Crop growing stage model Cultivar parameter optimization method of sex knowledge and the tactful Genetic Algorithm Fusion of elite individual | |
| JP2022136058A (en) | Method of generating prediction model for predicting crop production performance, generation apparatus, and generation program | |
| CN113553767A (en) | Method and system for building greenhouse crop photosynthetic rate prediction model | |
| JP7208503B2 (en) | Machine learning program, machine learning method and machine learning apparatus | |
| CN112992271A (en) | Method for rapidly predicting crop latitude adaptability indoors | |
| JPWO2019003441A1 (en) | Prediction device, prediction method, prediction program, and gene estimation device | |
| CN116681169A (en) | Method for evaluating influence of extreme climate on crop yield | |
| Fitz-Rodríguez et al. | Yield prediction and growth mode characterization of greenhouse tomatoes with neural networks and fuzzy logic | |
| CN111090923B (en) | Internet of things system with function of predicting soil state of farmland and modeling mode | |
| CN114139790A (en) | Crop area productivity prediction method, system and device |